基于粒子群优化的堆叠降噪自编码网络轴承故障诊断方法技术

本发明专利技术公开了一种基于粒子群优化的堆叠降噪自编码网络轴承故障诊断方法，提出一种改进的堆叠降噪自编码网络SDAE轴承故障诊断方法，利用粒子群算法PSO对SDAE网络超参数如网络的隐含层节点数，稀疏参数，输入数据随机置零比例进行自适应的选取来确定SDAE网络结构，据此得到故障状态的高层特征表示，输入到Soft‑max分类器中进行故障分类识别；本发明专利技术不仅具有较好的特征学习能力，而且相较与普通的稀疏自编码器学习的特征更加具有鲁棒性，并且通过粒子群算法优化降噪自编码深度网络结构的超参数，构建了具有多隐含层的SDAE诊断模型，从而最终提升故障分类的正确率。

【技术实现步骤摘要】

本专利技术属于机械制造
，涉及一种机械故障诊断技术，具体涉及一种基于粒子群优化的堆叠降噪自编码网络轴承故障诊断方法。
技术介绍
滚动轴承作为旋转机械装置常用的零部件，在工作过程中一旦发生故障，可能会造成重大的经济损失，因此对滚动轴承故障进行有效的诊断处置，对保证机器的正常运转具有重要的意义。基于人工智能的故障诊断方法，已经广泛的应用于旋转机械的故障诊断并取得了较好的效果。现阶段，滚动轴承故障诊断大多是通过对各种状态参数的检测和分析来判断其运行的状态，确定故障位置和磨损程度。一般轴承故障诊断可通过振动信号的采集、特征提取、分类来完成。而分类过程可由反向传播神经网络、支持向量机(SVM)等机器学习算法来实现，上述智能诊断方法均是采用监督式学习的训练模式，这种方式训练得到的模型参数很大程度上受到参数初始化取值的影响，而不同的参数初始化方式不仅会影响模型的训练时间而且会决定模型参数能否收敛到最优解。在深度网络训练过程中，降噪自编码在稀疏自编码网络的结构基础上融入去噪编码方法，提升编码器性能，通过对输入数据添加“损伤噪声”训练编码器，即对输入数据的一部分随机置0，可以从“有噪声的数据”中重构出“纯净的原始输入”。相比SAE网络，学习到的特征具有更好的鲁棒性。而SDAE网络其结构超参数的选取将直接影响SDAE网络的分类性能，如网络的隐含层节点数，稀疏参数，输入数据随机置零比例等。而目前其超参数的确定大多是通过经验枚举多种超参数组合来获得其中较优的一组超参数，对于故障诊断问题，特别是对于不同领域的故障分类问题，泛化性能较弱。因此需要寻找一种有效的方法来自适应选取网络的超参数。
技术实现思路
基于上述原因，本专利技术的目的是提供一种泛化性能好、诊断准确性高的基于粒子群优化的堆叠降噪自编码网络轴承故障诊断方法，该方法不仅具有较好的特征学习能力，而且相较与普通的稀疏自编码器学习的特征更加具有鲁棒性，其通过粒子群算法优化降噪自编码深度网络结构的超参数，构建了具有多隐含层的SDAE诊断模型，从而最终提升故障分类的正确率，解决了现有机械故障诊断技术存在的上述问题。本专利技术所采用的技术方案是，一种基于粒子群优化的堆叠降噪自编码网络轴承故障诊断方法，所述方法利用粒子群算法PSO对SDAE网络超参数的隐含层节点数，稀疏参数，输入数据随机置零比例进行自适应的选取，来确定SDAE网络结构，据此得到故障状态的高层特征表示，输入到Soft-max分类器中进行故障分类识别；该方法包括以下步骤：：步骤1：对混合工况下的滚动轴承的原始振动信号预处理，采用去趋势项，五点三次平滑法对采集的时域信号预处理；步骤2：提取经过预处理后的轴承振动信号的14个时域特征、4个频域特征，并对特征集进行线性归一化处理；步骤3：把预处理后的每一类特征集按照一定比例随机分为训练集和测试集；步骤4：确定粒子群的种群个数N，最大迭代次数M，和合适的目标分类错误率error；步骤5：根据每个粒子的给定的位置和速度范围，初始化粒子的位置Xik＝0和速度Vik＝0；步骤6：将训练特征集输入到SDAE网络模型中，计算每个粒子的适应度值(错误分类率)，同时找出历史记录的单个粒子最优Xkpbest和整个粒子群的最优Xkgbest；步骤7：更新每个粒子的速度和位置，判断条件gbeset<error或k>M是否满足，如果满足判别条件，则退出循环，输出优化后的堆叠降噪自编码网络超参数，否则转到第6步，k＝k+1，循环执行第6，7步，直到满足判别条件，退出循环；步骤8：把测试集输入到优化后的SDAE网络，得到轴承故障状态的分类结果。