基于EMD-HHT包络谱与堆栈降噪自编码SDAE轴承故障诊断

机器鱼

已于 2022-03-12 17:31:19 修改

阅读量3.7k

点赞数 9

分类专栏：机器学习深度学习故障诊断文章标签：故障诊断深度学习 MATLAB

于 2022-03-12 16:31:55 首次发布

本文链接：https://blog.csdn.net/qq_41043389/article/details/123444937

版权

深度学习同时被 3 个专栏收录

26 篇文章 66 订阅

订阅专栏

机器学习

16 篇文章 21 订阅

订阅专栏

故障诊断

14 篇文章 68 订阅

订阅专栏

0.引言

针对滚动轴承故障问题，提出一种基于经验模态分解–希尔伯特(empirical mode decomposition-Hilbert ，简称EMD-Hilbert)包络谱和堆栈自动编码器(Stack denoise auto-encoder，简称SDAE)的滚动轴承故障识别方法。该方法首先对滚动轴承各状态振动信号进行 EMD，然后选取前5个敏感本征模态函数 (intrinsic mode function，IMF)，并对其进行 Hilbert 变换求取包络谱。最后将各状态振动信号的IMF包络谱按顺序构建新的高维数据，输入到SDAE中，实现故障识别。同时，由于提取的IMF包络谱特征维数过高，采用PCA对其中可能包含的冗余特征进行剔除。对比实验结果显示，采用包络谱+PCA+SDAE方法得到的故障识别正确率最高。

1.方法原理

1.1 EMD-HHT包络谱

参考文献【基于 EEMD-Hilbert 包络谱和 DBN 的变负载下滚动轴承状态识别方法】，EMD-HHT包络谱求取步骤为：1）对信号进行EMD分解；2）分别对每个分量做hilbert变换，得到包络线；3）对每个分量的包络线做FFT分析，得到最终特征数据。由于EMD分解出的分量个数并不确定，因此仅取其前5个分量做上述操作。

1.2 PCA

主成分分析的原理就不说了。

1.3 SDAE

这个原理百度就有，可以参考这里，

2.流程

3.具体实现

3.1 数据准备

采用西储大学轴承故障诊断数据集，48K/0HP数据，共10类故障（正常作为一类特殊的故障类型），划分后每个样本的采样点为1024，每类故障各200个样本，因此一共2000个样本，然后7:3划分训练集与测试集。

3.2 EMD-HHT包络谱求取

任意取一个样本做分析，得到EMD分解与归一化后的特征分量如图所示。

3.3 PCA降维

对训练集数据进行pca分析后，将数据降至600维。

method=@mapminmax;%对数据进行标准化 #mapstd mapminmax、
[xs,mapping]=method(train_x');train_x=xs';
xts=method('apply',test_x',mapping);test_x=xts';

[pc,score,latent,tsquare] = pca(train_x);%我们这里需要他的pc和latent值做分析

tran=pc(:,1:600);
feature= bsxfun(@minus,train_x,mean(train_x,1));
feature_train_x= feature*tran;
feature= bsxfun(@minus,test_x,mean(train_x,1));
feature_test_x= feature*tran;
train_x=feature_train_x;
test_x=feature_test_x;

3.4 故障诊断

采用如下参数构建整个SDAE网络。

%% 无监督训练多个降噪自动编码器 假设输入维度为 sizes=[n n1 n2]，则训练两个ae 一个是n-n1-n 一个是n1-n2-n1
    sizes=[size(train_x,2) 50 30 size(train_y,2)]; % 这里 size(train_x,2)为输入层节点数 size(train_y,2)为分类层节点数
    learningRate1=0.01;%各dae的学习率
    denoise=0.5;%各dae的噪声强度
    numepochs1=10;%各dae的训练次数
    batchsize1=64;%%各dae的batchsize
    activation_function='sigm';%各ae的激活函数
    sae = sdaesetup(sizes,activation_function,learningRate1,denoise);
    opts.numepochs =   numepochs1; 
    opts.batchsize = batchsize1; 
    opts.show=0;% 0就不显示训练过程
    disp('Train DAEs ')
    sae = saetrain(sae, train_x, opts);
    %% 构建一个多层前向网络,然后采用上面无监督预训练好的几个DAE的输入层-隐含层权重来初始化，这就叫堆栈降噪自编码器-SDAE
    % 然后结合标签进行SDAE的微调训练
    learningRate2=0.1;%sae的学习率
    numepochs2=500;%sae的训练次数
    batchsize2=64;%sae的batchsize
    nn = nnsetup(sizes);%构建一个多层前向网络
    nn.activation_function= 'sigm';%和上面保持一致
    nn.learningRate= learningRate2;
    nn=saeunfoldnn(nn,sae);%利用DAE的参数初始化SDAE
    opts.numepochs =   numepochs2;
    opts.batchsize = batchsize2;
    nn.output      = 'softmax';