[發明專利]針對樣本不均衡的增強擴展深度置信網絡的軋機故障診斷方法

有效

• 申請號: 202110356774.8
• 申請日: 2021-04-01
• 公開（公告）號: CN113111752B
• 公開（公告）日: 2022-07-08
• 發明（設計）人: 時培明;于越;韓東穎;華長春
• 申請（專利權）人: 燕山大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08;G06F17/14
• 代理公司: 北京孚睿灣知識產權代理事務所(普通合伙) 11474
• 代理人: 劉翠芹

1.一種增強擴展深度置信網絡的軋機故障診斷方法，其特征在于：其包括如下步驟：

S1、采集軋機的齒輪箱和軋輥軸承的故障振動信號：

通過軋機設備診斷系統獲取軋機各種故障狀態下的齒輪箱和軋輥軸承的故障振動信號；

S2、對采集的故障振動信號進行快速傅里葉變換：

利用快速傅里葉變換實現故障振動信號從時域到頻域的快速變換，以進行后續的故障振動信號特征的提?。?/p>

S3、利用頻譜圖中的傅里葉系數作為輸入，相應的齒輪箱和軋輥軸承的故障診斷信號作為輸出，進行增強擴展深度置信網絡的訓練，得到神經網絡故障診斷模型；

其中增強擴展深度置信網絡RSDBN的訓練具體包括以下子步驟：

S31、在預訓練階段：將特征向量輸入第一個增強擴展玻爾茲曼向量機RSRBM，通過條件概率和CD-k采樣逐層訓練每一個增強擴展玻爾茲曼向量機RSRBM，從而輸出得到較優參數，具體計算公式如下：

W⁽⁰⁾←W⁽⁰⁾+α(ν⁽⁰⁾h⁽⁰⁾₀-ν⁽⁰⁾h⁽⁰⁾₁)

a₀←a₀+α(ν⁽⁰⁾₀-ν⁽⁰⁾₁)

b₀←b₀+α(h⁽⁰⁾₀-h⁽⁰⁾₁)

W⁽ⁱ⁾←W⁽ⁱ⁾+α((v⁽ⁱ⁾+v^(i-1))h⁽ⁱ⁾₀-(v⁽ⁱ⁾+v^(i-1))h⁽ⁱ⁾₁)

a_i←a_i+α(v⁽ⁱ⁾+v^(i-1)₀-v⁽ⁱ⁾+v^(i-1)₁)

b_j←b_j+α(h⁽ⁱ⁾₀-h⁽ⁱ⁾₁)

式中，h⁽⁰⁾是第一個RSRBM的隱藏層，v⁽⁰⁾是第一個RSRBM的可見層，W⁽⁰⁾是隱藏層和可見層的權重，b⁽⁰⁾是隱藏層的偏置，h⁽ⁱ⁾是第i個RSRBM的隱藏層，v⁽ⁱ⁾是第i個RSRBM的可見層，W⁽ⁱ⁾是隱藏層和可見層的權重，b⁽ⁱ⁾是隱藏層的偏置，₀是RSRBM的原始數據，₁是CD-k采樣后的RSRBM的真實數據；

S32：對步驟S31得到的輸出參數進行精調后得到神經網絡故障診斷模型：在RSDBN的頂層加入Softmax分類器，通過BP神經網絡算法，結合數據標簽對整個RSDBN網絡進行自上而下的有效監督訓練，同時根據結果實時微調各層RSRBM的權重矩陣與偏置矩陣，保證全局參數最優；

S4、獲取待診斷的軋機齒輪箱和軋輥軸承的故障振動信號，將其執行步驟S1-S3后得到的齒輪箱和軋輥軸承的頻譜圖中的傅里葉系數輸入步驟S3中得到的神經網絡故障診斷模型中，得到軋機齒輪箱和軋輥軸承的診斷結果；

S5、對步驟S4得到的診斷結果進行對比，判斷診斷結果的準確率，其包括以下子步驟：

S51、將增強擴展深度置信網絡與其他深度學習網絡在相同的輸入特征向量下，比較診斷結果的準確率，

所述軋機中齒輪箱的故障狀態包括大齒輪點蝕且小齒輪磨損、大齒輪斷齒且小齒輪磨損、大齒輪正常且小齒輪磨損、大齒輪正常且小齒輪正常4種狀態；所述軋機中軋輥軸承的故障狀態包括內圈故障、外圈故障和正常3種狀態；

S52、使用RSDBN與深度學習結構進行比較，深度學習結構包括深度置信網絡、卷積神經網絡、深度神經網絡和支持向量機，使用軋機齒輪箱和軋輥軸承的不均衡樣本中采集的訓練集和測試集進行準確率比較，用RSDBN計算出的Acc的結果能夠表明每個故障類別診斷結果的準確率；

式中結果TP為預測正確，且預測為正面，FP為預測錯誤，且預測為正面；FN為預測錯誤，且預測為負面；Acc的值越高，則準確率越高。