[发明专利]基于LOF自编码的机械故障智能诊断方法

说明书

本发明提供一种基于LOF自编码的机械故障智能诊断方法，包括以下步骤：步骤S1，获取机械不同健康状态下的振动信号样本；步骤S2，从振动信号样本中截取获得局部信号片段集；步骤S3，利用局部信号片段集对稀疏自编码网络进行训练，获得稀疏自编码网络的权重矩阵；步骤S4，基于稀疏自编码网络的权重矩阵提取原始振动信号局部特征；步骤S5，基于振动信号局部特征计算LOF异常因子；步骤S6，矫正局部特征并融合为全局特征；步骤S7，训练神经网络中的Softmax分类网络；从而完成整个诊断神经网络的训练；步骤S8，基于以上训练完成后的诊断神经网络进行机械故障诊断。本发明能够获得更加准确的诊断结果。

技术领域

本发明属于械监测及故障诊断领域，尤其是一种基于LOF自编码的机械故障智能诊断方法。

背景技术

工业装备中含有大量的旋转机械零部件如轴承、齿轮等，它们在旋转机械中起到支撑、传送力矩作用，对于设备的安全、可靠运行十分重要。然而这些旋转零部件也故障频发，一旦故障，轻则设备无法正常运行，停工停产，重则机组破坏，造成重大人员伤亡。可见旋转机械故障的及时、准确诊断对于防止重大事故、设备生产经济效益的提高具有十分重要的意义。基于振动传感器获取振动信号，对信号进行诊断分析，判断设备是否存在故障是旋转机械故障诊断的重要手段，为维护设备安全运行发挥了重要作用。

近年来，深度学习诊断模型建立，自动地识别出故障类别，受到学术和工程领域广泛关注。如自动编码机模型，能够自适应地从获取的振动数据中提取故障特征，无需依靠专家经验专门设计特征，并取得了较好地诊断效果。然而，实际工程中，运行环境复杂，周围存在大量噪声干扰，传感器故障频发，导致获取监测数据中难免含有缺失、噪点、漂移等低质量监测数据。深度学习算法具有“垃圾进，垃圾出”的缺点，基于质量低的数据样本进行训练，将获得错误诊断模型，从而降低了诊断准确率。

发明内容

本发明的目的在于克服现有技术中存在的不足，提供一种基于LOF自编码的机械故障智能诊断方法，能够根据监测数据质量高低自适应调整神经网络中的样本权重，从而获得更加准确的诊断结果。本发明采用的技术方案是：

本发明的实施例提出一种基于LOF自编码的机械故障智能诊断方法，包括以下步骤：

步骤S1，获取机械不同健康状态下的振动信号样本；

步骤S2，从振动信号样本中截取获得局部信号片段集；

步骤S3，利用局部信号片段集对稀疏自编码网络进行训练，获得稀疏自编码网络的权重矩阵；

步骤S4，基于稀疏自编码网络的权重矩阵提取原始振动信号局部特征；

步骤S5，基于振动信号局部特征计算LOF异常因子；

步骤S6，矫正局部特征并融合为全局特征；

步骤S7，训练神经网络中的Softmax分类网络；从而完成整个诊断神经网络的训练；

步骤S8，基于以上训练完成后的诊断神经网络进行机械故障诊断。

本发明的优点在于：本发明即便在监测数据质量较低的情况下，依然能够获得更为准确的机械故障诊断神经网络模型，从而提高诊断结果的精确性。

附图说明

图1为本发明实施例中的方法流程图。

图2为本发明实施例中训练集正确率比对图。

图3为本发明实施例中验证集正确率比对图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。