基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN106017876A(43)申请公布日2016.10.12(21)申请号201610311641.8(22)申请日2016.05.11(71)申请人西安交通大学地址710049陕西省西安市咸宁路28号(72)发明人雷亚国邢赛博贾峰林京单洪凯(74)专利代理机构西安智大知识产权代理事务所61215代理人贺建斌(51)Int.Cl.G01M13/00(2006.01)G06K9/62(2006.01)G06K9/00(2006.01)权利要求书2页说明书5页附图1页(54)发明名称基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法(57)摘要基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法，首先获取轮对轴承在不同健康状态下的振动信号，建立基于等权局部特征稀疏滤波网络的故障诊断模型；然后对稀疏滤波网络进行训练，利用训练后的稀疏滤波网络从振动信号中自动提取故障特征；最后基于提取的故障特征，训练Softmax分类器，利用训练后的分类器对轴承故障进行智能诊断，本发明高效、可靠地实现了机车轮对轴承故障特征的自动提取以及健康状态的智能诊断。CN106017876ACN106017876A权利要求书1/2页1.基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法，其特征在于，包括以下步骤：1)获取轮对轴承在不同健康状态下的振动信号，建立基于等权局部特征稀疏滤波网络的故障诊断模型，故障诊断模型包括等权局部特征稀疏滤波网络和Softmax分类器，稀疏滤波网络用于提取故障特征；Softmax分类器以提取的故障特征为输入，用于实现故障诊断；2)对稀疏滤波网络进行训练，首先确定网络输入和输出维数，根据输入维数Nin，从振动i信号x中随机可重叠地选取Ns个数据段，组成样本片段训练集；然后对样本片段训练集进行白化处理，训练完成后，再将振动信号xi无重叠地分割为一个样本片段集利用稀疏滤波网络提取的故障特征，作为样本的局部特征，再将局部特征等权加和，作为该振动信号的样本特征，过程如下：2.1)首先确定网络输入维数Nin和输出维数Nout，从振动信号中随机可重叠地取Ns个数据段，组成样本片段训练集其中，是第j个样本片段，且包含Nin个数据点；将样本片段训练集写成矩阵形式为对S进行白化处理，得到白化后的训练矩阵Swhite；2.2)利用上述得到的训练矩阵Swhite训练稀疏滤波网络，具体如下：训练矩阵Swhite由白化样本片段集组成，任意选取初始权值矩阵W，白化样本片段与权值矩阵W内积得到局部特征即将各局部特征按列组合成局部特征矩阵首先，利用-正则化方法对局部特征矩阵的行向量进行正则化，即其中，l表示矩阵的第l行；然后，通过-正则化方法对的列向量进行正则化，即其中，i表示矩阵的第i列；最后，通过最小化代价函数训练稀疏滤波网络；2.3)将振动信号分割成J段不可重叠样本片段，且J＝N/Nin，其中，Nin是稀疏滤波网络输入维数，即振动信号xi被分割为一个样本片段集为第j个样本片段，将每个输入训练完成的稀疏滤波网络，得到样本局部特征然后将各局部特征赋权值为1/J并加和，得到xi的样本特征fi，即2CN106017876A权利要求书2/2页3)将稀疏滤波网络提取的样本特征作为振动信号的故障特征，输入Softmax分类器，通过最大化该故障特征对应标签的输出概率训练分类器；训练完成后，以最大输出概率的标签作为该振动信号xi对应的健康状态，完成轮对轴承的智能故障诊断。3CN106017876A说明书1/5页基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法技术领域[0001]本发明属于轮对轴承的故障诊断技术领域，具体涉及基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法。[0002]背景知识[0003]在机械领域，机车设备向着自动化、高精度、高效率的方向发展，其轮对轴承的健康状态直接影响机车运行安全，一旦出现故障，后果不堪设想，因而需要故障诊断技术保证设备的正常运行。为全面诊断轴承故障，通常利用传感器网络监测并获取轴承的健康状态数据，由于监测轴承数量多，采集数据时间长，获取的是大数据。因此，需要研究大数据背景下机车轮对轴承故障诊断方法。[0004]智能故障诊断依靠人工神经网络等智能算法自动、高效地识别轮对轴承健康状态，不再依赖诊断专家手动诊断故障，因此具有实现大数据背景下机车轮对轴承故障诊断的潜力。智能故障诊断通常包括以下三个步骤：数据获取，特征提取及选择，故障分类。在数据获取中，振动信号因其对早期故障敏感且容易获取等优点而被广泛应用。特征提取依靠信号处理技术提取能够反映机械健康状态的特征，而特征选择则基于主分量分析(PCA)、距离评估技术等数据降维方法从提取的特征中选择敏感特征，最后利用选择的特征训练