本发明专利技术公开了一种基于信息融合的稀疏自编码故障诊断方法、系统，包括：采集不同故障状态下的振动加速度信号；依据加速度信号，获得频谱、速度、位移信号；将频谱、速度、位移信号拼接融合成一个样本；将多个样本构建的数据集划分训练集样本和测试集样本；将带标签的训练集输入用于故障诊断的稀疏自编码模型中，预训练用于故障诊断的稀疏自编码模型的参数；将不含标签的测试集样本输入到保存的预训练模型中进行测试；将保存的模型用于故障诊断。本发明专利技术能实现对滚动轴承等的故障诊断，不需要人工提取或定义特征，就能减少网络层数并提高了故障诊断准确率。诊断准确率。诊断准确率。
【技术实现步骤摘要】
一种基于信息融合的稀疏自编码故障诊断方法、系统
[0001]本专利技术涉及一种基于信息融合的稀疏自编码故障诊断方法，属于故障诊断领域。
技术介绍
[0002]基于深度学习的滚动轴承故障诊断方法是当前故障诊断领域的研究热点，自编码器因其对信号强大的特征提取和重构能力被广泛应用在故障特征提取领域。
[0003]目前大多数的故障诊断模型依靠单一振动加速度信号作为原始输入信号，单一振动加速度信号的特征提取对先验知识要求高，且会让模型对时域、频域信息利用不充分，导致单靠输入加速度信号的深度学习模型的故障诊断效果不佳。
[0004]本专利技术利用振动加速度信号的频域积分得到速度、位移信号，将其联合加速度信号的频谱融合成一个复合信号并作为稀疏自编码网络的输入，训练得到基于信息融合的稀疏自编码故障诊断模型，不仅减少了网络层数，还克服了对时域、频域信息利用不充分的问题，从而完成对滚动轴承的有效诊断。
技术实现思路
[0005]本专利技术提供了一种基于信息融合的稀疏自编码故障诊断方法、系统，通过将振动加速度信号频域积分得到速度、位移信号，将其联合加速度信号的频谱融合成一个复合信号并作为稀疏自编码网络的输入，训练得到基于信息融合的用于故障诊断的稀疏自编码模型，并进一步验证了本专利技术融合信号参与训练稀疏自编码模型用于滚动轴承等的故障诊断时的高准确率。
[0006]本专利技术的技术方案是：
[0007]根据本专利技术的一方面，提供了一种基于信息融合的稀疏自编码故障诊断方法，包括：采集不同故障状态下的振动加速度信号，并根据采集的故障类型为振动加速度信号添加标签信息；依据加速度信号，获得频谱、速度、位移信号；将频谱、速度、位移信号拼接融合成一个样本；将多个样本构建的数据集划分训练集样本和测试集样本；将带标签的训练集输入用于故障诊断的稀疏自编码模型中，预训练用于故障诊断的稀疏自编码模型的参数；当诊断准确率达到第一期望预设准确率时，结束训练，保存模型参数；将不含标签的测试集样本输入到保存的预训练模型中进行测试，输出预测标签集，将预测标签集与真实标签集进行对比，若达到第二期望预测准确率，则保存模型；将保存的模型用于故障诊断。
[0008]所述依据加速度信号，获得频谱、速度、位移信号，包括：对加速度信号进行一次、二次频域积分分别得到速度、位移信号；再将加速度信号进行傅里叶变化得到频谱信号。
[0009]所述将频谱、速度、位移信号拼接融合成一个样本时，速度、位移信号占频谱信号点数的15％
‑
50％。
[0010]所述用于故障诊断的稀疏自编码模型，模型主要包括编码层、解码层和SoftMax分类层；编码层的输入为融合后的信号，解码层为重构后的输入信号，SoftMax的输入层为解码层的输出信号，SoftMax的输出层为故障的类别。
[0011]根据本专利技术的另一方面，提供了一种基于信息融合的稀疏自编码故障诊断系统，包括：采集模块，采集不同故障状态下的振动加速度信号，并根据采集的故障类型为振动加速度信号添加标签信息；获得模块，用于依据加速度信号，获得频谱、速度、位移信号；融合模块，用于将频谱、速度、位移信号拼接融合成一个样本；将多个样本构建的数据集划分训练集样本和测试集样本；预训练模块，将带标签的训练集输入用于故障诊断的稀疏自编码模型中，预训练用于故障诊断的稀疏自编码模型的参数；当诊断准确率达到第一期望预设准确率时，结束训练，保存模型参数；诊断模块，用于将不含标签的测试集样本输入到保存的预训练模型中进行测试，输出预测标签集，将预测标签集与真实标签集进行对比，若达到第二期望预测准确率，则保存模型；将保存的模型用于故障诊断。
[0012]根据本专利技术的另一方面，提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述中任意一项所述的基于信息融合的稀疏自编码故障诊断方法。
