本發(fā)明屬于機(jī)械制造
技術(shù)領(lǐng)域：
，涉及一種機(jī)械故障診斷技術(shù)，具體涉及一種基于粒子群優(yōu)化的堆疊降噪自編碼網(wǎng)絡(luò)軸承故障診斷方法。
背景技術(shù)：
：滾動(dòng)軸承作為旋轉(zhuǎn)機(jī)械裝置常用的零部件，在工作過程中一旦發(fā)生故障，可能會(huì)造成重大的經(jīng)濟(jì)損失，因此對(duì)滾動(dòng)軸承故障進(jìn)行有效的診斷處置，對(duì)保證機(jī)器的正常運(yùn)轉(zhuǎn)具有重要的意義?；谌斯ぶ悄艿墓收显\斷方法，已經(jīng)廣泛的應(yīng)用于旋轉(zhuǎn)機(jī)械的故障診斷并取得了較好的效果。現(xiàn)階段，滾動(dòng)軸承故障診斷大多是通過對(duì)各種狀態(tài)參數(shù)的檢測(cè)和分析來判斷其運(yùn)行的狀態(tài)，確定故障位置和磨損程度。一般軸承故障診斷可通過振動(dòng)信號(hào)的采集、特征提取、分類來完成。而分類過程可由反向傳播神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)(SVM)等機(jī)器學(xué)習(xí)算法來實(shí)現(xiàn)，上述智能診斷方法均是采用監(jiān)督式學(xué)習(xí)的訓(xùn)練模式，這種方式訓(xùn)練得到的模型參數(shù)很大程度上受到參數(shù)初始化取值的影響，而不同的參數(shù)初始化方式不僅會(huì)影響模型的訓(xùn)練時(shí)間而且會(huì)決定模型參數(shù)能否收斂到最優(yōu)解。在深度網(wǎng)絡(luò)訓(xùn)練過程中，降噪自編碼在稀疏自編碼網(wǎng)絡(luò)的結(jié)構(gòu)基礎(chǔ)上融入去噪編碼方法，提升編碼器性能，通過對(duì)輸入數(shù)據(jù)添加“損傷噪聲”訓(xùn)練編碼器，即對(duì)輸入數(shù)據(jù)的一部分隨機(jī)置0，可以從“有噪聲的數(shù)據(jù)”中重構(gòu)出“純凈的原始輸入”。相比SAE網(wǎng)絡(luò)，學(xué)習(xí)到的特征具有更好的魯棒性。而SDAE網(wǎng)絡(luò)其結(jié)構(gòu)超參數(shù)的選取將直接影響SDAE網(wǎng)絡(luò)的分類性能，如網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)數(shù)，稀疏參數(shù)，輸入數(shù)據(jù)隨機(jī)置零比例等。而目前其超參數(shù)的確定大多是通過經(jīng)驗(yàn)枚舉多種超參數(shù)組合來獲得其中較優(yōu)的一組超參數(shù)，對(duì)于故障診斷問題，特別是對(duì)于不同領(lǐng)域的故障分類問題，泛化性能較弱。因此需要尋找一種有效的方法來自適應(yīng)選取網(wǎng)絡(luò)的超參數(shù)。技術(shù)實(shí)現(xiàn)要素：基于上述原因，本發(fā)明的目的是提供一種泛化性能好、診斷準(zhǔn)確性高的基于粒子群優(yōu)化的堆疊降噪自編碼網(wǎng)絡(luò)軸承故障診斷方法，該方法不僅具有較好的特征學(xué)習(xí)能力，而且相較與普通的稀疏自編碼器學(xué)習(xí)的特征更加具有魯棒性，其通過粒子群算法優(yōu)化降噪自編碼深度網(wǎng)絡(luò)結(jié)構(gòu)的超參數(shù)，構(gòu)建了具有多隱含層的SDAE診斷模型，從而最終提升故障分類的正確率，解決了現(xiàn)有機(jī)械故障診斷技術(shù)存在的上述問題。