CN116337449A - 一种基于信息融合的稀疏自编码故障诊断方法、*** - Google Patents
一种基于信息融合的稀疏自编码故障诊断方法、*** Download PDFInfo
- Publication number
- CN116337449A CN116337449A CN202310294325.4A CN202310294325A CN116337449A CN 116337449 A CN116337449 A CN 116337449A CN 202310294325 A CN202310294325 A CN 202310294325A CN 116337449 A CN116337449 A CN 116337449A
- Authority
- CN
- China
- Prior art keywords
- fault diagnosis
- coding
- model
- sparse self
- signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 73
- 230000004927 fusion Effects 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000001133 acceleration Effects 0.000 claims abstract description 49
- 238000006073 displacement reaction Methods 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 44
- 238000001228 spectrum Methods 0.000 claims abstract description 37
- 238000012360 testing method Methods 0.000 claims abstract description 28
- 230000010354 integration Effects 0.000 claims description 9
- 238000005096 rolling process Methods 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 15
- 239000002131 composite material Substances 0.000 description 9
- 230000004913 activation Effects 0.000 description 8
- 239000013598 vector Substances 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2136—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on sparsity criteria, e.g. with an overcomplete basis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于信息融合的稀疏自编码故障诊断方法、***,包括:采集不同故障状态下的振动加速度信号;依据加速度信号,获得频谱、速度、位移信号;将频谱、速度、位移信号拼接融合成一个样本;将多个样本构建的数据集划分训练集样本和测试集样本;将带标签的训练集输入用于故障诊断的稀疏自编码模型中,预训练用于故障诊断的稀疏自编码模型的参数;将不含标签的测试集样本输入到保存的预训练模型中进行测试;将保存的模型用于故障诊断。本发明能实现对滚动轴承等的故障诊断,不需要人工提取或定义特征,就能减少网络层数并提高了故障诊断准确率。
Description
技术领域
本发明涉及一种基于信息融合的稀疏自编码故障诊断方法,属于故障诊断领域。
背景技术
基于深度学习的滚动轴承故障诊断方法是当前故障诊断领域的研究热点,自编码器因其对信号强大的特征提取和重构能力被广泛应用在故障特征提取领域。
目前大多数的故障诊断模型依靠单一振动加速度信号作为原始输入信号,单一振动加速度信号的特征提取对先验知识要求高,且会让模型对时域、频域信息利用不充分,导致单靠输入加速度信号的深度学习模型的故障诊断效果不佳。
本发明利用振动加速度信号的频域积分得到速度、位移信号,将其联合加速度信号的频谱融合成一个复合信号并作为稀疏自编码网络的输入,训练得到基于信息融合的稀疏自编码故障诊断模型,不仅减少了网络层数,还克服了对时域、频域信息利用不充分的问题,从而完成对滚动轴承的有效诊断。
发明内容
本发明提供了一种基于信息融合的稀疏自编码故障诊断方法、***,通过将振动加速度信号频域积分得到速度、位移信号,将其联合加速度信号的频谱融合成一个复合信号并作为稀疏自编码网络的输入,训练得到基于信息融合的用于故障诊断的稀疏自编码模型,并进一步验证了本发明融合信号参与训练稀疏自编码模型用于滚动轴承等的故障诊断时的高准确率。
本发明的技术方案是:
根据本发明的一方面,提供了一种基于信息融合的稀疏自编码故障诊断方法,包括:采集不同故障状态下的振动加速度信号,并根据采集的故障类型为振动加速度信号添加标签信息;依据加速度信号,获得频谱、速度、位移信号;将频谱、速度、位移信号拼接融合成一个样本;将多个样本构建的数据集划分训练集样本和测试集样本;将带标签的训练集输入用于故障诊断的稀疏自编码模型中,预训练用于故障诊断的稀疏自编码模型的参数;当诊断准确率达到第一期望预设准确率时,结束训练,保存模型参数;将不含标签的测试集样本输入到保存的预训练模型中进行测试,输出预测标签集,将预测标签集与真实标签集进行对比,若达到第二期望预测准确率,则保存模型;将保存的模型用于故障诊断。
所述依据加速度信号,获得频谱、速度、位移信号,包括:对加速度信号进行一次、二次频域积分分别得到速度、位移信号;再将加速度信号进行傅里叶变化得到频谱信号。
所述将频谱、速度、位移信号拼接融合成一个样本时,速度、位移信号占频谱信号点数的15%-50%。
所述用于故障诊断的稀疏自编码模型,模型主要包括编码层、解码层和SoftMax分类层;编码层的输入为融合后的信号,解码层为重构后的输入信号,SoftMax的输入层为解码层的输出信号,SoftMax的输出层为故障的类别。
根据本发明的另一方面,提供了一种基于信息融合的稀疏自编码故障诊断***,包括:采集模块,采集不同故障状态下的振动加速度信号,并根据采集的故障类型为振动加速度信号添加标签信息;获得模块,用于依据加速度信号,获得频谱、速度、位移信号;融合模块,用于将频谱、速度、位移信号拼接融合成一个样本;将多个样本构建的数据集划分训练集样本和测试集样本;预训练模块,将带标签的训练集输入用于故障诊断的稀疏自编码模型中,预训练用于故障诊断的稀疏自编码模型的参数;当诊断准确率达到第一期望预设准确率时,结束训练,保存模型参数;诊断模块,用于将不含标签的测试集样本输入到保存的预训练模型中进行测试,输出预测标签集,将预测标签集与真实标签集进行对比,若达到第二期望预测准确率,则保存模型;将保存的模型用于故障诊断。
根据本发明的另一方面,提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行上述中任意一项所述的基于信息融合的稀疏自编码故障诊断方法。
本发明的有益效果是:针对深度学习模型对滚动轴承单一的时域频域信息利用不充分问题,提出一种基于信息融合的稀疏自编码故障诊断方法,本发明方法基于自编码器的自适应特征提取的能力,借助对加速度信号的加工处理得到更多有关故障的信息,结合信息融合的知识来完成对多信息源的融合,最终实现对滚动轴承的故障诊断,不需要人工提取或定义特征,就能减少网络层数并提高了故障诊断准确率。
附图说明
图1为本发明的基于信息融合的稀疏自编码故障诊断方法的流程图;
图2为自动编码器的结构示意图;
图3为加速度信号作为输入对稀疏自编码网络提取特征的特征散点图;
图4为频谱信号作为输入对稀疏自编码网络提取特征的特征散点图;
图5为信息融合后的复合信号作为输入对稀疏自编码网络提取特征的特征散点图;其中速度、位移信号均占比15%;
图6为信息融合后的复合信号作为输入对稀疏自编码网络提取特征的特征散点图;其中速度、位移信号均占比50%。
具体实施方式
下面结合附图和实施例,对发明做进一步的说明,但本发明的内容并不限于所述范围。
实施例1:
如图1-6所示,根据本发明实施例的一方面,提供了一种基于信息融合的稀疏自编码故障诊断方法,包括:采用加速度传感器采集不同故障状态下的滚动轴承振动加速度信号,并根据采集的故障类型为振动加速度信号添加标签信息;依据加速度信号,获得频谱、速度、位移信号;将频谱、速度、位移信号拼接融合成一个样本;将多个样本构建的数据集划分训练集样本和测试集样本,训练集样本添加入标签信息,而测试集样本的标签信息独立标注;将带标签的训练集输入用于故障诊断的稀疏自编码模型中,预训练用于故障诊断的稀疏自编码模型的参数;当诊断准确率达到第一期望预设准确率时,结束训练,保存模型参数;将不含标签的测试集样本输入到保存的预训练模型中进行测试,输出预测标签集,将预测标签集与真实标签集进行对比,若达到第二期望预测准确率,则保存模型;将保存的模型用于故障诊断。在本发明的实施例中,设置的第一期望预设准确率为100%,第二期望预设准确率为95%。
进一步地,所述依据加速度信号,获得频谱、速度、位移信号,包括:对加速度信号进行一次、二次频域积分分别得到速度、位移信号;再将加速度信号进行傅里叶变化得到频谱信号。
进一步地,所述将频谱、速度、位移信号拼接融合成一个样本时,速度、位移信号占频谱信号点数的15%-50%。
进一步地,所述用于故障诊断的稀疏自编码模型,模型主要包括编码层、解码层和SoftMax分类层;编码层的输入为融合后的信号,解码层为重构后的输入信号,SoftMax的输入层为解码层的输出信号,SoftMax的输出层为故障的类别。
进一步地,结合实验数据,本发明给出可选地具体实施方式如下:
步骤(1):选择美国凯斯西储大学公开的轴承振动信号数据进行测试,振动信号包括轴承正常信号、轴承内圈故障信号、轴承滚动体故障信号、轴承外圈故障信号,每种故障状态的损伤直径为0.1778、0.3556、0.5334mm的3种损伤尺寸大小,故有9种故障状态和1种正常状态,共划分为10种状态,并对这10种状态进行标签标注。利用快速傅里叶变换将振动加速度信号转化为频谱信号,数据长度取为1024。对加速度信号进行一次、二次频域积分得到速度、位移信号。为了减少模型训练时间和探讨速度、位移信号融合对模型的有效性,对频域积分后的速度、位移信号只选取占频谱信息一定比例的长度来进行数据融合,即选取的速度、位移信号的点数占频谱信号点数的15%、30%、50%,即对速度、位移信号每个样本取154、308、512个点3种方式。对信号分段处理后,按照7:3的比例划分训练集和测试集。
