一种增强深度特征学习的旋转机械故障诊断方法与流程

本发明涉及一种增强深度特征学习的旋转机械故障诊断方法。
背景技术：
：随着技术的发展，旋转机械正朝着速度、精度、效率越来越高的方向发展，基于机器学习的故障诊断方法依赖于大量的信号处理技术和人工经验，面对数据复杂、非线性和非平稳的情况下无法做到稳定且高精度的诊断效果。在特征提取方面，诊断人员需要掌握大量的信号处理技术并结合丰富的工程实践经验来提取故障特征，并且独立地对待特征提取和故障识别两个环节，并未考虑它们之间的关系；在模型训练阶段，面对复杂、非线性和非平稳数据时，使用浅层学习模型无法表征信号与故障类型之间复杂的映射关系，导致诊断能力及泛化性能均有明显不足，很难满足复杂非线性数据背景下旋转机械故障诊断的实际需求。因此，需要对旋转机械进行准确的故障识别必须要解决以下关键问题：(1)打破浅层学习模型的缺陷，提高振动信号与故障类型之间的映射关系。(2)构建新型的深度神经网络模型，提高模型对振动信号的学习能力，尽最大可能提取信号中的故障特征。(3)深度神经网络提取的故障特征是高维数据，往往包含噪声特征，影响最终的识别精度。作为机器学习研究中的一个新领域，深度学习以强大的非线性表达能力在处理图像、声音和文本上表现出强大的性能，而深度自编码作为深度学习的一种模型，在特征识别、分类和非线性映射上具有强大的表征能力。利用深度自编码器进行故障诊断得到了国内外学者的关注，已开展了部分的研究工作，并取得了一定的研究成果。但由于自编码器本身存在特征提取能力弱和稳定性差的缺点，导致深度特征的表达能力弱。对含有噪声信号的数据进行特征提取时，深度自编码器提取的特征可能包含噪声特征，这导致信号特征的敏感度降低。同时，自编码器提取的特征往往是高维数据，不易训练分类器，直接影响故障诊断精度。技术实现要素：本发明的目的是为了解决上述问题，设计了一种增强深度特征学习的旋转机械故障诊断方法。实现上述目的本发明的技术方案为，一种增强深度特征学习的旋转机械故障诊断方法，包括以下步骤：步骤1：构建深度稀疏二值自编码器模型；步骤2：主成分分析改善深度特征的质量；步骤3：基于softmax分类器识别故障类型。所述步骤1中，构建深度稀疏二值自编码器模型，其具体步骤为：步骤1.1：设计一种新型二值处理器；步骤1.2：稀疏自编码与二值处理器结合构建稀疏二值自编码器；步骤1.3：将稀疏二值自编码器堆栈起来形成深度稀疏二值自编码器；步骤1.4：将旋转机械的振动信号输入到深度稀疏二值自编码器中，提取深度特征。所述步骤2中，主成分分析改善深度特征质量，其具体步骤为：步骤2.1：对所有的深度特征进行中心化处理，计算深度特征的协方差矩阵，并对其进行特征值分解；步骤2.2：将特征值按照由大到小的顺序排列，取前e个特征对应的特征向量，并对所选的特征向量进行标准化组成矩阵a；步骤2.3：利用公式yi＝atfi将深度特征中的每一个样本fi转化为新的特征样本yi，将特征样本y1，y2，…，yk组合起来形成融合后的特征y；所述步骤3中，基于softmax分类器识别故障类型，其具体步骤为：步骤3.1：构建softmax分类器的框架，深度特征输入到softmax分类器的输入端，开始进行前向传播，生成预测标签；步骤3.2：根据训练标签和预测标签计算损失误差，采用反向传播算法向后传递损失误差；步骤3.3：利用梯度下降算法更新softmax分类器的权重和偏置，直至达到训练次数，停止更新权重和偏置，至此softmax分类器训练完毕，实现故障类型的辨识；进一步地，所述步骤1.1中，一种新型二值处理器设计模型为其中，hsae是稀疏自编码器隐藏层的输出；δ是二值处理器的阈值，控制深度特征的编码；o表示隐藏层的特征hsae经过二值编码得到的特征矩阵，且这个矩阵元素只包含1和-1。