本發(fā)明所采用的技術(shù)方案是，一種基于粒子群優(yōu)化的堆疊降噪自編碼網(wǎng)絡(luò)軸承故障診斷方法，所述方法利用粒子群算法PSO對(duì)SDAE網(wǎng)絡(luò)超參數(shù)的隱含層節(jié)點(diǎn)數(shù)，稀疏參數(shù)，輸入數(shù)據(jù)隨機(jī)置零比例進(jìn)行自適應(yīng)的選取，來確定SDAE網(wǎng)絡(luò)結(jié)構(gòu)，據(jù)此得到故障狀態(tài)的高層特征表示，輸入到Soft-max分類器中進(jìn)行故障分類識(shí)別；該方法包括以下步驟：：步驟1：對(duì)混合工況下的滾動(dòng)軸承的原始振動(dòng)信號(hào)預(yù)處理，采用去趨勢(shì)項(xiàng)，五點(diǎn)三次平滑法對(duì)采集的時(shí)域信號(hào)預(yù)處理；步驟2：提取經(jīng)過預(yù)處理后的軸承振動(dòng)信號(hào)的14個(gè)時(shí)域特征、4個(gè)頻域特征，并對(duì)特征集進(jìn)行線性歸一化處理；步驟3：把預(yù)處理后的每一類特征集按照一定比例隨機(jī)分為訓(xùn)練集和測(cè)試集；步驟4：確定粒子群的種群個(gè)數(shù)N，最大迭代次數(shù)M，和合適的目標(biāo)分類錯(cuò)誤率error；步驟5：根據(jù)每個(gè)粒子的給定的位置和速度范圍，初始化粒子的位置Xik＝0和速度Vik＝0；步驟6：將訓(xùn)練特征集輸入到SDAE網(wǎng)絡(luò)模型中，計(jì)算每個(gè)粒子的適應(yīng)度值(錯(cuò)誤分類率)，同時(shí)找出歷史記錄的單個(gè)粒子最優(yōu)Xkpbest和整個(gè)粒子群的最優(yōu)Xkgbest；步驟7：更新每個(gè)粒子的速度和位置，判斷條件gbeset<error或k>M是否滿足，如果滿足判別條件，則退出循環(huán)，輸出優(yōu)化后的堆疊降噪自編碼網(wǎng)絡(luò)超參數(shù)，否則轉(zhuǎn)到第6步，k＝k+1，循環(huán)執(zhí)行第6，7步，直到滿足判別條件，退出循環(huán)；步驟8：把測(cè)試集輸入到優(yōu)化后的SDAE網(wǎng)絡(luò)，得到軸承故障狀態(tài)的分類結(jié)果。本發(fā)明所述的基于粒子群優(yōu)化的堆疊降噪自編碼網(wǎng)絡(luò)軸承故障診斷方法，其特征還在于：在所述步驟1中，采用多項(xiàng)式最小二乘法，先將影響信號(hào)正確性的趨勢(shì)項(xiàng)去除，然后采用五點(diǎn)三次平滑法對(duì)時(shí)域信號(hào)平滑處理，減少混入振動(dòng)信號(hào)的高頻隨機(jī)噪聲。所述軸承故障診斷方法為避免了粒子群收斂速度快，陷入局部最優(yōu)的問題，采用作了如下改進(jìn)的粒子群算法，隨著迭代次數(shù)增加，慣性因子ω由最大值線性減小到最小值，即：慣性因子的更新公式為：式中，k為當(dāng)前迭代次數(shù)，M為總的迭代次數(shù)，ωmax為慣性因子最大值，ωmin為慣性因子最小值。