[發明專利]一種基于信息融合的稀疏自編碼故障診斷方法、系統

在審

• 申請號: 202310294325.4
• 申請日: 2023-03-24
• 公開（公告）號: CN116337449A
• 公開（公告）日: 2023-06-27
• 發明（設計）人: 劉韜;普會杰;柳小勤;劉暢;伍星;陳慶;周俊
• 申請（專利權）人: 昆明理工大學
• 主分類號: G01M13/045
• 分類號: G01M13/045;G06F18/25;G06F18/2415;G06F18/2136;G06F18/23;G06N3/0455;G06N3/047;G06N3/048;G06N3/088
• 代理公司: 昆明人從眾知識產權代理有限公司 53204
• 代理人: 陳波

本發明公開了一種基于信息融合的稀疏自編碼故障診斷方法、系統，包括：采集不同故障狀態下的振動加速度信號；依據加速度信號，獲得頻譜、速度、位移信號；將頻譜、速度、位移信號拼接融合成一個樣本；將多個樣本構建的數據集劃分訓練集樣本和測試集樣本；將帶標簽的訓練集輸入用于故障診斷的稀疏自編碼模型中，預訓練用于故障診斷的稀疏自編碼模型的參數；將不含標簽的測試集樣本輸入到保存的預訓練模型中進行測試；將保存的模型用于故障診斷。本發明能實現對滾動軸承等的故障診斷，不需要人工提取或定義特征，就能減少網絡層數并提高了故障診斷準確率。

技術領域

本發明涉及一種基于信息融合的稀疏自編碼故障診斷方法，屬于故障診斷領域。

背景技術

基于深度學習的滾動軸承故障診斷方法是當前故障診斷領域的研究熱點，自編碼器因其對信號強大的特征提取和重構能力被廣泛應用在故障特征提取領域。

目前大多數的故障診斷模型依靠單一振動加速度信號作為原始輸入信號，單一振動加速度信號的特征提取對先驗知識要求高，且會讓模型對時域、頻域信息利用不充分，導致單靠輸入加速度信號的深度學習模型的故障診斷效果不佳。

本發明利用振動加速度信號的頻域積分得到速度、位移信號，將其聯合加速度信號的頻譜融合成一個復合信號并作為稀疏自編碼網絡的輸入，訓練得到基于信息融合的稀疏自編碼故障診斷模型，不僅減少了網絡層數，還克服了對時域、頻域信息利用不充分的問題，從而完成對滾動軸承的有效診斷。

發明內容

本發明提供了一種基于信息融合的稀疏自編碼故障診斷方法、系統，通過將振動加速度信號頻域積分得到速度、位移信號，將其聯合加速度信號的頻譜融合成一個復合信號并作為稀疏自編碼網絡的輸入，訓練得到基于信息融合的用于故障診斷的稀疏自編碼模型，并進一步驗證了本發明融合信號參與訓練稀疏自編碼模型用于滾動軸承等的故障診斷時的高準確率。

本發明的技術方案是：

根據本發明的一方面，提供了一種基于信息融合的稀疏自編碼故障診斷方法，包括：采集不同故障狀態下的振動加速度信號，并根據采集的故障類型為振動加速度信號添加標簽信息；依據加速度信號，獲得頻譜、速度、位移信號；將頻譜、速度、位移信號拼接融合成一個樣本；將多個樣本構建的數據集劃分訓練集樣本和測試集樣本；將帶標簽的訓練集輸入用于故障診斷的稀疏自編碼模型中，預訓練用于故障診斷的稀疏自編碼模型的參數；當診斷準確率達到第一期望預設準確率時，結束訓練，保存模型參數；將不含標簽的測試集樣本輸入到保存的預訓練模型中進行測試，輸出預測標簽集，將預測標簽集與真實標簽集進行對比，若達到第二期望預測準確率，則保存模型；將保存的模型用于故障診斷。

所述依據加速度信號，獲得頻譜、速度、位移信號，包括：對加速度信號進行一次、二次頻域積分分別得到速度、位移信號；再將加速度信號進行傅里葉變化得到頻譜信號。

所述將頻譜、速度、位移信號拼接融合成一個樣本時，速度、位移信號占頻譜信號點數的15％-50％。

所述用于故障診斷的稀疏自編碼模型，模型主要包括編碼層、解碼層和SoftMax分類層；編碼層的輸入為融合后的信號，解碼層為重構后的輸入信號，SoftMax的輸入層為解碼層的輸出信號，SoftMax的輸出層為故障的類別。