多尺度信息融合的堆叠稀疏自编码旋转机械故障诊断方法
技术领域
本发明涉及旋转机械智能故障诊断技术领域,具体涉及一种多尺度信息融合的堆叠稀疏自编码旋转机械故障诊断方法。
背景技术
旋转机械在现代工业中具有重要作用,随着科技的发展,其自动化、高精度、高效率的特点越发明显。一方面,用户对机械的质量和性能有了更高的要求,另一方面,非计划宕机、故障往往带来经济损失,甚至人员伤亡。因此,需要开发旋转机械有效和稳定的故障诊断工具。
传统的故障诊断方法分为基于模型的方法和基于数据驱动的方法。基于模型的方法需要对系统精确建模,但是,对于复杂的系统,往往无法建立精确的运动学和动力学模型。基于数据驱动的方法往往结合人工智能和信号处理方法,通常包括数据采集、特征提取、分类器训练等步骤。数据驱动的方法可用于复杂的系统而无需建立精确的物理模型,因此在机械设备的状态监测、故障诊断中得到广泛应用。在传统的智能诊断方法中,所提取特征的质量直接影响分类器训练的性能,如果所提却的特征的分布对设备不同的状态不具有良好的可分性,就无法得到良好的分类性能。
近年来,深度学习由于能直接从采集的信号中学习不同状态的特征,得到良好的分类性能而在多个领域得到成功应用。但是,机械设备往往工作在复杂的工况下,所采集的信号常表现出非平稳、非线性特征。这些特征往往限制了深度学习模型在机械设备故障诊断中性能的提高。
发明内容
为了解决上述技术问题,本发明提供了一种多尺度信息融合的堆叠稀疏自编码旋转机械故障诊断方法(dual-tree complex wavelet transform based stacked sparseautoencoder,DCWT-SSAE)。利用双树复小波分解得到信号的多尺度表示,避免了信号非平稳、非线性特征带来的常规多尺度方法的平移变化、谱混淆等缺陷,利用堆叠稀疏自编码方法进行非监督的特征学习、获得精确稳定的诊断性能。
为了达到上述目的,本发明的技术方案是:一种多尺度信息融合的堆叠稀疏自编码旋转机械故障诊断方法,其步骤如下:一种基于多尺度信息融合的堆叠稀疏自编码旋转机械故障诊断方法,其步骤如下:
步骤1.训练样本的分解、变换和处理;
对训练样本进行双树复小波分解,得到若干个多尺度分量,对每个尺度分量进行傅里叶变换,得到对应尺度分量的若干个频谱,然后对每个频谱进行归一化处理形成各个尺度分量对应的归一化频谱;
步骤2.设置堆叠稀疏自编码神经网络模型(SAE)的参数、进行学习;
设置堆叠稀疏自编码神经网络模型(SAE)的网络结构参数,包括网络层数、各层节点个数;设置堆叠稀疏自编码神经网络模型的稀疏参数,包括权重归一化控制系数、稀疏归一化系数、稀疏比例;
①将训练样本各个尺度的归一化频谱作为堆叠自编码神经网络模型中自编码模型(AE)的输入,对第一个自编码模型(AE)进行无监督学习,得到输入层节点和隐层节点之间的权值以及隐层的偏置参数;
②利用输入样本和得到的第一个自编码模型参数,可以计算出第一个自编码模型隐层的输出;将第一个自编码模型的隐层输出看做该自编码模型输入层的表示层,同时作为第二个自编码模型的输入,并训练第二个自编码模型;
③对堆叠稀疏自编码神经网络模型中的其他若干个自编码模型依次按照上述②的规则进行训练;
步骤3.串联训练;
将步骤2的最后一个自编码模型的隐层输出与一个Softmax网络串联起来进行有监督训练;得到最后一个自编码模型的隐层节点和Softmax网络节点之间的权值和Softmax网络层的偏置参数;
步骤4.堆叠成深度神经网络;
将输入层与步骤2-3中的所有表示层及Softmax网络依次串联起来,构成一个深度神经网络模型;在步骤3的基础上,也即利用网络相邻各层之间的连接权值和各层的偏置参数,采用有监督学习方式进一步训练深度神经网络模型得到该模型的参数,包括相邻各层节点之间的连接权值和各层的偏置参数;
步骤5.验证
利用测试样本对步骤4中得到的深度神经网络模型进行验证;如果诊断精度达不到要求,重新执行上述步骤2-4的过程直到诊断精度达到要求后完成训练,得到最终模型参数;
步骤6.诊断
利用所得模型对实际样本进行诊断,得到诊断结果。
优选的,所述的步骤1的具体过程包括如下子步骤:
a.选择双树复小波滤波器;ψh(t),ψg(t)分别为双树复小波变换采用的实值小波函数,φh(t),φg(t)分别为对应的尺度函数,小波函数与尺度函数互为希尔伯特变换对;
b.利用双树复小波滤波器对训练样本进行M层分解,分别得到小波系数
