本發(fā)明屬于軸承檢測，特別涉及基于深度隨機(jī)神經(jīng)網(wǎng)絡(luò)集成的軸承故障診斷系統(tǒng)。

背景技術(shù)：

1、軸承作為旋轉(zhuǎn)機(jī)械的重要組成，是航空、航天、工業(yè)生產(chǎn)等各行業(yè)機(jī)電裝備的核心零部件，在實(shí)際工作過程中，軸承故障振動(dòng)信號(hào)隨負(fù)載不斷變化，且軸承故障振動(dòng)信號(hào)微弱，容易被強(qiáng)干擾信號(hào)覆蓋。因此，從變載荷和強(qiáng)噪聲環(huán)境下的軸承振動(dòng)信號(hào)中提取出故障特征，并對(duì)故障進(jìn)行及時(shí)有效的診斷，可以有效避免故障的持續(xù)惡化。

2、近年來，機(jī)器學(xué)習(xí)(machine?learning,ml)、深度學(xué)習(xí)(deep?learning,dl)、大語言模型(large?language?model,llm)等人工智能技術(shù)得到快速發(fā)展，數(shù)據(jù)驅(qū)動(dòng)的軸承故障診斷方法逐漸替代基于數(shù)學(xué)模型的故障診斷方法和基于經(jīng)驗(yàn)知識(shí)的故障診斷方法。其中，數(shù)據(jù)驅(qū)動(dòng)的軸承故障診斷方法技術(shù)流程分為信號(hào)采集、特征提取和故障分類。

3、雖然深度學(xué)習(xí)模型，能夠有效提高軸承故障診斷精度，但是基于梯度下降的誤差反傳算法嚴(yán)重影響了模型的運(yùn)算效率，不適用于工業(yè)數(shù)據(jù)實(shí)時(shí)分析場景。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明意在提供基于深度隨機(jī)神經(jīng)網(wǎng)絡(luò)集成的軸承故障診斷系統(tǒng)，以解決現(xiàn)有的軸承故障檢測系統(tǒng)不能夠滿足于工業(yè)上的需求的問題。

2、本方案中的基于深度隨機(jī)神經(jīng)網(wǎng)絡(luò)集成的軸承故障診斷系統(tǒng)，包括以下步驟：

3、步驟一：數(shù)據(jù)預(yù)處理-小波包能量譜特征提??；

4、步驟二：初始化coot算法，計(jì)算出參數(shù)，n：特征映射次數(shù)，p：每次映射為p維特征，m：基礎(chǔ)學(xué)習(xí)器數(shù)量，q：基礎(chǔ)學(xué)習(xí)器特征增強(qiáng)維度；

5、步驟三：構(gòu)建drnne模型，利用上述參數(shù)計(jì)算適應(yīng)度值，

6、算法流程如下：

7、(1)特征映射階段

8、計(jì)算出輸入特征x進(jìn)行特征映射。

9、(2)特征增強(qiáng)階段：

10、對(duì)映射特征節(jié)點(diǎn)進(jìn)行m次特征增強(qiáng)，構(gòu)建基礎(chǔ)學(xué)習(xí)器，具體流程如下：

11、通過下列公式將映射特征fn進(jìn)行m次特征增強(qiáng)。

12、hk＝φ(fnwhk+βhk),k＝1

13、hk＝φ(hk-1whk+βhk),k＝2,3,…,m

14、(3)輸出權(quán)重計(jì)算：

15、利用公式構(gòu)建映射特征和基礎(chǔ)學(xué)習(xí)器增強(qiáng)特征進(jìn)行組合，并計(jì)算得到drnne模型輸出權(quán)重β。

16、(4)計(jì)算模型輸出：

17、通過下式計(jì)算各層輸出結(jié)果yk，并采取投票集成學(xué)習(xí)方式進(jìn)行結(jié)果融合，獲得最終結(jié)果y。

18、yk＝akβk

19、步驟四：保存種群全局最優(yōu)位置和最佳適應(yīng)度值。

20、步驟五：判斷適應(yīng)度值是否滿足尋優(yōu)目標(biāo)或達(dá)到算法最大迭代次數(shù)。若滿足則確定最優(yōu)參數(shù)，不滿足則回到步驟二中重新確定。

21、步驟六：確定最優(yōu)參數(shù)n,p,m和q，輸出故障診斷結(jié)果。

22、本方案的工作原理及其有益效果：首先，利用小波包能量譜提取高維軸承故障特征；其次，為提高bls的泛化性能，設(shè)計(jì)了一種深度隨機(jī)神經(jīng)網(wǎng)絡(luò)集成模型，并使用coot算法選擇drnne網(wǎng)絡(luò)參數(shù)；最后，實(shí)驗(yàn)結(jié)果驗(yàn)證了drnne模型的有效性，相比于bls，drnne進(jìn)一步提高了軸承故障診斷精度；

23、該診斷系統(tǒng)基于bls學(xué)習(xí)框架，對(duì)映射節(jié)點(diǎn)進(jìn)行多次特征增強(qiáng)，結(jié)合集成學(xué)習(xí)策略，提高故障診斷模型泛化性能。與此同時(shí)，采用白骨頂雞優(yōu)化算法(coot?optimizationalgorithm,coot)優(yōu)化drnne網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)，確保模型具有較強(qiáng)的特征學(xué)習(xí)能力同時(shí)，進(jìn)一步提高模型泛化能力。