进一步地，所述步骤1.2中，稀疏自编码器和二值处理器以堆栈的形式进行结合，即在稀疏自编码器的隐藏层添加二值处理器，当稀疏自编码器隐藏层的深度特征输出时，需经过二值处理，编码成只包含1和-1的矩阵。进一步地，所述步骤1.3中，第一个稀疏二值自编码器的隐藏层为第二个稀疏二值自编码器的输入层，第二个稀疏二值自编码器的隐藏层为第三个稀疏二值自编码器的输入，依次类推，直至最后一个稀疏二值自编码器，然后把各个输入层依次连接起来，形成深度稀疏二值自编码器模型。进一步地，所述步骤1.4中，旋转机械的振动信号是振动传感器采集的时域信号，未经过任何信号处理技术和特征提取方法处理。进一步地，所述步骤2.1中，提取的深度特征以矩阵形式表达，列表达一个故障特征值，行表示为参数训练的样本数，按列的方式进行中心化处理。进一步地，所述步骤2.2中，e的大小根据故障识别精度的确定；标准化采用max-min标准化，也称为离差标准化，主要目的是将特征向量映射到[0，1]之间，其标准化公式为：其中，x为特征向量，xmin为特征向量的最小值，xmax为特征向量的最大值。进一步地，所述步骤2.3中，深度特征经过主成分分析处理后，深度特征的列维度将变成e维，从而实现质量的提纯。进一步地，所述步骤3.1中，softmax分类器是两层的神经网络，包含输入层和输出层。进一步地，所述步骤3.2中，采用损失函数的表达形式为：其中，n-训练样本的容量，i{y(m)＝j}为指示函数，只有当大括号内的值为真时才取值为1，否则为0，z(m)为输出层第m个神经元的输出值，γ为惩罚项的控制参数。进一步地，所述步骤3.3中，使用训练完成的softmax分类器识别旋转机械的故障类型，即首先通过深度稀疏二值自编码器对振动信号进行深度特征的提取，然后利用主成分分析将提取的深度特征进行降维，提高深度特征的质量，最后输入到训练完成的softmax分类器中实现故障类型的辨识。利用本发明的技术方案的一种增强深度特征学习的旋转机械故障诊断方法，该方法通过设计二值处理器结合稀疏自编码构建稀疏二值自编码器，并以堆栈的形式生成深度稀疏二值自编码器，提高深度特征的提取能力，减少网络训练以及测试过程中的计算量；利用主成分分析对提取的深度特征进行提纯处理，剔除噪声特征干扰，从而提高深度特征的质量，有利于softmax分类器的训练，因此，该发明具有实用价值，为维修人员对旋转机械故障类型的判别提供可靠的依据，减少因故障不明带来的经济损失，满足故障检测与诊断的需求。附图说明图1是本发明所述一种增强深度特征学习的旋转机械故障诊断方法的流程图；图2是本发明所述一种增强深度特征学习的旋转机械故障诊断方法的训练和测试流程图；图3是本发明所述一个实例所采用数据的采集实验平台图；图4是本发明所述一个实例所用数据的时域信号和频域信号图；图5是本发明所述由稀疏自编码器和二值处理器相结合构建的深度稀疏二值自编码器的结构图；图6是本发明所述一个实例二值处理器阈值选取的结果图；图7是本发明所述一个实例的不同方法实验详细诊断结果图；图8是本发明所述一个实例中本发明第一次实验的多类混淆矩阵结果图；图9是本发明所述一个实例中不同方法提取深度特征的对比结果图。具体实施方式下面结合附图对本发明进行具体描述，如图2所示，一种增强深度学习的旋转机械故障诊断方法，包括以下步骤：步骤1：构建深度稀疏二值自编码器模型；步骤2：主成分分析改善深度特征质量；步骤3：基于softmax分类器识别故障类型。下面通过一个实例对本发明及其效果进行具体说明。本实例的实验数据来自于凯斯西储大学轴承数据集，实验数据的采集平台如图3所示。该采集平台由一个2马力的电机、一个待检测轴承、一个扭矩传感器、一个加速度传感器和一个负载电机组成。实验数据均由放在驱动端附近且采样频率为12khz的加速度传感器采集。