[发明专利]基于振动和电流信号的堆叠降噪自编码电机故障诊断方法

摘要

本发明公开了基于振动和电流信号的堆叠降噪自编码电机故障诊断方法，分为五个步骤第一步，获取电机不同故障的振动和电流的时域信号，对其预处理，作为网络输入；第二步，确定网络参数；第三步，逐层训练，将上一级自编码器(Auto encoder，AE)的隐藏层作为下一级AE的输入层，从而得到最终的特征编码，用于训练Softmax网络；第四步，微调整个网络，判断是否达到预期的精确度要求，若满足要求网络训练结束，若不满足，则调整网络参数，重复第三步；第五步，网络构建完成。该方法构建多层SDAE网络，将振动频域信号和电流时域信号相结合作为输入，依次训练SDAE网络和分类器，并有监督的对整个网络进行微调，从而实现精确的电机故障诊断。

主权项

基于振动和电流信号的堆叠降噪自编码电机故障诊断方法，其特征在于，分为五个步骤：第一步，采集数据；以动力传动故障诊断综合试验台的异步电机为对象，实验台由异步电机、两级行星齿轮箱、定轴齿轮箱和磁粉制动器，通过更换电机模拟不同的故障状态，为保证实验数据的多样性；随机选取每种故障各工况的75％作为训练样本，剩余25％作为测试样本；第二步,对采集到的不同故障的振动时域信号用快速傅里叶变换进行频域分析，提取频域信号；第三步,在网络训练前，需要对样本进行归一化处理，如式(1)：X*=x-minmax-min---(1)]]>然后构建降噪自编码器；编码是将样本x从输入层传播至隐藏层，为使自编码器AE：Auto Encoder各隐藏层学习到的特征更具鲁棒性，以一定概率在训练样本中加入噪声，即随机将各隐藏层的输入数据置零；然后加噪的数据经过sigmoid激活函数，见式(2)，映射成k维向量h∈[]k×1，见式(3))：f(·)=11+e-t---(2)]]>h=f(θ1)(x)=f(w1·x+b1)---(3)]]>式中：x为输入样本；f(·)为激活函数；θ1＝{w1,b1}为网络参数；w1为权值，b1为偏置；解码是将特征编码从隐藏层传播至输出层，经过激活函数映射成m维向量重构样本x的过程，如公式(4)：x^=f(θ2)(h)=f(w2·h+b2)---(4)]]>式中：是对样本x的重构；f(·)为激活函数，θ2＝{w2,b2}为网络参数；W2为权值，b2为偏置；AE网络的训练目标是通过寻找一组最优的参数θ*＝{w1*,w2*,b1*,b2*}，使得输出数据与输入数据间的误差达到尽可能的小，即实现损失函数L(w1,w2,b1,b2)最小化，损失函数表达式如下；L(w1,w2,b1,b2)=[1nΣi=1nJ(x(i),x^(i))]+λ2Σl=1nl-1Σi=1slΣj+1sl+1(Wij(l))2---(5)]]>式中：等式右边第一项表示网络输入数据与输出数据的误差总和；第二项为正则化约束项，用于防止训练过拟合；x(i)与分别表示第i个样本的输入向量与重构向量；表示x(i)与间的均方差，其表达式如下:J(x(i),x^(i))=12||x(i)-x^(i)||2=12||x(i)-f(w2·f(w1·x+b1)+b2)||2---(6)]]>AE网络通过误差逆传播与梯度下降法，来实现误差函数L(w1,w2,b1,b2)最小化；使得AE能够自适应无监督的学习样本的特征；第四步,以第一个AE编码器隐藏层的输出，作为输入样本，构建第二个AE，重复第三步，以此类推构建多个AE；第五步,将第四步中无监督训练好的各AE网络编码器隐藏层取出，并在最后一层加上softmax分类器进行有监督微调；Softmax分类器对特征向量进行分类识别；假设训练数据中输入样本为x，对应标签为y，则将样本判定为某个类别J的概率为p(y＝j|x)；所以，对于一个K类分类器，输出的将是一个K维向量(向量的元素和为1)，如式(7)所示；hθ(x(i))=p(y(i)=1|x(i);θ)p(y(i)=2|x(i);θ)...p(y(i)=k|x(i);θ)=1Σj=1kexp(θjTx(i))exp(θ1Tx(i))exp(θ2Tx(i))...exp(θkTx(i))---(7)]]>式中：为模型参数；为归一化函数，对概率分布进行归一化，使得所有概率之和为1；在训练中，利用梯度下降法寻找最优参数，使得Softmax的代价函数J(θ)达到最小，从而完成网络训练；代价函数J(θ)如式(8)所示:J(θ)=-1m[Σi=1mΣj=1k1{y(i)=j}logexp(θjTx(i))Σl=1kexp(θlTx(i))]---(8)]]>式中：1{·}是一个指示性函数，即当大括号内值为真时，该函数结果就为1，否则结果就为0；第六步,多次迭代，当损失loss收敛时，完成网络训练；并使用验证集数据评估网络性能，若准确率达到要求，则输出网络，否则更改网络参数，继续训练。