【技术实现步骤摘要】
本专利技术属于轴承检测，特别涉及基于深度随机神经网络集成的轴承故障诊断系统。
技术介绍
1、轴承作为旋转机械的重要组成，是航空、航天、工业生产等各行业机电装备的核心零部件，在实际工作过程中，轴承故障振动信号随负载不断变化，且轴承故障振动信号微弱，容易被强干扰信号覆盖。因此，从变载荷和强噪声环境下的轴承振动信号中提取出故障特征，并对故障进行及时有效的诊断，可以有效避免故障的持续恶化。
2、近年来，机器学习(machine learning,ml)、深度学习(deep learning,dl)、大语言模型(large language model,llm)等人工智能技术得到快速发展，数据驱动的轴承故障诊断方法逐渐替代基于数学模型的故障诊断方法和基于经验知识的故障诊断方法。其中，数据驱动的轴承故障诊断方法技术流程分为信号采集、特征提取和故障分类。
3、虽然深度学习模型，能够有效提高轴承故障诊断精度，但是基于梯度下降的误差反传算法严重影响了模型的运算效率，不适用于工业数据实时分析场景。
技术实现思路
1、本专利技术意在提供基于深度随机神经网络集成的轴承故障诊断系统，以解决现有的轴承故障检测系统不能够满足于工业上的需求的问题。
2、本方案中的基于深度随机神经网络集成的轴承故障诊断系统，包括以下步骤：
3、步骤一：数据预处理-小波包能量谱特征提取；
4、步骤二：初始化coot算法，计算出参数，n：特征映射次数，p：每次映射为p维特征，
5、步骤三：构建drnne模型，利用上述参数计算适应度值，
6、算法流程如下：
7、(1)特征映射阶段
8、计算出输入特征x进行特征映射。
9、(2)特征增强阶段：
10、对映射特征节点进行m次特征增强，构建基础学习器，具体流程如下：
11、通过下列公式将映射特征fn进行m次特征增强。
12、hk＝φ(fnwhk+βhk),k＝1
13、hk＝φ(hk-1whk+βhk),k＝2,3,…,m
14、(3)输出权重计算：
15、利用公式构建映射特征和基础学习器增强特征进行组合，并计算得到drnne模型输出权重β。
16、(4)计算模型输出：
17、通过下式计算各层输出结果yk，并采取投票集成学习方式进行结果融合，获得最终结果y。
18、yk＝akβk
19、步骤四：保存种群全局最优位置和最佳适应度值。
20、步骤五：判断适应度值是否满足寻优目标或达到算法最大迭代次数。若满足则确定最优参数，不满足则回到步骤二中重新确定。
21、步骤六：确定最优参数n,p,m和q，输出故障诊断结果。
22、本方案的工作原理及其有益效果：首先，利用小波包能量谱提取高维轴承故障特征；其次，为提高bls的泛化性能，设计了一种深度随机神经网络集成模型，并使用coot算法选择drnne网络参数；最后，实验结果验证了drnne模型的有效性，相比于bls，drnne进一步提高了轴承故障诊断精度；
23、该诊断系统基于bls学习框架，对映射节点进行多次特征增强，结合集成学习策略，提高故障诊断模型泛化性能。与此同时，采用白骨顶鸡优化算法(coot optimizationalgorithm,coot)优化drnne网络结构参数，确保模型具有较强的特征学习能力同时，进一步提高模型泛化能力。
24、进一步，所述步骤一中小波包能量谱特征提取使用驱动端采集的48khz信号数据，针对各种工作状态的轴承信号数据，通过小波包能量谱对原始信号进行小波包分解，将原始信号数据分解为多个不同的频带，以信号高频带的频率分辨率和低频带的时间分辨率。小波包能量谱能够有效提高轴承故障特征。
25、进一步，所述步骤二中coot算法通过确定计算过程中的领导者和普通个体位置，每次计算均更新一次领导者和普通个体的位置。coot算法有利于提高drnne的参数搜索效率，减少搜索次数。
26、进一步，所述步骤三中算法流程(1)中计算公式为
27、fi＝φ(xwei+bei),i＝1,2,…,n，
28、并利用fn＝[f1,f2,…,fn]，
29、对n结果进行特征组合，其中，φ代表特征映射激活函数，wei和bei分别为随机权重和偏置。
30、进一步，所述步骤三中算法流程(2)中φ表示激活函数，whk和bhk分代表随机权重和偏置。
31、进一步，所述步骤三中算法流程(3)所用公式为
32、ak＝[fn|hk]
33、和
34、其中，c为正则化参数。
本文档来自技高网...【技术保护点】
1.基于深度随机神经网络集成的轴承故障诊断系统，其特征在于：
2.根据权利要求1所述的基于深度随机神经网络集成的轴承故障诊断系统，其特征在于：所述步骤一中小波包能量谱特征提取使用驱动端采集的48Khz信号数据，针对各种工作状态的轴承信号数据，通过小波包能量谱对原始信号进行小波包分解，将原始信号数据分解为多个不同的频带，以信号高频带的频率分辨率和低频带的时间分辨率。
3.根据权利要求2所述的基于深度随机神经网络集成的轴承故障诊断系统，其特征在于：所述步骤二中COOT算法通过确定计算过程中的领导者和普通个体位置，每次计算均更新一次领导者和普通个体的位置。
4.根据权利要求3所述的基于深度随机神经网络集成的轴承故障诊断系统，其特征在于：所述步骤三中算法流程(1)中计算公式为
5.根据权利要求4所述的基于深度随机神经网络集成的轴承故障诊断系统，其特征在于：所述步骤三中算法流程(2)中φ表示激活函数，Whk和bhk分代表随机权重和偏置。
6.根据权利要求4所述的基于深度随机神经网络集成的轴承故障诊断系统，其特征在于：所述步骤三中算
...【技术特征摘要】
1.基于深度随机神经网络集成的轴承故障诊断系统，其特征在于：
2.根据权利要求1所述的基于深度随机神经网络集成的轴承故障诊断系统，其特征在于：所述步骤一中小波包能量谱特征提取使用驱动端采集的48khz信号数据，针对各种工作状态的轴承信号数据，通过小波包能量谱对原始信号进行小波包分解，将原始信号数据分解为多个不同的频带，以信号高频带的频率分辨率和低频带的时间分辨率。
3.根据权利要求2所述的基于深度随机神经网络集成的轴承故障诊断系统，其特征在于：所述步骤二中coot算法通过确定计算...
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。