所述軸承故障診斷方法是一種基于粒子群算法的SDAE網(wǎng)絡(luò)超參數(shù)選取方法，對(duì)SDAE網(wǎng)絡(luò)訓(xùn)練來自適應(yīng)選取降噪自編碼網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)數(shù)、稀疏參數(shù)以及輸入數(shù)據(jù)置零比例；針對(duì)混合工況下的滾動(dòng)軸承故障問題，構(gòu)建了SDAE軸承故障診斷模型。本發(fā)明基于粒子群優(yōu)化的堆疊降噪自編碼網(wǎng)絡(luò)軸承故障診斷方法，與現(xiàn)有技術(shù)相比具有如下優(yōu)點(diǎn)：本方法不僅具有較好的特征學(xué)習(xí)能力，而且相較與普通的稀疏自編碼器學(xué)習(xí)的特征更加具有魯棒性，并且通過粒子群算法優(yōu)化降噪自編碼深度網(wǎng)絡(luò)結(jié)構(gòu)的超參數(shù)，構(gòu)建了具有多隱含層的SDAE診斷模型，從而最終提升故障分類的正確率。使用本發(fā)明的方法進(jìn)行軸承故障處理，實(shí)現(xiàn)了混合工況下的軸承故障診斷，準(zhǔn)確率都達(dá)到了95％以上。與稀疏自編碼網(wǎng)絡(luò)方法相比，本發(fā)明對(duì)軸承故障分類的準(zhǔn)確率有較大提升，對(duì)滾動(dòng)軸承的智能故障診斷具有重要的意義。附圖說明圖1是本發(fā)明方法中SDAE混合工況下軸承故障診斷流程圖；圖2是本發(fā)明方法中堆疊降噪自編碼的原理圖；圖3是本發(fā)明方法中PSO算法優(yōu)化堆疊降噪自編碼原理圖；圖4是本發(fā)明方法中實(shí)驗(yàn)平臺(tái)原理簡(jiǎn)圖；圖5是本發(fā)明方法中不同故障類型振動(dòng)時(shí)域圖；圖6是本發(fā)明方法中PSO算法優(yōu)化適應(yīng)度曲線；圖7a、圖7b是本發(fā)明方法故障特征聚類效果圖；圖8是本發(fā)明方法中故障診斷直方圖；圖9是本發(fā)明方法故障診斷混淆矩陣圖。圖中，1.變頻調(diào)速電機(jī)，2.傳動(dòng)帶，3.軸承座，4.軸承，5.加速度傳感器，6.轉(zhuǎn)軸。具體實(shí)施方式下面結(jié)合附圖和具體實(shí)施方式對(duì)本發(fā)明進(jìn)行詳細(xì)說明。一種基于粒子群優(yōu)化的堆疊降噪自編碼網(wǎng)絡(luò)軸承故障診斷方法，如圖1所示，所述方利用粒子群算法(ParticleSwarmOptimization)PSO對(duì)(StackedDenoisingAutoEncoder)SDAE網(wǎng)絡(luò)超參數(shù)的隱含層節(jié)點(diǎn)數(shù)，稀疏參數(shù)，輸入數(shù)據(jù)隨機(jī)置零比例進(jìn)行自適應(yīng)的選取，來確定SDAE網(wǎng)絡(luò)結(jié)構(gòu)，據(jù)此得到故障狀態(tài)的高層特征表示，輸入到Soft-max分類器中進(jìn)行故障分類識(shí)別；該方法包括以下步驟：步驟1：對(duì)混合工況下的滾動(dòng)軸承的原始振動(dòng)信號(hào)預(yù)處理，采用去趨勢(shì)項(xiàng)，五點(diǎn)三次平滑法對(duì)采集的時(shí)域信號(hào)預(yù)處理；步驟2：提取經(jīng)過預(yù)處理后的軸承振動(dòng)信號(hào)的14個(gè)時(shí)域特征、4個(gè)頻域特征，并對(duì)特征集進