CN113536998A - 基于改进栈式稀疏自编码器的电机故障诊断方法及系统 - Google Patents

Abstract

本发明公开了基于改进栈式稀疏自编码器的电机故障诊断方法及系统，属于计算机技术领域，包括以下步骤：S1：采集训练样本并初始化网络；S2：训练稀疏自编码层；S3：训练Softmax分类层；S4：调整深度学习网络；S5：电机故障诊断。本发明采用使用L_P和L₂正则化进行非负权值约束的改进稀疏自编码器，并结合Softmax分类器，能够减小利用稀疏自编码器所学习特征进行重构的误差，并提高了学习特征的稀疏性，具备适用性强和稳定性高的优良特性，值得被推广使用。

Description

基于改进栈式稀疏自编码器的电机故障诊断方法及系统

技术领域

本发明涉及计算机技术领域，具体涉及基于改进栈式稀疏自编码器的电机故障诊断方法及系统。

背景技术

传统电机故障诊断方法存在一定的局限性，不能自动提取特征，需手动提取特征，而稀疏自编码器解决了特征自学习问题，具有自动提取特征的优点，为了减小利用稀疏自编码器所学习特征进行样本重构的误差和提高学习特征的稀疏性，提出了一种使用L_P和L₂正则化进行非负权值约束的改进稀疏自编码器，为了实现准确的电机故障诊断，结合Softmax分类器设计了基于优化SAE的栈式稀疏自编码器的电机故障诊断方法及系统。

发明内容

本发明所要解决的技术问题在于：如何减小利用稀疏自编码器所学习特征进行样本重构的误差和提高学习特征的稀疏性，进而实现准确的电机故障诊断，提供了基于改进栈式稀疏自编码器的电机故障诊断方法。该方法具有分类性能好、可靠性高且适应性强的优良特性。

本发明是通过以下技术方案解决上述技术问题的，本发明包括以下步骤：

S1：采集训练样本并初始化网络

采集并选择电机故障训练样本数据集，构建栈式稀疏自编码深度学习网络DN，初始化网络；

S2：训练稀疏自编码层

将前一层稀疏自编码器的隐含层输出作为后一层稀疏自编码器的输入，逐层预训练N个稀疏自编码器，利用训练改进后的自稀疏编码器自动提取输入样本的特征；

S3：训练Softmax分类层

将最后一层稀疏自编码器的隐含层输入作为Softmax分类器的输入，基于训练样本的类别标签，对Softmax分类层进行预训练，通过Softmax分类器进行电机故障诊断；

S4：调整深度学习网络

将各层单独训练所得到的权重进行整个网络权重初始化，基于训练样本的类别标签，利用反向传播算法对整个深度学习网络DN进行调整得到分类器；

S5：电机故障诊断

将待故障诊断样本数据作为分类器的输入，得到其故障诊断结果。

更进一步地，在所述步骤S1中，电机故障训练样本数据从电机滚动轴承多种工况下的振动信号数据中选择。

更进一步地，在所述步骤S2中，N取2。

更进一步地，在所述步骤S2中，训练改进后的自稀疏编码器的损失函数如下：

h＝δ(w⁽¹⁾x+b⁽¹⁾)

在上述各式中，m为样本个数；x,y分别为稀疏自编码器的输入和输出向量；γ₁、γ₂分别为L₂、L_P正则化参数；0＜p＜1；ξ为一个取值较小的正数；_v为稀疏性参数；h为稀疏自编码器隐含层输出向量；β为稀疏项系数，调节稀疏性惩罚因子的权值；W＝{w⁽¹⁾,w⁽²⁾}，B＝{b⁽¹⁾,b⁽²⁾}，w⁽¹⁾、b⁽¹⁾分别为稀疏自编码器输入层与隐含层间权重矩阵和偏置向量，w⁽²⁾、b⁽²⁾分别为稀疏自编码器隐含层与输出层间权重矩阵和偏置向量；s_l,s_l+1分别为稀疏自编码器的相邻层结点个数；n₁为稀疏自编码器隐含层结点个数；δ(x)为激活函数，δ(x)＝1/(1+exp(-x))。

