[發明專利]一種深度神經網絡結合人工蜂群優化的智能故障診斷方法

在審

• 申請號: 202011068823.X
• 申請日: 2020-09-28
• 公開（公告）號: CN112132102A
• 公開（公告）日: 2020-12-25
• 發明（設計）人: 尚志武;李萬祥;高茂生;俞燕;周士琦;張寶仁;劉飛;龐海玉
• 申請（專利權）人: 天津工業大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/00;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種深度神經網絡結合人工蜂群優化的智能故障診斷方法，包括以下步驟：提出一種用于振動信號的數據擴充策略、設計深度無損非負約束稀疏自編碼器模型、利用人工蜂群算法優化深度無損非負約束稀疏自編碼器的超參數。本發明能夠增加缺失樣本容量減小樣本不平衡對深度學習模型訓練的影響，增加故障特征的抗噪性，增強特征提取過程的魯棒性，避免人工過多參與超參數選取，提高模型診斷過程的智能化和準確性。

技術領域

本發明涉及一種深度神經網絡結合人工蜂群優化的智能故障診斷方法。

背景技術

隨著技術的發展，旋轉機械正朝著速度、精度、效率越來越高的方向發展，基于機器學習的故障診斷方法依賴于大量的信號處理技術和人工經驗，面對數據復雜、非線性和非平穩的情況下無法做到穩定且高精度的診斷效果。在提取故障特征過程中，需要診斷人員掌握大量的信號處理技術并結合豐富的工程實踐經驗來提取和選取故障特征。此外，該過程獨立地對待特征提取和故障識別兩個環節，并未考慮它們之間的關系。在模型訓練階段，由于振動信號包含大量的環境噪聲，使得深度學習模型無法表征信號與故障類型之間復雜的映射關系，進而導致診斷能力及泛化性能均有明顯不足，很難滿足復雜非線性數據背景下旋轉機械故障診斷的實際需求。因此，對旋轉機械進行精準的故障識別必須要解決以下關鍵問題：

(1)在實際工程應用中，往往健康信號比故障信號獲取容易，使得數據集出現類別不平衡現象，嚴重影響深度自編碼器的訓練；

(2)振動信號受到環境噪聲的影響，使得深度自編碼器的特征學習性能下降；

(3)深度神經網絡的超參數的優化問題無關相關理論知識指導選取，需要依靠人工經驗和相關實驗進行確定，影響診斷的效率和精度，不利于模型的智能化。

為了克服上述缺陷，本發明提出一種深度神經網絡結合人工蜂群優化的智能故障診斷方法。首先，本發明提出一種用于振動信號的數據擴充策略，降低類別不平衡數據對深度學習模型的影響；設計深度無損非負約束稀疏自編碼器模型，提升模型對特征提取過程的魯棒性，增強故障特征的質量；采用人工蜂群算法優化深度無損非負約束稀疏自編碼器模型，減少人為參與參數選取過程，從而實現旋轉機械的健康狀態識別。

發明內容

本發明的目的是為了解決上述問題，設計了一種深度神經網絡結合人工蜂群優化的智能故障診斷方法，包括以下步驟：

步驟1：提出一種用于振動信號的數據擴充策略；

步驟2：提出一種深度無損非負約束稀疏自編碼器模型；

步驟3：采用人工蜂群算法優化深度無損非負約束稀疏自編碼器的超參數。

進一步地，所述的步驟1中，提出一種用于振動信號的數據擴充策略，其具體步驟為：

步驟1.1：數據劃分：將采集所得的振動信號分割為訓練數據和測試數據；

步驟1.2：訓練數據擴充：利用重疊采樣策略將訓練數據分割成若干樣本，采用抖動技巧和旋轉技巧產生新的訓練數據；

步驟1.3：訓練數據混合：將原始訓練數據和新產生的訓練數據進行混合，合成的訓練數據用于深度學習網絡的訓練。

進一步地，所述的步驟2中，提出一種深度無損非負約束稀疏自編碼器模型，其具體步驟為：

步驟2.1：設計無損約束項和引用權重非負約束項對稀疏自編器的損失函數進行修改，構建無損非負約束稀疏自編碼器模型；

步驟2.2：修改無損非負約束稀疏自編碼器的預訓練規則，設計無損非負約束稀疏自編碼器的參數學習規則；

步驟2.3：預訓練Softmax分類器；

步驟2.4：將多個無損非負約束稀疏自編器與Softmax分類器進行堆棧，形成深度無損非負約束稀疏自編碼器模型；