在实例中，选取滚动轴承的不同载荷类型、不同故障的严重程度、不同转速条件以及不同故障位置作为故障工况条件，采集了10种故障工况。每种故障工况由300个样本组成，且每个样本含有400个连续的数据点，通过傅里叶变换将原始振动信号转化为频域信号。为了避免选择样本的特征性和偶然性，将每种工况按照7：3的分割比例随机挑选训练数据和测试数据。10种工况的详细参数如表1所示，取前12000个连续数据点构成的振动信号及频谱图如图4所示。表110种工况的详细参数进一步地，步骤1所述的构建深度稀疏二值自编码器模型，步骤如图5所示，其具体步骤为：步骤1.1：设计一种新型二值处理器。设计一种二值处理器用以对深度特征进行二值编码，具体的表达形式为：其中，hsae是稀疏自编码器隐藏层的输出；δ是二值处理器的阈值，控制深度特征的编码；o表示隐藏层的特征hsae经过二值编码得到的特征矩阵，且这个矩阵元素只包含1和-1。步骤1.2：稀疏自编码与二值处理器结合构建稀疏二值自编码器。①采用向前传播算法，计算稀疏自编码器的重构训练样本假定训练样本x＝[x1，x2，…，xn]，通过编码层将输入向量映射成为隐藏层的特征h＝[h1，h2，…，hp]，然后经解码层将隐层特征h解码形成编码部分通过以下函数进行处理h＝fθ(x)＝sigm(wx+b)sigm(t)＝1/(1+et)其中，sigm(t)为自编码器的激活函数；θ＝{w，b}是编码层的参数，和分别是编码层的权重矩阵和偏置向量。然后，隐层向量h通过解码层重新构造训练样本解码层的函数如下：其中，θ′＝{w′，b′}是解码层的参数，解码层的权重矩阵为是偏置向量。②搭建包含输入层、隐藏层、输出层的自编码器模型结构，并将kl距离引入到稀疏惩罚项中对损失函数进行约束，那么定义模型的损失函数为：其中，β是稀疏惩罚项约束程度的参数；p表示隐层神经元的个数；kl()代表kl散度(kullback-leiblerdivergence)用来提高隐层特征的稀疏性。通常kl()定义为其中，表示输入向量x对隐藏层的第j神经元的平均值；ρ表示预定义的稀疏性参数。③采用反向传播算法和梯度下降算法更新模型的权重和偏置，具体的更新公式如下：其中，θ＝{θ，θ′}＝{w，b，w′，b′}，η为稀疏二值自编器的学习率。④稀疏自编码器经过无监督学习后，将提取的特征输入到设计的二值处理器中，进行编码输出。步骤1.3：将稀疏二值自编码器堆栈起来形成深度稀疏二值自编码器。采用无监督学习方式训练第一个稀疏二值自编码器，训练完毕后，将隐藏层的特征h(1)输入到设计的二值处理器中，进行二值化处理，输出只含有1和-1的矩阵b(1)；将其作为第二个稀疏自编码器的输入层，同样采用无监督学习方式训练模型，待训练完毕后，将隐藏层的特征h(2)输入到二值处理器中进行二值化处理，输出编码矩阵b(2)，依次类推，直至将最后一个稀疏二值自编码器训练完成；然后把各个输入层和二值处理器按照训练的顺序依次连接起来，形成深度稀疏二值自编码器模型。步骤1.4：将旋转机械的振动信号输入到深度稀疏二值自编码器中，提取深度特征。首先，按照无监督学习方式，将振动信号输入到多个稀疏二值自编码器中进行参数的学习；然后，待多个稀疏二值自编码器训练完毕后，将学习到的参数保存下来，按照模型的训练次序将稀疏二值自编码器堆栈起来，形成深度稀疏二值自编码器；最后，将振动信号输入到深度稀疏二值自编码器中，获取高质量的深度特征。进一步地，步骤2所述的主成分分析改善深度特征质量，其具体步骤为：步骤2.1：对所有的深度特征进行中心化处理，计算深度特征的协方差矩阵，并对其进行特征值分解。假设为通过深度自编码器学习得到的深度特征矩阵，其中k和k分别表示样本的大小和原始特征维数。