CN110334764B - 基于集成深度自编码器的旋转机械智能故障诊断方法 - Google Patents

Abstract

本发明提出了一种基于深度自动编码器的旋转机械故障诊断方法，旨在提高旋转机械的故障诊断精度，实现步骤为：首先采集旋转机械振动加速度时域信号，获取训练数据集和测试数据集；其次，对每个激活函数，使用K折交叉验证方法，通过不同的训练集训练一系列的深度自编码器；然后，通过验证集验证训练后的深度自编码器，获得每个故障标签的精度；再次，采用网格搜索方法寻找最优选择参数，通过最优选择参数对深度自编码器进行筛选，构建集成深度自编码器模型；最终，得到对输入样本的预测标签，将预测标签映射回旋转机械的故障类型，实现对旋转机械的故障诊断。

Description

基于集成深度自编码器的旋转机械智能故障诊断方法

技术领域

本发明属于故障诊断与信号处理分析技术领域，涉及一种旋转机械故障诊断方法，具体涉及一种基于集成深度自编码器的旋转机械智能故障诊断方法，可用于滚动轴承、齿轮箱等旋转机械的故障自动诊断。

背景技术

旋转机械是工业领域应用最广泛的机械设备，对社会经济发展具有重要意义。旋转机械的关键部件在负载大、冲击大、转速高、背景噪声大等恶劣工况下不可避免地会出现各种故障。这些故障可能造成巨大的损失和严重的人员伤亡。为了监测旋转机械的运行状况，提高旋转机械的安全性和可靠性，避免意外的人员伤亡和经济损失，自动准确的旋转机械故障诊断越来越受到人们的重视。

旋转机械故障诊断主要是通过对旋转机械运行时的一些动态参数如温度、振幅、位移等信号进行分析处理，对旋转机械不同工况的数据进行识别，从而达到故障诊断的目的。通常，评价一种旋转机械故障诊断方法好坏的指标有诊断精度、诊断效率、鲁棒性、客观性等。

旋转机械故障诊断方法可分为传统故障诊断方法和智能故障诊断方法。传统故障诊断方法多利用物理模型基于信号处理技术建立故障诊断模型，如经验模态分解、变分模态分解、小波变换等。在实际工程应用中原始振动信号往往呈现出复杂、非线性和多噪声的特点，对于故障类型、故障严重程度及故障方向的准确诊断需要依赖先进的信号处理技术，此外，复杂工况下的旋转机械性能状态的准确描述需要从原始信号中提取大量时域、频域和时频域特征，通常从这些特征中筛选与诊断目标相关性强、更具代表性的特征是一项盲目、主观且费时的工作，因此传统故障诊断方法依赖于专家经验进行特征选择，缺少客观性，难以对实际工程中复杂工况下的旋转机械故障状态进行自动、准确地识别。

智能故障诊断方法是基于数据驱动，运用传感器和计算机技术发展起来的一类方法，如支持向量机、主成分分析、人工神经网络、堆栈式自编码器、深度置信网络、卷积神经网络等。其中，支持向量机、主成分分析和人工神经网络等智能诊断方法虽然能摆脱对专家经验的依赖，实现了旋转机械性能状态特征的自适应学习，提高了故障诊断结果的客观性，但是，这些故障诊断方法是基于浅层特征学习的智能故障诊断方法，难以从原始数据中提取出深层特征，导致其特征学习能力弱，故障诊断精度低。

