一种基于SDA和Softmax回归的深度学滚动轴承故障诊断方法

摘要

本发明提出了一种基于SDA和Softmax回归的深度学滚动轴承故障诊断方法，本方法在滚动轴承故障分析的基础上，针对目前分类算法鲁棒性和精度受限的问题，借鉴图像模式识别的相关领域知识，采用基于多层神经网络的深度学自主认知方法，通过层叠降噪自动编码器模型实现了原始数据在输入部分遮挡条件下的自表达，并将重构数据输入至Softmax回归模型判断滚动轴承的工作状态和故障类型。试验结果分析表明，该方法能有效地应用于滚动轴承的故障诊断。

主权项

一种基于SDA和Softmax回归的深度学习滚动轴承故障诊断方法，其特征在于：该方法包括如下步骤：第一步：基于均匀分布的原始数据“遮挡”预处理该方法以滚动轴承的原始数据作为输入样本x，采用遮挡处理，即在该样本中加入随机噪声，以均匀分布将输入层的部分节点置0，得到新的输入样本x'；然后以遮挡处理后的x'作为SDA神经网络模型的输入，通过多层神经网络的深度学习来表达出遮挡前的样本x，实现对原始数据的重构，从而实现高鲁棒性的特征自表达，提高故障诊断的抗噪能力；第二步：基于SDA模型的滚动轴承特征无监督自学习过程通过对滚动轴承故障模式的分析，得出滚动轴承在不同故障模式下的振动数据，然后利用第一步的步骤将得到的正常和故障数据进行遮挡处理，通过无监督自学习训练SDA模型；该方法中的无监督自学习过程是一个深度学习的过程，SDA模型框架是具有两个隐层的神经网络，通过对数据的逐层学习得到最终的重构基向量，且将神经网络第一个隐层的输出作为第二个隐层的输入；SDA模型的训练共有无监督自学习和有监督微调两个步骤，为了更有效地找出隐含在输入数据内部的结构与模式，采用稀疏编码的方式来进行原始数据特征的无监督自学习；第三步：基于Softmax回归与参数微调算法的故障诊断选择Softmax回归算法作为滚动轴承故障诊断算法，以SDA算法重构出的基向量作为Softmax算法的输入，解决滚动轴承在多个故障模式下的分类问题，通过最小化代价函数计算每一种分类结果出现的概率，并利用参数微调的方法对深度学习神经网络整体进行优化，如果某故障特征计算的概率值最大，即确定故障为当前估计的故障模式。