[发明专利]基于并行特征学习和多分类器的滚动轴承故障诊断方法

摘要

本发明提出了一种基于多分类器集成和并行特征学习的滚动轴承智能故障诊断方法，旨在提高模型的分类精度，实现步骤为：获取训练样本集和测试样本集；建立多个堆栈自编码器模型，以训练样本集为输入对堆栈式自编码器模型进行并行训练，提取训练样本集的多个特征；基于softmax模型对提取的特征进行特征评价，根据相应的阈值和评价指标值筛选特征构成特征子集；根据特征子集建立基于softmax模型的多个分类器，以特征子集为输入获取每个分类器的分类精度，根据阈值重新选择多个分类器构造集成多分类器模型，通过多数投票法获得集成多分类器模型预测标签，将预测标签与滚动轴承故障类型进行映射，实现滚动轴承的智能故障诊断。

主权项

1.一种基于并行特征学习和集成多分类器的滚动轴承智能故障诊断方法，其特征在于包括如下步骤：(1)获取训练样本集和测试样本集：(1a)将从数据库中选取的滚动轴承的I个振动时域信号数据作为训练样本，每个训练样本包含一种表示故障类别的标签，标签的类别总数为Q，所有训练样本构成训练样本集X₁，其中，I≥2000，且I＞＞Q，x_i表示第i个训练样本，y⁽ⁱ⁾表示x_i的标签；(1b)将通过数据采集系统实时采集的待诊断滚动轴承的J个振动时域信号数据作为测试样本，所有测试样本构成测试样本集X₂，J≥I/2,x_j表示第j个测试样本；(2)构建N个堆栈式自编码器模型：基于不同激活函数差异性地构建N个各包含K个自编码器的堆栈式自编码器模型，第n个堆栈式自编码器模型中第k个自编码器记为的隐藏层为该N个堆栈式自编码器模型的最后一个隐藏层的节点数均为h，输出层的节点数均为o，其中，n＝1,2,…,N，k＝1,2,…,K，N≥2，K≥2；(3)对N个堆栈式自编码器模型进行并行训练：(3a)令n＝1，k＝1；(3b)将训练样本集X₁作为第n个堆栈式自编码器模型中第k个自编码器的输入，对进行训练，得到训练后的隐含层为的自编码器(3c)将训练后的自编码器的隐含层作为第n个堆栈式自编码器模型中第k+1个自编码器的输入，对进行训练，得到训练后的隐含层为的自编码器(3d)判断k＝K是否成立，若是，得到训练后的第n个堆栈式自编码器模型，否则，令k＝k+1，并执行步骤(3c)～(3d)；(3e)判断n＝N是否成立，若是，得到N个并行训练后的堆栈式自编码器模型，否则，令n＝n+1，并执行步骤(3b)～(3d)；(4)获取多个性能状态特征：将第n个并行训练后的堆栈式自编码器模型中的h个节点输出值作为从训练样本集中提取到的第n组性能状态特征，所有堆栈式自编码器提取到的性能状态特征共为M个，其中，M＝N×h，第m个性能状态特征为F_m，m＝1,2,…,M；(5)对每个性能状态特征F_m进行特征评价：通过最小化误差函数对softmax分类模型进行训练，得到训练后的softmax分类模型，并将每个性能状态特征F_m输入到训练后的softmax分类模型，得到M个性能评价指标值I₁,I₂,…,I_m,…,I_M；(6)建立基于softmax分类器的集成多分类器模型：(6a)设置Q个阈值T₁,T₂,…,T_q,…,T_Q，并将M个性能评价指标值逐一与第q个阈值T_q进行比较，筛选出性能评价指标值大于T_q的性能状态特征组成特征子集S_q，得到Q个特征子集S₁,S₂,…,S_q,…,S_Q，q＝1,2,…,Q；(6b)将第q个特征子集S_q输入到softmax分类器C_q中，得到C_q的预测标签向量R_q，并计算C_q的分类精度Ac_q，得到Q个softmax分类器的分类精度Ac₁,Ac₂,…,Ac_q,…,Ac_Q；(6c)设置阈值T_c，将Q个分类精度Ac₁,Ac₂,…,Ac_q,…,Ac_Q分别与T_c比较，筛选出分类精度大于T_c的λ个分类器C₁,C₂,…,C_κ,…,C_λ，λ≥5，构成基于softmax分类器的集成多分类器模型C；(7)获取滚动轴承故障诊断结果：(7a)将X₂中的x_j输入到C中的每一个C_κ，κ＝1,2,…,λ，得到λ个分类器C₁,C₂,…,C_κ,…,C_λ对x_j的预测标签其中，(7b)通过投票法查找预测标签中出现次数最多的预测标签，并将其作为基于softmax分类器的集成多分类器模型C对测试样本x_j的预测标签L^(j)：其中，mode(·)表示模式查找函数，表示利用筛选出的第κ个分类器对测试样本x_j预测的标签，λ表示筛选出的分类器的数目；(7c)将预测标签L^(j)与训练样本集包含的故障类别进行映射，得到滚动轴承在不同时刻的故障状态。