和尺度系数
其中1≤l≤M;构成训练样本在1≤l≤M尺度下的复小波系数
c.对各尺度小波系数dl(t)及尺度系数cM(t)进行傅里叶变换,得到dl(f)和cM(f),
d.利用函数NormalY(x)对dl(f)和cM(f)归一化得到d′l(f)和c'M(f),其中,NormalY(x)
xmin=min(x),xmax=max(x)。
优选的,第一个自编码模型(AE)的输入层节点个数为归一化的d′l(f)和c'M(f)中元素个数之和,输入层元素为各尺度小波归一化系数d′l(f)与尺度归一化系数c'M(f)串联组成的一维矩阵,第一个自编码模型输出层节点个数与输入层节点个数相同,隐层节点数少于输入层节点个数;随后的各自编码模型输入节点个数与前一个自编码模型AE隐层节点个数相同,各自编码模型输出层节点个数与该自编码模型AE输入层节点个数相同,各自编码模型隐层节点数少于前一个自编码模型输入层节点个数;Softmax模型输出层节点数和故障类别数目相同。
优选的,所述的步骤2中堆叠自编码神经网络模型的稀疏参数是通过网格搜索(Grid search)算法进行优化后设置,也即各参数在设定的范围内,按照一定的步长采用穷举的方法验证各参数组合的性能,选择最优的一组参数作为模型的参数。
关于技术方案中文词语的英文缩写:
自编码模型:AE、堆叠稀疏自编码神经网络:SAE。
本发明提出的一种多尺度信息融合的堆叠稀疏自编码旋转机械故障诊断方法,利用双树复小波分解方法和傅里叶变换提取信号频域的多尺度表示,保证了信号特征表示的平移不变性和统计稳定性,利用堆叠稀疏自编码方法能够自动学习到样本的故障特征,从而使该模型得到更好的诊断性能,可以用于各种旋转机械故障的诊断。
附图说明
图1为本发明的流程图。
图2为10类轴承故障信号波形图。
图3为双树复小波分解示意图。
图4为双树复小波变换对轴承原始振动信号和其时延序列三层分解图。
图5为轴承原始振动信号和其时延序列双树复小波分解前三层频谱图。
图6为轴承数据10次训练测试的故障诊断结果图。
图2中由上到下分别为正常状态,轻微内圈故障,轻微滚动体故障,轻微外圈故障,中等内圈故障,中等滚动体故障,中等外圈故障,严重内圈故障,严重滚动体故障,严重外圈故障。
具体实施方式
下面对本发明的实施例作详细说明,本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
一种多尺度信息融合的堆叠稀疏自编码旋转机械故障诊断方法,其步骤如下:一种基于多尺度信息融合的堆叠稀疏自编码旋转机械故障诊断方法,其步骤如下:
步骤1.训练样本的分解、变换和处理;
对训练样本进行双树复小波分解,得到若干个多尺度分量,对每个尺度分量进行傅里叶变换,得到对应尺度分量的若干个频谱,然后对每个频谱进行归一化处理形成各个尺度分量对应的归一化频谱;
步骤2.设置堆叠稀疏自编码神经网络模型(SAE)的参数、进行学习;
设置堆叠稀疏自编码神经网络模型(SAE)的网络结构参数,包括网络层数、各层节点个数;设置堆叠稀疏自编码神经网络模型的稀疏参数,包括权重归一化控制系数、稀疏归一化系数、稀疏比例;
①将训练样本各个尺度的归一化频谱作为堆叠自编码神经网络模型中自编码模型(AE)的输入,对第一个自编码模型(AE)进行无监督学习,得到输入层节点和隐层节点之间的权值以及隐层的偏置参数;
②利用输入样本和得到的第一个自编码模型参数,可以计算出第一个自编码模型隐层的输出;将第一个自编码模型的隐层输出看做该自编码模型输入层的表示层,同时作为第二个自编码模型的输入,并训练第二个自编码模型;
③对堆叠稀疏自编码神经网络模型中的其他若干个自编码模型依次按照上述②的规则进行训练;
步骤3.串联训练;
将步骤2的最后一个自编码模型的隐层输出与一个Softmax网络串联起来进行有监督训练;得到最后一个自编码模型的隐层节点和Softmax网络节点之间的权值和Softmax网络层的偏置参数;
步骤4.堆叠成深度神经网络;
将输入层与步骤2-3中的所有表示层及Softmax网络依次串联起来,构成一个深度神经网络模型;在步骤3的基础上,也即利用网络相邻各层之间的连接权值和各层的偏置参数,采用有监督学习方式进一步训练深度神经网络模型得到该模型的参数,包括相邻各层节点之间的连接权值和各层的偏置参数;
步骤5.验证
利用测试样本对步骤4中得到的深度神经网络模型进行验证;如果诊断精度达不到要求,重新执行上述步骤2-4的过程直到诊断精度达到要求后完成训练,得到最终模型参数;