(jìn)行線性歸一化處理；步驟3：把預(yù)處理后的每一類特征集按照一定比例隨機(jī)分為訓(xùn)練集和測(cè)試集；步驟4：確定粒子群的種群個(gè)數(shù)N，最大迭代次數(shù)M，和合適的目標(biāo)分類錯(cuò)誤率error；步驟5：根據(jù)每個(gè)粒子的給定的位置和速度范圍，初始化粒子的位置Xik＝0和速度Vik＝0；步驟6：將訓(xùn)練特征集輸入到SDAE網(wǎng)絡(luò)模型中，計(jì)算每個(gè)粒子的適應(yīng)度值(錯(cuò)誤分類率)，同時(shí)找出歷史記錄的單個(gè)粒子最優(yōu)Xkpbest和整個(gè)粒子群的最優(yōu)Xkgbest；步驟7：更新每個(gè)粒子的速度和位置，判斷條件gbeset<error或k>M是否滿足，如果滿足判別條件，則退出循環(huán)，輸出優(yōu)化后的堆疊降噪自編碼網(wǎng)絡(luò)超參數(shù)，否則轉(zhuǎn)到第6步，k＝k+1，循環(huán)執(zhí)行第6，7步，直到滿足判別條件，退出循環(huán)；步驟8：把測(cè)試集輸入到優(yōu)化后的SDAE網(wǎng)絡(luò)，得到軸承故障狀態(tài)的分類結(jié)果。對(duì)本發(fā)明的幾點(diǎn)說明：1、對(duì)稀疏自編碼器(AutoEncoder,AE)、降噪自編碼器(DenoisingAutoEncoder,DAE)的說明：AE是一種無監(jiān)督學(xué)習(xí)，通過對(duì)輸入數(shù)據(jù)的編碼和解碼過程得到表征輸入數(shù)據(jù)的隱含層特征，從而達(dá)到降維及提升數(shù)據(jù)分類效果的目的，而DAE在AE的基礎(chǔ)上，對(duì)訓(xùn)練數(shù)據(jù)加入噪聲，AE必須學(xué)習(xí)去去除這種噪聲而獲得真正的沒有被噪聲污染過的輸入。因此，這就迫使編碼器去學(xué)習(xí)輸入信號(hào)的更加魯棒的表達(dá)，這也是它的泛化能力比一般AE強(qiáng)的原因。本方法中采用的即為多個(gè)DAE疊加的SDAE模型，結(jié)構(gòu)見圖2所示。2、對(duì)基于SDAE模型深度學(xué)習(xí)的預(yù)訓(xùn)練過程和微調(diào)過程的說明：a、預(yù)訓(xùn)練編碼時(shí)將符合統(tǒng)計(jì)特性的噪聲加入樣本數(shù)據(jù)進(jìn)行編碼，解碼時(shí)再從未受干擾的數(shù)據(jù)中估計(jì)出加噪輸入的原始形式。第一級(jí)降噪自編碼器的隱含層輸出經(jīng)過“加噪”損傷作為第二級(jí)降噪自編碼器的輸入，第二級(jí)降噪自編碼器的隱含層輸出“加噪”損傷作為第三級(jí)降噪自編碼器的輸入，以此類推；通過對(duì)振動(dòng)數(shù)據(jù)的逐層學(xué)習(xí)完成深度神經(jīng)網(wǎng)絡(luò)預(yù)訓(xùn)練。