CN104792530B - 一种基于SDA和Softmax回归的深度学习滚动轴承故障诊断方法 - Google Patents

Abstract

本发明提出了一种基于SDA和Softmax回归的深度学习滚动轴承故障诊断方法，本方法在滚动轴承故障分析的基础上，针对目前分类算法鲁棒性和精度受限的问题，借鉴图像模式识别的相关领域知识，采用基于多层神经网络的深度学习自主认知方法，通过层叠降噪自动编码器模型实现了原始数据在输入部分遮挡条件下的自表达，并将重构数据输入至Softmax回归模型判断滚动轴承的工作状态和故障类型。试验结果分析表明，该方法能有效地应用于滚动轴承的故障诊断。

Description

一种基于SDA和Softmax回归的深度学习滚动轴承故障诊断 方法

技术领域

本发明涉及滚动轴承故障诊断的技术领域，具体涉及一种基于层叠降噪自动编码器(Stacked Denoising Autoencoder)和Softmax回归(Softmax Regression)的深度学习滚动轴承故障诊断方法。

背景技术

滚动轴承是航空航天、电力、石化、冶金以及机械等工业部门中使用最为广泛，也是最易损伤的部件之一。旋转机械的许多故障都与滚动轴承有密切关系，据统计在使用滚动轴承的旋转机械设备中，约30％的机械故障是与轴承损伤有关联的。可见，滚动轴承是否发生故障对于整个旋转机械甚至整条生产线的运行状态有着重大的影响。基于人们提高滚动轴承可靠性和安全性的迫切需要，有必要采用一种监控方式来监视轴承的运行状态,不断检测轴承的变化和故障,进而采取必要的措施,防止轴承的损坏和事故的发生。故障诊断技术通过对设备故障特征参数的跟踪，能够对设备的健康状态做出诊断，是确保系统可靠运行的有效措施。

对于诊断来说，良好的特征表达对模式识别的准确性起关键作用。特征的样式一般都是人工设计的，靠人工提取特征，因此识别系统的计算和测试工作耗时主要集中在特征提取部分。目前存在大量人工设计的特征，如SIFT,HOG和LBP等等，不同研究对象特征不同，特征具有多样性，很难找到统一的、适用于不同对象的模型。此外，手工选取特征费时费力，需要有启发式专业知识，模型的准确性很大程度上靠经验和运气。一般而言，特征越多给出的信息就越多，识别准确性也会提升。但是，特征越多计算越复杂，探索的空间大，可以用来训练的数据在每个特征上就会越稀疏。由此可知，特征既不是越多越好，也不是越少越好，需要多少特征，需要由学习确定。人的视觉系统的信息处理是分级的，高层的特征是低层特征的组合，从低层到高层的特征表示越来越抽象，越来越能表示语义或者意图，抽象层面越高，存在的可能猜测就越少，越利于分类。2006年，加拿大多伦多大学教授、机器学习泰斗Geoffrey Hinton在《Science》发表论文提出深度学习主要观点：多隐层的神经网络具有优异的特征学习能力，学习得到的特征对数据有更本质的刻画，从而有利于可视化或者分类；深度神经网络在训练上的难度，可以通过“逐层学习”来有效克服，逐层学习通过无监督学习来实现。总之，与传统的特征提取方法相比，深度学习网络通过构建多隐层的模型和海量训练数据(可以为无标签数据)来自动地学习更有用的特征，从而最终提升分类或预测的准确性。

发明内容

本发明针对现有技术存在的上述问题，提供一种基于SDA和Softmax回归的深度学习滚动轴承故障诊断方法，该方法能有效地应用于滚动轴承的故障诊断。

本发明采用的技术方案为：一种基于SDA和Softmax回归的深度学习滚动轴承故障诊断方法，该方法包括如下步骤：

第一步：基于均匀分布的原始数据“遮挡”预处理

该方法以滚动轴承的原始数据作为输入样本x，采用遮挡处理，即在该样本中加入随机噪声，以均匀分布(qD分布)将输入层的部分节点置0，得到新的输入样本x'；然后以遮挡处理后的x'作为SDA神经网络模型的输入，通过多层神经网络的深度学习来表达出遮挡前的样本x，实现对原始数据的重构，从而实现高鲁棒性的特征自表达，提高故障诊断的抗噪能力；