24、進(jìn)一步，所述步驟一中小波包能量譜特征提取使用驅(qū)動(dòng)端采集的48khz信號(hào)數(shù)據(jù)，針對(duì)各種工作狀態(tài)的軸承信號(hào)數(shù)據(jù)，通過小波包能量譜對(duì)原始信號(hào)進(jìn)行小波包分解，將原始信號(hào)數(shù)據(jù)分解為多個(gè)不同的頻帶，以信號(hào)高頻帶的頻率分辨率和低頻帶的時(shí)間分辨率。小波包能量譜能夠有效提高軸承故障特征。

25、進(jìn)一步，所述步驟二中coot算法通過確定計(jì)算過程中的領(lǐng)導(dǎo)者和普通個(gè)體位置，每次計(jì)算均更新一次領(lǐng)導(dǎo)者和普通個(gè)體的位置。coot算法有利于提高drnne的參數(shù)搜索效率，減少搜索次數(shù)。

26、進(jìn)一步，所述步驟三中算法流程(1)中計(jì)算公式為

27、fi＝φ(xwei+bei),i＝1,2,…,n，

28、并利用fn＝[f1,f2,…,fn]，

29、對(duì)n結(jié)果進(jìn)行特征組合，其中，φ代表特征映射激活函數(shù)，wei和bei分別為隨機(jī)權(quán)重和偏置。

30、進(jìn)一步，所述步驟三中算法流程(2)中φ表示激活函數(shù)，whk和bhk分代表隨機(jī)權(quán)重和偏置。

31、進(jìn)一步，所述步驟三中算法流程(3)所用公式為

32、ak＝[fn|hk]

33、和

34、其中，c為正則化參數(shù)。

技術(shù)特征：

1.基于深度隨機(jī)神經(jīng)網(wǎng)絡(luò)集成的軸承故障診斷系統(tǒng)，其特征在于：

2.根據(jù)權(quán)利要求1所述的基于深度隨機(jī)神經(jīng)網(wǎng)絡(luò)集成的軸承故障診斷系統(tǒng)，其特征在于：所述步驟一中小波包能量譜特征提取使用驅(qū)動(dòng)端采集的48khz信號(hào)數(shù)據(jù)，針對(duì)各種工作狀態(tài)的軸承信號(hào)數(shù)據(jù)，通過小波包能量譜對(duì)原始信號(hào)進(jìn)行小波包分解，將原始信號(hào)數(shù)據(jù)分解為多個(gè)不同的頻帶，以信號(hào)高頻帶的頻率分辨率和低頻帶的時(shí)間分辨率。

3.根據(jù)權(quán)利要求2所述的基于深度隨機(jī)神經(jīng)網(wǎng)絡(luò)集成的軸承故障診斷系統(tǒng)，其特征在于：所述步驟二中coot算法通過確定計(jì)算過程中的領(lǐng)導(dǎo)者和普通個(gè)體位置，每次計(jì)算均更新一次領(lǐng)導(dǎo)者和普通個(gè)體的位置。

4.根據(jù)權(quán)利要求3所述的基于深度隨機(jī)神經(jīng)網(wǎng)絡(luò)集成的軸承故障診斷系統(tǒng)，其特征在于：所述步驟三中算法流程(1)中計(jì)算公式為

5.根據(jù)權(quán)利要求4所述的基于深度隨機(jī)神經(jīng)網(wǎng)絡(luò)集成的軸承故障診斷系統(tǒng)，其特征在于：所述步驟三中算法流程(2)中φ表示激活函數(shù)，whk和bhk分代表隨機(jī)權(quán)重和偏置。

6.根據(jù)權(quán)利要求4所述的基于深度隨機(jī)神經(jīng)網(wǎng)絡(luò)集成的軸承故障診斷系統(tǒng)，其特征在于：所述步驟三中算法流程(3)所用公式為

技術(shù)總結(jié)
本方案公開了軸承檢測技術(shù)領(lǐng)域的基于深度隨機(jī)神經(jīng)網(wǎng)絡(luò)集成的軸承故障診斷系統(tǒng)，步驟一：小波包能量譜特征提取；步驟二：初始化COOT算法，計(jì)算出參數(shù)；步驟三：構(gòu)建DRNNE模型，計(jì)算適應(yīng)度值；步驟四：保存種群全局最優(yōu)位置和最佳適應(yīng)度值；步驟五：判斷適應(yīng)度值是否滿足尋優(yōu)目標(biāo)或達(dá)到算法最大迭代次數(shù)。若滿足則確定最優(yōu)參數(shù)，不滿足則回到步驟二中重新確定；步驟六：確定最優(yōu)參數(shù)n,p,m和q，輸出故障診斷結(jié)果。該診斷系統(tǒng)基于BLS學(xué)習(xí)框架，對(duì)映射節(jié)點(diǎn)進(jìn)行多次特征增強(qiáng)，結(jié)合集成學(xué)習(xí)策略，提高故障診斷模型泛化性能，并采用COOT算法優(yōu)化DRNNE網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)，確保模型具有較強(qiáng)的特征學(xué)習(xí)能力同時(shí)，進(jìn)一步提高模型泛化能力。

技術(shù)研發(fā)人員：鄭凱,張成龍,劉杰,余朝靜
受保護(hù)的技術(shù)使用者：茅臺(tái)學(xué)院
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/28