一种基于半监督深度信念网络的轴承故障诊断方法技术

本申请提供一种基于半监督深度信念网络的轴承故障诊断方法，包括以下步骤：收集振动信号数据；对振动信号数据进行小波变换降噪并完成重构；将重构后的信号数据根据标签进行分类，并提取相应的时域特征；将分类后的信号数据按照设定规则进行筛选，筛选后的数据划分为训练数据集及测试数据集；将训练数据集输入半监督深度信念网络中，对网络进行深度训练；将测试数据集输入半监督深度信念网络中，通过深度训练后的模型对测试数据集中的数据进行故障分类判别。本申请的有益效果：输入工作数据即可直接输出判断的轴承故障，自动化程度较高；该方法更适应于多工况下的轴承故障诊断，兼容性与普适性更强，提高了轴承故障诊断精度。

【技术实现步骤摘要】
一种基于半监督深度信念网络的轴承故障诊断方法
本公开涉及半监督深度信念网络学习领域，具体涉及一种基于半监督深度信念网络的轴承故障诊断方法。
技术介绍
针对轴承故障诊断，目前传统轴承故障诊断方法无法自动提取特征，需要人工提取特征并依赖于专家知识进行判别；智能轴承故障诊断方法多集中于单一载荷与单一转速的故障诊断模型，可以对轴承的故障类型自动分类，无需人工提取特征。传统轴承故障诊断方法需要人工提取特征，费时费力，提取特征后的结果不能自动分类，需要专家知识进行判别，进一步增加了人工成本，并且效率较低；智能轴承故障诊断算法针对单一载荷与单一转速训练模型，导致无法适应多工况变化下的轴承故障诊断，诊断精度较低，另外，此类方法还需要大量带有故障类型标签的数据，制造标签数据成本昂贵。
技术实现思路
本申请的目的是针对以上问题，提供一种基于半监督深度信念网络的轴承故障诊断方法。第一方面，本申请提供一种基于半监督深度信念网络的轴承故障诊断方法，包括以下步骤：收集振动信号数据；对振动信号数据进行小波变换降噪并完成重构；将重构后的信号数据根据标签进行分类，并提取相应的时域特征；将分类后的信号数据按照设定规则进行筛选，筛选后的数据划分为训练数据集及测试数据集；将训练数据集输入半监督深度信念网络中，对网络进行深度训练；将测试数据集输入半监督深度信念网络中，通过深度训练后的模型对测试数据集中的数据进行故障分类判别。根据本申请实施例提供的技术方案，所述对振动信号数据进行小波变换降噪并完成重构，具体包括：将振动信号数据x(t)在函数空间的子空间内视为空间V0，空间V0可被分解为V1与W1，即V0＝V1+W1，V1可被分解为V2与W2，以此类推，Vj-1可以被分解为Vj与Wj，j为分辨率，j＝0或1；振动信号数据x(t)的信号分解降噪过程为：其中为分辨率为0时的线性组合权重，P0x(t)称为x(t)在V0上的平滑逼近，也就是x(t)在分辨率为0情况下的概貌，φ0k(t)为尺度函数；其中为分辨率为1时的线性组合权重，P1x(t)称为x(t)在V1上的平滑逼近，也就是x(t)在分辨率为1情况下的概貌，φ1k(t)为尺度函数；其中为分辨率为1时离散细节，D1x(t)为x(t)在W1上的投影，ψ1k(t)为小波函数；P0x(t)＝P1x(t)+D1x(t)；分解降噪后的信号分别为：当j＝0时，当j＝1时，重构后信号为：根据本申请实施例提供的技术方案，所述标签包括轴承的故障位置信息及损伤尺寸信息，故障位置信息包括内圈故障、滚动体故障及外圈故障，损伤尺寸信息包括0.178mm、0.356mm及0.533mm；所述标签包括十类，其中九类为同时含有故障位置信息及损伤尺寸信息的标签，第十类标签为轴承健康状态的标签。根据本申请实施例提供的技术方案，所述提取相应的时域特征，具体包括：在重构的信号数据中提取均值、均方值、均方根值、平均幅值、峭度值、峰值、峰峰值、标准差、方差、歪度值、脉冲因子、偏态系数、波形因子、峰态系数、裕度系数、峭度因子、波形熵，构成总数据集。