为了提高模型的特征学习能力，从而提高故障诊断精度，学者们提出了以堆栈式自编码器、深度置信网络、卷积神经网络等为代表的基于深度特征学习的智能故障诊断方法。然而，深度学习也有自己的缺点，模型的学习速度、网络结构等超参数的设计比较困难。在这种情况下，集成学习是一个很好的选择。集成学习结合了一系列学习能力较弱的学习器，克服了超参数的设计问题，取得了较好的学习效果。例如，邵海东等人于2018年在Mechanical Systems and Signal Processing的102卷上发表的“A novel method forintelligent fault diagnosis of rolling bearings using ensemble deep auto-encoders”的文章中，提出了一种集成深度自编码器模型的滚动轴承智能故障诊断方法，该方法首先采集滚动轴承的振动数据，并划分训练集和测试集，其次，基于不同的激活函数建立集成深度自编码器模型并利用训练集数据对模型进行预训练，在此基础上利用故障标签对网络进行微调，最后，利用一个softmax分类器输出测试样本的预测标签，实现根据现场实时采集的滚动轴承振动时域信号对滚动轴承的故障状态进行诊断，为旋转机械设备的安全运行和维保提供参考。然而，该方法只考虑了深度自编码器的整体性能，深度自编码器未经过选择就直接采用集成策略进行组合，并没有考虑各个深度自编码器对不同故障类别分类精度的差异，影响了滚动轴承的诊断精度；同时，每个激活函数只生成一个深度自编码器，泛化能力低，鲁棒性较低。

发明内容

本发明的目的在于克服上述现有技术存在的缺陷，提供了一种基于集成深度自编码器的旋转机械智能故障诊断方法，旨在提高旋转机械的故障诊断精度。

本发明的技术思路是，首先采集旋转机械振动加速度时域信号，获取训练数据集和测试数据集；其次，对每个激活函数，通过不同的训练集训练一系列的深度自编码器；然后，通过验证集验证训练后的深度自编码器，获得每个故障标签的精度；再次，采用网格搜索方法寻找最优选择参数，通过最优选择参数对深度自编码器进行筛选，构建集成深度自编码器模型；最终，得到对输入样本的预测标签，将预测标签映射回旋转机械的故障类型，实现对旋转机械的故障诊断，具体包括如下步骤：

(1)获取训练数据集X₁和测试数据集X₂：

(1a)将从旋转机械数据库中随机选取的I个振动时域信号数据，以及每个振动时域信号数据包含的故障标签作为训练数据集X₁，

所有故障标签的类别为1,2,…,q,…,Q，其中Q为故障标签的类别总数，I≥2000，且I>>Q，x_i表示第i个训练样本，y_i表示x_i的故障标签；

(1b)将通过数据采集系统实时采集的待诊断旋转机械的J个振动时域信号数据作为测试数据集X₂，

J≥I/2,x_j表示第j个测试样本；

(2)构建多个深度自编码器：

通过L个不同的激活函数构建LK个输出层为softmax分类器的深度自编码器DAE₁₁,…,DAE_lk,…,DAE_LK，第l个激活函数所生成的第k个深度自编码器DAE_lk包含N个自编码器

第n个自编码器

的隐藏层为

第N个自编码器

的隐藏层

的节点数为h，

与softmax分类器相连，该DAE_lk的输出层的节点数为o，K表示第l个激活函数所生成的深度自编码器的数量，l＝1,2,…,L，k＝1,2,…,K，n＝1,2,…,N，L≥2，2≤K＜＜I，N≥2，o≥1；

(3)对每个深度自编码器DAE_lk进行训练：

(3a)采用K折交叉验证的方法，将训练数据集X₁划分为大小相同或相似的K份，每次选择一份作为验证集V_k，其余K-1份作为训练集T_k，共选择K次，得到K组不同的训练集和验证集

其中x_t表示第t个训练样本，y_t表示x_t的故障标签；

(3b)令l＝1；

(3c)令k＝1；

(3d)令n＝1；

(3e)将训练集T_k作为DAE_lk中第n个自编码器

的输入，对

进行训练，得到训练后的隐藏层为

的自编码器

(3f)将训练后的自编码器

的隐藏层

作为DAE_lk中第n+1个自编码器

的输入，对

进行训练，得到训练后的隐藏层为

的自编码器

(3g)判断n＝N是否成立，若是，得到训练后的深度自编码器DAE_lk'，否则，令n＝n+1，并执行步骤(3f)；

(3h)判断k＝K是否成立，若是，得到第l个激活函数下K个训练后的深度自编码器DAE_l1',DAE_l2',…,DAE_lK'，否则，令k＝k+1，并执行步骤(3d)；