接下来对所有的特征进行中心化，计算深度特征的协方差矩阵xxt，并对其进行特征值分解，其中中心化的执行公式如下：步骤2.2：将特征值按照贡献率的大小由大到小的顺序排列，取前e个特征对应的特征向量(ω1，ω2，...，ωe)，并对所选的特征向量进行标准化组成矩阵a，其中贡献率的计算公式为：其中，j为协方差矩阵的特征值，p为协方差矩阵的特征值个数。步骤2.3：利用公式yi＝atfi将深度特征中的每一个样本fi转化为新的特征样本yi，将特征样本y1，y2，…，yk组合起来形成融合后的特征y。进一步地，步骤3所述的基于softmax分类器识别故障类型，其具体步骤为：步骤3.1：构建softmax分类器的框架，深度特征输入到softmax分类器的输入端，开始进行前向传播，生成预测标签。假设训练数据为{(z(1)，y(1))，…，(z(n)，y(n))}，其中z(m)∈rb，m＝1，2，…，n是一个输入softmax分类器的输入向量，y(m)，m＝1，2，…，n是输入向量对应的标签。假设训练数据有k个不同的故障类型，那么，标签也有k个不同的值，表示为y(m)∈{1，2，…，k}。softmax向前传播中，根据输入向量，输出向量表示为：o(m)＝θz(m)其中，θ∈rk×b为softmax分类器的参数矩阵，具体形式为：当z(m)属于故障类型为r时，y(m)＝r，r＝1，2，…，k的概率定义为：则生成预测标签，采用gθ(z(m))用来评估z(m)属于每种故障类型的概率，具体表达式为：步骤3.2：根据训练标签和预测标签计算损失误差，采用反向传播算法向后传递损失误差。计算训练标签和预测标签的损失函数，其具体表达为：其中，n-训练样本的容量，i{y(m)＝j}为指示函数，只有当大括号内的值为真时才取值为1，否则为0，z(m)为输出层第m个神经元的输出值，γ为惩罚项的控制参数。类似于稀疏自编码器的训练，采用反向传播算法将损失误差j(θ)传递给输入层。步骤3.3：利用梯度下降算法更新softmax分类器的权重和偏置，直至达到训练次数，停止更新权重和偏置，至此softmax分类器训练完毕，实现故障类型的辨识。利用梯度下降算法更新softmax分类器的参数，每次迭代过程，参数更新公式为：其中，ε为学习率，θji为θ的第j行，第i列的元素。当softmax分类器训练完毕后，保存学习到的参数，输入训练数据和测试数据，即可实现故障类型的辨识。本发明在实例中需要解决10分类问题，不仅包括故障类型，还包括故障的严重程度和外部工作条件的变化。由于深度学习模型参数的设置并没有统一的理论指导，本文采用实验和经验的方法来确定参数。表2列出了本发明在实现故障诊断中使用的参数。通过实验确定二值处理器的阈值δ，如图6所示。在图6中，随着阈值δ的增大，训练样本和测试样本的准确度都呈现先增加后降低的趋势。当δ为0.1时，训练精度和测试精度达到最低，当δ取0.5时，训练精度和测试精度达到最高点，当δ超过0.5时，模型的性能开始降低。因此，本次实验中二值阈值δ取0.5。表2稀疏二值自编码网络的参数设置说明符号数值深度稀疏二值自编码器输入层的神经元数-400深度稀疏二值自编码器第一隐藏层的神经元数-200深度稀疏二值自编码器第二隐藏层的神经元数-100深度稀疏二值自编码器第三藏层的神经元数-80深度稀疏二值自编码器的学习率η0.01深度稀疏二值自编码器的迭代次数-500稀疏二值自编码器的惩罚参数ρ0.1稀疏二值自编码器的稀疏惩罚项约束参数β0.1稀疏二值自编码器的损失参数α0.15二值处理器的阈值δ0.5为了确保实验的可靠性，每种故障诊断方法在轴承数据集上分别进行10次实验。表3是不同方法进行10次实验结果的平均训练准确度和平均测试准确度，图7为在每次实验中所有方法的详细诊断结果。从表3中可以得出，与其他方法相比，提出的方法在训练集上拥有较高的平均准确度(99.543％)和较低的平均方差(0.2450)。