第二步：基于SDA模型的滚动轴承特征无监督自学习过程

通过对滚动轴承故障模式的分析，得出滚动轴承在不同故障模式下的振动数据，然后利用第一步的步骤将得到的正常和故障数据进行遮挡处理，通过无监督自学习训练SDA模型；该方法中的无监督自学习过程是一个深度学习的过程，SDA模型框架是具有两个隐层的神经网络，通过对数据的逐层学习得到最终的重构基向量，且将神经网络第一个隐层的输出作为第二个隐层的输入；

第三步：基于Softmax回归与参数微调算法的故障诊断

选择Softmax回归算法作为滚动轴承故障诊断算法，以SDA算法重构出的基向量作为Softmax算法的输入，解决滚动轴承在多个故障模式下的分类问题，通过最小化代价函数计算每一种分类结果出现的概率，并利用参数微调的方法对深度学习神经网络整体进行优化，如果某故障特征计算的概率值最大，即确定故障为当前估计的故障模式。

本发明与现有技术相比的优点在于：

(1)区别于传统的时频域信号特征提取方法，本发明借鉴图像模式识别领域的相关知识，利用层叠降噪自动编码器的深度学习方法直接对原始数据进行重构，保留了数据的全部信息，可以有效挖掘数据的本质特征。

(2)本发明在对输入样本遮挡降噪处理的基础上，构建层叠降噪自动编码器，通过无监督自学习重建降噪前的原始输入样本，针对外界未知干扰影响，有效提高了数据的抗噪能力，在故障诊断中具备更强的鲁棒性。

(3)本发明将无监督学习特征输入Softmax回归模型，并进行微调，使得故障分类精度达到99％以上，极大地提高了滚动轴承故障诊断精度。

附图说明

图1为基于SDA和Softmax回归的滚动轴承故障诊断方法流程；

图2为轴承数据的一阶特征表达；

图3为轴承数据的二阶特征表达；

图4为基于Softmax回归模型的轴承故障分类；

图5为SDA模型结构；

图6为滚动轴承原始数据“遮挡”处理；

图7为滚动轴承数据生成试验台示意图。

具体实施方式

下面结合附图以及具体实施例进一步说明本发明。

本发明基于SDA和Softmax回归的滚动轴承故障诊断方法流程如图1所示。本方案主要包括SDA模型的训练和测试两个过程。SDA模型的训练过程可总结为如下三步：

第一步：基于均匀分布的原始数据“遮挡”预处理

为了增加故障诊断的鲁棒性，本方法以滚动轴承的原始数据作为输入样本x，采用遮挡处理，即在该样本中加入随机噪声，以均匀分布(qD分布)将输入层的部分节点置0，得到新的输入样本x'。然后以遮挡处理后的x'作为SDA神经网络模型的输入，通过多层神经网络的深度学习来表达出遮挡前的样本x，实现对原始数据的重构，增加了故障诊断的鲁棒性。

第二步：基于SDA模型的滚动轴承特征无监督自学习过程

通过对滚动轴承故障模式的分析，得出滚动轴承在不同故障模式下的振动数据，然后利用第一步的方法将得到的正常和故障数据进行遮挡处理，通过无监督自学习训练SDA模型。本方法中的无监督自学习过程是一个深度学习的过程，SDA模型框架是具有两个隐层的神经网络，通过对数据的逐层学习得到最终的重构基向量，且神经网络第一个隐层的输出作为第二个隐层的输入。为了提高故障诊断的鲁棒性，我们将输入层和第一个隐层的输出均进行“遮挡”处理。

第三步：基于Softmax回归与参数微调算法的故障诊断

选择Softmax回归算法作为滚动轴承故障诊断算法。以SDA算法重构出的基向量作为Softmax算法的输入，解决滚动轴承在多个故障模式下的分类问题。通过最小化代价函数计算每一种分类结果出现的概率，并利用参数微调的方法对深度学习神经网络整体进行优化。如果某故障特征计算的概率值最大，即确定故障为当前估计的故障模式。

第二步的基于SDA的滚动轴承特征无监督自学习过程，具体为：

1.SDA深度学习模型结构

SDA算法模型是基于传统的层叠自动编码器(SAE)的改进算法，在神经网络的训练逻辑和构建过程中具有相似性，是一个由多层稀疏自动编码器组成的深度学习神经网络，其前一层自编码器的输出作为后一层自编码器的输入。但SDA对整个网络每一层的输入样本进行都进行了预处理，使输入数据受到了一定的“遮挡”，从而有效提高故障诊断的鲁棒性。

在网络参数的设定方面，SDA模型神经网络参数的初始化采用逐层贪婪训练法，即先利用原始输入来训练网络的第一层，得到权值和偏置参数；然后网络第一层将原始输入转化成为由隐藏单元激活值组成的向量(假设该向量为A)，此时A为原始数据的一阶特征表示，即最底层的表达方法；接着把A作为第二层的输入，继续训练得到第二层的参数，该层参数是由一阶特征重构得到的二阶特征，是更加抽象的表达方法；最后，对后面的各层同样采用的策略，即将前层的输出作为下一层输入的方式依次训练，并在训练每一层参数的时候固定其它各层参数保持不变。我们将最后一个隐藏层的输出作为特征输入到Softmax回归分类器进行分类，使得分类器的分类错误的梯度值直接反向传播给编码层。

针对滚动轴承原始数据无监督自学习过程的SDA模型，首先利用训练样本x^(k)训练第一个自编码器，能够学习得到输入的一阶特征表示h^(1)(k)(如图2所示)。

接着将原始数据输入到上述训练好的稀疏自编码器中，对于每一个输入x^(k)，都可以得到它对应的一阶特征表示h^(1)(k)，然后再用这些一阶特征作为另一个稀疏自编码器的输入来训练学习得到二阶特征h^(2)(k)(如图3所示)。

同样，再把一阶特征输入到刚训练好的第二层稀疏自编码器中，得到每个h^(1)(k)对应的二阶特征激活值h^(2)(k)。最后将二阶特征作为Softmax分类器的输入，训练得到一个能将二阶特征映射到数字标签的模型。

最终，我们可以将以上训练好的单层模型依次连接起来，构建一个包含两个隐藏层和一个最终Softmax分类器层的栈式自编码网络，即所需要的SDA模型，其整体结构如图5所示。

2.基于均匀分布的输入样本“遮挡”预处理

假设神经网络的输入样本为x，我们采用随机映射的方法将输入样本中的部分节点数值清为0，得到一个新的、部分遮挡的样本具体的遮挡过程为：设定一个预期的遮挡概率为υ，随机选取υd个数目的输入节点，将它们的节点值强制置0，其它的节点数值保持不变。因此，所有被选中节点的原始信息均被从输入样本中移除，而被训练好的自动编码器则需要学习出这些“丢失”的信息，使得重构出的数据在信息缺失的情况下也能够很好地表达原始数据，即当测试样本和训练样本不符合同一分布或相差较大时，也可以取得良好的效果。

为了使通过重建得到的结果z，能够最大限度表达遮挡前原始数据x的特征信息，我们定义最小化平均重构误差为：

其中x⁽ⁱ⁾，x'⁽ⁱ⁾分别为遮挡前和遮挡后的输入数据，z⁽ⁱ⁾为SDA重构数据，f_θ(.)和g_θ(.)分别为正向传递函数和反向重构函数，L(.)为定义的损失函数，采用互熵来表示，即：

我们假定联合分布函数为：

其中q⁰(x)是与输入数据量相关的经验分布函数，当μ≠υ时，将δ_μ(υ)节点置0，实现数据的遮挡过程。y是输入层与隐层间确定的sigmod映射函数，是由参数θ来决定。

3.基于SDA的滚动轴承原始数据重构

SDA的模型训练过程如图6所示。该模型采用逐层训练的方法，首先给定一个遮挡后的输入样本通过训练第一个隐含层，得到对原始样本数据x的表达h1，然后对第一个隐含层的输出h1进行同样的遮挡处理，并训练第二个隐含层，通过第二层的学习得到对h1的表达h2……即先利用破坏后的原始输入来训练网络的第一层，对后面的各层同样采用的策略，将前层的输出进行遮挡，作为下一层输入，最终层的输出结果z即为所重构的原始数据x的表达。与传统的层叠自动编码器不同，SDA重构出的z是表达的原始数据x，而不是遮挡后的输入样本

SDA模型的训练共有无监督自学习和有监督微调两个步骤。为了更有效地找出隐含在输入数据内部的结构与模式，我们采用稀疏编码的方式来进行原始数据特征的无监督自学习：

(1)原始数据特征的稀疏性表达

本方法利用线性代数中基向量的概念来表达输出数据，即O＝α₁Φ₁+α₂Φ₂+…+α_nΦ_n，Φ_n是基，α_n是系数，为了更好地实现原始数据的表达，则存在优化条件Min|I-O|，其中I表示输入，O表示输出。

通过求解这个最优化式子，可以求得系数α_n和基Φ_n，这些系数和基就是输入的另外一种近似表达。

在上式中以L₁范式代价函数S(a_i)＝|a_i|₁进行稀疏限制，可得到m个输入向量的稀疏编码代价函数，其定义为：

其中λ为比例系数，用来确定稀疏的程度。采用稀疏编码能够将一个信号表示为一组基的线性组合，而且要求只需要较少的几个基就可以将信号表示出来。“稀疏性”定义为：只有很少的几个非零元素或只有很少的几个远大于零的元素，即对于一组输入向量，只有尽可能少的几个系数远大于零。

稀疏编码的过程分为两个部分：

1)训练阶段：给定一系列的样本数据[x1,x2,…]，学习得到一组基[Φ1,Φ2,…]。

稀疏编码是k-means算法的变体，其训练过程就是一个重复迭代的过程，通过交替的更改a和Φ使得目标函数最小。

每次迭代分两步：

a)固定基向量Φ[k]，然后调整权值a[k]，使得目标函数最小。

b)然后固定权值a[k]，调整基向量Φ[k]，使得目标函数最小。

通过不断迭代至收敛就可以得到一组良好表示这一系列x的基。

2)编码阶段：给定一组新的输入样本x，由上面得到的基向量Φ[k]，通过解一个LASSO回归问题得到稀疏向量a。这个稀疏向量就是新的x的一个稀疏表达。λ是一个权重系数，可以避免陷入局部最优化的问题。

(2)随机初始化网络的权值和偏置参数，进行正向的无监督自学习。

在确定了稀疏表达的规则后，本方法以一个单层神经网络为例，假设神经网络输入层与隐层的映射函数为：

其中W是一个d'×d的权重矩阵，b是偏置向量。

同时，隐层的输出y可以反向重构出一个向量z∈[0,1]^d，其映射函数为：

z＝g_θ'(y)＝s(W'y+b'),θ'＝{W',b'} (9)

权值矩阵W'可以表达为W'＝W^T。

因此，x⁽ⁱ⁾可以通过隐层输出y⁽ⁱ⁾重构出一个新的表达z⁽ⁱ⁾。为了得到最佳的重构表征z，可以通过最小化方差代价函数实现对模型参数的优化。

定义单个方差代价函数为：

其中h_w,b(x)是神经网络自学习得到的输出。在单个方差代价函数的基础上，可得到整体的代价函数：

在前向传播的过程中，我们将权值W_ij ^(l)和偏置b_i ^(l)初始化为一个很小的、接近零的随机值，之后对目标函数使用批量梯度下降的方法进行优化。

第三步的基于Softmax回归和参数微调算法的滚动轴承故障诊断，具体为：

滚动轴承通常情况下具有内圈故障、外圈故障、滚动体故障等多个故障模式，对于多故障模式的分类，本方案采用Softmax回归的方法，以无监督自学习得到的基向量作为输入，分别计算每种故障模式的概率大小作为故障分类的判定依据。

同时，针对无监督自学习缺乏标签数据导致的误差较大问题，本方案采用基于反向传播的微调算法，通过最小化无监督自学习下的Softmax回归分类结果残差，从输出层到输入层对已构建的SDA网络模型参数进行微调，实现对SDA模型神经网络参数的整体优化调整。

(1)基于Softmax回归算法的故障分类过程

假设总共有k个分类类别，在Softmax回归中系统的方程为：

其中p(y⁽ⁱ⁾＝k|x⁽ⁱ⁾；θ)代表第k个概率下分类概率，参数θ不再是列向量，而是一个矩阵，每一行是一个类别对应分类器的参数，总计k行。因此，θ可以写成形式为

在采用梯度下降法优化模型参数时，Softmax回归中损失函数的偏导函数为：

本身是一个向量，它的第l个元素是J(θ)对θ_j的第l个分量的偏导数。1{.}是一个指示性函数，即当大括号中的值为真时，该函数的结果就为1，否则其结果就为0。

为了避免最优解不唯一的问题，在损失函数中加入规则项使代价函数成为严格的凸函数，从而定义新的偏导函数为：

通过最小化就可以构建一个有效的Softmax分类模型。

(2)基于反向传播算法的微调过程

通过前向传导计算出网络中所有神经元的激活值后，我们针对神经网络隐层和输出层的每一个节点i，计算残差δ_i ^(l)，用以表征对最终输出值的残差影响，最终Softmax回归分类模型的输出残差即为分类的误差。而对于每一个隐层来说，可以采用基于节点残差的加权平均值计算方法。基于反向传播算法的微调步骤如下：

①输出层n₁每个输出单元i的残差计算方法为：

其中y_i为实际输出值，a_i为神经网络预测输出值，f为传递函数。在计算过程中，通常可得到f'(z_i ^(l))＝a_i ^(l)(1-a_i ^(l))。

②对于n_l-1,n_l-2……，2层，第i个节点的残差计算方法为：

δ^(l)＝((W^(l))^Tδ^(l+1))·f'(z^(l)) (16)

其中W为l层的权值，δ^(l+1)层为上一层的残差

③计算代价函数权值和偏置的偏导值：

因此，我们可以根据计算得到的残差来迭代更新网络权值和偏置参数，从而实现整个SDA模型参数的优化。

在实现了基于微调的网络结构参数优化后，整个神经网络即训练完成。输入测试数据就可以实现良好的分类效果。

本发明的应用实例如下：

1.原始数据准备

以美国西储大学轴承数据为例，说明基于SDA和Softmax回归方法的滚动轴承故障诊断实现方法。首先是数据的准备部分。

如图7所示，该滚动轴承试验平台包括一个2马力的电机(左侧)(1hp＝746W)，一个转矩传感器(中间)，一个功率计(右侧)和电子控制设备。使用电火花加工技术在支撑轴承上布置单点故障，故障直径可分别设置为0.007、0.014、0.021、0.028、0.040英寸(1英寸＝2.54厘米)。其中前三种故障直径的轴承使用的是SKF轴承，后两种故障直径的轴承使用的是与之等效的NTN轴承。该试验台包括驱动端轴承盒风扇端轴承，加速度传感器分别安装在电机壳体的驱动端和风扇端12点钟的位置。振动信号是通过16通道的DAT记录器采集的，数字信号的采样频率为每秒钟12000个点，驱动端轴承故障数据采样速率为每秒钟48000个点。

在本方法的实际操作中，我们选取驱动端(DE)轴承和风扇端(FE)轴承为研究对象，其轴承信息如表1所示。

表1试验轴承信息

从表格中可以看出，保持架故障频率相对于其它三种故障很低，因此本试验将轴承故障模式分为正常、内圈故障、滚动体故障和外圈故障四种。其中，由于外圈的故障是固定不变的，因此故障相对于轴承受载区域的位置对电机/轴承系统的振动响应有直接影响，为了对这个影响进行定量研究，试验中采用传感器布置在轴承6点钟方向的故障数据。