具体而言,加速度信号a(t)在某一频率的傅里叶变量形式表示为:
a(t)=Aejwt (1)
其中,a(t)为加速度信号,A为加速度信号分量a(t)对应的系数,w表示频率,t表示时间,ejwt表示复变函数。
初速度为0时,对加速度信号进行时间积分可以得到速度信号分量,即:
其中,V为速度信号分量v(t)对应的系数。
一次积分在频域里的关系为:
初速度和初位移分量都为0时,对加速度信号的傅里叶变量两次积分就能得到位移信号分量,即:
其中,s(t)为位移信号,X为位移信号分量s(t)对应的系数。
两次积分在频域里的关系为:
将振动加速度信号中所有不同频率的傅里叶分量按照积分在频域里的关系式计算后,进行傅里叶逆变换就能得到相应的速度信号和位移信号。利用频域积分的计算结果较时域积分算法会更准确,故选用频域积分算法来求速度、位移信号。
加速度信号的傅里叶变换为频谱信号的公式为:
其中,F(t)为经傅里叶变换后的频谱信号。
最后将加速度信号的频谱信号、速度信号和位移信号融合成一个复合信号。
在本实施例中,采用的数据包含正常轴承、内圈故障、滚动体故障以及外圈故障四种状态,每种状态的数据样本的负载情况相同,采样频率为12kHz,数据选择电机驱动端(DE端)的信号数据。数据集样本长度有3种类型,分别为1332、1640、2048,每类数据集包含100个样本,按照70%和30%的比例划分训练样本集和测试样本集。根据以上描述轴承样本集数据表如表1所示。
表1轴承数据样本集划分
(2)采用Matlab搭建用于故障诊断的稀疏自编码模型,模型主要包括编码层、解码层和SoftMax分类层。编码层的输入为融合后的复合信号,解码层为重构的输入信号,SoftMax的输入层为解码层的输出信号,SoftMax的输出层为故障的类别数。具体过程为:
自编码器是一种无监督自适应学习神经网络,由输入层、隐含层和输出层组成,通过对输入的编码和解码两个过程提取输入数据的隐含层特征,稀疏自编码器基于自编码器在目标函数的变化上加入系数惩罚项,通过稀疏惩罚项,提取稀疏的数据特征,有效降维并改善聚类的效果。
自编码器的编码过程:设输入的无标签轴承样本数据为:{x1,x2,…,xn-1,xn},利用编码器激活函数fθ对输入数据进行编码转化为隐含层矢量hm,即:
式中:fθ的激活函数为tanh函数;z表示输入激活函数的自变量,这里指的是输入的样本数据;hm表示输入通过编码层后隐含层的矢量,编码层的权重矩阵和偏置参数为w和b。
在进行隐含层矢量重构的过程中,通过构建误差损失函数对网络的误差进行计算,从而得到最优的输出结果,损失函数J为:
通过相对熵来测量2个分布之间得差异,引入相对稀疏性因子ρ,于是惩罚因子可以定义为:
其中,KL(ρ||ρj)为KL散度,ρ为稀疏性因子。
在自编码器中加入稀疏性约束,将式(12)作为惩罚因子加入原损失函数J中。
步骤(3):将不同长度的复合信号分别送入自编码器网络中,输入的数据长度分别为:1332、1640、2048,SoftMax的输出层设置为10,设置好三种方式输入的隐含层数目后,调整网络的参数,输出得到训练诊断准确率的混淆矩阵图。
步骤(4):当训练样本集混淆矩阵的诊断准确率为100%时,预保存网络模型的参数,将测试样本集输入到保存的模型中,得到测试样本的预测标签集,与真实标签值对比后,分析测试准确率是否达到预期目标。达到预期目标后,对新获取的每类包含100个样本的数据集,重复10次实验,将得到的诊断准确率取平均得到最终的诊断准确率。10次实验得到的结果如表2所示。
表2三种不同比例混合的复合信号输入的诊断结果
速度、位移信号的比例 | 平均诊断准确率 | 方差 |
15% | 98.33% | 23.02 |
30% | 98.87% | 6.70 |
50% | 99.20% | 4.84 |
为对比加入速度、位移信息前后的模型诊断效果,将频谱信号按照以上的网络模型训练方法输入3层的堆栈式稀疏自编码网络模型,10次实验得到的诊断准确率仅为91.40%。对比最终结果而言,频谱信号中融入15%的速度、位移信息后,只需要一层稀疏自编码层的平均准确率为98.33%,可有效的对轴承进行故障诊断。另外,随机选取某一次实验下的结果进行可视化展示,如图3-图6所示,从图中可以明显的看出,加速度信号作为输入,经稀疏自编码网络提取的深度特征的散点图混叠明显,轴承的10种状态完全不可分;频谱作为输入,经稀疏自编码网络提取的深度频谱特征降低了不同状态的重叠程度,10种状态的特征散点图基本可分,但仍有极小部分划分错误,不同状态的轴承状态之间的区分不够明显,同种状态的类内距大,不同种状态间的类间距小;三种不同比例混合的复合信号作为输入,以15%和50%为例,10种状态的特征散点图明显可分,同种状态的类内距明显减小,不同种状态的类间距明显增大。
自编码器强大的自适应特征提取能力为故障特征提取提供了思路,基于信息融合让的稀疏自编码故障诊断模型既充分利用了时域、频域的信息,又能自适应提取出轴承的故障信息特征,在减少网络复杂的同时有效提高了轴承的诊断准确率。
