1.一种基于LOF自编码的机械故障智能诊断方法,其特征在于,包括以下步骤:步骤S1,获取机械不同健康状态下的振动信号样本;
步骤S2,从振动信号样本中截取获得局部信号片段集;
步骤S3,利用局部信号片段集对稀疏自编码网络进行训练,获得稀疏自编码网络的权重矩阵;
步骤S4,基于稀疏自编码网络的权重矩阵提取原始振动信号局部特征;
步骤S5,基于振动信号局部特征计算LOF异常因子;
步骤S6,矫正局部特征并融合为全局特征;
步骤S7,训练神经网络中的Softmax分类网络;从而完成整个诊断神经网络的训练;
步骤S8,基于以上训练完成后的诊断神经网络进行机械故障诊断;
步骤S1中,
m
将获取的原始振动信号样本组成机械健康状态样本集 其中x 为第m个m
原始振动信号样本,y为第m个原始振动信号样本的健康状态类型,M为振动信号样本数量;
步骤S2中,
以重叠滑窗方式随机从振动信号样本中截取Ns个局部信号片段,组成局部信号片段集js表示第j个局部信号片段,每个局部信号片段有个Nin采样点;
步骤S3中,稀疏自编码网络的权重矩阵记为 其中,Nin为稀疏自编码网络的输入维数,Nout为稀疏自编码网络的特征维数;
m
步骤S4中,将振动信号x分为不重叠的局部信号片段,表示如下:其中,J为振动信号分为局部信号片段的个数, 为第m个振动信号样本的第j个局部信号片段;
m
振动信号x中每一个局部信号片段输入到稀疏自编码网络中提取 的特征为其中,σr为稀疏自编码网络的特征层激活函数;
m
振动信号x对应的局部特征集为步骤S5具体包括:对局部特征集 进行LOF异常因子的计算,包括:设定k值大小,搜索计算局部特征集 内任意一点的k近邻域;
计算局部特征集 内所有特征点的局部可达密度,其中任意点其中,o′为点i的邻域内的特征点,k_distance(o′)表示点o′的第k距离,k_distance(o)表示点o的第k距离,d(o,o′)表示点o与o′的欧氏距离,k值取为5;Nk(o)是点o的邻域,即点o的第k距离以内的所有点,包括第k距离上的点;
点o的LOF异常因子计算表达式如下:其中,lrdk(o)与lrdk(o′)分别为点o与点o′的局部可达密度;
步骤S6中,
m
对每个振动信号样本x 求出第j个局部信号片段的LOF异常因子 将m
作为特征平均的权重因子,矫正局部特征并融合为全局特征h ;如下式所示:步骤S7具体包括:
m
将获得的全局特征h 与健康状态类型结合,形成Softmax分类网络的训练集m假设训练集的健康状态有C种,则y∈{1,2,…,C};对每个输入的全局特征m m m
h,Softmax分类网络通过调整参数估计该特征为第c种健康状态的概率p(y=c|h),其中c=1,2,…,C;
Softmax分类网络输出表示为:其中,Ws为Softmax分类网络的权重矩阵,Wc为权重矩阵Ws的第c行向量;
Softmax分类网络的目标函数为:其中,1{·}为指示函数,当输入为真时,指示函数的值为1;当输入为假时,指示函数的值为0;通过最小化目标函数J(Ws),得到优化的Ws;最终完成诊断神经网络的训练。