1.一种基于零序电流相关熵增强稀疏学习的传动链故障诊断方法,其特征在于,包括以下步骤:步骤一,数据采集和预处理:收集传动系统中轴承和齿轮不同故障条件下的三相电机的ABC相电流,然后计算三相电流信号的零序电流,最后再对零序电流数据进行预处理;
步骤二,构建零序电流稀疏特征学习的旋转机械故障诊断模型:建立旋转机械故障诊断模型,初始化模型参数,根据所设计的综合损失函数,自上而下逐层微调网络参数,以最小化损失函数为目标完成网络的整个训练过程,并保留模型的最优结构;
所述步骤二中,在稀疏自编码器的基础上对损失函数进行了改进,设计了一个综合损失函数来代替传统的均方误差,具体过程为:首先,针对传统重建损失的局限性,引入相关熵函数,相关熵是对两个随机变量A=[aV
其中,κ
相关熵的估计值计算得出:
a
高斯核是相关熵中的Mercer核,高斯核定义为:其中,σ为核大小;
然后,设计出相关熵损失函数来替代传统的均方误差,相关熵损失函数如下:为了进一步加强特征学习,成本函数中引入了一个非负约束项,引入非负约束项后的成本函数表示为J其中,G()是一个非负约束函数,用于确保神经元的权重值为非负;
由于稀疏自编码器的目标是最小化损失函数,而相关熵是用来计算输入数据和重建数据之间相似性,为了最大化相关熵,同时最小化重建误差,设计了一个新的损失函数J建立好模型结构后,初始化网络参数,根据提出的损失函数J步骤三,将预处理后的零序电流数据输入训练好的故障诊断模型中,获取诊断结果:将测试样本放入训练好的网络中进行特征学习,然后再输入Softmax分类器中进行故障诊断。
2.根据权利要求1所述的基于零序电流相关熵增强稀疏学习的传动链故障诊断方法,其特征在于:所述步骤一中,首先,当旋转机械发生故障时,轴承滚动体损坏或齿轮部件缺齿和断齿,将导致负载分布不均,从而使三相不完全对称,使得零序电流不为零;其次,旋转机械故障将引起机械振动和冲击,进而传递到电机定子,在电流信号中,这种机械振动和冲击将表现为零序电流分量的增加,不同的故障还可能导致零序电流相位的不同;因此,通过监测零序电流的大小,可确定旋转机械是否存在故障;
将收集到的三相电机的ABC相电流的瞬时值进行相加,得到零序电流信号ii
其中,i
采用重叠采样的方法对数据进行增强,然后进行归一化处理,再对归一化处理后的数据添加标签,最后将数据集分为训练集和测试集。
3.根据权利要求2所述的基于零序电流相关熵增强稀疏学习的传动链故障诊断方法,其特征在于:所述步骤二中,构建零序电流稀疏特征学习的旋转机械故障诊断模型,用于从故障信号中提取更具代表性的特征;
给定未标记数据X=[x
其中,σ
4.根据权利要求3所述的基于零序电流相关熵增强稀疏学习的传动链故障诊断方法,其特征在于:所述步骤二中,通过最小化重构数据其中,J(ω)是成本函数;J
5.根据权利要求1所述的基于零序电流相关熵增强稀疏学习的传动链故障诊断方法,其特征在于:所述步骤三中,Softmax函数表示为:其中,z