根据本发明实施例的另一方面,提供了一种基于信息融合的稀疏自编码故障诊断***,包括:采集模块,采集不同故障状态下的振动加速度信号,并根据采集的故障类型为振动加速度信号添加标签信息;获得模块,用于依据加速度信号,获得频谱、速度、位移信号;融合模块,用于将频谱、速度、位移信号拼接融合成一个样本;将多个样本构建的数据集划分训练集样本和测试集样本;预训练模块,将带标签的训练集输入用于故障诊断的稀疏自编码模型中,预训练用于故障诊断的稀疏自编码模型的参数;当诊断准确率达到第一期望预设准确率时,结束训练,保存模型参数;诊断模块,用于将不含标签的测试集样本输入到保存的预训练模型中进行测试,输出预测标签集,将预测标签集与真实标签集进行对比,若达到第二期望预测准确率,则保存模型;将保存的模型用于故障诊断。
上述中针对各个模块没有详述的部分,可以参见实施例的相关描述。
根据本发明实施例的另一方面,提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行上述中任意一项所述的基于信息融合的稀疏自编码故障诊断方法。
上面结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (6)
1.一种基于信息融合的稀疏自编码故障诊断方法,其特征在于,包括:
采集不同故障状态下的振动加速度信号,并根据采集的故障类型为振动加速度信号添加标签信息;
依据加速度信号,获得频谱、速度、位移信号;
将频谱、速度、位移信号拼接融合成一个样本;将多个样本构建的数据集划分训练集样本和测试集样本;
将带标签的训练集输入用于故障诊断的稀疏自编码模型中,预训练用于故障诊断的稀疏自编码模型的参数;当诊断准确率达到第一期望预设准确率时,结束训练,保存模型参数;
将不含标签的测试集样本输入到保存的预训练模型中进行测试,输出预测标签集,将预测标签集与真实标签集进行对比,若达到第二期望预测准确率,则保存模型;将保存的模型用于故障诊断。
2.根据权利要求1所述的基于信息融合的稀疏自编码故障诊断方法,其特征在于,所述依据加速度信号,获得频谱、速度、位移信号,包括:对加速度信号进行一次、二次频域积分分别得到速度、位移信号;再将加速度信号进行傅里叶变化得到频谱信号。
3.根据权利要求1所述的基于信息融合的稀疏自编码故障诊断方法,其特征在于,所述将频谱、速度、位移信号拼接融合成一个样本时,速度、位移信号占频谱信号点数的15%-50%。
4.根据权利要求1所述的基于信息融合的稀疏自编码故障诊断方法,其特征在于,所述用于故障诊断的稀疏自编码模型,模型主要包括编码层、解码层和SoftMax分类层;编码层的输入为融合后的信号,解码层为重构后的输入信号,SoftMax的输入层为解码层的输出信号,SoftMax的输出层为故障的类别。
5.一种基于信息融合的稀疏自编码故障诊断***,其特征在于,包括:
采集模块,采集不同故障状态下的振动加速度信号,并根据采集的故障类型为振动加速度信号添加标签信息;
获得模块,用于依据加速度信号,获得频谱、速度、位移信号;
融合模块,用于将频谱、速度、位移信号拼接融合成一个样本;将多个样本构建的数据集划分训练集样本和测试集样本;
预训练模块,将带标签的训练集输入用于故障诊断的稀疏自编码模型中,预训练用于故障诊断的稀疏自编码模型的参数;当诊断准确率达到第一期望预设准确率时,结束训练,保存模型参数;
诊断模块,用于将不含标签的测试集样本输入到保存的预训练模型中进行测试,输出预测标签集,将预测标签集与真实标签集进行对比,若达到第二期望预测准确率,则保存模型;将保存的模型用于故障诊断。
6.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1-4中任意一项所述的基于信息融合的稀疏自编码故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310294325.4A CN116337449A (zh) | 2023-03-24 | 2023-03-24 | 一种基于信息融合的稀疏自编码故障诊断方法、*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310294325.4A CN116337449A (zh) | 2023-03-24 | 2023-03-24 | 一种基于信息融合的稀疏自编码故障诊断方法、*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116337449A true CN116337449A (zh) | 2023-06-27 |
Family
ID=86887308
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310294325.4A Pending CN116337449A (zh) | 2023-03-24 | 2023-03-24 | 一种基于信息融合的稀疏自编码故障诊断方法、*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116337449A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116558828A (zh) * | 2023-07-10 | 2023-08-08 | 昆明理工大学 | 基于自相关系数稀疏度特征的滚动轴承健康状态评估方法 |
