申请/专利权人：北京航空航天大学

申请日：2024-03-19

公开（公告）日：2024-06-18

公开（公告）号：CN118211114A

主分类号：G06F18/241

分类号：G06F18/241;G06F18/213;G06F18/214;G06N3/063

优先权：

专利状态码：在审-公开

法律状态：2024.06.18#公开

摘要：本发明涉及一种基于基尼指数的稀疏特征深度解卷积方法，首先对采集到的振动信号进行高频采样、截断和去均值处理；然后基于均分频带构建输入层的初始化滤波器，并用窗函数进行初始化；将初始滤波后的信号输入隐藏层，以基尼指数Giniindex,GI作为目标函数指导深度网络训练，通过拓展的特征向量法执行权重的迭代优化，逐层增强故障的稀疏特征；随后，借助相关系数和包络谱峭度准则联合评价故障信息，降维输出最为显著的故障分量；最后，对输出的信号进行包络分析，提取故障特征频率，作出诊断。本发明借助深度网络结构能够有效增强并提取微弱故障特征，对强背景噪声具有强鲁棒性，且无需先验知识就能准确识别轴承故障产生的周期性冲击，有助于实现强噪声干扰下的轴承故障特征深度提取和自动诊断。

主权项：1.一种基于基尼指数的稀疏特征深度解卷积方法，其特征在于：包括以下步骤：S1：将振动加速度传感器吸附于对被测试滚动轴承的轴承座上，并对测试得到的振动信号进行高频采样、截断和去均值处理，将处理后的振动信号记为x，其中，信号长度为N；S2：预先设置隐藏层节点数K，滤波器长度L，网络层数Q，权重优化最大迭代次数M。基于x构建Toeplitz矩阵X0，每一行分别作为深度网络输入层节点的输入；S3：在输入层，i＝1，利用窗函数构建一组均匀分布于全频带上的FIR初始滤波器构成输入层初始权重矩阵在隐藏层，设置初始权重矩阵并且设置k＝1，m＝1；S4：按照式1，对于第i层网络，i＝1,2,...,Q，利用第k个节点的权重向量对输入信号矩阵Xi-1进行迭代滤波，得到特征信号 其中，T为转置符号，Xi-1为上一层提取的特征矩阵，为节点k提取的稀疏特征信号，为对应节点权重向量。S5：采用式2中滤波信号的基尼指数最大化约束求解，通过求解式3中广义特征值问题，用最大特征值λmax对应的特征向量更新节点权重系数，并设置m＝m+1； 其中，RXW1X和RXW2X为加权相关矩阵，为信号的平方包络，H为共轭转置符号，为的排序权重，sort为排序函数，sortn表示SEn在升序排序的序列中所处的位置。 S6：迭代执行步骤S4-S5，直到迭代次数达到预先指定的最大迭代次数M。设置k＝k+1；S7：迭代执行步骤S4-S6，直到所有节点权重向量达到最优解，获得第i层提取的特征矩阵设置i＝i+1；S8：迭代执行步骤S4-S7，直到网络层数达到预先指定的层数Q。S9：采用式4计算第Q层各节点提取的稀疏特征信号之间的相关系数。 其中，和分别是第p个节点提取的稀疏特征信号和第q个节点提取的稀疏特征信号的平均值，p＝1,2,...,K，q＝1,2,...,K。S10：选择相关系数最大对应的一组信号，利用式5计算其包络谱峭度值，剔除其中的较小值，并设置K＝K-1；S11：执行迭代步骤S10，直到剩余最为显著的特征信号，获得最终的特征信号作为网络输出；S12：对GI-SDD处理后获得的特征信号进行包络分析并得到包络谱，对包络谱进行分析，进而提取故障特征频率，识别滚动轴承故障。

全文数据：

权利要求：

百度查询： 北京航空航天大学 一种基于基尼指数的稀疏特征深度解卷积方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD