CN106682688A - 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 - Google Patents

Abstract

本发明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。

Description

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

技术领域

本发明属于机械制造技术领域，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。

背景技术

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。

发明内容

基于上述原因，本发明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。

本发明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X_i ^k＝0和速度V_i ^{k ＝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X^k _pbest和整个粒子群的最优X^k _gbest；

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。

本发明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，ω_max为惯性因子最大值，ω_min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。

本发明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。

使用本发明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，本发明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是本发明方法中SDAE混合工况下轴承故障诊断流程图；

图2是本发明方法中堆叠降噪自编码的原理图；

图3是本发明方法中PSO算法优化堆叠降噪自编码原理图；

图4是本发明方法中实验平台原理简图；

图5是本发明方法中不同故障类型振动时域图；

图6是本发明方法中PSO算法优化适应度曲线；

图7a、图7b是本发明方法故障特征聚类效果图；

图8是本发明方法中故障诊断直方图；

图9是本发明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发明进行详细说明。

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(Particle Swarm Optimization)PSO对(Stacked Denoising AutoEncoder)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X_i ^k＝0和速度V_i ^{k ＝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X^k _pbest和整个粒子群的最优X^k _gbest；

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。

对本发明的几点说明：

1、对稀疏自编码器(Auto Encoder,AE)、降噪自编码器(Denoising AutoEncoder,DAE)的说明：

AE是一种无监督学习，通过对输入数据的编码和解码过程得到表征输入数据的隐含层特征，从而达到降维及提升数据分类效果的目的，而DAE在AE的基础上，对训练数据加入噪声，AE必须学习去去除这种噪声而获得真正的没有被噪声污染过的输入。因此，这就迫使编码器去学习输入信号的更加鲁棒的表达，这也是它的泛化能力比一般AE强的原因。本方法中采用的即为多个DAE叠加的SDAE模型，结构见图2所示。

2、对基于SDAE模型深度学习的预训练过程和微调过程的说明：

a、预训练

编码时将符合统计特性的噪声加入样本数据进行编码，解码时再从未受干扰的数据中估计出加噪输入的原始形式。第一级降噪自编码器的隐含层输出经过“加噪”损伤作为第二级降噪自编码器的输入，第二级降噪自编码器的隐含层输出“加噪”损伤作为第三级降噪自编码器的输入，以此类推；通过对振动数据的逐层学习完成深度神经网络预训练。

为了使每个隐含层输出尽可能的表示输入的模式，采用梯度下降算法，通过不断的修正权重参数D，W使得代价函数最小：

式中第一项和第二项为编码过程，第三项为解码过程，W_i+1，D_i+1

x_i，z_i+1分别代表第i个隐含层的编码权重，解码权重，第i个隐含层的输入，第i个隐含层的输出(第i+1隐含层的输入)，当i＝0时，x₀＝I，λ用于控制稀疏惩罚项的相对重要性，为L2范数，用于控制输出的稀疏程度，σ为Sigmoid激活函数，表达式如下：

b、微调

在完成SDAE的预训练后，所得SDAE网络的参数以及Soft-max分类器的参数作为网络的初始参数，这些参数可以看作接近全局最优的网络参数采用梯度下降算法可对网络的全部参数再次更新来改善整个模型的分类效果，此过程称为“微调”。

应用梯度下降算法进行微调时，算法的流程如下：

对输出层的每一个节点i，残差公式为：

对于隐含层l＝n_l-1,n_l-2,…,2，其残差表达式为：

代价函数对W，b取偏导数：

进行参数更新：

式中η参数更新时的学习率，微调1到l层的网络参数。

3、对在本发明中所用粒子群算法的说明

PSO是由Eberhart等提出的一种全局优化算法，尤其适用于解决高维问题的多模态函数极值点的优化，已经成功应用于许多研究领域。文中将SDAE诊断网络的错误分类率作为SDAE网络超参数(隐含层节点数、稀疏参数以及输入数据随机置零比例)的多模态函数，通过粒子群的粒子训练SDAE网络，根据错误分类率的极小值来确定优化的网络超参数，从而得到适用于滚动轴承故障诊断的PSO-SDAE深度神经网络模型。

更新每个粒子的速度和位置的公式如下：

V_i ^k+1＝ωV_i ^k+c₁r₁(X^k _ipbest-X_i ^k)+c₂r₂(X^k _gbest-X_i ^k)

X_i ^k+1＝X_i ^k+V_i ^k+1

公式中c1和c2称为学习因子，取值范围c∈[0,2]，通常c1＝c2＝2。r1和r2是取值(0,1)之间服从均匀分布的随机数。

采用改进的粒子群算法，避免了粒子群收敛速度快，陷入局部最优的问题，作了如下改进，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；ω_max为惯性因子最大值；ω_min为惯性因子最小值。

