[发明专利]使用基于极限学习机的堆叠自动编码器的故障确定

权利要求书

1.一种滚动轴承故障确定方法，其特征在于，包括以下步骤：

取得滚动轴承的振动加速度信号的第一多个样本，所述第一多个样本具有指示出滚动轴承的具体故障类型的标签；

使用所述第一多个样本，对基于极限学习机的堆叠自动编码器进行训练，以使得成本函数最小化，其中，基于极限学习机的堆叠自动编码器包括输入层、输出层以及介于输入层和输出层之间的多个隐藏层，其中前一个隐藏层的输出被用作后一个隐藏层的输入，并且其中，在将所述第一多个样本输入到输入层的情况下，从最后一个隐藏层输出第一多个特征向量；以及

使用训练好的基于极限学习机的堆叠自动编码器对滚动轴承的振动加速度信号的第二多个样本进行故障类型分类，

其中，成本函数包括以下三个项的和：指示出基于极限学习机的堆叠自动编码器的输出与输入之间的误差的项、指示出基于极限学习机的堆叠自动编码器的复杂度的项、以及惩罚项，

并且其中，惩罚项随着所述第一多个特征向量之中的属于同一类别的特征向量在特征空间中的离散度的增大而增大，并且惩罚项随着所述第一多个特征向量之中的属于不同类别的特征向量的集群在特征空间中的离散度的增大而减小，所述第一多个特征向量的类别是根据所述第一多个样本的标签而确定的。

2.根据权利要求1所述的方法，其中，所述第二多个样本包括通过机器学习方法筛选出的表示滚动轴承存在故障的多个样本。

3.根据权利要求2所述的方法，其中，使用训练好的基于极限学习机的堆叠自动编码器对滚动轴承的振动加速度信号的第二多个样本进行故障类型分类进一步包括：对响应于将所述第二多个样本输入到输入层而从最后一个隐藏层输出的第二多个特征向量进行故障类型分类，从而对与所述第二多个特征向量对应的第二多个样本进行故障类型分类。

4.根据权利要求1所述的方法，其中，对基于极限学习机的堆叠自动编码器进行训练以使得成本函数最小包括两个阶段，在第一阶段中，经由多个输入加权矩阵和多个偏差矩阵将所述第一多个样本随机映射到所述第一多个特征向量，并且在第二阶段中，用于将所述第一多个特征向量变换到输出层的输出的输出加权矩阵被确定，以使得成本函数最小。

5.根据权利要求1所述的方法，其中，基于极限学习机的堆叠自动编码器中的隐藏层的数量以及每个隐藏层所包含的神经元的数量是预先确定的。

6.根据权利要求1所述的方法，其中，代表所述第一多个特征向量之中的属于同一类别的特征向量在特征空间中的离散度的数据包括：全部类别中的每个类别的离散度指标的和，其中单个类别的离散度指标包括表示属于该单个类别的各个特征向量与该单个类别的集群的中心点之间的距离的平均值，

并且其中，代表所述第一多个特征向量之中的属于不同类别的特征向量的集群在特征空间中的离散度的数据包括：全部类别的集群的中心点之中的每两个中心点之间的距离的加权和。

7.根据权利要求1所述的方法，其中，

滚动轴承的故障类型包括：滚动体故障、内圈故障、外圈故障、保持架故障、滚动轴承润滑不足故障。

8.一种滚动轴承故障确定装置，其特征在于，包括：

至少一个处理器；以及

至少一个存储设备，所述至少一个存储设备存储有指令，当所述指令由所述至少一个处理器执行时使得所述至少一个处理器执行根据权利要求1-7中的任一项所述的方法。

9.一种非瞬态计算机可读存储介质，其特征在于，存储有指令，当所述指令由处理器执行时使得执行根据权利要求1-7中的任一项所述的方法。

10.一种计算机程序产品，其特征在于，存储有指令，当所述指令由处理器执行时使得执行根据权利要求1-7中的任一项所述的方法。