[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

说明书

公开了使用基于极限学习机的堆叠自动编码器的故障确定。滚动轴承故障确定方法包括：取得滚动轴承的振动加速度信号的第一多个样本，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；使用第一多个样本，对基于极限学习机的堆叠自动编码器(ELM‑SAE)进行训练，以使得成本函数最小化；以及使用训练好的ELM‑SAE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，成本函数包括以下惩罚项，该惩罚项随着从ELM‑SAE中的最后一个隐藏层输出的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，并且随着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。

技术领域

本公开涉及使用基于极限学习机的堆叠自动编码器(ELM-SAE，Extreme LearningMachine based Stacked Auto-Encoder)的滚动轴承故障确定方法和装置。

背景技术

在汽车生产车间中，升降机是常见的输送设备。比如，在相邻的生产线之间，升降机可以用来对车辆进行移位。滚动轴承是升降机中的关键部件之一。如果滚动轴承发生故障，那么升降机会停机，进而可能引起多条生产线的停工。

发明内容

本公开提出了一种滚动轴承故障确定方法，该方法包括：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。

从参考附图的以下描述中，本公开其他特征和优点将变得清楚。

附图说明

并入说明书中并构成说明书的一部分的附图图示了本公开的实施例，并且与说明书一起用于解释本公开的原理而没有限制。在各图中，类似的标号用于表示类似的项目。

图1是根据本公开的一些实施例的示例性滚动轴承故障确定装置的框图。

图2是图示出根据本公开的一些实施例的示例性滚动轴承故障确定方法的流程图。

图3是图示出示例性的极限学习机(ELM)的构造的示意图。

图4是图示出示例性的ELM-SAE的构造的示意图。

图5是图示出根据本公开的一些实施例的从ELM-SAE的最后一个隐藏层输出的多个特征向量在特征空间中的分布的示意图。

图6图示出根据本公开的一些实施例的其中可应用本公开的一般硬件环境。

具体实施方式

在以下详细描述中，阐述了许多具体细节以提供对所描述的示例性实施例的透彻理解。但是，对于本领域技术人员清楚的是，所描述的实施例可以在没有这些具体细节中的一些或全部的情况下进行实践。在所描述的示例性实施例中，为了避免不必要地模糊本公开的概念，没有详细描述众所周知的结构或处理步骤。

下文所示的每个框图内的方框可以通过硬件、软件、固件或其任意组合来实现以实现本公开的原理。本领域技术人员应该理解的是，每个框图中描述的方框可以被组合或分成子框来实现本公开的原理。