基于稀疏自编码器和Softmax的轴承故障诊断方法及系统.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CN113008559A(43)申请公布日2021.06.22(21)申请号202110201225.3(22)申请日2021.02.23(71)申请人西安交通大学地址710049陕西省西安市咸宁西路28号(72)发明人杨清宇陈亮张志强(74)专利代理机构西安通大专利代理有限责任公司61200代理人范巍(51)Int.Cl.G01M13/045(2019.01)G06F17/16(2006.01)G06F30/20(2020.01)权利要求书2页说明书8页附图3页(54)发明名称基于稀疏自编码器和Softmax的轴承故障诊断方法及系统(57)摘要本发明公开了一种基于稀疏自编码器和Softmax的轴承故障诊断方法及系统，在原始稀疏自编码器中引入局部约束，得到改进的稀疏自编码器，在改进的稀疏自编码模型局部约束体现在编码器权重矩阵的归一化以及只保留隐藏层余弦相似度最大的k个激活单元形成原始样本的局部子空间，其对应的特征是样本x的k近邻，解码器通过保留的k个编码单元来重构输入。采集滚动轴承不同运行状态的振动信号作为训练集，用训练集训练局部稀疏自编码器模型和Softmax分类器模型，得到模型参数从而完成故障诊断分类模型的建立，由于考虑了振动信号的局部特征，因此局部稀疏自编码器学习到的特征更加完备，训练完后的模型准确率更高。CN113008559ACN113008559A权利要求书1/2页1.一种基于稀疏自编码器和Softmax的轴承故障诊断方法，其特征在于，包括以下步骤：步骤1、采集滚动轴承不同运行状态下的时域振动信号，并根据时域振动信号构建无标签训练集和有标签训练集；步骤2、对无标签训练集和有标签训练集进行预处理；步骤3、根据预处理后的无标签训练集构建局部稀疏自编码器模型并训练；对原始稀疏自编码器隐层节点的输出采用ReLU函数进行激活得到激活响应，之后通过计算余弦相似度保留激活响应的前k个分量作为解码器的输入，从而得到局部稀疏自编码器模型；步骤4、将步骤2预处理后的有标签训练集输入至局部稀疏自编码器模型中，局部稀疏自编码器模型输出振动信号的特征表征；步骤5、利用振动信号的特征表征训练Softmax分类器，然后采用训练后的局部稀疏自编码器模型和Softmax分类器确定振动信号对应的故障类型。2.根据权利要求1所述的一种基于稀疏自编码器和Softmax的轴承故障诊断方法，其特征在于，步骤2中无标签训练集和有标签训练集的预处理包括训练集的标准化、数据分片和ZCA白化处理。3.根据权利要求1所述的一种基于稀疏自编码器和Softmax的轴承故障诊断方法，其特征在于，步骤3中局部稀疏自编码器的建模方法具体如下：在原始稀疏自编码器的基础上，令为矩阵的列向量，为变换矩阵，通过对矩阵W的每一列w(n)做归一化，得到归一化后的矩阵在ReLU函数的映射s(x)＝max(0,x)下将每一个M维振动信号x(l)变换成其对应的特征表征z(l)，之后选择特征表征余弦相似度最大的前k项作为译码器的输入。4.根据权利要求3所述的一种基于稀疏自编码器和Softmax的轴承故障诊断方法，其特征在于，选择前k项的方法具体如下：首先，通过计算每个样本x(l)在W中的余弦相似度，得到输入信号x(l)在W中的向量投影，计算公式如下：然后，选择样本x(l)的前k个近邻激活单元，即z(l)的余弦相似度最大的前k项保留为其他激活单元都置为0，具体计算公式如下：5.根据权利要求1所述的一种基于稀疏自编码器和Softmax的轴承故障诊断方法，其特征在于，步骤3中局部稀疏自编码器模型的代价函数包括重构误差和正则项，所述局部稀疏自编码器的模型公式如下：2CN113008559A权利要求书2/2页其中，E1(W)为样本重构误差，E2(W)为正则项，λ＞0用来平衡E1(W)和E2(W)的正则项参数。6.根据权利要求5所述的一种基于稀疏自编码器和Softmax的轴承故障诊断方法，其特征在于，所述重构误差E1(W)的表达式如下：(l)(l)其中，L为样本数量，x为M维样本，W为权重矩阵，z为样本的特征表征，bd输出层偏置项。7.根据权利要求5所述的一种基于稀疏自编码器和Softmax的轴承故障诊断方法，其特征在于，所述正则项使用l1范数来替代原始稀疏自编码器的KL散度，具体表达式如下：8.根据权利要求1所述的一种基于稀疏自编码器和Softmax的轴承故障诊断方法，其特征在于，所述步骤5中Softmax分类器的训练方法如下：对特征表征进行平均池化，采用平均池化后的特征表征和对应的标签训练Softmax分类器；所述Softmax激活函数为则代价函数计算公式如下：其中，c为故障类别，θ为Softmax分类器权重矩阵，p(y(j)＝c|