本试验以97、98、99和100号的正常轴承数据作为基准，其工作参数如表2所示。设定故障直径为0.007英寸，深度为0.011英寸，则故障类型的轴承均为SKF轴承，保持电机功率和转速不变，得到不同工况状态下的FE轴承的内圈故障数据(278、279、280、281号)、滚动体故障数据(282、283、284、285号)和外圈故障数据(294、295、296、297号)以及DE轴承的内圈故障数据(105、106、107、108号)、滚动体故障数据(118、119、120、121号)和外圈故障数据(130、131、132、133号)。将以上数据作为输入，来验证本方法的可行性。

表2试验轴承正常工作数据

电机负载/HP	电机转速/rpm	基准数据编号
			0	1797	97
1	1772	98
			2	1750	99
3	1730	100

2.层叠降噪自动编码器和Softmax回归故障诊断模型建立

层叠降噪自动编码器的无监督自学习过程是滚动轴承故障诊断的一个重要部分，可以有效学习出原始数据的本质特征，得到相关的基向量，实现对数据的重构。该方法是基于多层神经网络来实现的，并采用Softmax回归算法作为顶层分类器得到故障诊断结果。本试验设定神经网络的隐层数目为两层，第一层有50个神经元，第二层有25个神经元。输出层根据分类的故障模式数目，设定为4个神经元。整个神经网络输出结果是不同故障模式的匹配概率值，四个故障模式的概率和为1，并判断概率最大的故障模式为当前轴承的故障状态。

借鉴图像识别理论，我们采用每16*16的数据块作为输入，即输入神经元的数目是16*16个，既包含了充分的数据信息，也保证了运算效率。此外，为了加强故障诊断的鲁棒性，需要对输入数据进行“遮挡”处理，通过遮挡后的数据对学习出对原始数据的有效表达。遮挡比例为0.25，即根据第二部分均匀分布的方法，将25％的输入神经元数据置0，利用余下的神经元来重构原始数据。

针对无监督自学习的过程参数，我们将数据间隔设定为3，稀疏度设定为0.1，数据污染率为0.003。为了保证数据的准确性，本试验采用交叉验证的方法，将原始数据分为5组，依次以4组作为训练数据，1组作为测试数据，以五次结果的平均值作为最终的故障诊断结果。整个模型参数如表3所示。

表3SDA模型参数

在所有的参数确定后，输入原始数据就可以利用SDA模型无监督自学习得到重构的基向量，然后输入到Softmax回归模型中实现滚动轴承的故障诊断。为了更好地表征故障诊断结果，我们将模型分类结果与真实数据作对比，用分类正确的结果数目和总的分类数目之比作为分类精度。对应不同的故障频率共有八个工况模式(DE和FE轴承各有四种工况)，其结果如表4所示。

表4基于SDA的无监督自学习故障分类准确率

组数	1	2	3	4	5	6
							工况11	0.400315	0.4003154	0.400315	0.4003154	0.400315	0.400315
工况12	0.569876	0.5698757	0.569876	0.5698757	0.569876	0.569876
							工况13	0.570944	0.570944	0.570944	0.570944	0.570944	0.570944
工况14	0.569942	0.5699415	0.569942	0.5699415	0.569942	0.569942
							工况21	0.401607	0.4016069	0.401607	0.4016069	0.401607	0.401607
工况22	0.57131	0.5713096	0.57131	0.5713096	0.57131	0.57131
							工况23	0.57153	0.57153	0.57153	0.57153	0.57153	0.57153
工况24	0.571582	0.5715825	0.571582	0.5715825	0.571582	0.571582

