基于MTF-SDAE-LightGBM的轴承故障诊断方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115597869A(43)申请公布日2023.01.13(21)申请号202211173890.7(22)申请日2022.09.26(71)申请人三峡大学地址443002湖北省宜昌市西陵区大学路8号(72)发明人舒勇张彬桥雷钧(74)专利代理机构宜昌市三峡专利事务所42103专利代理师高阳(51)Int.Cl.G01M13/045(2019.01)G06F18/214(2023.01)G06F18/241(2023.01)权利要求书4页说明书12页附图5页(54)发明名称基于MTF-SDAE-LightGBM的轴承故障诊断方法(57)摘要一种基于MTF‑SDAE‑LightGBM的轴承故障诊断方法，步骤为：首先利用马尔科夫转移场将采集到的原始一维轴承振动信号进行编码转换为保留时间相关性的二维图像；接着初始化堆叠降噪自编码器，利用非洲秃鹫优化算法优化SDAE的超参数，从而得到最优的SDAE结构，再将二维特征图输入优化堆叠降噪自编码器中提取故障特征并对SDAE进行无监督训练，训练过程中利用梯度下降法对每层DAE的权重和偏差进行更新，训练完成后用少量带标签数据进行微调；最后输入到轻量级梯度提升机分类器中进行轴承故障诊断分类。本方法提高了故障诊断的准确率、鲁棒性以及缩短了故障诊断模型运行的时间。CN115597869ACN115597869A权利要求书1/4页1.一种基于MTF‑SDAE‑LightGBM的轴承故障诊断方法，其特征在于包括以下步骤：步骤一：通过振动传感器采集滚动轴承不同部位和噪声环境下的原始一维振动数据，并对数据进行预处理；步骤二：用马尔科夫转移场将步骤一中的振动数据转换为保留时间相关性的二维图像，将二维图像样本按3:1比例分别分成训练集和测试集；步骤三：建立初始的SDAE网络结构，设置SDAE的网络层数为3层，即SDAE由3个DAE堆叠形成；然后利用非洲秃鹫优化算法优化初始的堆叠降噪自编码器：即利用非洲秃鹫优化算法对堆叠降噪自编码器的超参数进行自适应选取，包括隐含层节点数、稀疏参数、以及输入数据随机置零比例参数，从而得到最优的堆叠降噪自编码器结构；步骤四：将训练集输入到优化SDAE中提取深层特征，无监督训练初始堆叠降噪自编码器，利用梯度下降法对每层DAE的权重和偏差进行更新，训练完成后用带标签数据对网络进行调整；步骤五：建立轻量级梯度提升机故障分类器模型，把上述堆叠降噪自编码器提取的二维图像深度特征输入到LightGBM中，训练LightGBM分类器模型；步骤六：将测试集输入到优化MTF‑SDAE‑LightGBM模型中，得到滚动轴承故障诊断分类结果。2.根据权利要求1所述的基于MTF‑SDAE‑LightGBM的轴承故障诊断方法，其特征在于：步骤一中，利用振动传感器采集轴承原始振动信号详细过程是：首先采集轴承最常见的4种状态数据，即外圈故障、内圈故障、滚动体故障、正常状态的振动数据，其中外圈故障、内圈故障、滚动体故障每种故障直径又分为3种，接着对数据进行归一化处理，得到10种长度为n的不同状态的轴承振动序列数据。3.根据权利要求1所述的基于MTF‑SDAE‑LightGBM的轴承故障诊断方法，其特征在于：步骤二中，将轴承振动序列数据转换为二维图像方法是：S1：首先将10种序列数据按照其取值范围划分为Q个bins,每个数据点i属于一个唯一的qi,i∈(1,2,...,Q)；S2：构建马尔科夫转移矩阵W，矩阵尺寸为：[Q,Q]，其中W[i,j]由被qi中的数据紧邻的频率决定，其计算公式如下：其中，wij表示分位数qi在分位数qj后面的概率，wij＝P(xt∈qi|xt‑1∈qj)；S3：构建马尔科夫变迁场M,矩阵尺寸为：[n,n],M[i,j]的值为W[qi,qj]其中，mij表示转移概率，即分位数qi转移到分位数qj的概率，mij＝P(qi→qj)。4.根据权利要求1所述的基于MTF‑SDAE‑LightGBM的轴承故障诊断方法，其特征在于：2CN115597869A权利要求书2/4页步骤三中，建立初始的SDAE网络结构，方法为：S1:设置SDAE的隐含层为3层，每个DAE的激活函数为Sigmoid，学习率为0.01，批处理大小为100；利用dropout技巧，改变随机置零比例参数的大小使输入层的输入数据“受损”，即相当于在输入数据中加入噪声，构成去噪自编码器；通过隐含层稀疏系数对每层的DAE施加稀疏限制即使每层的DAE大部分神经元处于不活跃状态，从而构成稀疏自编码器，要实现这种限制，其做法是在损失函数中增加额外的惩罚项，即选择KL散度；KL散度定义如下：式中，ρ表示稀疏系数(取值通常接近于0)，ρj表示SDAE隐含层第j个节点的平均激活值；S2:将“