[发明专利]基于深度信念网络和支持向量机的滚动轴承故障诊断方法

说明书

技术领域

本发明涉及滚动轴承参数诊断领域，是一种基于能量算子解调的深度信念网络和支持向量机的滚动轴承故障诊断方法。

背景技术

轴承是旋转机械中应用最广泛的一种部件，也是极易损坏的部件，其运行状态会直接影响到整台机器的性能，如果轴承出现故障就会造成巨大的经济损失，因此对轴承的故障诊断具有重要现实意义。

随着人工智能技术的发展，故障诊断系统正朝着智能化的方向迈进。传统的机械故障诊断方法已经不能满足实际要求，从而使得能够取而代之机器学习越来越受到青睐。目前，常用的机器学习方法有k-NN分类器、神经网络方法及SVM方法。而传统的深度信念网络输入的是原始数据，由于原始数据庞大，运算时间太长，不利用工程上实际应用。

发明内容

本发明目的在于提供一种特征数据分类简单、诊断准确性高的基于能量算子解调的深度信念网络和支持向量机的滚动轴承故障诊断方法。

为实现上述目的，本发明所述诊断方法包括以下步骤：

步骤1，以滚动轴承的原始振动数据作为输入样本，采用能量算子调解对数据进行预处理，计算出处理之后数据的时域特征统计量和频域特征统计量；

步骤2，利用深度信念网络(DBN)对提取出来的时频特征统计量进行二次特征提取，优化参数分布特性；

步骤3，以粒子群算法(PSO)对支持向量机(SVM)的参数进行优化，把深度信念网络提取出来的特征量和时域特征参数统计量输入到粒子群优化的支持向量机中，进行故障分类识别。

与现有技术相比，本发明具有如下优点：本发明方法利用能量算子解调原信号，能够增强故障特征，更加准确地提取滚动轴承的故障特征；通过深度信念网络对时频统计量进行二次特征提取，使参数分布特性变好；最后输入到粒子群优化的支持向量机中，分类准确性大大提高。

附图说明

图1是本发明方法的流程图。

图2是本发明方法中深度信念网络模型图。

图3是本发明方法中支持向量最优分类线图。

图4是本发明方法中PSO算法对SVM参数的优化流程图。

图5是本发明方法中原始信号及算子解调后的时域图和频谱图。

图6是本发明方法中深度信念网络提取特征参数分布图。

图7是本发明方法中支持向量机对样本测试的适应度曲线图。

具体实施方式

下面结合附图对本发明方法做进一步说明：

如图1所示，本发明所述诊断方法包括以下步骤：

步骤1，以滚动轴承的原始振动数据作为输入样本，采用能量算子调解对数据进行预处理，计算出处理之后数据的时域特征统计量和频域特征统计量；

原信号：

式中，a(t)为原信号时变幅值；为原信号时变相位；

信号S(t)的能量算子ψ定义为：

求出信号S(t)的瞬时幅值A(t)和瞬时相位W(t)：

步骤2，利用深度信念网络对提取出来的时频特征统计量进行二次特征提取，优化参数分布特性；具体方法如下：

深度信念网络是由多个受限玻尔兹曼机堆叠形成的数据多层感知器神经网络，低层表示的是原始数据的细节，高层表示的是数据的特征。图2是一个由3个RBM堆叠成的DBN模型。每个RBM由两层网络组成，即可视层(v)和隐藏层(h)，层与层之间通过权值(w)连接。其中，第一层可视层(v¹)为输入的初始数据，和第一隐藏层(h¹)组成第一个RBM(RBM1)；第一个隐藏层(h¹)作为第二可视层(v²)，并和第二隐藏层(h²)组成第二个RBM(RBM2)；第二隐藏层作为第三个可视层(v³)，并和第三隐藏层(h³)组成第三个RBM(RBM3)。DBN的学习过程包括两部分：从低层到高层的前向堆积RBM学习和从高层到低层的后向微调学习。

1、前向堆叠RBM学习