[0013]本专利技术的有益效果是：针对深度学习模型对滚动轴承单一的时域频域信息利用不充分问题，提出一种基于信息融合的稀疏自编码故障诊断方法，本专利技术方法基于自编码器的自适应特征提取的能力，借助对加速度信号的加工处理得到更多有关故障的信息，结合信息融合的知识来完成对多信息源的融合，最终实现对滚动轴承的故障诊断，不需要人工提取或定义特征，就能减少网络层数并提高了故障诊断准确率。
附图说明
[0014]图1为本专利技术的基于信息融合的稀疏自编码故障诊断方法的流程图；
[0015]图2为自动编码器的结构示意图；
[0016]图3为加速度信号作为输入对稀疏自编码网络提取特征的特征散点图；
[0017]图4为频谱信号作为输入对稀疏自编码网络提取特征的特征散点图；
[0018]图5为信息融合后的复合信号作为输入对稀疏自编码网络提取特征的特征散点图；其中速度、位移信号均占比15％；
[0019]图6为信息融合后的复合信号作为输入对稀疏自编码网络提取特征的特征散点图；其中速度、位移信号均占比50％。
具体实施方式
[0020]下面结合附图和实施例，对专利技术做进一步的说明，但本专利技术的内容并不限于所述范围。
[0021]实施例1：
[0022]如图1
‑
6所示，根据本专利技术实施例的一方面，提供了一种基于信息融合的稀疏自编码故障诊断方法，包括：采用加速度传感器采集不同故障状态下的滚动轴承振动加速度信号，并根据采集的故障类型为振动加速度信号添加标签信息；依据加速度信号，获得频谱、速度、位移信号；将频谱、速度、位移信号拼接融合成一个样本；将多个样本构建的数据集划分训练集样本和测试集样本，训练集样本添加入标签信息，而测试集样本的标签信息独立标注；将带标签的训练集输入用于故障诊断的稀疏自编码模型中，预训练用于故障诊断的稀疏自编码模型的参数；当诊断准确率达到第一期望预设准确率时，结束训练，保存模型参数；将不含标签的测试集样本输入到保存的预训练模型中进行测试，输出预测标签集，将预
测标签集与真实标签集进行对比，若达到第二期望预测准确率，则保存模型；将保存的模型用于故障诊断。在本专利技术的实施例中，设置的第一期望预设准确率为100％，第二期望预设准确率为95％。
[0023]进一步地，所述依据加速度信号，获得频谱、速度、位移信号，包括：对加速度信号进行一次、二次频域积分分别得到速度、位移信号；再将加速度信号进行傅里叶变化得到频谱信号。
[0024]进一步地，所述将频谱、速度、位移信号拼接融合成一个样本时，速度、位移信号占频谱信号点数的15％
‑
50％。
[0025]进一步地，所述用于故障诊断的稀疏自编码模型，模型主要包括编码层、解码层和SoftMax分类层；编码层的输入为融合后的信号，解码层为重构后的输入信号，SoftMax的输入层为解码层的输出信号，SoftMax的输出层为故障的类别。
[0026]进一步地，结合实验数据，本专利技术给出可选地具体实施方式如下：
[0027]步骤(1)：选择美国凯斯西储大学公开的轴承振动本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于信息融合的稀疏自编码故障诊断方法，其特征在于，包括：采集不同故障状态下的振动加速度信号，并根据采集的故障类型为振动加速度信号添加标签信息；依据加速度信号，获得频谱、速度、位移信号；将频谱、速度、位移信号拼接融合成一个样本；将多个样本构建的数据集划分训练集样本和测试集样本；将带标签的训练集输入用于故障诊断的稀疏自编码模型中，预训练用于故障诊断的稀疏自编码模型的参数；当诊断准确率达到第一期望预设准确率时，结束训练，保存模型参数；将不含标签的测试集样本输入到保存的预训练模型中进行测试，输出预测标签集，将预测标签集与真实标签集进行对比，若达到第二期望预测准确率，则保存模型；将保存的模型用于故障诊断。2.根据权利要求1所述的基于信息融合的稀疏自编码故障诊断方法，其特征在于，所述依据加速度信号，获得频谱、速度、位移信号，包括：对加速度信号进行一次、二次频域积分分别得到速度、位移信号；再将加速度信号进行傅里叶变化得到频谱信号。3.根据权利要求1所述的基于信息融合的稀疏自编码故障诊断方法，其特征在于，所述将频谱、速度、位移信号拼接融合成一个样本时，速度、位移信号占频谱信号点数的15％
‑
50％。4.根据权利要求1所述的基于信息融合的稀疏自编码故障诊断方...
【专利技术属性】
技术研发人员：刘韬，普会杰，柳小勤，刘畅，伍星，陈庆，周俊，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。