為了使每個(gè)隱含層輸出盡可能的表示輸入的模式，采用梯度下降算法，通過不斷的修正權(quán)重參數(shù)D，W使得代價(jià)函數(shù)最小：式中第一項(xiàng)和第二項(xiàng)為編碼過程，第三項(xiàng)為解碼過程，Wi+1，Di+1xi，zi+1分別代表第i個(gè)隱含層的編碼權(quán)重，解碼權(quán)重，第i個(gè)隱含層的輸入，第i個(gè)隱含層的輸出(第i+1隱含層的輸入)，當(dāng)i＝0時(shí)，x0＝I，λ用于控制稀疏懲罰項(xiàng)的相對(duì)重要性，為L(zhǎng)2范數(shù)，用于控制輸出的稀疏程度，σ為Sigmoid激活函數(shù)，表達(dá)式如下：b、微調(diào)在完成SDAE的預(yù)訓(xùn)練后，所得SDAE網(wǎng)絡(luò)的參數(shù)以及Soft-max分類器的參數(shù)作為網(wǎng)絡(luò)的初始參數(shù)，這些參數(shù)可以看作接近全局最優(yōu)的網(wǎng)絡(luò)參數(shù)采用梯度下降算法可對(duì)網(wǎng)絡(luò)的全部參數(shù)再次更新來改善整個(gè)模型的分類效果，此過程稱為“微調(diào)”。應(yīng)用梯度下降算法進(jìn)行微調(diào)時(shí)，算法的流程如下：對(duì)輸出層的每一個(gè)節(jié)點(diǎn)i，殘差公式為：對(duì)于隱含層l＝nl-1,nl-2,…,2，其殘差表達(dá)式為：代價(jià)函數(shù)對(duì)W，b取偏導(dǎo)數(shù)：進(jìn)行參數(shù)更新：式中η參數(shù)更新時(shí)的學(xué)習(xí)率，微調(diào)1到l層的網(wǎng)絡(luò)參數(shù)。3、對(duì)在本發(fā)明中所用粒子群算法的說明PSO是由Eberhart等提出的一種全局優(yōu)化算法，尤其適用于解決高維問題的多模態(tài)函數(shù)極值點(diǎn)的優(yōu)化，已經(jīng)成功應(yīng)用于許多研究領(lǐng)域。文中將SDAE診斷網(wǎng)絡(luò)的錯(cuò)誤分類率作為SDAE網(wǎng)絡(luò)超參數(shù)(隱含層節(jié)點(diǎn)數(shù)、稀疏參數(shù)以及輸入數(shù)據(jù)隨機(jī)置零比例)的多模態(tài)函數(shù)，通過粒子群的粒子訓(xùn)練SDAE網(wǎng)絡(luò)，根據(jù)錯(cuò)誤分類率的極小值來確定優(yōu)化的網(wǎng)絡(luò)超參數(shù)，從而得到適用于滾動(dòng)軸承故障診斷的PSO-SDAE深度神經(jīng)網(wǎng)絡(luò)模型。更新每個(gè)粒子的速度和位置的公式如下：Vik+1＝ωVik+c1r1(Xkipbest-Xik)+c2r2(Xkgbest-Xik)Xik+1＝Xik+Vik+1公式中c1和c2稱為學(xué)習(xí)因子，取值范圍c∈[0,2]，通常c1＝c2＝2。r1和r2是取值(0,1)之間服從均勻分布的隨機(jī)數(shù)。采用改進(jìn)的粒子群算法，避免了粒子群收斂速度快，陷入局部最優(yōu)的問題，作了如下改進(jìn)，隨著迭代次數(shù)增加，慣性因子ω由最大值線性減小到最小值。即：慣性因子的更新公式為：式中，k為當(dāng)前迭代次數(shù)；M為總的迭代次數(shù)；ωmax為慣性因子最大值；ωmin為慣性因子最小值。實(shí)施案例：(1)試驗(yàn)數(shù)據(jù)利用旋轉(zhuǎn)機(jī)械試驗(yàn)臺(tái)進(jìn)行軸承故障試驗(yàn)，實(shí)驗(yàn)平臺(tái)的結(jié)構(gòu)如圖4所示。由變頻調(diào)速電機(jī)1，傳動(dòng)帶2，軸承座3，軸承4、加速度傳感器5及轉(zhuǎn)軸6.