根据本申请实施例提供的技术方案，所述将分类后的信号数据按照设定规则进行筛选，具体包括：采用最大平均差(MMD)算法对总数据集进行筛选，给定两个分布s和t，它们之间的MMD定义为：其中E为对分配的期望，为将原始数据映射到再生核希尔伯特空间(RKHS)的函数，当s与t分布相同时，MMD2(s,t)＝0，与此映射关联的内核函数为k(xs,xt)＝<φ(xs),φ(xt)>；与分别表示分布s与分布t，MMD的经验估计如下：当数据符合0≤LM(Ds,Dt)＜0.16的条件时选取其作为筛选后的数据，不符合条件时予以剔除。根据本申请实施例提供的技术方案，在筛选后的数据中选取80％作为训练集，20％作为测试集，而且训练集中设置10％的数据带有标签，剩余90％的训练集中的数据为未标记数据，由半监督深度信念网络预测其标签并进行识别。根据本申请实施例提供的技术方案，所述将训练数据集输入半监督深度信念网络中，对网络进行深度训练，具体包括：半监督深度信念网络(SSDBN)由半监督受限玻尔兹曼机(SSRBM)堆叠而成，SSDBN由一个输入层、多个隐藏层、一个输出层组成，每层都具有若干数量的神经元，神经元只有激活与未激活两种状态，各层的神经元之间互不连接，每层内的神经元之间全连接，并用激活函数传递信息、更新权值与偏重，SSRBM由一个可视层、一个隐层、一个监督层组成，SSRBM的能量函数定义为：其中v为可视层，h为隐层，u为监督层，ψ＝(wij,pkj,ai,ck,bj)，a为可视层偏置值，b为隐层的偏置值，c为监督层的偏置值，λ为控制有监督学习与无监督学习比例的权重参数，w为可视层与隐层之间的权重，p为监督层间的权重，ψ＝(wij，pkj，ai，ck，bj)，可以更新为：其中τ为迭代次数，η为学习率；连接各层SSRBM的激活函数为Isigmoid函数：其中a为阈值，α为斜率，且满足：其中αmin为使Isigmoid函数工作的最小斜率。根据本申请实施例提供的技术方案，所述将测试数据集输入半监督深度信念网络中，通过深度训练后的模型对测试数据集中的数据进行故障分类判别，具体包括：半监督深度信念网络将训练后的权值与偏置矩阵保留，监督层参考有标签数据辅助预测未标记数据的标签，测试数据输入后按照SSDBN由输入层向输出层传递，最终被分类。本专利技术的有益效果：本申请提供一种基于半监督深度信念网络的轴承故障诊断方法，输入工作数据即可直接输出判断的轴承故障，自动化程度较高；该方法更适应于多工况下的轴承故障诊断，兼容性与普适性更强，提高了轴承故障诊断精度；而且半监督深度信念网络在模型训练时需要少量的标签数据，降低训练成本。附图说明图1为本申请第一种实施例的流程图；图2为本申请第一种实施例中半监督深度信念网络结构图。具体实施方式为了使本领域技术人员更好地理解本专利技术的技术方案，下面结合附图对本申请进行详细描述，本部分的描述仅是示范性和解释性，不应对本申请的保护范围有任何的限制作用。如图1所示为本申请的第一种实施例的流程图，包括以下步骤：S1、收集振动信号数据。本实施例中，将加速度传感器设置在旋转机械轴承的外圈部分，当轴承振动幅度较大时可选择磁吸附式加速度传感器，当轴承振动幅度较小时可选择粘合剂粘贴加速度传感器。S2、对振动信号数据进行小波变换降噪并完成重构。本步骤具体包括：将振动信号数据x(t)在函数空间的子空间内视为空间V0，空间V0可被分解为V1与W1，即V0＝V1+W1，V1可被分解为V2与W2，以此类推，Vj-1可以被分解为Vj与Wj，j为分辨率，j＝0或1；...

