1.一种EEMD-Hilbert包络谱与DBN相结合的变负载下滚动轴承状态识别方法,其特征在于:所述方法的实现过程为:
模型训练阶段
1)获取某种负载情况下滚动轴承多状态振动信号,将其作为训练数据集,并进行EEMD分解得到若干IMF,选取故障敏感的前T个IMF进行数据处理;
2)将相同状态振动数据的各IMF进行Hilbert变换并求取包络谱,将求取的包络谱按顺序构建具有T个包络谱的高维样本特征,作为DBN的输入;
3)无监督预训练过程:设定DBN中隐藏层数N和学习率ε,并通过遗传算法寻优确定各隐藏层节点数m1,m2,…,mN,以无监督学习的方式逐层训练各个限制玻尔兹曼机,直到完成N个RBM的训练;
4)有监督微调过程:利用反向传播网络误差反向传播的原则对每个RBM进行权值ω和偏置的微调;完成构建变负载下滚动轴承多状态识别模型;
故障测试阶段
5)将与训练数据不同的多种负载下的滚动轴承振动信号作为测试数据,按照与训练数据相同的EEMD-Hilbert包络谱方法进行数据处理,结合步骤4)所得到的多状态识别模型,实现不同负载下滚动轴承的多状态识别。
2.根据权利要求1所述的一种EEMD-Hilbert包络谱与DBN相结合的变负载下滚动轴承状态识别方法,其特征在于:在步骤1)中,进行EEMD分解得到若干IMF的过程为:获取某种负载情况下滚动轴承多状态振动信号为原始信号x(t),
利用EEMD对原始信号x(t)分解的最终结果为:
其中:r(t)为分解后的残余分量,ci,j(t)为EMD分解所得IMF;cj(t)为EEMD分解后所得到的第j个IMF;j=1,2,…,J,J是IMF的个数,i=1,2,…,M,M为总体平均次数。
3.根据权利要求2所述的一种EEMD-Hilbert包络谱与DBN相结合的变负载下滚动轴承状态识别方法,其特征在于:在步骤2)中,将相同状态振动数据的各IMF进行Hilbert变换并求取包络谱的过程为:
对式(1)中的IMF分量作Hilbert变换可得
在此基础上,对各IMF计算包络信号,得到
式中,t表示时间,t′表示积分变量;
对式(4)的信号进行谱分析即可得到包络谱。
4.根据权利要求3所述的一种EEMD-Hilbert包络谱与DBN相结合的变负载下滚动轴承状态识别方法,其特征在于:所述无监督预训练过程和有监督微调过程是按照以下步骤实现的:
无监督预训练过程:
每个RBM模型由一个可见层和隐藏层组成,其中,v和h分别表示可见层和隐藏层,ω表示两层之间的权值;对于RBM的可见层和隐藏层,其连接关系为层间神经元全连接,层内神经元不连接;
假设可见层和隐藏层神经元都由二进制表示,可见层和隐藏层的神经元数目分别为I和J,其中vi和hj分别表示第i个可见层神经元和第j个隐藏层神经元的状态;对于一组特定的(v,h),RBM能量函数定义为
其中:RBM的参数θ=(ωij,ai,bj),ωij表示可见层节点vi与隐藏层节点hj之间的权值,ai和bj分别表示vi和hj的偏置;根据该能量函数,得到(v,h)的联合概率分布为
p(v,h|θ)=e-E(v,h|θ)/Z(θ) (6)
其中:是配分函数;
第j个隐藏层节点的激活概率为
其中:σ(x)=1/(1+e-x)是sigmoid函数;同理可得到第i个可见层节点的激活概率为
RBM是一个激活函数为sigmoid函数的随机神经网络,通过迭代的方式进行训练得到参数θ=(ωij,ai,bj)的结果,并与给定训练数据进行拟合,参数θ*可以通过训练集上的极大对数似然函数得到,即
采用对比散度的算法来计算RBM的对数似然梯度,得到权值和偏置的参数更新表示为
△ωij=ε(<vihj>data-<vihj>recon) (10)
△ai=ε(<vi〉data-<vi>recon) (11)
△bj=ε(<hj>data-<hj〉recon) (12)
其中:ε为预训练的学习率,<·>data为训练数据所定义的数学期望,<·>recon为重构后的模型所定义的数学期望;至此完成RBM模型的预训练;
有监督微调过程:
利用有监督学习的分类器BP网络对RBM预训练得到的特征向量权值和偏置进行分类,并且起到微调由多个RBM堆叠构成的整个DBN参数的作用;
BP网络的训练分为前向传播和后向传播两个阶段:前向传播阶段,输入特征向量被逐层传播到输出层,得到预测的分类结果;将预测得到的分类结果与标准标注信息进行比较得到误差,将误差逐层向后回传,从而实现DBN参数的微调;后向传播过程中,需要计算每一层的灵敏度δp;
对于输出层,假设第p个节点的实际输出为op,期望输出为dp,则灵敏度δp的计算表达式为
δp=op(1-op)(dp-op) (13)
对于整个DBN的第l个隐藏层灵敏度的表达式为
其中,是第l层的第p个节点的输出值;为第l层的第p个节点到第l+1层的第q个节点的权值;为第l+1层第q个节点的灵敏度;
获取各层的灵敏度之后,DBN的权值和偏置根据式(15)和(16)进行更新
其中,blq为第l层的第q个节点的偏置;
得到预训练和微调后的DBN网络;
至此完成基于DBN网络的变负载下滚动轴承多状态识别模型的构建。