組成，故障軸承4裝在2號(hào)位固定安裝轉(zhuǎn)軸6的軸承座3中，在2號(hào)位軸承座3上裝有加速度傳感器5；用裝在軸承座3上的加速度傳感器5采集軸承4振動(dòng)信號(hào)。在該軸承4的外圈和內(nèi)圈用線切割加工深度為0.5mm，寬度分別為0.5mm，1mm和2mm三種不同的切槽，分別模擬不同部位軸承的輕度、中度和重度故障，采集了轉(zhuǎn)速為800，1100，1400r/min的軸承振動(dòng)信號(hào)，采樣頻率fs＝12kHz，每次采樣時(shí)間持續(xù)20s，總共采集了21種振動(dòng)信號(hào)，實(shí)驗(yàn)工況描述如表1所示。表1實(shí)驗(yàn)工況描述類別故障位置故障尺寸/mm故障程度1無0正常2內(nèi)圈寬0.5，深0.5輕度3內(nèi)圈寬1，深0.5中度4內(nèi)圈寬2，深0.5重度5外圈寬0.5，深0.5輕度6外圈寬1，深0.5中度7外圈寬2，深0.5重度圖5顯示了n＝1100r/min軸承正常狀態(tài)、內(nèi)圈、外圈寬度為0.5mm的故障類別的振動(dòng)信號(hào)。從圖中的時(shí)域波形中可以看到實(shí)驗(yàn)采集到的軸承振動(dòng)信號(hào)與軸承仿真信號(hào)有很大不同，三種類型的時(shí)域波形都包含有很大的噪聲，振動(dòng)信號(hào)淹沒在噪聲中。(2)粒子群優(yōu)化堆疊降噪自編碼網(wǎng)絡(luò)的訓(xùn)練過程選取轉(zhuǎn)軸轉(zhuǎn)一圈的樣本點(diǎn)作為一個(gè)樣本的長(zhǎng)度，首先把截取好的每一類振動(dòng)信號(hào)樣本集經(jīng)過數(shù)據(jù)預(yù)處理和特征提取得到總的特征集，每類故障在每種工況下的數(shù)據(jù)集為300組，共有三種不同轉(zhuǎn)速工況，因此每類特征集共900組，從每類總特征集中隨機(jī)選擇樣本數(shù)的60％作為訓(xùn)練集，其余樣本作為測(cè)試集。以軸承振動(dòng)信號(hào)的18個(gè)時(shí)域和頻域特征作為網(wǎng)絡(luò)的輸入，設(shè)置SDAE網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)數(shù)為18，針對(duì)7種不同類型的軸承狀態(tài)，設(shè)置網(wǎng)絡(luò)的輸出層節(jié)點(diǎn)數(shù)為7，利用PSO算法來尋找網(wǎng)絡(luò)每個(gè)隱含層的節(jié)點(diǎn)數(shù)、稀疏參數(shù)和輸入數(shù)據(jù)置零比例，PSO優(yōu)化后SDAE網(wǎng)絡(luò)的結(jié)構(gòu)超參數(shù)見表2，PSO算法優(yōu)化的適應(yīng)度曲線見圖6所示。表2PSO優(yōu)化SDAE的網(wǎng)絡(luò)結(jié)構(gòu)超參數(shù)參數(shù)超參數(shù)符號(hào)優(yōu)化參數(shù)值損傷比例P0.04第一個(gè)隱含層節(jié)點(diǎn)數(shù)m120第二個(gè)隱含層節(jié)點(diǎn)數(shù)m220第三個(gè)隱含層節(jié)點(diǎn)數(shù)m325第一個(gè)隱含層稀疏參數(shù)ρ10.2684第二個(gè)隱含層稀疏參數(shù)ρ20.3317第三個(gè)隱含層稀疏參數(shù)ρ30.1514(3)故障特征聚類效果優(yōu)化后的堆疊降噪自編碼網(wǎng)絡(luò)參數(shù)為表2所示，權(quán)重衰減系數(shù)α＝1e-3，稀疏懲罰系數(shù)β＝3，每層DAE以及Soft-max分類層網(wǎng)絡(luò)參數(shù)更新的最大迭代次數(shù)均設(shè)置為100，微調(diào)優(yōu)化的最大迭代次數(shù)設(shè)置為150。