(3i)判断l＝L是否成立，若是，得到L个激活函数下共LK个训练后的深度自编码器DAE₁₁',…,DAE_lk',…,DAE_LK'，否则，令l＝l+1，并执行步骤(3c)；

(4)构建集成深度自编码器模型：

(4a)将验证集V_k作为训练后的深度自编码器DAE_lk'的输入，计算DAE_lk'中第q类故障标签的分类精度p_lk,q，得到第l个激活函数对应的分类精度矩阵P_l，L个激活函数对应的分类精度矩阵为P₁，…,P_l,…,P_L，其中

(4b)对第l个激活函数，采用网格搜索方法搜索P_l中第q类故障标签对应p_lk,q的最优筛选个数m_l，Q类故障标签共选出p_lk,q的个数为m_l×Q，L个激活函数对应的筛选个数为m₁,…,m_l,…,m_L；

(4c)根据筛选个数m_l，选出第l个激活函数对应的K个深度自编码器中对第q类故障标签分类精度最高的m_l个深度自编码器，L个激活函数Q类故障标签选出

个深度自编码器；

(4d)根据筛选个数m_l对P_l中的p_lk,q从大到小进行筛选，计算p_lk,q对应的选择参数i_lk,q，得到第l个激活函数对应的选择矩阵I_l，L个激活函数对应的选择矩阵I₁,…,I_l,…,I_L，其中

(4e)通过训练后的深度自编码器DAE_lk'，计算验证集V_k中的x_t属于第q类故障标签的概率值pr_lk,q，得到第l个激活函数对应的概率矩阵Pr_l，L个激活函数对应的概率矩阵为Pr₁,…,Pr_l,…,Pr_L,其中

(4f)通过分类精度矩阵P_l中的p_lk,q、概率矩阵Pr_l中的pr_lk,q和选择矩阵I_l中的i_lk,q，计算验证集V_k中的x_t属于第q类故障标签的可能性值PR_q，Q类故障标签对应的可能性值为PR₁,…,PR_q,…,PR_Q，记PR₁,…,PR_q,…,PR_Q的最大值为PR_max，并将PR_max对应的故障类别标签y′_t作为x_t的预测标签；

(4g)构建包括

个深度自编码器，并以x_t为输入、以x_t的预测标签y′_t为输出的集成深度自编码器模型；

(5)获取旋转机械故障诊断结果：

(5a)将测试数据集X₂中的x_j作为输入向量输入集成深度自编码器模型，计算x_j的预测标签y'_j，得到预测标签向量[y₁',…,y'_j,…,y'_J]^T；

(5b)将预测标签y'_j与训练数据集X₁包含的故障类别进行映射，得到待诊断旋转机械在不同时刻的故障状态。

本发明与现有技术相比，具有如下优点：

第一，本发明在获取旋转机械故障诊断结果时是通过集成深度自编码器模型实现的，在深度自编码器集成阶段，采用网格搜索方法寻找最优选择参数，克服了对超参数的依赖，并根据选择参数选择同一激活函数生成的多个深度自编码器中对各类故障标签分类精度最高的前几个深度自编码器，考虑了各个深度自编码器对不同故障类别分类精度的差异，与现有技术相比，有效提高了旋转机械的故障诊断精度。

第二，本发明在深度自编码器训练阶段采用K折交叉验证，对每个激活函数，通过不同的训练集训练多个深度自编码器，提高了集成深度自编码器模型泛化能力，与现有技术相比，提高了故障诊断方法鲁棒性。