本专利技术所述的基于粒子群优化的堆叠降噪自编码网络轴承故障诊断方法，其特征还在于：在所述步骤1中，采用多项式最小二乘法，先将影响信号正确性的趋势项去除，然后采用五点三次平滑法对时域信号平滑处理，减少混入振动信号的高频随机噪声。所述轴承故障诊断方法为避免了粒子群收敛速度快，陷入局部最优的问题，采用作了如下改进的粒子群算法，随着迭代次数增加，惯性因子ω由最大值线性减小到最小值，即：惯性因子的更新公式为：式中，k为当前迭代次数，M为总的迭代次数，ωmax为惯性因子最大值，ωmin为惯性因子最小值。所述轴承故障诊断方法是一种基于粒子群算法的SDAE网络超参数选取方法，对SDAE网络训练来自适应选取降噪自编码网络的隐含层节点数、稀疏参数以及输入数据置零比例；针对混合工况下的滚动轴承故障问题，构建了SDAE轴承故障诊断模型。本专利技术基于粒子群优化的堆叠降噪自编码网络轴承故障诊断方法，与现有技术相比具有如下优点：本方法不仅具有较好的特征学习能力，而且相较与普通的稀疏自编码器学习的特征更加具有鲁棒性，并且通过粒子群算法优化降噪自编码深度网络结构的超参数，构建了具有多隐含层的SDAE诊断模型，从而最终提升故障分类的正确率。使用本专利技术的方法进行轴承故障处理，实现了混合工况下的轴承故障诊断，准确率都达到了95％以上。与稀疏自编码网络方法相比，本专利技术对轴承故障分类的准确率有较大提升，对滚动轴承的智能故障诊断具有重要的意义。附图说明图1是本专利技术方法中SDAE混合工况下轴承故障诊断流程图；图2是本专利技术方法中堆叠降噪自编码的原理图；图3是本专利技术方法中PSO算法优化堆叠降噪自编码原理图；图4是本专利技术方法中实验平台原理简图；图5是本专利技术方法中不同故障类型振动时域图；图6是本专利技术方法中PSO算法优化适应度曲线；图7a、图7b是本专利技术方法故障特征聚类效果图；图8是本专利技术方法中故障诊断直方图；图9是本专利技术方法故障诊断混淆矩阵图。图中，1.变频调速电机，2.传动带，3.轴承座，4.轴承，5.加速度传感器，6.转轴。具体实施方式下面结合附图和具体实施方式对本专利技术进行详细说明。一种基于粒子群优化的堆叠降噪自编码网络轴承故障诊断方法，如图1所示，所述方利用粒子群算法(ParticleSwarmOptimization)PSO对(StackedDenoisingAutoEncoder)SDAE网络超参数的隐含层节点数，稀疏参数，输入数据随机置零比例进行自适应的选取，来确定SDAE网络结构，据此得到故障状态的高层特征表示，输入到Soft-max分类器中进行故障分类识别；该方法包括以下步骤：步骤1：对混合工况下的滚动轴承的原始振动信号预处理，采用去趋势项，五点三次平滑法对采集的时域信号预处理；步骤2：提取经过预处理后的轴承振动信号的14个时域特征、4个频域特征，并对特征集进行线性归一化处理；步骤3：把预处理后的每一类特征集按照一定比例随机分为训练集和测试集；步骤4：确定粒子群的种群个数N，最大迭代次数M，和合适的目标分类错误率error；步骤5：根据每个粒子的给定的位置和速度范围，初始化粒子的位置Xik＝0和速度Vik＝0；步骤6：将训练特征集输入到SDAE网络模型中，计算每个粒子的适应度值(错误分类率)，同时找出历史记录的单个粒子最优Xkpbest和整个粒子群的最优Xkgbest；步骤7：更新每个粒子的速度和位置，判断条件gbeset<error或k>M是否满足，如果满足判别条件，则退出循环，输出优化后的堆叠降噪自编码网络超参数，否则转到第6步，k＝k+1，循环执行第6，7步，直到满足判别条本文档来自技高网...

【技术保护点】
一种基于粒子群优化的堆叠降噪自编码网络轴承故障诊断方法，其特征在于，所述方法利用粒子群算法PSO对SDAE网络超参数的隐含层节点数，稀疏参数，输入数据随机置零比例进行自适应的选取，来确定SDAE网络结构，据此得到故障状态的高层特征表示，输入到Soft‑max分类器中进行故障分类识别；该方法包括以下步骤：步骤1：对混合工况下的滚动轴承的原始振动信号预处理，采用去趋势项，五点三次平滑法对采集的时域信号预处理；步骤2：提取经过预处理后的轴承振动信号的14个时域特征、4个频域特征，并对特征集进行线性归一化处理；步骤3：把预处理后的每一类特征集按照一定比例随机分为训练集和测试集；步骤4：确定粒子群的种群个数N，最大迭代次数M，和合适的目标分类错误率error；步骤5：根据每个粒子的给定的位置和速度范围，初始化粒子的位置Xik＝0和速度Vik＝0；步骤6：将训练特征集输入到SDAE网络模型中，计算每个粒子的适应度值(错误分类率)，同时找出历史记录的单个粒子最优Xkpbest和整个粒子群的最优Xkgbest；步骤7：更新每个粒子的速度和位置，判断条件gbeset<error或k>M是否满足，如果满足判别条件，则退出循环，输出优化后的堆叠降噪自编码网络超参数，否则转到第6步，k＝k+1，循环执行第6，7步，直到满足判别条件，退出循环；步骤8：把测试集输入到优化后的SDAE网络，得到轴承故障状态的分类结果。...

【技术特征摘要】
1.一种基于粒子群优化的堆叠降噪自编码网络轴承故障诊断方法，其特征在于，所述方法利用粒子群算法PSO对SDAE网络超参数的隐含层节点数，稀疏参数，输入数据随机置零比例进行自适应的选取，来确定SDAE网络结构，据此得到故障状态的高层特征表示，输入到Soft-max分类器中进行故障分类识别；该方法包括以下步骤：步骤1：对混合工况下的滚动轴承的原始振动信号预处理，采用去趋势项，五点三次平滑法对采集的时域信号预处理；步骤2：提取经过预处理后的轴承振动信号的14个时域特征、4个频域特征，并对特征集进行线性归一化处理；步骤3：把预处理后的每一类特征集按照一定比例随机分为训练集和测试集；步骤4：确定粒子群的种群个数N，最大迭代次数M，和合适的目标分类错误率error；步骤5：根据每个粒子的给定的位置和速度范围，初始化粒子的位置Xik＝0和速度Vik＝0；步骤6：将训练特征集输入到SDAE网络模型中，计算每个粒子的适应度值(错误分类率)，同时找出历史记录的单个粒子最优Xkpbest和整个粒子群的最优Xkgbest；步骤7：更新每个粒子的速度和位置，判断条件gbeset<error或k>M是否满足，如果满足判别条件，则退出循环，输出优化后的堆叠降噪自编码...

【专利技术属性】
技术研发人员：侯文擎，李巍华，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东;44