步骤6.诊断
利用所得模型对实际样本进行诊断,得到诊断结果。
所述的步骤1的具体过程包括如下子步骤:
a.选择双树复小波滤波器;ψh(t),ψg(t)分别为双树复小波变换采用的实值小波函数,φh(t),φg(t)分别为对应的尺度函数,小波函数与尺度函数互为希尔伯特变换对;
b.利用双树复小波滤波器对训练样本进行M层分解,分别得到小波系数
和尺度系数
其中1≤l≤M;构成训练样本在1≤l≤M尺度下的复小波系数
c.对各尺度小波系数dl(t)及尺度系数cM(t)进行傅里叶变换,得到dl(f)和cM(f),
d.利用函数NormalY(x)对dl(f)和cM(f)归一化得到d′l(f)和c'M(f),其中,NormalY(x)
xmin=min(x),xmax=max(x)。
第一个自编码模型(AE)的输入层节点个数为归一化的d′l(f)和c'M(f)中元素个数之和,输入层元素为各尺度小波归一化系数d′l(f)与尺度归一化系数c'M(f)串联组成的一维矩阵,第一个自编码模型输出层节点个数与输入层节点个数相同,隐层节点数少于输入层节点个数;随后的各自编码模型输入节点个数与前一个自编码模型AE隐层节点个数相同,各自编码模型输出层节点个数与该自编码模型AE输入层节点个数相同,各自编码模型隐层节点数少于前一个自编码模型输入层节点个数;Softmax模型输出层节点数和故障类别数目相同。
所述的步骤2中堆叠自编码神经网络模型的稀疏参数是通过网格搜索(Gridsearch)算法进行优化后设置,也即各参数在设定的范围内,按照一定的步长采用穷举的方法验证各参数组合的性能,选择最优的一组参数作为模型的参数。
下面结合一个具体实例来说说明上述方法的具体过程:
一种多尺度信息融合的堆叠稀疏自编码旋转机械故障诊断方法,其针对流程如图1所示。
对轴承10类故障信号,如图1所示,用如下步骤进行处理:
步骤1:对训练样本进行双树复小波分解,得到一系列多尺度分量,对每个尺度成分利用傅里叶变换得到对应尺度的频谱,然后对各尺度频谱进行归一化处理。
原始信号如图2所示,由上到下分别为正常状态,轻微内圈故障,轻微滚动体故障,轻微外圈故障,中等内圈故障,中等滚动体故障,中等外圈故障,严重内圈故障,严重滚动体故障,严重外圈故障。
双树复小波分解示意图如图3所示。
信号及其时延信号的双树复小波分解实例如图4所示。
对应的频谱如图5所示。
选择的双树复小波滤波器第一层两个树分解均采用(13,19)阶近似对称的双正交滤波器,滤波器系数为:
其余各层分析选用14阶线性相位Q平移滤波器,滤波器系数分别为:
步骤2:设置堆叠自编码神经网络(SAE)的参数,其中权重归一化控制系数=0.0016;稀疏归一化系数=5;稀疏比例=0.5。训练样本各个尺度的归一化频谱作为模型的输入,对第一个AE模型进行无监督学习,其输入节和输出层节点个数为2048,隐层节点个数设为400,得到输入层和隐层节点之间的权重以及每层的偏置参数。第一个AE模型的隐层输出看做输入层的表示层,同时作为第二个AE模型的输入,并训练第二个AE模型。因此第二个AE模型的输入层节点和输出层节点个数为400,隐层节点个数设为200。按照上述方法接下来训练第三个AE模型,其隐层节点格式设为50。
步骤3:将第三个AE模型与一个Softmax网络串联起来进行有监督训练,其中Softmax网络的输出节点个数为轴承故障类型的个数10。
步骤4.对所有的表示层依次与输入层堆叠起来,构成一个深度神经网络。采用有监督学习方式进一步训练神经网络得到模型的参数,包括权重和偏置参数等。
步骤5.对训练好的模型里用测试样本进行测试,共测试10次,所得训练和测试精度如图6所示。
步骤6.利用所得模型对实际样本进行诊断,即可得到诊断结果。
在上述模型训练过程中,神经网络(SAE)的参数,包括权重归一化控制系数、稀疏归一化系数、稀疏比例是按照Grid search方法进行优化的,其中权重归一化控制系数的搜索范围为[0,0.1],稀疏归一化系数的搜索范围为[0,10],稀疏比例的搜索范围为[0,1]。
本发明利用双树复小波分解能够对信号进行自适应分解,具有信号分解的平移不变性,保证了信号表示的特征稳定性;利用堆叠稀疏自编码方法能够自动学习到样本的故障特征,得到更好的诊断性能。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。