[发明专利]一种基于连续深度置信网络的滚动轴承故障预测方法

摘要

本发明提出一种基于连续深度置信网络的滚动轴承故障预测方法，该方法首先提取滚动轴承振动信号的时域特征量，然后利用局部线性嵌入方法融合所提取的时域特征信息，从而定义一个新的综合监测指标用于更好地定量地评估轴承的性能退化；逐层训练连续受限玻尔兹曼机进而构造连续深度置信网络预测模型；采用遗传算法来优化连续深度置信网络的结构，进一步提升预测精度。该预测方法结果可靠，实时性好，简单易行，适用于滚动轴承故障预测。

主权项

1.一种基于连续深度置信网络的滚动轴承故障预测方法，其特征在于：包括以下步骤：步骤1：提取滚动轴承振动信号的多个时域统计特征量，并采用提取的时域统计特征量构造一个多维非线性特征向量；利用局部线性嵌入方法对多维非线性特征向量进行融合，得到映射矩阵，取映射矩阵特征值中，按从小到大排序的第2个特征值对应的特征向量作为综合监测指标；步骤1的具体过程为：步骤1.1：采集滚动轴承振动加速度信号，提取振动加速度信号的6个时域统计特征量，分别为均方根值、峰峰值、峭度、脉冲指标、裕度指标和波形指标，组成一个6维特征向量；每个6维特征向量为一个样本点；步骤1.2：计算每一个样本点xi的近邻点，xi∈RD，D＝6，i＝1,2,…,N，N为样本点个数：将相对于样本点xi欧式距离最近的K个样本点定义为样本点xi的K个近邻点；步骤1.3：根据每个样本点的近邻点计算出局部重建权值矩阵W，使样本点的重建误差最小：定义成本函数ε(W)为： m i n ϵ ( W ) = Σ i = 1 N | x i - Σ j = 1 K w i j x j | 2 ]]>式中wij，j＝1,2,...，K为第j个近邻点xj到第i个样本点xi之间的权重，且满足步骤1.4：根据得到的局部重建权值矩阵W，计算6维特征向量的低维表示Y，得到将所有6维原始空间上的观测样本点映射到内部全局坐标的低维向量yi，yi∈Rd，d为本征维度；映射条件满足如下关系： min ϵ ( Y ) = Σ i = 1 N | y i - Σ j = 1 K w i j y j | 2 = t r ( Y T M Y ) ]]>

下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。 免登录下载普通用户下载升级VIP会员，免费下载

该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于西北工业大学，未经西北工业大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】

本文链接：http://www.vipzhuanli.com/patent/201610259840.9/，转载请声明来源钻瓜专利网。