更进一步地，在所述步骤S3中，Softmax分类器的损失函数如下：

在上式中，k为类别数；s_L为最后一层稀疏自编码器的隐含层结点个数；w^(L)为Softmax层的权值矩阵；w_θ表示权重矩阵w^(L)的第θ列即与第θ个Softmax输出结点相连接的输入权值。

更进一步地，在所述步骤S4中，调整过程为将各层单独训练所得到的权重进行整个网络权重初始化，基于训练样本的类别标签，利用反向传播算法基于损失函数

进行优化，对整个深度学习网络(DN)中的权重矩阵W_DN和偏置向量B_DN进行有监督的微调。

更进一步地，在所述步骤S5中，待故障诊断样本数据为电机滚动轴承的振动信号。

本发明还提供了一种基于改进栈式稀疏自编码器的电机故障诊断系统，采用上述的电机故障诊断方法对电机故障进行诊断，包括：

初始化模块，用于采集并选择电机故障训练样本数据集，构建栈式稀疏自编码深度学习网络DN，初始化网络；

第一训练模块，用于将前一层稀疏自编码器的隐含层输出作为后一层稀疏自编码器的输入，应用逐层贪婪法逐层预训练N个稀疏自编码器，利用训练改进后的自稀疏编码器自动提取输入样本的特征；

第二训练模块，用于将最后一层稀疏自编码器的隐含层输入作为Softmax分类器的输入，基于训练样本的类别标签，对Softmax分类层进行预训练，通过Softmax分类器进行电机故障诊断；

调整模块，用于将各层单独训练所得到的权重进行整个网络权重初始化，基于训练样本的类别标签，利用反向传播算法对整个深度学习网络DN进行调整得到分类器；

诊断模块，用于将待故障诊断样本数据作为分类器的输入，得到其故障诊断结果；

控制处理模块，用于向其余各模块发出控制指令，完成相关动作；

所述初始化模块、第一训练模块、第二训练模块、调整模块、诊断模块均与所述控制处理模块电性连接。

本发明相比现有技术具有以下优点：该基于改进栈式稀疏自编码器的电机故障诊断方法，采用使用L_P和L₂正则化进行非负权值约束的改进稀疏自编码器，并结合Softmax分类器，能够减小利用稀疏自编码器所学习特征进行重构的误差，并提高了学习特征的稀疏性，具备适用性强和稳定性高的优良特性，值得被推广使用。

附图说明

图1是本发明实施例中基于改进栈式稀疏自编码器的电机故障诊断方法的流程示意图；

图2是本发明实施例中稀疏自编码器的框架示意图；

图3是本发明实施例中基于栈式稀疏自编码器和Softmax分类器的电机故障诊断深度学习网络的框架示意图。

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。

本实施例提供一种技术方案：基于改进栈式稀疏自编码器的电机故障诊断方法，包括以下步骤：

步骤1：采集电机滚动轴承多种工况下的振动信号，选择电机故障训练样本数据集，构建栈式稀疏自编码深度学习网络，初始化网络。

步骤2：利用改进的自稀疏编码器自动提取输入样本的特征。逐层预训练2个稀疏自编码器：基于改进的稀疏自编码器损失函数最小化，利用反向传播算法和梯度下降法对第1个稀疏编码器的权重矩阵和偏置向量进行更新；将第一个稀疏自编码器隐含层输出作为后一个稀疏自编码器的输入，基于改进的稀疏自编码器损失函数最小化，利用反向传播算法和梯度下降法对第2个稀疏编码器的权重矩阵和偏置向量进行更新。

改进的稀疏自编码器损失函数为：

h＝δ(w⁽¹⁾x+b⁽¹⁾)

