[发明专利]一种基于栈式自编码器和支持向量机的磨削颤振检测方法

权利要求书

1.一种基于栈式自编码器和支持向量机的磨削颤振检测方法，其特征在于，包括以下步骤：

步骤一，通过有标签数据和测试数据训练栈式自编码器，获得栈式自编码器各层神经元连接权值，具体步骤如下：

(1)在发生颤振的磨齿机砂轮架上安装三轴加速度传感器；

(2)利用数据采集设备和加速度传感器，采集加速度传感器测得的振动信号x₂(t)，其中，t代表时间；

(3)对振动信号x₂(t)进行归一化，具体方法为x₂′(t)＝x₂(t)/max(x₂(t))；

(4)对归一化后的振动信号x₂′(t)进行分段，每段信号包含M个数据点，多余的数据点舍弃，得到处理后的振动信号[·]^T表示矩阵的转置，t₁，t₂，…，t_m′代表分段处理后信号所在的时间序列，m′代表x₂′(t)分段的段数；

(5)为处理后的振动信号添加“正常”标签和“故障”标签，获得有标签数据可以基于信号的时频图对其进行添加标签；

(6)同(1)～(4)步，采集待测磨齿机砂轮架上的振动数据并处理，获得测试数据

(7)建立栈式自编码器模型，将测试数据和有标签数据输入栈式自编码器模型进行训练，得到栈式自编码器各层神经元连接权值；

其中栈式自编码器是多个自动编码器叠加得到：第一级自动编码器的编码输出作为第二级自动编码器的输入，第二级自动编码器的编码输出作为第三级自动编码器的输入，以此类推；栈式自编码器的训练是通过对数据的逐层学习完成的；

训练栈式自编码器的实现步骤如下所示：

①确定栈式自编码器的网络结构为[N₁，N₂，N₃，......，N_n],确定各层神经网络的激活函数n-1为深度学习网络的层数，N₁＝M，N₁，N₂，N₃，......，N_n是单调递减的，

②初始化各层神经网络权值，

编码网络权值：

解码网络权值

其中i＝1，2，3，...，n-1

③确定迭代次数Numepochs

④令i＝1，

⑤计算编码输出Y_i＝[Y_i，1，Y_i，2，...，Y_i，m+m′]^T(i＝1，2，...，n-1)和解码输出X′_i＝[X′_i，1，X′_i，2，...，X′_i，m+m′]^T(i＝1，2，...，n-1)，其中，Y_i，j和X′_i，j(j＝1，2，...，m+m′)都是N_i维列向量，计算公式为Y_i＝f(Y_i-1W_i)，X′_i＝f(Y_iW′_i)；

⑥计算误差e_i＝X′_i-Y_i-1，并使用梯度下降法调整权值W′_i和W_i；

⑦重复⑤和⑥直到迭代次数达到Numepochs次，

⑧.i＝i+1；

⑨重复⑤～⑧，直到i＝n-1；n-1为深度学习网络的层数

⑩保存网络结构及其权值；

步骤二，将有标签数据输入训练后的栈式自编码器，获得有标签特征，对有标签特征进行筛选、排序处理后，使用有标签特征训练支持向量机模型，获得训练后的支持向量机；具体步骤如下：

①有标签数据作为训练后的栈式自编码器的输入，计算获得相应的有标签特征，具体方法为：令

按照公式：Y_n-1＝f(...f(f(Y₀W₁)W₂)...W_n-1)，

计算得到有标签特征

②对特征进行筛选，得到筛选后的特征Y₂′_n-1，具体方法为：若特征中故障信号特征占比大于正常信号特征，则剔除故障信号特征中时间序列靠后的几组，使得故障信号特征组数与正常信号特征组数相同，反之则剔除正常信号特征中时间序列靠后的几组，以达到相同的效果；

③筛选后的特征Y₂′_n-1进行排序，使得前一半数据为故障信号特征；得到筛选、排序处理后的特征Y₂″_n-1；

④建立支持向量机模型，使用特征Y₂″_n-1作为支持向量机模型的输入，对支持向量机进行训练，得到训练后的支持向量机；

步骤三，将测试数据输入训练后的栈式自编码器，获得测试数据特征，然后将测试数据特征输入训练后的支持向量机，获得诊断结果，具体步骤如下：

①使用测试数据作为训练后的栈式自编码器的输入，计算获得相应的测试数据特征，即，令按照公式Y_n-1＝f(...f(f(Y₀W₁)W₂)...W_n-1)计算得到测试数据特征Y1_n-1＝[Y1_n-1，1，Y1_n-1，2，...，Y1_n-1，m]^T；

②将Y1_n-1作为训练过的支持向量机的输入，进行测试，完成对磨齿机的故障诊断。

2.根据权利要求1所述的一种基于栈式自编码器和支持向量机的磨削颤振检测方法，其特征在于：测试数据参与栈式去噪自编码器的训练；有标签特征在训练支持向量机前进行筛选和排序用于提高训练效果。