[发明专利]基于正交化局部连接网络的机械装备健康状态识别方法

说明书

基于正交化局部连接网络的机械装备健康状态识别方法，首先获取机械装备监测的振动信号样本，并通过无重叠分割，获得样本片段集；然后随机选取局部样本片段集，经白化处理后，训练正交稀疏自编码网络；再将训练好的正交稀疏自编码网络与样本片段集局部连接，提取样本片段的局部特征，通过局部特征算术平均计算振动信号样本的特征；最后以振动信号样本的特征为输入，训练Softmax分类器，再利用训练好的Softmax分类器输出诊断结果，实现机械状态健康状态的智能识别；本发明能够直接通过原始的振动信号识别机械装备的健康状态，避免了识别过程中的人为干预；保证了稀疏自编码网络的正交性，促使模型学习到的样本特征多样，诊断的准确性更高。

技术领域

本发明属于机械装备故障诊断技术领域，具体涉及一种基于正交化局部连接网络的机械装备健康状态识别方法。

背景技术

随着工业自动化与智能化水平的不断提高，机械装备的安全服役至关重要，而如何利用故障诊断方法识别机械装备的健康状态是保障其安全服役的关键。机械装备的健康状态蕴含于传感器网络所获取的监测数据中，然而，随着传感器网络规模增大、数据每秒传输量提高，导致传感器网络获取的监测数据与日俱增，仅依靠人为经验越来越无法保证机械装备故障诊断的时效性与可靠性。因此，如何从机械装备的监测大数据中挖掘健康状态信息，保障其安全服役，成为国内外研究的热点与难点。

智能故障诊断依靠机器学习方法能够自动识别机械装备的健康状态，减少了传统故障诊断过程中对诊断经验与专业知识的过分依赖，呈现出明显的准确性与高效性，为大数据背景下的机械装备健康状态识别提供了方法支持。传统的智能故障诊断过程主要由两部分组成：1)故障特征提取及优选：基于信号处理方法或数据统计手段，提取机械设备监测信号的故障特征，再结合距离估计、主分量分析等技术从多特征集中优选故障敏感特征；2)故障类型识别：以优选的故障敏感特征训练人工神经网络、支持向量机或决策树等数据分类模型，实现故障类型的自动识别。尽管传统智能故障诊断方法能够实现机械装备健康状态的自动识别，但其故障特征提取及优选阶段仍需依靠人为先验知识，制约了机械装备智能故障诊断方法的推广与应用。

稀疏自编码网络作为前沿的机器学习方法，能够表征机械监测信号中的故障特征，为解决传统智能故障诊断过程的人为干预问题提供了方法支持。基于稀疏自编码网络的智能故障诊断方法通过样本训练模型，可建立机械监测信号与健康状态之间的非线性映射，达到自动提取机械故障特征、识别健康状态的目的。但目前用于网络训练的样本为频域或时频域样本，未直接利用原始振动信号，导致智能故障诊断过程无法完全实现自动化，究其原因，一方面，原始振动信号具有时移特性，这为直接以该信号训练稀疏自编码网络带来难度；另一方面，稀疏正则化约束难以保证自编码网络的正交特性，导致模型学习到的样本特征相似，影响故障识别的准确性。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提供基于正交化局部连接网络的机械装备健康状态识别方法，为大数据背景下，准确、高效、自动地识别机械装备的健康状态提供有效的方法支持。

为达到上述目的，本发明采取的技术方案为：

基于正交化局部连接网络的机械装备健康状态识别方法，包括以下步骤：

步骤1：获取机械装备R种健康状态时的振动信号样本集其中，为第m个健康状态样本，由N个振动数据点组成，其样本标签为y_m∈{1,2,3,...R}；

步骤2：确定正交稀疏自编码网络的输入维数N_in和输出维数N_out，根据输入维数N_in，将健康状态样本x_m分割为无重叠的J个样本片段，且J＝N/N_in，组成样本片段集其中，是第j个样本片段，由N_in个数据点组成；