在上式中，m为样本个数；x,y分别为稀疏自编码器的输入和输出向量；γ₁、γ₂分别为L₂、L_P正则化参数；0＜p＜1；ξ为一个取值很小的正数(以防w_ij值很小时，||w_ij||^p取值很大，例如令ξ＝1E-7)；_v为稀疏性参数；h为稀疏自编码器隐含层输出向量；β为稀疏项系数，调节稀疏性惩罚因子的权值；W＝{w⁽¹⁾,w⁽²⁾}，B＝{b⁽¹⁾,b⁽²⁾}，w⁽¹⁾、b⁽¹⁾分别为稀疏自编码器输入层与隐含层间权重矩阵和偏置向量，w⁽²⁾、b⁽²⁾分别为稀疏自编码器隐含层与输出层间权重矩阵和偏置向量；s_l,s_l+1分别为稀疏自编码器的相邻层结点个数；δ(x)＝1/(1+exp(-x))。

步骤3:通过Softmax分类器进行电机故障诊断，将最后一层稀疏自编码器的隐含层输入作为Softmax分类器的输入，基于训练样本的类别标签(例如：正常数据与不同损伤直径的电机滚动轴承内圈故障、电机滚动轴承外圈故障、电机滚动轴承滚动体故障数据)，对Softmax层进行预训练：基于Softmax分类器损失函数最小化，利用反向传播算法和梯度下降法对Softmax层的权重矩阵和偏置向量进行更新。

Softmax分类器损失函数为：

在上式中，k为类别数；s_L为最后一层稀疏自编码器的隐含层结点个数；w^(L)为Softmax层的权值矩阵；w_θ表示权重矩阵w^(L)的第θ列即与第θ个Softmax输出结点相连接的输入权值。

步骤4：将各层单独训练所得到的权重进行整个网络权重初始化，基于训练样本的类别标签，利用L-BFGS拟牛顿法对整个深度学习网络(DN)进行“微调”得到分类器。

“微调”的具体过程为：将各层单独训练所得到的权重进行整个网络权重初始化，基于训练样本的类别标签，利用反向传播算法基于损失函数

最优化，对整个深度学习网络(DN)中的权重矩阵W_DN和偏置向量B_DN进行有监督的微调。

步骤5：将待故障诊断样本数据作为分类器的输入，得到其故障诊断结果。

在本实施例中，待故障诊断样本数据为电机滚动轴承的振动信号。

综上所述，上述实施例的基于改进栈式稀疏自编码器的电机故障诊断方法，采用使用L_P和L₂正则化进行非负权值约束的改进稀疏自编码器，并结合Softmax分类器，能够减小利用稀疏自编码器所学习特征进行重构的误差，并提高了学习特征的稀疏性，具备适用性强和稳定性高的优良特性，值得被推广使用。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (8)

1.基于改进栈式稀疏自编码器的电机故障诊断方法，其特征在于，包括以下步骤：

S1：采集训练样本并初始化网络

采集并选择电机故障训练样本数据集，构建栈式稀疏自编码深度学习网络DN，初始化网络；

S2：训练稀疏自编码层

将前一层稀疏自编码器的隐含层输出作为后一层稀疏自编码器的输入，逐层预训练N个稀疏自编码器，利用训练改进后的自稀疏编码器自动提取输入样本的特征；

S3：训练Softmax分类层

将最后一层稀疏自编码器的隐含层输入作为Softmax分类器的输入，基于训练样本的类别标签，对Softmax分类层进行预训练，通过Softmax分类器进行电机故障诊断；

S4：调整深度学习网络

将各层单独训练所得到的权重进行整个网络权重初始化，基于训练样本的类别标签，利用反向传播算法对整个深度学习网络DN进行调整得到分类器；

S5：电机故障诊断

将待故障诊断样本数据作为分类器的输入，得到其故障诊断结果。

2.根据权利要求1所述的基于改进栈式稀疏自编码器的电机故障诊断方法，其特征在于：在所述步骤S1中，电机故障训练样本数据从电机滚动轴承多种工况下的振动信号数据中选择。