附图说明

图1为本发明的实现流程图；

图2为本发明实施例滚动轴承12种不同故障类型的振动时域信号波形示意图；

图3为本发明深度自编码器的结构示意图；

图4为本发明具有相同激活函数的深度自编码器的集成策略示意图；

图5为本发明所有深度自编码器的整体集成策略示意图；

图6为本发明实施例集成深度自编码器分类精度和选择参数关系示意图；

图7为本发明实施例的滚动轴承智能故障诊断结果示意图。

具体实施方式

下面结合附图和具体实施例，对本发明作进一步的详细描述：

参照图1，本发明包括如下步骤：

步骤1)获取训练数据集X₁和测试数据集X₂。

本发明可用于滚动轴承、齿轮箱等旋转机械的智能故障诊断，本实施例以滚动轴承为例，利用凯斯西储大学的轴承故障数据进行了实验分析，通过数据采集系统采集滚动轴承共计12种故障类型、3600个振动时域信号作为数据集。具体如下：

本实施例使用的振动时域信号均来自美国凯斯西储大学轴承数据集。试验轴承主要包括正常状态、球缺陷(BD)、外圈缺陷(OR)和内圈缺陷(IR)四种故障类型。使用电火花加工将单点故障引入试验轴承，故障直径包括0.007、0.014、0.021和0.028英寸，共四种尺寸类型，获得了包括不同的故障类型、不同故障直径尺寸和不同故障方位的共计12种故障类型的滚动轴承振动时域信号，其波形如图2所示。振动信号以1797rpm电机转速采集。每个故障类型采集300个样本，随机抽取200个样本进行训练，余下的100个样本负责测试所提出的方法。每个样本包含400个数据点，得到2400个样本点作为训练数据集，1200个样本点作为测试数据集。

数据描述如表1所示。

表1数据集中滚动轴承状态

步骤2)构建多个深度自编码器：

通过L个不同的激活函数构建LK个输出层为softmax分类器的深度自编码器DAE₁₁,…,DAE_lk,…,DAE_LK，第l个激活函数所生成的第k个深度自编码器DAE_lk包含N个自编码器

第n个自编码器

的隐藏层为

第N个自编码器

的隐藏层

的节点数为h，

与softmax分类器相连，该DAE_lk的输出层的节点数为o，K表示第l个激活函数所生成的深度自编码器的数量，l＝1,2,…,L，k＝1,2,…,K，n＝1,2,…,N，L≥2，2≤K＜＜I，N≥2，o≥1；

参照图3，在本实施例中，使用4种激活函数来构建深度自编码器，每个激活函数生成10个深度自编码器。这些激活函数的方程和导数如表2所示。

表2 4个激活函数的方程和导数

为了简化该方法，将每个深度自编码器的体系结构统一到400-200-100-80。同时，设置具有相同激活函数的深度自编码器具有相同的超参数。深度自编码器的主要参数如表3所示。

表3深度自编码器的主要参数

步骤3)参照图4，对每个深度自编码器DAE_lk进行训练：

(3a)采用10折交叉验证的方法，将训练数据集X₁划分为大小相同或相似的10份，每次选择一份作为验证集V_k，其余9份作为训练集T_k，共选择10次，得到10组不同的训练集和验证集

其中x_t表示第t个训练样本，y_t表示x_t的故障标签；

(3b)令l＝1；

(3c)令k＝1；

(3d)令n＝1；

(3e)将训练集T_k作为DAE_lk中第n个自编码器

的输入，对

进行训练，得到训练后的隐藏层为

的自编码器

(3f)将训练后的自编码器

的隐藏层

作为DAE_lk中第n+1个自编码器

的输入，对

进行训练，得到训练后的隐藏层为

的自编码器

(3g)判断n＝4是否成立，若是，得到训练后的深度自编码器DAE_lk'，否则，令n＝n+1，并执行步骤(3f)；

(3h)判断k＝10是否成立，若是，得到第l个激活函数下10个训练后的深度自编码器DAE_l1',DAE_l2',…,DAE_l10'，否则，令k＝k+1，并执行步骤(3d)；