实施案例：

(1)试验数据

利用旋转机械试验台进行轴承故障试验，实验平台的结构如图4所示。由变频调速电机1，传动带2，轴承座3，轴承4、加速度传感器5及转轴6.组成，故障轴承4装在2号位固定安装转轴6的轴承座3中，在2号位轴承座3上装有加速度传感器5；用装在轴承座3上的加速度传感器5采集轴承4振动信号。在该轴承4的外圈和内圈用线切割加工深度为0.5mm，宽度分别为0.5mm，1mm和2mm三种不同的切槽，分别模拟不同部位轴承的轻度、中度和重度故障，采集了转速为800，1100，1400r/min的轴承振动信号，采样频率fs＝12kHz，每次采样时间持续20s，总共采集了21种振动信号，实验工况描述如表1所示。

表1实验工况描述

类别	故障位置	故障尺寸/mm	故障程度
				1	无	0	正常
2	内圈	宽0.5，深0.5	轻度
				3	内圈	宽1，深0.5	中度
4	内圈	宽2，深0.5	重度
				5	外圈	宽0.5，深0.5	轻度
6	外圈	宽1，深0.5	中度
				7	外圈	宽2，深0.5	重度

图5显示了n＝1100r/min轴承正常状态、内圈、外圈宽度为0.5mm的故障类别的振动信号。从图中的时域波形中可以看到实验采集到的轴承振动信号与轴承仿真信号有很大不同，三种类型的时域波形都包含有很大的噪声，振动信号淹没在噪声中。

(2)粒子群优化堆叠降噪自编码网络的训练过程

选取转轴转一圈的样本点作为一个样本的长度，首先把截取好的每一类振动信号样本集经过数据预处理和特征提取得到总的特征集，每类故障在每种工况下的数据集为300组，共有三种不同转速工况，因此每类特征集共900组，从每类总特征集中随机选择样本数的60％作为训练集，其余样本作为测试集。

以轴承振动信号的18个时域和频域特征作为网络的输入，设置SDAE网络的输入层节点数为18，针对7种不同类型的轴承状态，设置网络的输出层节点数为7，利用PSO算法来寻找网络每个隐含层的节点数、稀疏参数和输入数据置零比例，PSO优化后SDAE网络的结构超参数见表2，PSO算法优化的适应度曲线见图6所示。

表2 PSO优化SDAE的网络结构超参数

参数	超参数符号	优化参数值
			损伤比例	P	0.04
第一个隐含层节点数	m1	20
			第二个隐含层节点数	m2	20
第三个隐含层节点数	m3	25
			第一个隐含层稀疏参数	ρ1	0.2684
第二个隐含层稀疏参数	ρ2	0.3317
			第三个隐含层稀疏参数	ρ3	0.1514

(3)故障特征聚类效果

优化后的堆叠降噪自编码网络参数为表2所示，权重衰减系数α＝1e-3，稀疏惩罚系数β＝3，每层DAE以及Soft-max分类层网络参数更新的最大迭代次数均设置为100，微调优化的最大迭代次数设置为150。而普通的稀疏自编码网络采用与优化后的堆叠降噪自编码网络相同的结构超参数，保留隐含层特征前三维的主成分，其聚类效果如图7a、图7b所示，对于混合工况下轴承故障特征聚类效果，普通的稀疏自编码网络的第二类和第七类错分的类别相较与优化后的SDAE较多，SDAE的第二类和第七类的聚类更加紧凑。低维空间肉眼观测能明显线性可分，类内间距离最短，类外距离最长，说明经粒子群优化后的SDAE网络提取的特征具有更好的鲁棒性和泛化性。

(4)分类效果

图8为优化后SDAE网络和普通的稀疏自编码网络对于混合工况下轴承故障10次测试的分类正确率对比图，从直方图可以明显的看出，经过优化后SDAE网络的分类正确率均优于稀疏自编码网络。

为了清晰地表示优化后的SDAE网络对混合工况下的每一类故障的具体诊断情况，图9显示了测试集最后一次的故障分类混淆矩阵。混淆矩阵横轴代表预测类别，纵轴代表实际类别，对角线处的数值表示SDAE网络在每一类测试样本的分类正确率，非对角线位置的数值表示网络对每一类的错误分类率。例如：第五行第三列的元素值1.7％，表示实际类别为第五类，错分到第三类的比例为1.7％。

从图9的实验结果可以看出，其中第1类、第2类、第3类、第4类、第5类、第6类、第7类的分类正确率分别为95％，98.3％，98.3％，100％，98.3％，97.5％，99.2％，整个测试集的平均分类正确率为97.97％，轴承每个类别的分类正确率都在95％以上，说明该算法对于混合工况下的轴承故障状态有很好的分类识别效果。

综上所述，经本文发明所提方法处理后，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，本发明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。

最后需要说明的是，上述实施方式只是对本发明一个优选实施例所作的描述，并非对本发明保护范围进行的限定，在不脱离本发明设计精神的前提下，本领域技术人员对本发明的技术方案作出的各种等效的变化、修饰和改进，均应包括在本发明申请专利范围内。

Claims (4)

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X_i ^k＝0和速度V_i ^k＝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X^k _pbest和整个粒子群的最优X^k _gbest；

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。

2.根据权利要求1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。

3.根据权利要求1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，其特征在于：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，ω_max为惯性因子最大值，ω_min为惯性因子最小值。

4.根据权利要求1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，其特征在于，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。