本發(fā)明涉及機械故障診斷領域，具體的說是一種基于局部保留自編碼器的滾動軸承故障診斷方法。

背景技術：

1、隨著制造業(yè)對現(xiàn)代化、自動化需求的日益增長，機械設備正朝著大規(guī)模、高速化、高精度的方向迅速發(fā)展。及時快速地診斷復雜系統(tǒng)中的故障能有效避免不必要的停機，嚴重的經濟損失甚至人員傷亡。因此，準確的故障診斷對機械設備的可靠運行至關重要。

2、智能故障診能從大量原始監(jiān)測數據中自適應地學習故障識別特征，并準確診斷機械健康狀態(tài)。特征提取是智能故障診斷的關鍵部分，能直接影響診斷效果。不同于傳統(tǒng)特征提取方法對于經驗和先驗知識的過度依賴及提取特征不可用于多任務場景的限制，無監(jiān)督特征學習可以直接從診斷數據中學習到用于故障診斷的特征。自編碼器是應用最為廣泛的無監(jiān)督特征學習方法之一，但其僅僅是學習恒等函數的近似表達，而不能充分挖掘數據的結構信息。

技術實現(xiàn)思路

1、本發(fā)明是為了解決上述現(xiàn)有技術存在的不足之處，提出一種基于局部保留自編碼器的滾動軸承故障診斷方法，以期能利用無監(jiān)督特征學習方法，挖掘隱藏在原始數據中的故障信息，從而能提升滾動軸承故障診斷的準確性。

2、本發(fā)明為達到上述發(fā)明目的，采用如下技術方案：

3、本發(fā)明一種基于局部保留自編碼器的滾動軸承故障診斷方法的特點在于，包括以下步驟：

4、步驟1、對電機在不同軸速度下采集的各類健康狀態(tài)的滾動軸承原始振動信號樣本進行分片和白化處理，從而構建全局訓練樣本集；

5、獲取滾動軸承的振動信號樣本集，其中，為第個振動信號樣本，p表示采樣點的總數，是對應的健康狀態(tài)；c表示健康狀態(tài)的種類；

6、對進行重疊率為，片段長度為的分片處理后再進行白化處理，得到第t個局部樣本片段集，從而得到全局訓練樣本集，其中，表示中的第i個局部樣本片段，m表示每個振動信號樣本的局部樣本片段總數，；

7、步驟2、從全局訓練樣本集隨機選取一定比例的局部樣本片段構成局部訓練樣本集，其中，表示中第k個抽取的局部樣本片段，表示抽取的局部樣本片段總數，且；

8、步驟3、基于局部訓練樣本集，利用復雜度不變距離測量方法構造權重圖，其中，是權重圖的邊集合；

9、步驟4、構建局部保留自編碼器，包括編碼器h和解碼器d，并對和進行處理后，得到對應的全局重構結果及對應的局部重構結果；

10、步驟5、利用式(4)構建局部保留自編碼器的損失函數loss：

11、??(4)

12、式(4)中，?是由相似度矩陣和單位矩陣的組合矩陣，是局部保留罰項參數，t表示轉置，表示矩陣的跡；

13、步驟6、以最小損失函數loss為目標，使用l-bfgs算法優(yōu)化局部保留自編碼器的參數，得到訓練后的局部保留自編碼器；

14、步驟7、采用訓練后的局部保留自編碼器提取振動信號樣本集的特征向量，并構成分類器的訓練數據集；

15、將輸入訓練好的局部保留自編碼器模型中進行處理，得到第t個局部特征表征集，并對進行平均池化處理后，得到對應的特征向量，從而得到分類器的訓練數據集，其中，表示的局部特征表征；

16、步驟8、將分類器的訓練數據集輸入分類器中進行處理，并利用用式(5)構建分類器的損失函數，從而對分類器進行訓練，得到訓練后的最優(yōu)分類器；

17、???(5)

18、式(5)中，是指示函數，當內部條件成立時，為1，否則，為0；是權重衰減因子，表示分類器對應的第c個參數；

19、步驟9、將給定的任意新的振動信號樣本輸入訓練好的局部保留自編碼器模型中進行處理，得到對應的特征向量，再將特征向量輸入到訓練后的最優(yōu)分類器中，從而利用式(4)得到屬于第類健康狀態(tài)的概率，從而實現(xiàn)對軸承故障的分類；

20、?????(6)

21、式(4)中，是最優(yōu)分類器的第c個參數。

22、本發(fā)明所述的一種基于局部保留自編碼器的滾動軸承故障診斷方法的特點也在于，所述步驟3包括以下步驟：

23、步驟3.1、利用復雜度不變的距離測量公式得到的個最近鄰樣本集；

24、步驟3.2、利用式(1)獲得相似度矩陣：

25、??????(1)

