[发明专利]一种基于SDA和Softmax回归的深度学习滚动轴承故障诊断方法

权利要求书

1.一种基于SDA和Softmax回归的深度学习滚动轴承故障诊断方法，其特征在于：该方法包括如下步骤：

第一步：基于均匀分布的原始数据“遮挡”预处理

该方法以滚动轴承的原始数据作为输入样本x，采用遮挡处理，即在该样本中加入随机噪声，以均匀分布(qD分布)将输入层的部分节点置0，得到新的输入样本x'；然后以遮挡处理后的x'作为SDA神经网络模型的输入，通过多层神经网络的深度学习来表达出遮挡前的样本x，实现对原始数据的重构，从而实现高鲁棒性的特征自表达，提高故障诊断的抗噪能力；

第二步：基于SDA模型的滚动轴承特征无监督自学习过程

通过对滚动轴承故障模式的分析，得出滚动轴承在不同故障模式下的振动数据，然后利用第一步的步骤将得到的正常和故障数据进行遮挡处理，通过无监督自学习训练SDA模型；该方法中的无监督自学习过程是一个深度学习的过程，SDA模型框架是具有两个隐层的神经网络，通过对数据的逐层学习得到最终的重构基向量，且将神经网络第一个隐层的输出作为第二个隐层的输入；

第三步：基于Softmax回归与参数微调算法的故障诊断

选择Softmax回归算法作为滚动轴承故障诊断算法，以SDA算法重构出的基向量作为Softmax算法的输入，解决滚动轴承在多个故障模式下的分类问题，通过最小化代价函数计算每一种分类结果出现的概率，并利用参数微调的方法对深度学习神经网络整体进行优化，如果某故障特征计算的概率值最大，即确定故障为当前估计的故障模式。