[發明專利]一種基于自動編碼器的軸系轉速大波動的故障診斷方法

有效

• 申請號: 201810200175.5
• 申請日: 2018-03-12
• 公開（公告）號: CN108548671B
• 公開（公告）日: 2020-01-10
• 發明（設計）人: 李舜酩;安增輝
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G01M13/045
• 分類號: G01M13/045;G06K9/62;G06N3/08;G06N3/04
• 代理公司: 32200 南京經緯專利商標代理有限公司
• 代理人: 許方

本發明公開了一種基于自動編碼器的軸系轉速大波動的故障診斷方法，包括以下步驟：步驟一、將分別屬于源域和目標域中的轉速1與轉速2的樣本做快速傅里葉變換并幅值歸一化；步驟二、用轉速1信號預訓練自動編碼器；步驟三、在自動編碼算法中加入MMD懲罰項自動編碼遷移學習算法，并用兩種轉速的訓練樣本進行訓練；步驟四、訓練加入MMD懲罰項的Softmax特征分類器對提取的特征進行分類，由此可對轉速2未知的故障信號實現故障診斷。本發明通過遷移學習算法對轉速大波動狀態下的故障信號進行智能診斷，通過引入MMD懲罰項提高源域樣本訓練之后的模型對于目標域樣本診斷的準確率，從而實現轉速大波動情況下的智能故障診斷。

技術領域

本發明屬于振動信號智能故障診斷技術領域，涉及一種基于自動編碼器的軸系轉速大波動的故障診斷方法。

背景技術

隨著大數據時代的到來，基于設備振動信號的故障診斷方法，已經由傳統的信號處理方法轉變為深度學習方法。應用深度學習進行智能故障診斷的步驟一般是通過非監督學習算法訓練出能夠提取樣本特征的權值矩陣，然后通過監督學習算法進行對權值矩陣提取的樣本特征進行分類。目前普遍采用的無監督學習算法主要有稀疏玻爾茲曼機、自動編碼器、稀疏自動編碼器、稀疏編碼、獨立成分分析等等，均是通過對大量的樣本進行訓練來提高對未知故障診斷的準確率。

中國發明專利申請“CN201510169697：一種基于短時傅里葉變換和稀疏層疊自動編碼器的滾動軸承聲音信號故障診斷方法”，即是采用自動編碼器進行故障診斷。但是，由于機械設備運行時會受載荷等因素的影響，其轉速波動多變而不是單一的。而采用自動編碼器故障診斷方法在模型訓練時的樣本往往是一種轉速或者幾種轉速的數據，而對于其他轉速的故障樣本則需要從新訓練整個模型才能進行診斷。這會導致模型的重復訓練，從而在實際應用中影響最終故障診斷的效果和準確率。

發明內容

本發明目的是針對現有技術存在的缺陷提供一種基于自動編碼器的軸系轉速大波動的故障診斷方法，利用遷移學習將已經訓練好的模型通過簡單的微調遷移到實際應用的環境中，提高模型訓練效率，并將遷移學習理念與現有的自動編碼器技術相結合，實現轉速大波動下的故障診斷和提升故障診斷準確率。

為解決上述技術問題，本發明采用以下技術方案。

本發明的一種基于自動編碼器的軸系轉速大波動的故障診斷方法，其特征是，包括以下步驟：

步驟1.樣本數據預處理：轉速1和轉速2的樣本分別屬于源域和目標域；轉速1的源域有M個帶有標簽的訓練樣本其中表示第i個源域樣本N_n表示樣本長度即樣本維數，yⁱ表示的標簽；轉速2的目標域中有N個無標簽的訓練樣本其中表示第i個目標域樣本首先將所有樣本進行傅里葉變換，然后對幅值進行歸一化組成新的訓練樣本和其中，和分別表示原樣本和的頻譜；此時樣本長度變為原樣本的一半，用N_in表示，即N_in＝N_n/2；將所有樣本表示成矩陣形式，即源域樣本為X_s，目標域樣本為X_t；其中，X_s和X_t分別表示由M個樣本和N個樣本組成的矩陣；