基于深度学习和支持向量机的滚动轴承故障诊断方法
【技术领域】
[0001] 本发明属于机械故障诊断和计算机人工智能技术领域，尤其设及一种基于深度学 习和支持向量机的滚动轴承故障诊断方法。
【背景技术】
[0002] 滚动轴承是旋转机械中最为重要的机械零件之一，广泛应用于化工、冶金、电力、 航空等各个重要部n，同时它也是最易损坏的元件之一。轴承性能与工况的好坏直接影响 到与之相关联的轴W及安装在转轴上的齿轮乃至整台机器设备的性能，其缺陷会导致设备 产生异常振动和噪声，甚至造成设备损坏。因此，对滚动轴承故障进行诊断，尤其是对于早 初期故障的分析，避免事故的发生，在生产实际中尤为重要。
[0003] 目前常用的机械故障特征提取方法主要有快速傅里叶变（Fast Fouriertransform，简称FFT)、小波变换和经验模态分解（Empirical mode decomposition,简称EMD)、人工智能等。FFT方法无法同时兼顾信号在时域和频域中的全 貌和局部化问题。小波变换时小波基不同，分解结果不同，小波基比较难选择。EMD方法能 将信号分解为多个IMF (Intrinsic mode化nction，本征模态函数）分量，对所有IMF分量 做化化ed变换能得到信号的时频分布，但在理论上还存在一些问题，如EMD方法中的模态 混淆、欠包络、过包络、端点效应等问题，均处在研究之中。基于人工智能的故障诊断方法 中，目前主要是利用人工神经网络，通过不断的学习和对系统进行信息的反馈，完成对诊断 目标的分类；但其缺点是推理过程解释性差，而且当待诊断样本不完备（数据有缺失）时， 神经网络不能进行有效的推理工作，无法利用故障的早期特征对轴承进行相应诊断。
【发明内容】
[0004] 针对现有技术中存在的上述问题，本发明提供了一种基于深度学习和支持向量机 的滚动轴承故障诊断方法，其首先采用深度信念网络来学习训练样本数据的本质特征，之 后采用支持向量机分类方法对测试样本进行分类识别，从而确定滚动轴承故障工况类别， 实现对滚动轴承故障类别的诊断，W提高滚动轴承故障诊断的准确性和有效性。
[0005] 为实现上述目的，本发明采用了如下技术手段：
[0006] 基于深度学习和支持向量机的滚动轴承故障诊断方法，包括如下步骤：
[0007] 1)在四种不同工况下的滚动轴承转动工作时，通过加速度传感器分别采集每种工 况下滚动轴承在不同转速工作的振动加速度信号，进行去噪预处理，并添加工况标签，将经 过预处理并添加工况标签后的各种工况下的各个振动加速度信号数据作为训练样本；所述 四种工况分别为正常运转、轴承内圈故障运转、轴承滚动体故障运转、轴承外圈故障运转； [000引2)建立深度信念网络模型，采用训练样本对深度信念网络模型进行训练，将训练 样本输入深度信念网络模型中，采用非监督贪屯、逐层训练方法进行逐层训练和调优，得到 深度信念网络模型的连接权值和偏置参数；
[0009] 3)将各种工况下的训练样本分别作为确定连接权值和偏置参数的深度信念网络 模型的输入，对训练样本进行深度学习，采用确定连接权值和偏置参数的深度信念网络模 型分别对每种工况下的各个训练样本进行重构，得到每种工况下的各个训练样本对应的训 练样本重构信号；
[0010] 4)通过加速度传感器采集待测滚动轴承在转动工作时的振动加速度信号数据，并 进行去噪预处理，作为测试样本；
[0011] 5)将测试样本作为确定连接权值和偏置参数的深度信念网络模型的输入，对测试 样本进行深度学习，采用确定连接权值和偏置参数的深度信念网络模型对测试样本进行重 构，得到测试样本重构信号；
[0012] 6)将测试样本重构信号作为测试样本的匹配特征，将每种工况下的各个训练样 本对应的训练样本重构信号作为匹配基准，采用支持向量机分类方法对测试样本与训练样 本进行匹配，将与测试样本最为匹配的训练样本所属的工况类别判定为测试样本的工况类 另IJ，从而得到待测滚动轴承的故障诊断结果。
[0013] 上述基于深度学习和支持向量机的滚动轴承故障诊断方法中，具体而言，所述步 骤2)中所建立的深度信念网络模型的联合分布函数为：
[0014]
【主权项】
1. 基于深度学习和支持向量机的滚动轴承故障诊断方法，其特征在于，包括如下步 骤： 1) 在四种不同工况下的滚动轴承转动工作时，通过加速度传感器分别采集每种工况下 滚动轴承在不同转速工作的振动加速度信号，进行去噪预处理，并添加工况标签，将经过预 处理并添加工况标签后的各种工况下的各个振动加速度信号数据作为训练样本；所述四种 工况分别为正常运转、轴承内圈故障运转、轴承滚动体故障运转、轴承外圈故障运转； 2) 建立深度信念网络模型，采用训练样本对深度信念网络模型进行训练，将训练样本 输入深度信念网络模型中，采用非监督贪心逐层训练方法进行逐层训练和调优，得到深度 信念网络模型的连接权值和偏置参数； 3) 将各种工况下的训练样本分别作为确定连接权值和偏置参数的深度信念网络模型 的输入，对训练样本进行深度学习，采用确定连接权值和偏置参数的深度信念网络模型分 别对每种工况下的各个训练样本进行重构，得到每种工况下的各个训练样本对应的训练样 本重构信号； 4) 通过加速度传感器采集待测滚动轴承在转动工作时的振动加速度信号数据，并进行 去噪预处理，作为测试样本； 5) 将测试样本作为确定连接权值和偏置参数的深度信念网络模型的输入，对测试样本 进行深度学习，采用确定连接权值和偏置参数的深度信念网络模型对测试样本进行重构， 得到测试样本重构信号； 6) 将测试样本重构信号作为测试样本的匹配特征，将每种工况下的各个训练样本对应 的训练样本重构信号作为匹配基准，采用支持向量机分类方法对测试样本与训练样本进行 匹配，将与测试样本最为匹配的训练样本所属的工况类别判定为测试样本的工况类别，从 而得到待测滚动轴承的故障诊断结果。
2. 根据权利要求1所述基于深度学习和支持向量机的滚动轴承故障诊断方法，其特征 在于，所述步骤2)中所建立的深度信念网络模型的联合分布函数为：
其中，0 = (Wij