[发明专利]一种基于栈式自编码器和支持向量机的磨削颤振检测方法

摘要

本发明公开了一种基于栈式自编码器和支持向量机的磨削颤振检测方法，首先利用有标签数据和测试数据共同训练栈式自编码器；然后，使用训练后的栈式自编码器对有标签数据进行处理得到的有标签特征训练支持向量机；最后，将通过训练后的栈式自编码器对测试数据提取的测试数据特征作为训练后的支持向量机的输入，进行故障诊断，得出诊断结果。本发明方法具有通用性，颤振的判断不受加工设备，加工参数的影响，适合磨削颤振的检测，可在机床企业推广使用，符合智能机床发展需求，具有广泛的应用前景。

主权项

1.一种基于栈式自编码器和支持向量机的磨削颤振检测方法，其特征在于，包括以下步骤：步骤一，通过有标签数据和测试数据训练栈式自编码器，获得栈式自编码器各层神经元连接权值，具体步骤如下：(1)在发生颤振的磨齿机砂轮架上安装三轴加速度传感器；(2)利用数据采集设备和加速度传感器，采集加速度传感器测得的振动信号x₂(t)，其中，t代表时间；(3)对振动信号x₂(t)进行归一化，具体方法为x₂′(t)＝x₂(t)/max(x₂(t))；(4)对归一化后的振动信号x₂′(t)进行分段，每段信号包含M个数据点，多余的数据点舍弃，得到处理后的振动信号[·]^T表示矩阵的转置，t₁，t₂，…，t_m′代表分段处理后信号所在的时间序列，m′代表x₂′(t)分段的段数；(5)为处理后的振动信号添加“正常”标签和“故障”标签，获得有标签数据可以基于信号的时频图对其进行添加标签；(6)同(1)～(4)步，采集待测磨齿机砂轮架上的振动数据并处理，获得测试数据(7)建立栈式自编码器模型，将测试数据和有标签数据输入栈式自编码器模型进行训练，得到栈式自编码器各层神经元连接权值；其中栈式自编码器是多个自动编码器叠加得到：第一级自动编码器的编码输出作为第二级自动编码器的输入，第二级自动编码器的编码输出作为第三级自动编码器的输入，以此类推；栈式自编码器的训练是通过对数据的逐层学习完成的；训练栈式自编码器的实现步骤如下所示：①确定栈式自编码器的网络结构为[N₁，N₂，N₃，......，N_n],确定各层神经网络的激活函数n‑1为深度学习网络的层数，N₁＝M，N₁，N₂，N₃，......，N_n是单调递减的，②初始化各层神经网络权值，编码网络权值：解码网络权值其中i＝1，2，3，...，n‑1③确定迭代次数Numepochs④令i＝1，⑤计算编码输出Y_i＝[Y_i，1，Y_i，2，...，Y_i，m+m′]^T(i＝1，2，...，n‑1)和解码输出X′_i＝[X′_i，1，X′_i，2，...，X′_i，m+m′]^T(i＝1，2，...，n‑1)，其中，Y_i，j和X′_i，j(j＝1，2，...，m+m′)都是N_i维列向量，计算公式为Y_i＝f(Y_i‑1W_i)，X′_i＝f(Y_iW′_i)；⑥计算误差e_i＝X′_i‑Y_i‑1，并使用梯度下降法调整权值W′_i和W_i；⑦重复⑤和⑥直到迭代次数达到Numepochs次，⑧.i＝i+1；⑨重复⑤～⑧，直到i＝n‑1；n‑1为深度学习网络的层数⑩保存网络结构及其权值；步骤二，将有标签数据输入训练后的栈式自编码器，获得有标签特征，对有标签特征进行筛选、排序处理后，使用有标签特征训练支持向量机模型，获得训练后的支持向量机；具体步骤如下：①有标签数据作为训练后的栈式自编码器的输入，计算获得相应的有标签特征，具体方法为：令按照公式：Y_n‑1＝f(...f(f(Y₀W₁)W₂)...W_n‑1)，计算得到有标签特征②对特征进行筛选，得到筛选后的特征Y₂′_n‑1，具体方法为：若特征中故障信号特征占比大于正常信号特征，则剔除故障信号特征中时间序列靠后的几组，使得故障信号特征组数与正常信号特征组数相同，反之则剔除正常信号特征中时间序列靠后的几组，以达到相同的效果；③筛选后的特征Y₂′_n‑1进行排序，使得前一半数据为故障信号特征；得到筛选、排序处理后的特征Y₂″_n‑1；④建立支持向量机模型，使用特征Y₂″_n‑1作为支持向量机模型的输入，对支持向量机进行训练，得到训练后的支持向量机；步骤三，将测试数据输入训练后的栈式自编码器，获得测试数据特征，然后将测试数据特征输入训练后的支持向量机，获得诊断结果，具体步骤如下：①使用测试数据作为训练后的栈式自编码器的输入，计算获得相应的测试数据特征，即，令按照公式Y_n‑1＝f(...f(f(Y₀W₁)W₂)...W_n‑1)计算得到测试数据特征Y1_n‑1＝[Y1_n‑1，1，Y1_n‑1，2，...，Y1_n‑1，m]^T；②将Y1_n‑1作为训练过的支持向量机的输入，进行测试，完成对磨齿机的故障诊断。