【技术保护点】
1.一种基于半监督深度信念网络的轴承故障诊断方法，其特征在于，包括以下步骤：/n收集振动信号数据；/n对振动信号数据进行小波变换降噪并完成重构；/n将重构后的信号数据根据标签进行分类，并提取相应的时域特征；/n将分类后的信号数据按照设定规则进行筛选，筛选后的数据划分为训练数据集及测试数据集；/n将训练数据集输入半监督深度信念网络中，对网络进行深度训练；/n将测试数据集输入半监督深度信念网络中，通过深度训练后的模型对测试数据集中的数据进行故障分类判别。/n

【技术特征摘要】
1.一种基于半监督深度信念网络的轴承故障诊断方法，其特征在于，包括以下步骤：
收集振动信号数据；
对振动信号数据进行小波变换降噪并完成重构；
将重构后的信号数据根据标签进行分类，并提取相应的时域特征；
将分类后的信号数据按照设定规则进行筛选，筛选后的数据划分为训练数据集及测试数据集；
将训练数据集输入半监督深度信念网络中，对网络进行深度训练；
将测试数据集输入半监督深度信念网络中，通过深度训练后的模型对测试数据集中的数据进行故障分类判别。


2.根据权利要求1所述的基于半监督深度信念网络的轴承故障诊断方法，其特征在于，所述对振动信号数据进行小波变换降噪并完成重构，具体包括：
将振动信号数据x(t)在函数空间的子空间内视为空间V0，空间V0可被分解为V1与W1，即V0＝V1+W1，V1可被分解为V2与W2，以此类推，Vj-1可以被分解为Vj与Wj，j为分辨率，j＝0或1；
振动信号数据x(t)的信号分解降噪过程为：

其中为分辨率为0时的线性组合权重，P0x(t)称为x(t)在V0上的平滑逼近，也就是x(t)在分辨率为0情况下的概貌，φ0k(t)为尺度函数；

其中为分辨率为1时的线性组合权重，P1x(t)称为x(t)在V1上的平滑逼近，也就是x(t)在分辨率为1情况下的概貌，φ1k(t)为尺度函数；

其中为分辨率为1时离散细节，D1x(t)为x(t)在W1上的投影，ψ1k(t)为小波函数；
P0x(t)＝P1x(t)+D1x(t)；






分解降噪后的信号分别为：
当j＝0时，
当j＝1时，
重构后信号为：





3.根据权利要求1所述的基于半监督深度信念网络的轴承故障诊断方法，其特征在于，所述标签包括轴承的故障位置信息及损伤尺寸信息，故障位置信息包括内圈故障、滚动体故障及外圈故障，损伤尺寸信息包括0.178mm、0.356mm及0.533mm；所述标签包括十类，其中九类为同时含有故障位置信息及损伤尺寸信息的标签，第十类标签为轴承健康状态的标签。


4.根据权利要求1所述的基于半监督深度信念网络的轴承故障诊断方法，其特征在于，所述提取相应的时域特征，具体包括：在重构的信号数据中提取均值、均方值、均方根值、平均幅值、峭度值、峰值、峰峰值、标准差、方差、歪度值、脉冲因子、偏态系数、波形因子、峰态系数、裕度系数、峭度因子、波形熵，构成总数据集。


5.根据权利要求4所述的基于半监督深度信念...

【专利技术属性】
技术研发人员：叶楠，常佩泽，张露予，王嘉，李佳航，
申请(专利权)人：河北工业大学，
类型：发明
国别省市：天津;12