(3i)判断l＝4是否成立，若是，得到4个激活函数下共40个训练后的深度自编码器DAE₁₁',...,DAE_lk',…,DAE₄₁₀'，否则，令l＝l+1，并执行步骤(3c)；

步骤4)构建集成深度自编码器模型：

(4a)参照图4，将验证集V_k作为训练后的深度自编码器DAE_lk'的输入，计算DAE_lk'中第q类故障标签的分类精度p_lk,q，得到第l个激活函数对应的分类精度矩阵P_l，4个激活函数对应的分类精度矩阵为P₁，…,P_l,…,P₄，其中

对每个训练后的深度自编码器DAE_lk'进行验证，通过相应的验证集V_k得到DAE_lk'的分类精度向量。然后，具有相同激活函数的DAE_l1',DAE_l2',…,DAE_l10'的精度向量构成一个精度矩阵。最后，4个激活函数对应的分类精度矩阵为P₁，…,P_l,…,P₄四个精度矩阵。

(4b)参照图5，对第l个激活函数，采用网格搜索方法搜索P_l中第q类故障标签对应p_lk,q的最优筛选个数m_l，12类故障标签共选出p_lk,q的个数为12m_l，4个激活函数对应的筛选个数为m₁,…,m_l,…,m₄；

采用网格搜索方法对深度自编码器的分类精度进行筛选，去除较低的分类精度。以sigmoid函数对应的筛选个数m₁为例，选取m₁为[1,2,3,4,5,6,7,8,9,10]，其余为最优筛选个数，筛选个数取值对集成深度自编码器分类精度的影响如图6所示，可以看出，集成深度自编码器分类精度曲线随筛选个数的变化波动。选取集成深度自编码器分类精度最高时的m_l取值作为最优筛选个数，搜索结果如表4所示；

表4 4个激活函数对应的筛选个数

(4c)根据筛选个数m_l，选出第l个激活函数对应的10个深度自编码器中对第q类故障标签分类精度最高的m_l个深度自编码器，4个激活函数12类故障标签选出

个深度自编码器；

(4d)根据筛选个数m_l对P_l中的p_lk,q从大到小进行筛选，计算p_lk,q对应的选择参数i_lk,q，得到第l个激活函数对应的选择矩阵I_l，4个激活函数对应的选择矩阵I₁,…,I_l,…,I₄，其中

(4e)通过训练后的深度自编码器DAE_lk'，计算验证集V_k中的x_t属于第q类故障标签的概率值pr_lk,q，得到第l个激活函数对应的概率矩阵Pr_l，4个激活函数对应的概率矩阵为Pr₁,…,Pr_l,…,Pr₄,其中

(4f)通过分类精度矩阵P_l中的p_lk,q、概率矩阵Pr_l中的pr_lk,q和选择矩阵I_l中的i_lk,q，计算验证集V_k中的x_t属于第q类故障标签的可能性值PR_q，12类故障标签对应的可能性值为PR₁,…,PR_q,…,PR₁₂，记PR₁,…,PR_q,…,PR₁₂的最大值为PR_max，并将PR_max对应的故障类别标签y_t'作为x_t的预测标签；

(4g)构建包括

个深度自编码器，并以x_t为输入、以x_t的预测标签y_t'为输出的集成深度自编码器模型；

(5)获取滚动轴承故障诊断结果：

(5a)将测试数据集X₂中的x_j作为输入向量输入集成深度自编码器模型，计算x_j的预测标签y'_j，得到预测标签向量[y₁',…,y'_j,…,y'_J]^T，结果如图7所示；

(5b)将预测标签y'_j与训练数据集X₁包含的故障类别进行映射，得到待诊断滚动轴承在不同时刻的故障状态。

以下结合具体实验，对本发明的技术效果作详细说明。

1.实验条件和内容：

在中央处理器为Intel(R)Core(TM)i5-7500 3.40GHZ、内存16G、WINDOWS7操作系统上，运用MATLAB R2017b软件对滚动轴承智能故障诊断结果进行仿真。