而普通的稀疏自編碼網(wǎng)絡(luò)采用與優(yōu)化后的堆疊降噪自編碼網(wǎng)絡(luò)相同的結(jié)構(gòu)超參數(shù)，保留隱含層特征前三維的主成分，其聚類效果如圖7a、圖7b所示，對(duì)于混合工況下軸承故障特征聚類效果，普通的稀疏自編碼網(wǎng)絡(luò)的第二類和第七類錯(cuò)分的類別相較與優(yōu)化后的SDAE較多，SDAE的第二類和第七類的聚類更加緊湊。低維空間肉眼觀測(cè)能明顯線性可分，類內(nèi)間距離最短，類外距離最長(zhǎng)，說明經(jīng)粒子群優(yōu)化后的SDAE網(wǎng)絡(luò)提取的特征具有更好的魯棒性和泛化性。(4)分類效果圖8為優(yōu)化后SDAE網(wǎng)絡(luò)和普通的稀疏自編碼網(wǎng)絡(luò)對(duì)于混合工況下軸承故障10次測(cè)試的分類正確率對(duì)比圖，從直方圖可以明顯的看出，經(jīng)過優(yōu)化后SDAE網(wǎng)絡(luò)的分類正確率均優(yōu)于稀疏自編碼網(wǎng)絡(luò)。為了清晰地表示優(yōu)化后的SDAE網(wǎng)絡(luò)對(duì)混合工況下的每一類故障的具體診斷情況，圖9顯示了測(cè)試集最后一次的故障分類混淆矩陣?；煜仃嚈M軸代表預(yù)測(cè)類別，縱軸代表實(shí)際類別，對(duì)角線處的數(shù)值表示SDAE網(wǎng)絡(luò)在每一類測(cè)試樣本的分類正確率，非對(duì)角線位置的數(shù)值表示網(wǎng)絡(luò)對(duì)每一類的錯(cuò)誤分類率。例如：第五行第三列的元素值1.7％，表示實(shí)際類別為第五類，錯(cuò)分到第三類的比例為1.7％。從圖9的實(shí)驗(yàn)結(jié)果可以看出，其中第1類、第2類、第3類、第4類、第5類、第6類、第7類的分類正確率分別為95％，98.3％，98.3％，100％，98.3％，97.5％，99.2％，整個(gè)測(cè)試集的平均分類正確率為97.97％，軸承每個(gè)類別的分類正確率都在95％以上，說明該算法對(duì)于混合工況下的軸承故障狀態(tài)有很好的分類識(shí)別效果。綜上所述，經(jīng)本文發(fā)明所提方法處理后，實(shí)現(xiàn)了混合工況下的軸承故障診斷，準(zhǔn)確率都達(dá)到了95％以上。與稀疏自編碼網(wǎng)絡(luò)方法相比，本發(fā)明對(duì)軸承故障分類的準(zhǔn)確率有較大提升，對(duì)滾動(dòng)軸承的智能故障診斷具有重要的意義。最后需要說明的是，上述實(shí)施方式只是對(duì)本發(fā)明一個(gè)優(yōu)選實(shí)施例所作的描述，并非對(duì)本發(fā)明保護(hù)范圍進(jìn)行的限定，在不脫離本發(fā)明設(shè)計(jì)精神的前提下，本領(lǐng)域技術(shù)人員對(duì)本發(fā)明的技術(shù)方案作出的各種等效的變化、修飾和改進(jìn)，均應(yīng)包括在本發(fā)明申請(qǐng)專利范圍內(nèi)。當(dāng)前第1頁1 2 3