从表3的结果可以看出，无监督自学习过程虽然能够实现原始数据的重构，构建相互独立的基向量来表达数据的本质特征，但是由于缺乏足够的标签，导致其分类的精度不高，无法满足诊断的分类精度要求。因此，本试验基于第二部分的反向传播算法对模型进行微调，减小神经元的输出残差，进而优化网络模型的权值和偏置参数。经过微调后的故障诊断结果如表5所示。

表5基于微调后SDA模型的故障分类准确率

组数	1	2	3	4	5	6
							工况11	0.999754	0.9997043	0.999803	0.9998028	0.999507	0.999803
工况12	0.999876	0.9999293	0.999947	1	0.999806	0.999912
							工况13	0.999965	0.9997704	0.999788	0.9999647	0.999929	0.999883
工况14	0.999524	0.9997886	0.999912	0.9998591	0.999718	0.99976
							工况21	0.99911	0.9995303	0.999283	0.9900124	0.999901	0.997567
工况22	0.972837	0.9943122	0.998352	0.9985293	0.997821	0.99237
							工况23	0.99844	0.99703	0.98534	0.99874	0.99836	0.995582
工况24	0.998693	0.9981806	0.996043	0.9975271	0.999452	0.997979

分析SDA和Softmax回归方法在天主教滚动轴承应用的试验结果，可以得出以下结论：

1)通过层叠降噪自动编码器的无监督自学习过程，能够重构原始数据，得到表达原始数据的基向量，有利于挖掘数据的本质特征。

2)通过对输入数据的遮挡处理，在训练中利用预处理后部分信息缺失的数据表达信息量完整的原始数据，能够提高故障诊断的鲁棒性。从试验结果中可看出该方法在轴承各个工况下交叉验证的诊断精度均很高。

3)针对仅采用无监督自学习方法故障诊断精度较低的问题，通过基于反向传播算法的微调，能够有效提高故障诊断的精度，使得分类准确率达到99％以上。

4)SDA和Softmax回归故障诊断过程很清晰，主要包括三部分：

a)使用均匀分布方法对多层神经网络的每层输入进行遮挡处理。

b)基于SDA模型进行原始数据的正向无监督自学习。

c)通过Softmax回归和参数微调方法实现滚动轴承的故障模式分类和优化。

本发明中涉及到的本领域公知技术未详细阐述。

Claims (1)

1.一种基于SDA和Softmax回归的深度学习滚动轴承故障诊断方法，其特征在于：该方法包括如下步骤：

第一步：基于均匀分布的原始数据“遮挡”预处理

该方法以滚动轴承的原始数据作为输入样本x，采用遮挡处理，即在该样本中加入随机噪声，以均匀分布将输入层的部分节点置0，得到新的输入样本x'；然后以遮挡处理后的x'作为SDA神经网络模型的输入，通过多层神经网络的深度学习来表达出遮挡前的样本x，实现对原始数据的重构，从而实现高鲁棒性的特征自表达，提高故障诊断的抗噪能力；

第二步：基于SDA模型的滚动轴承特征无监督自学习过程

通过对滚动轴承故障模式的分析，得出滚动轴承在不同故障模式下的振动数据，然后利用第一步的步骤将得到的正常和故障数据进行遮挡处理，通过无监督自学习训练SDA模型；该方法中的无监督自学习过程是一个深度学习的过程，SDA模型框架是具有两个隐层的神经网络，通过对数据的逐层学习得到最终的重构基向量，且将神经网络第一个隐层的输出作为第二个隐层的输入；SDA模型的训练共有无监督自学习和有监督微调两个步骤，为了更有效地找出隐含在输入数据内部的结构与模式，采用稀疏编码的方式来进行原始数据特征的无监督自学习；

第三步：基于Softmax回归与参数微调算法的故障诊断

选择Softmax回归算法作为滚动轴承故障诊断算法，以SDA算法重构出的基向量作为Softmax算法的输入，解决滚动轴承在多个故障模式下的分类问题，通过最小化代价函数计算每一种分类结果出现的概率，并利用参数微调的方法对深度学习神经网络整体进行优化，如果某故障特征计算的概率值最大，即确定故障为当前估计的故障模式。