[發(fā)明專利]基于并行特征學(xué)習(xí)和多分類器的滾動(dòng)軸承故障診斷方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201910331462.4
• 申請(qǐng)日: 2019-04-24
• 公開(kāi)（公告）號(hào): CN110110768B
• 公開(kāi)（公告）日: 2021-02-26
• 發(fā)明（設(shè)計(jì)）人: 王奇斌;趙博;程廣凱;孔憲光;馬洪波;常建濤
• 申請(qǐng)（專利權(quán)）人: 西安電子科技大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62
• 代理公司: 陜西電子工業(yè)專利中心 61205
• 代理人: 陳宏社;王品華

1.一種基于并行特征學(xué)習(xí)和集成多分類器的滾動(dòng)軸承智能故障診斷方法，其特征在于包括如下步驟：

(1)獲取訓(xùn)練樣本集和測(cè)試樣本集：

(1a)將從數(shù)據(jù)庫(kù)中選取的滾動(dòng)軸承的I個(gè)振動(dòng)時(shí)域信號(hào)數(shù)據(jù)作為訓(xùn)練樣本，每個(gè)訓(xùn)練樣本包含一種表示故障類別的標(biāo)簽，標(biāo)簽的類別總數(shù)為Q，所有訓(xùn)練樣本構(gòu)成訓(xùn)練樣本集X₁，其中，I≥2000，且I＞＞Q，表示第i個(gè)訓(xùn)練樣本，y⁽ⁱ⁾表示的標(biāo)簽；

(1b)將通過(guò)數(shù)據(jù)采集系統(tǒng)實(shí)時(shí)采集的待診斷滾動(dòng)軸承的J個(gè)振動(dòng)時(shí)域信號(hào)數(shù)據(jù)作為測(cè)試樣本，所有測(cè)試樣本構(gòu)成測(cè)試樣本集X₂，J≥I/2, 表示第j個(gè)測(cè)試樣本；

(2)構(gòu)建N個(gè)堆棧式自編碼器模型：

基于不同激活函數(shù)差異性地構(gòu)建N個(gè)各包含K個(gè)自編碼器的堆棧式自編碼器模型，第n個(gè)堆棧式自編碼器模型中第k個(gè)自編碼器記為的隱藏層為該N個(gè)堆棧式自編碼器模型的最后一個(gè)隱藏層的節(jié)點(diǎn)數(shù)均為h，輸出層的節(jié)點(diǎn)數(shù)均為o，其中，n＝1,2,…,N，k＝1,2,…,K，N≥2，K≥2；

(3)對(duì)N個(gè)堆棧式自編碼器模型進(jìn)行并行訓(xùn)練：

(3a)令n＝1，k＝1；

(3b)將訓(xùn)練樣本集X₁作為第n個(gè)堆棧式自編碼器模型中第k個(gè)自編碼器的輸入，對(duì)進(jìn)行訓(xùn)練，得到訓(xùn)練后的隱含層為的自編碼器

(3c)將訓(xùn)練后的自編碼器的隱含層作為第n個(gè)堆棧式自編碼器模型中第k+1個(gè)自編碼器的輸入，對(duì)進(jìn)行訓(xùn)練，得到訓(xùn)練后的隱含層為的自編碼器

(3d)判斷k＝K是否成立，若是，得到訓(xùn)練后的第n個(gè)堆棧式自編碼器模型，否則，令k＝k+1，并執(zhí)行步驟(3c)～(3d)；

(3e)判斷n＝N是否成立，若是，得到N個(gè)并行訓(xùn)練后的堆棧式自編碼器模型，否則，令n＝n+1，并執(zhí)行步驟(3b)～(3d)；

(4)獲取多個(gè)性能狀態(tài)特征：

將第n個(gè)并行訓(xùn)練后的堆棧式自編碼器模型中的h個(gè)節(jié)點(diǎn)輸出值作為從訓(xùn)練樣本集中提取到的第n組性能狀態(tài)特征，所有堆棧式自編碼器提取到的性能狀態(tài)特征共為M個(gè)，其中，M＝N×h，第m個(gè)性能狀態(tài)特征為F_m，m＝1,2,…,M；

(5)對(duì)每個(gè)性能狀態(tài)特征F_m進(jìn)行特征評(píng)價(jià)：

通過(guò)最小化誤差函數(shù)對(duì)softmax分類模型進(jìn)行訓(xùn)練，得到訓(xùn)練后的softmax分類模型，并將每個(gè)性能狀態(tài)特征F_m輸入到訓(xùn)練后的softmax分類模型，得到M個(gè)性能評(píng)價(jià)指標(biāo)值I₁,I₂,…,I_m,…,I_M；

(6)建立基于softmax分類器的集成多分類器模型：

(6a)設(shè)置Q個(gè)閾值T₁,T₂,…,T_q,…,T_Q，并將M個(gè)性能評(píng)價(jià)指標(biāo)值逐一與第q個(gè)閾值T_q進(jìn)行比較，篩選出性能評(píng)價(jià)指標(biāo)值大于T_q的性能狀態(tài)特征組成特征子集S_q，得到Q個(gè)特征子集S₁,S₂,…,S_q,…,S_Q，q＝1,2,…,Q；

(6b)將第q個(gè)特征子集S_q輸入到softmax分類器C_q中，得到C_q的預(yù)測(cè)標(biāo)簽向量R_q，并計(jì)算C_q的分類精度Ac_q，得到Q個(gè)softmax分類器的分類精度Ac₁,Ac₂,…,Ac_q,…,Ac_Q；

(6c)設(shè)置閾值T_c，將Q個(gè)分類精度Ac₁,Ac₂,…,Ac_q,…,Ac_Q分別與T_c比較，篩選出分類精度大于T_c的λ個(gè)分類器C₁,C₂,…,C_κ,…,C_λ，λ≥5，構(gòu)成基于softmax分類器的集成多分類器模型C；

(7)獲取滾動(dòng)軸承故障診斷結(jié)果：

(7a)將X₂中的輸入到C中的每一個(gè)C_κ，κ＝1,2,…,λ，得到λ個(gè)分類器C₁,C₂,…,C_κ,…,C_λ對(duì)的預(yù)測(cè)標(biāo)簽其中，

(7b)通過(guò)投票法查找預(yù)測(cè)標(biāo)簽中出現(xiàn)次數(shù)最多的預(yù)測(cè)標(biāo)簽，并將其作為基于softmax分類器的集成多分類器模型C對(duì)測(cè)試樣本的預(yù)測(cè)標(biāo)簽L^(j)：，

其中，mode(·)表示模式查找函數(shù)，表示利用篩選出的第κ個(gè)分類器對(duì)測(cè)試樣本預(yù)測(cè)的標(biāo)簽，λ表示篩選出的分類器的數(shù)目；

(7c)將預(yù)測(cè)標(biāo)簽L^(j)與訓(xùn)練樣本集包含的故障類別進(jìn)行映射，得到滾動(dòng)軸承在不同時(shí)刻的故障狀態(tài)。