[发明专利]基于集成深度自编码器的旋转机械智能故障诊断方法

说明书

本发明提出了一种基于深度自动编码器的旋转机械故障诊断方法，旨在提高旋转机械的故障诊断精度，实现步骤为：首先采集旋转机械振动加速度时域信号，获取训练数据集和测试数据集；其次，对每个激活函数，使用K折交叉验证方法，通过不同的训练集训练一系列的深度自编码器；然后，通过验证集验证训练后的深度自编码器，获得每个故障标签的精度；再次，采用网格搜索方法寻找最优选择参数，通过最优选择参数对深度自编码器进行筛选，构建集成深度自编码器模型；最终，得到对输入样本的预测标签，将预测标签映射回旋转机械的故障类型，实现对旋转机械的故障诊断。

技术领域

本发明属于故障诊断与信号处理分析技术领域，涉及一种旋转机械故障诊断方法，具体涉及一种基于集成深度自编码器的旋转机械智能故障诊断方法，可用于滚动轴承、齿轮箱等旋转机械的故障自动诊断。

背景技术

旋转机械是工业领域应用最广泛的机械设备，对社会经济发展具有重要意义。旋转机械的关键部件在负载大、冲击大、转速高、背景噪声大等恶劣工况下不可避免地会出现各种故障。这些故障可能造成巨大的损失和严重的人员伤亡。为了监测旋转机械的运行状况，提高旋转机械的安全性和可靠性，避免意外的人员伤亡和经济损失，自动准确的旋转机械故障诊断越来越受到人们的重视。

旋转机械故障诊断主要是通过对旋转机械运行时的一些动态参数如温度、振幅、位移等信号进行分析处理，对旋转机械不同工况的数据进行识别，从而达到故障诊断的目的。通常，评价一种旋转机械故障诊断方法好坏的指标有诊断精度、诊断效率、鲁棒性、客观性等。

旋转机械故障诊断方法可分为传统故障诊断方法和智能故障诊断方法。传统故障诊断方法多利用物理模型基于信号处理技术建立故障诊断模型，如经验模态分解、变分模态分解、小波变换等。在实际工程应用中原始振动信号往往呈现出复杂、非线性和多噪声的特点，对于故障类型、故障严重程度及故障方向的准确诊断需要依赖先进的信号处理技术，此外，复杂工况下的旋转机械性能状态的准确描述需要从原始信号中提取大量时域、频域和时频域特征，通常从这些特征中筛选与诊断目标相关性强、更具代表性的特征是一项盲目、主观且费时的工作，因此传统故障诊断方法依赖于专家经验进行特征选择，缺少客观性，难以对实际工程中复杂工况下的旋转机械故障状态进行自动、准确地识别。

智能故障诊断方法是基于数据驱动，运用传感器和计算机技术发展起来的一类方法，如支持向量机、主成分分析、人工神经网络、堆栈式自编码器、深度置信网络、卷积神经网络等。其中，支持向量机、主成分分析和人工神经网络等智能诊断方法虽然能摆脱对专家经验的依赖，实现了旋转机械性能状态特征的自适应学习，提高了故障诊断结果的客观性，但是，这些故障诊断方法是基于浅层特征学习的智能故障诊断方法，难以从原始数据中提取出深层特征，导致其特征学习能力弱，故障诊断精度低。