2.实验结果分析：

本发明应用分类诊断精度Acc对模型的分类诊断精度进行评测，Acc的表达式为：

式中，

L^(j)为对第j个测试样本预测的标签，y^(j)表示第j个测试样本的实际标签。

采用两组对比实验验证本发明的性能，具体的对比实验为：

第一组，将本发明与基于单个深度自编码器的智能诊断方法进行比较，对比结果如表5所示。准确率最高的深度自编码器为DAE3，准确率为81.58％。所有深度自编码器的平均精度为76.89％。任何参数的调整都能显著提高精度，说明该方法是可行的，工作良好。

表5每个深度自编码器第一次验证所得正确率

第二组，将本发明与BPNN、SVM、SAE、CNN等其他智能诊断方法进行比较，对比结果见表6。

表6不同模型诊断结果对比

根据表6可以看出，与其他基于单一深度学习模型的智能故障诊断方法相比，诊断精度最高的是标准CNN，然而其精度仍然比本发明中提出的方法低4.5％。

综上所述，本发明能够提高旋转机械的故障诊断精度，克服对超参数的依赖。

Claims (4)

1.基于集成深度自编码器的旋转机械智能故障诊断方法，其特征在于包括如下步骤：

(1)获取训练数据集X₁和测试数据集X₂：

(1a)将从旋转机械数据库中随机选取的I个振动时域信号数据，以及每个振动时域信号数据包含的故障标签作为训练数据集X₁，

所有故障标签的类别为1,2,…,q,…,Q，其中Q为故障标签的类别总数，I≥2000，且I＞＞Q，x_i表示第i个训练样本，y_i表示x_i的故障标签；

(1b)将通过数据采集系统实时采集的待诊断旋转机械的J个振动时域信号数据作为测试数据集X₂，

x_j表示第j个测试样本；

(2)构建多个深度自编码器：

通过L个不同的激活函数构建LK个输出层为softmax分类器的深度自编码器DAE₁₁,…,DAE_lk,…,DAE_LK，第l个激活函数所生成的第k个深度自编码器DAE_lk包含N个自编码器

第n个自编码器

的隐藏层为

第N个自编码器

的隐藏层

的节点数为h，

与softmax分类器相连，该DAE_lk的输出层的节点数为o，K表示第l个激活函数所生成的深度自编码器的数量，l＝1,2,…,L，k＝1,2,…,K，n＝1,2,…,N，L≥2，2≤K＜＜I，N≥2，o≥1；

(3)对每个深度自编码器DAE_lk进行训练：

(3a)采用F折交叉验证的方法，将训练数据集X₁划分为大小相同或相似的F份，每次选择一份作为验证集V_f，其余F-1份作为训练集T_f，共选择F次，得到F组不同的训练集和验证集{V₁,T₁},…,{V_f,T_f},…{V_F,T_F}，

其中x_t表示第t个训练样本，y_t表示x_t的故障标签；

(3b)令l＝1；

(3c)令k＝1；

(3d)令n＝1；

(3e)将训练集T_f作为DAE_lk中第n个自编码器

的输入，对

进行训练，得到训练后的隐藏层为

的自编码器

(3f)将训练后的自编码器

的隐藏层

作为DAE_lk中第n+1个自编码器

的输入，对

进行训练，得到训练后的隐藏层为

的自编码器

(3g)判断n＝N是否成立，若是，得到训练后的深度自编码器DAE_lk'，否则，令n＝n+1，并执行步骤(3f)；

(3h)判断k＝K是否成立，若是，得到第l个激活函数下K个训练后的深度自编码器DAE_l1',DAE_l2',…,DAE_lK'，否则，令k＝k+1，并执行步骤(3d)；