CN117556344A (zh) * | 2024-01-08 | 2024-02-13 | 浙江大学 | 基于多源信息融合的球磨机传动***故障诊断方法与*** |
-
2023
- 2023-03-24 CN CN202310294325.4A patent/CN116337449A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116558828A (zh) * | 2023-07-10 | 2023-08-08 | 昆明理工大学 | 基于自相关系数稀疏度特征的滚动轴承健康状态评估方法 |
CN116558828B (zh) * | 2023-07-10 | 2023-09-15 | 昆明理工大学 | 基于自相关系数稀疏度特征的滚动轴承健康状态评估方法 |
CN117556344A (zh) * | 2024-01-08 | 2024-02-13 | 浙江大学 | 基于多源信息融合的球磨机传动***故障诊断方法与*** |
CN117556344B (zh) * | 2024-01-08 | 2024-05-14 | 浙江大学 | 基于多源信息融合的球磨机传动***故障诊断方法与*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | Improved generative adversarial network for vibration-based fault diagnosis with imbalanced data | |
CN116337449A (zh) | 一种基于信息融合的稀疏自编码故障诊断方法、*** | |
CN106682688B (zh) | 基于粒子群优化的堆叠降噪自编码网络轴承故障诊断方法 | |
CN103728551B (zh) | 一种基于级联集成分类器的模拟电路故障诊断方法 | |
CN111444988B (zh) | 一种滚动轴承故障诊断*** | |
CN113869208B (zh) | 基于sa-acwgan-gp的滚动轴承故障诊断方法 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
Lu et al. | A novel feature extraction method using deep neural network for rolling bearing fault diagnosis | |
CN111476339B (zh) | 滚动轴承故障特征提取方法、智能诊断方法及*** | |
Liu et al. | Multi-feature fusion for fault diagnosis of rotating machinery based on convolutional neural network | |
CN114564982A (zh) | 雷达信号调制类型的自动识别方法 | |
CN112541511A (zh) | 基于卷积神经网络的多通道时间序列数据故障诊断方法 | |
CN103093432B (zh) | 基于极化分解和图像块相似性的极化sar图像降斑方法 | |
CN114169377A (zh) | 基于g-mscnn的有噪环境中滚动轴承故障诊断方法 | |
CN111507047A (zh) | 一种基于SP-CUnet的逆散射成像方法 | |
CN114091504A (zh) | 一种基于生成对抗网络的旋转机械小样本故障诊断方法 | |
CN114386452B (zh) | 核电循环水泵太阳轮故障检测方法 | |
CN114021603A (zh) | 一种基于模型重参数化的雷达信号调制方式识别方法 | |
Yang et al. | Few-shot learning for rolling bearing fault diagnosis via siamese two-dimensional convolutional neural network | |
CN115166514A (zh) | 一种基于自适应频谱分割去噪的电机故障识别方法及*** | |
Yi et al. | A bearing fault diagnosis method based on an improved depth residual network | |
Zuluaga et al. | Blind microscopy image denoising with a deep residual and multiscale encoder/decoder network | |
Singh et al. | Deep hidden analysis: A statistical framework to prune feature maps | |
CN113256443B (zh) | 核电水泵导轴承故障检测方法、***、设备及可读存储介质 | |
CN113409213B (zh) | 柱塞泵故障信号时频图降噪增强方法和*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |