[发明专利]一种基于深度学习的旋转机械故障智能分类方法

摘要

本发明公开了一种基于深度学习的旋转机械故障智能分类方法，该方法通过对振动信号进行频域特征提取，对数据降维后利用深度神经网络进行分类，利用子信号测试训练的深度神经网络，根据测试结果修改样本标签，实现对不同故障信号的分类。本发明的方法将无监督训练与有监督训练相结合，整个过程自动完成，无需人工干预，自动提取特征并对故障信号分类。本发明的方法特别适合长数据故障信号的分类处理，具有广阔的工业应用前景。

主权项

1.一种基于深度学习的旋转机械故障智能分类方法，其特征在于：该方法包括如下步骤：步骤1、搜集具有不同故障模式的时域振动信号；步骤2、对步骤1的时域振动信号进行快速傅里叶变换(FFT)，将时域信号转换到频域；步骤3、对经过FFT处理后的频域信号进行降维处理，提取特征信息；所述的提取特征信息，其处理过程是：首先对频域信号划分成若干小片段，然后提取每一个片段内的极大值，或者对每一个片段内信号的幅值求和；步骤4、为步骤1的每个信号标注不同的标签，利用步骤3提取的特征信息，建立样本库；所述的为每个信号标注不同的标签，标签随机给定；步骤5、构建深度神经网络DNN；所述的深度神经网络，其结构包括：输入层、隐含层和输出层，隐含层的数量可以是一层或者多层；所述的输入层，其神经元的个数可以根据从频域提取的特征信息的个数而自动调整；所述的输出层，其神经元的个数根据训练样本集的标签种类数而定，随着训练样本集的调整，输出层神经元的个数也做相应调整；步骤6、利用构建的深度神经网络DNN对步骤4建立的样本库进行无监督分类训练；所述的无监督分类训练，就是DNN的输出结果不与步骤4给定的样本标签进行比较，进而实现DNN对样本的自动聚类；步骤7、根据步骤6的分类结果，对步骤4标注的样本标签进行调整，更新样本库；步骤8、利用调整后的样本库，对步骤5构建的深度神经网络DNN进行有监督分类训练；所述的有监督分类训练，就是DNN的输出结果需要步骤7调整后的样本标签一致；步骤9、将步骤1采集的振动信号切割成子信号，对每一段子信号进行FFT变换，并提取特征信息，利用步骤7标注的样本标签，建立测试样本集；所述的提取特征信息，与步骤3的方法相同；步骤10、利用步骤9的测试样本集，对步骤8训练好的深度神经网络进行分类测试；步骤11、若分类测试结果不满足要求，根据分类测试结果调整样本库中的样本标签，重复步骤8至步骤10，直至分类结果满足要求，进而实现对不同故障模式的分类。