(3i)判断l＝L是否成立，若是，得到L个激活函数下共LK个训练后的深度自编码器DAE₁₁',…,DAE_lk',…,DAE_LK'，否则，令l＝l+1，并执行步骤(3c)；

(4)构建集成深度自编码器模型：

(4a)将验证集V_f作为训练后的深度自编码器DAE_lk'的输入，计算DAE_lk'中第q类故障标签的分类精度p_lk,q，得到第l个激活函数对应的分类精度矩阵P_l，L个激活函数对应的分类精度矩阵为P₁，…,P_l,…,P_L，其中

(4b)对第l个激活函数，采用网格搜索方法搜索P_l中第q类故障标签对应p_lk,q的最优筛选个数m_l，Q类故障标签共选出p_lk,q的个数为m_l×Q，L个激活函数对应的筛选个数为m₁,…,m_l,…,m_L；

(4c)根据筛选个数m_l，选出第l个激活函数对应的K个深度自编码器中对第q类故障标签分类精度最高的m_l个深度自编码器，L个激活函数Q类故障标签选出

个深度自编码器；

(4d)根据筛选个数m_l对P_l中的p_lk,q从大到小进行筛选，计算p_lk,q对应的选择参数i_lk,q，得到第l个激活函数对应的选择矩阵I_l，L个激活函数对应的选择矩阵I₁,…,I_l,…,I_L，其中

(4e)通过训练后的深度自编码器DAE_lk'，计算验证集V_f中的x_t属于第q类故障标签的概率值pr_lk,q，得到第l个激活函数对应的概率矩阵Pr_l，L个激活函数对应的概率矩阵为Pr₁,…,Pr_l,…,Pr_L,其中

(4f)通过分类精度矩阵P_l中的p_lk,q、概率矩阵Pr_l中的pr_lk,q和选择矩阵I_l中的i_lk,q，计算验证集V_f中的x_t属于第q类故障标签的可能性值PR_q，Q类故障标签对应的可能性值为PR₁,…,PR_q,…,PR_Q，记PR₁,…,PR_q,…,PR_Q的最大值为PR_max，并将PR_max对应的故障类别标签y′_t作为x_t的预测标签；

(4g)构建包括

个深度自编码器，并以x_t为输入、以x_t的预测标签y′_t为输出的集成深度自编码器模型；

(5)获取旋转机械故障诊断结果：

(5a)将测试数据集X₂中的x_j作为输入向量输入集成深度自编码器模型，计算x_j的预测标签y′_j，得到预测标签向量[y′₁,…,y′_j,…,y′_J]^T；

(5b)将预测标签y′_j与训练数据集X₁包含的故障类别进行映射，得到待诊断旋转机械在不同时刻的故障状态。

2.根据权利要求1所述的基于集成深度自编码器的旋转机械智能故障诊断方法，其特征在于，步骤(4a)中所述的DAE_lk'中第q类故障标签的分类精度p_lk,q，其表达式为

其中，y′_t表示DAE_lk'对验证集V_k中的x_t的预测标签，y_t表示在验证集V_k中x_t的故障标签，num(·)表示计数函数。

3.根据权利要求1所述的基于集成深度自编码器的旋转机械智能故障诊断方法，其特征在于，步骤(4d)中所述的计算p_lk,q对应的选择参数i_lk,q，计算公式为：

其中，p_lk,q表示验证集V_k作为输入时，训练后的深度自编码器DAE_lk'中第q类故障标签的分类精度。

4.根据权利要求1所述的基于集成深度自编码器的旋转机械智能故障诊断方法，其特征在于，步骤(4e)中所述的验证集V_f中的x_t属于第q类故障标签的可能性值PR_q，其计算公式为：

其中，p_lk,q表示验证集V_k作为输入时，训练后的深度自编码器DAE_lk'中第q类故障标签的分类精度，pr_lk,q表示验证集V_k中的x_t属于第q类故障标签的概率值，i_lk,q表示选择参数。

Images