同样地，在测试集上，本发明拥有的平均测试准确度为98.878％较高于pdsae、深度稀疏自编码器(dsae)、卷积神经网络(cnn)、bp神经网络、支持向量机(svm)、softmax分类器的平均测试准确度，其中它们的平均测试准确度分别为94.078％、91.130％、85.900％、83.900％、90.067％、86.456％。另外，本发明在测试集上的平均方差为0.4519低于1.3554、1.0291、2.6343、1.4576、0.9503、1.2210。从图7可以看出，对测试集进行验证时，本发明的准确度总是高于其他方法。表310次实验不同方法的诊断结果说明：方法1——本发明；方法2——经过pca处理的深度稀疏自编码器(psae)；方法3——输入数据经过傅里叶变换的深度稀疏自编码器(dsae)；方法4——原始数据输入卷积神经网络(cnn)；方法5——28个特征经过bp神经网络(bpnn)；方法6——28个特征经过支持向量机(svm)；方法7——28个特征经过softmax分类器。为进一步说明本发明提出方法的性能，采用多类混淆矩阵来衡量模型性能的好坏，图8为第一次实验该方法在测试集的多类混淆矩阵。图8的横坐标表示故障的预测标签，纵坐标表示故障的真实标签，对角线元素表示预测和真实相等的概率。右边的颜色条对应着0到1之间的数字，分别对应着多类混淆矩阵的数值。通过多类混淆矩阵对测试集所有的分类结果进行了详细的表述，包括分类精度和误分类精度。从图中可以看出，处在混淆矩阵对角线的元素分别达到了0.99、1.00、1.00、1.00、0.92、0.98、0.99、1.00、1.00、0.97，能有效地识别各类故障。在标签1、5、6、7、10均存在小量误诊断，说明这些标签的数据仍存在少量的冗余信息，但是相比其他方法，本发明的方法在提取深度特征和剔除冗余信息方面表现优异。t分布随机邻接嵌入(t-sne)作为数据降维的一种常用算法，它通过两个或三个坐标给每个数据点一个位置来可视化高维数据。本发明的实例采用t-sne作为数据可视化工具，对深度特征进行可视化。如图9所示，维度1和维度2表示t-sne的前两个主成分，代表着输入数据中隐藏的有用信息。利用本发明提出的方法对深度特征进行二维可视化对比：(a)：标准深度稀疏自编码器的第三隐藏层特征；(b)：深度稀疏自编码器的第三隐藏层特征经过pca特征融合；(c)：深度稀疏二值自编码网络的第三层隐层特征；(d)：本发明融合后的特征。如图9(a)所示，经过深度稀疏自编码器的特征提取，10种类别的深度特征分散在空间上，特征的大部分边界相互重叠难以区分。这表明原始特征中含有一些冗余信息和不相关信息，使得特征在可视化效果上表现较差。图9(b)所示，与图9(a)相比，特征可视化边界有明显的改善，这表明深度特征经过主成分分析融合能有效地剔除原始深度特征存在的无关信息，提高特征质量。对比图9(a)，图9(c)表明深度稀疏二值自编码器可以很好地区分不同类别的数据，这表明深度稀疏二值自编码器能提高对原始数据的特征表达，学习数据中更深度的特征。图9(d)表明，与未经pca特征融合相比，本发明提出的方法融合后的特征能更准确、更清晰的表达原始数据。因此，分析这些对比结果表明，本发明能够有效地提高振动信号的特征提取能力，改善故障特征的质量。综上，本发明所述的一种增强深度特征学习的旋转机械故障诊断方法，将稀疏自编码器与二进制处理器相结合，构建深度稀疏二值自编码器并结合主成分分析，可以有效地诊断提取旋转机械的故障特征，实现较高精度的故障类型辨识。上述技术方案仅体现了本发明技术方案的优选技术方案，本
技术领域：
的技术人员对其中某些部分所可能做出的一些变动均体现了本发明的原理，属于本发明的保护范围之内。当前第1页12