[发明专利]基于LCD与堆叠自动编码器的滚动轴承故障诊断方法

摘要

本发明提出的基于LCD与堆叠自动编码器的滚动轴承故障诊断算法，包括如下步骤：采集滚动轴承的原始振动信号；先用LCD从原始振动信号中筛选出多个ISC分量，将其重构为两个频率段后转成频域信号；然后结合自动编码器提取两个频段信号的初步特征；最后，将两频段信号拼接后输入堆叠自动编码器并通过Softmax分类器进行分类，完成故障诊断。本发明不但能够从海量的数据中自适应的学习故障特征，而且在诊断精度方面优于传统故障诊断算法，可用于大数据环境下的滚动轴承故障诊断。

主权项

一种基于LCD与堆叠自动编码器的滚动轴承故障诊断方法，其特征在于，包括如下步骤：步骤一、采集滚动轴承的原始振动信号S(t)；步骤二、所述原始振动信号S(t)预处理：将采集的原始振动信号S(t)使用LCD进行分解；把分解得到的多个ISC分量重构为高低两个频率段，并使用傅里叶变转换将每个频率段分别转换为频域信号；其中，将采集的振动信号S(t)使用LCD进行分解的具体步骤为：1)确定原始振动信号S(t)的极值点mk、以及与所述极值点mk对应的时刻tk；其中，k＝1，2...，M，M为极值点个数，且M为正整数；2)根据公式(1)计算任意两个相邻的极值点之间的连线lk在tk时刻的函数值Ak，再根据公式(2)计算函数值Ak与tk时刻的极值点mk之间的差Lk，式中α的值取0.5；Ak+1=mk+(tk+1-tktk+2-tk)(mk+2-mk)---(1)]]>Lk＝α*Ak+(1‑α)mk  (2)根据公式(3)采用三次样条函数拟合(tk，Lk)得到均值曲线mli1，i为提取第i个ISC分量时拟合的均值曲线，然后将mli1从原始振动信号S(t)中分离；Si(t)＝S(t)‑mli1  (3)3)若Si(t)满足ISC判据条件，输出Si(t)并令ISC1＝Si(t)，Si(t)是第一个ISC分量记ISC1＝Si(t)，并令i＝i+1，其中i为正整数；否则将Si(t)代替原始振动信号S(t)，重复步骤1)、步骤2)直到Si(t)满足ISC条件；4)将ISC1分量从原始振动信号S(t)中分离出来，得到一个新信号作为输入信号，重复步骤1)～步骤3)，得到ISC2，ISC3，…，ISCn直到剩余信号单调或者剩余信号的能量与原始振动信号相比能够忽略不计；这样将原始振动信号S(t)分解为n个内禀尺度分量和一个残余项r(t)之和，即如公式(4)所示：S(t)=Σi=1nISCi+r(t)---(4)]]>其中，ISC判据条件为：①整个数据段内，任意相邻的两个极值点符号互异；②数据段内极值点mk对应的时刻为tk，那么由任意两个相邻的极值点(tk，mk)、(tk+2，mk+2)确定的直线lk在tk+1时刻的函数值Ak+1与极值mk+1比值关系不变；步骤三、自编码网络结构设置与训练：首先，将重构后的高频域信号进行归一化处理后，输入自编码网络进行逐层训练并提取第一初步特征；其次，将重构后的低频域信号进行归一化处理后，输入自编码网络进行逐层训练并提取第二初步特征；最后，将第一初步特征和第二初步特征进行拼接后输入堆叠自编码网络并通过Softmax分类器进行分类，根据分类结果与原信号标签的差异对网络进行微调，以实现滚动轴承的故障诊断；步骤四、堆叠自编码网络诊断精度测试：网络训练完成后，输入测试数据对网络诊断效果进行验证；根据验证结果判断是否满足实际期望的诊断正确率；如果验证得到的诊断正确率过低则修正自编码网络，重复步骤三直到达到实际期望的诊断正确率。