26、式(1)中，表示和第個抽取的局部樣本片段之間的關系，當時，令，否則，令；

27、步驟3.3、將中的各個局部樣本片段作為權重圖的頂點，各頂點之間的相似度，即連接權重作為權重圖的邊，從而構建權重圖。

28、進一步的，所述步驟4包括以下步驟：

29、步驟4.1、由全局訓練樣本集組成全局數據矩陣，并輸入編碼器h中進行處理，從而利用式(2)得到其對應的隱藏特征表示；

30、?(2)

31、式(2)中，，分別是編碼器h的權重矩陣和偏置，表示將復制次的運算符，是激活函數；

32、步驟4.2、解碼器利用式(3)對隱藏特征表示進行解碼操作，得到對應的全局重構結果；

33、??(3)

34、式(3)中，，分別是解碼器d的權重矩陣和偏置；

35、步驟4.3、由局部訓練樣本集組成局部數據矩陣，并按照步驟4.1-步驟4.2的編碼與解碼操作后，得到對應的局部重構結果。

36、本發(fā)明一種電子設備，包括存儲器以及處理器的特點在于，所述存儲器用于存儲支持處理器執(zhí)行所述滾動軸承故障診斷方法的程序，所述處理器被配置為用于執(zhí)行所述存儲器中存儲的程序。

37、本發(fā)明一種計算機可讀存儲介質，計算機可讀存儲介質上存儲有計算機程序的特點在于，所述計算機程序被處理器運行時執(zhí)行所述滾動軸承故障診斷方法的步驟。

38、與現(xiàn)有技術相比，本發(fā)明的有益效果在于：

39、1、由于軸承通常工作在變轉速、變負載的復雜工況下，其監(jiān)測信號呈現(xiàn)出高度非線性、非平穩(wěn)，噪聲大、故障特征微弱等特點。本發(fā)明通過聯(lián)合優(yōu)化標準自編碼器的代價函數的局部保留懲罰項，實現(xiàn)數了據從原始空間到重建空間的精準重構和局部特性保留，有效提升了無監(jiān)督框架下判別性特征的學習能力，增強了軸承復雜信號特征的提取能力。

40、2、由于軸承的監(jiān)測信號通常是時序數據，歐式距離作為常用的相似性度量方式不適合度量兩段時序數據之間的相似性。而本發(fā)明采用復雜度不變距離度量取代傳統(tǒng)的歐氏距離度量，從而精確評估了兩段時序數據的相似性。

技術特征：

1.一種基于局部保留自編碼器的滾動軸承故障診斷方法，其特征在于，包括以下步驟：

2.根據權利要求1所述的一種基于局部保留自編碼器的滾動軸承故障診斷方法，其特征在于，所述步驟3包括以下步驟：

3.根據權利要求2所述的一種基于局部保留自編碼器的滾動軸承故障診斷方法，其特征在于，所述步驟4包括以下步驟：

4.一種電子設備，包括存儲器以及處理器，其特征在于，所述存儲器用于存儲支持處理器執(zhí)行權利要求1-3中任一所述滾動軸承故障診斷方法的程序，所述處理器被配置為用于執(zhí)行所述存儲器中存儲的程序。

5.一種計算機可讀存儲介質，計算機可讀存儲介質上存儲有計算機程序，其特征在于，所述計算機程序被處理器運行時執(zhí)行權利要求1-3中任一所述滾動軸承故障診斷方法的步驟。

技術總結
本發(fā)明公開了一種基于局部保留自編碼器的滾動軸承故障診斷方法，包括：1對電機在不同軸速度下采集的各類健康狀態(tài)的滾動軸承的原始振動信號樣本進行分片和白化處理，從而構建全局訓練樣本集；2從全局訓練樣本集隨機選取一定比例的樣本構成局部訓練樣本集；3利用復雜度不變距離測量法構造權重圖；4利用全局及局部訓練樣本集和權重圖對局部保留自編碼器模型進行訓練，采用訓練后的模型網絡參數提取原始振動信號樣本的特征向量，從而構成分類器訓練數據集；5用分類器訓練數據集訓練用于軸承故障診斷的分類器。本發(fā)明通過在重構空間中保留原始空間的數據局部結構信息，獲得信息豐富和有識別力的特征，從而有效提升故障識別效果。

技術研發(fā)人員：儲昭碧,魯正華,張志強
受保護的技術使用者：合肥工業(yè)大學
技術研發(fā)日：
技術公布日：2024/12/19