3.根据权利要求1所述的基于改进栈式稀疏自编码器的电机故障诊断方法，其特征在于：在所述步骤S2中，N取2。

4.根据权利要求3所述的基于改进栈式稀疏自编码器的电机故障诊断方法，其特征在于：在所述步骤S2中，训练改进后的自稀疏编码器的损失函数如下：

h＝δ(w⁽¹⁾x+b⁽¹⁾)

在上述各式中，_m为样本个数；x,y分别为稀疏自编码器的输入和输出向量；γ₁、γ₂分别为L₂、L_P正则化参数；0＜p＜1；ξ为一个取值较小的正数；_v为稀疏性参数；h为稀疏自编码器隐含层输出向量；β为稀疏项系数，调节稀疏性惩罚因子的权值；W＝{w⁽¹⁾,w⁽²⁾}，B＝{b⁽¹⁾,b⁽²⁾}，w⁽¹⁾、b⁽¹⁾分别为稀疏自编码器输入层与隐含层间权重矩阵和偏置向量，w⁽²⁾、b⁽²⁾分别为稀疏自编码器隐含层与输出层间权重矩阵和偏置向量；s_l,s_l+1分别为稀疏自编码器的相邻层结点个数；n₁为稀疏自编码器隐含层结点个数；δ(x)为激活函数，δ(x)＝1/(1+exp(-x))。

5.根据权利要求4所述的基于改进栈式稀疏自编码器的电机故障诊断方法，其特征在于：在所述步骤S3中，Softmax分类器的损失函数如下：

J_{NCAE_LP-softmax}(w^(L))＝J_SCL(w^(L))+J_NC(w^(L))

在上式中，k为类别数；s_L为最后一层稀疏自编码器的隐含层结点个数；w^(L)为Softmax层的权值矩阵；w_θ表示权重矩阵w^(L)的第θ列即与第θ个Softmax输出结点相连接的输入权值。

6.根据权利要求5所述的基于改进栈式稀疏自编码器的电机故障诊断方法，其特征在于：在所述步骤S4中，调整过程为将各层单独训练所得到的权重进行整个网络权重初始化，基于训练样本的类别标签，利用反向传播算法基于损失函数

进行优化，对整个深度学习网络DN中的权重矩阵W_DN和偏置向量B_DN进行有监督的微调。

7.根据权利要求2所述的基于改进栈式稀疏自编码器的电机故障诊断方法，其特征在于：在所述步骤S5中，待故障诊断样本数据为电机滚动轴承的振动信号。

8.一种基于改进栈式稀疏自编码器的电机故障诊断系统，其特征在于：采用如权利要求1～7任一项所述的电机故障诊断方法对电机故障进行诊断，包括：

初始化模块，用于采集并选择电机故障训练样本数据集，构建栈式稀疏自编码深度学习网络DN，初始化网络；

第一训练模块，用于将前一层稀疏自编码器的隐含层输出作为后一层稀疏自编码器的输入，应用逐层贪婪法逐层预训练N个稀疏自编码器，利用训练改进后的自稀疏编码器自动提取输入样本的特征；

第二训练模块，用于将最后一层稀疏自编码器的隐含层输入作为Softmax分类器的输入，基于训练样本的类别标签，对Softmax分类层进行预训练，通过Softmax分类器进行电机故障诊断；

调整模块，用于将各层单独训练所得到的权重进行整个网络权重初始化，基于训练样本的类别标签，利用反向传播算法对整个深度学习网络DN进行调整得到分类器；

诊断模块，用于将待故障诊断样本数据作为分类器的输入，得到其故障诊断结果；

控制处理模块，用于向其余各模块发出控制指令，完成相关动作；

所述初始化模块、第一训练模块、第二训练模块、调整模块、诊断模块均与所述控制处理模块电性连接。

Images