[發明專利]基于模糊處理的深度學習在液壓裝備故障診斷中的應用

有效

• 申請號: 201611039519.6
• 申請日: 2016-11-11
• 公開（公告）號: CN106555788B
• 公開（公告）日: 2018-02-06
• 發明（設計）人: 劉晶;和述群;季海鵬;董永峰;劉彥凱
• 申請（專利權）人: 河北工業大學
• 主分類號: F15B19/00
• 分類號: F15B19/00
• 代理公司: 北京挺立專利事務所(普通合伙)11265
• 代理人: 劉陽

1.一種基于模糊處理的深度學習在液壓裝備故障診斷中的應用，其特征在于,包括下述步驟：

(1)引入時間標簽和模糊權重對液壓設備運行監測數據進行預處理，并將數據預處理后的故障數據分成訓練數據集和測試數據集，并對測試數據集進行標簽化處理，即對測試數據樣本標注具體故障種類；

(2)將訓練數據集作為稀疏自編碼網絡的輸入向量進行無監督預訓練，對樣本數據進行特征提取，得到經自學習后的故障特征向量；

(3)將有標簽數據和經自學習后得到的無標簽數據作為softmax分類器的輸入向量訓練softmax分類器，得到完整的ICM模型；

(4)為優化ICM模型的分類準確性，利用BP算法對稀疏自編碼在無監督預訓練中的相關參數和softmax分類器訓練中的相關參數進行全局微調，不斷更新相關參數，得到使損失函數值達到最小的最優參數；

(5)基于上述ICM模型實現故障特征的自適應提取和故障狀況的智能診斷。

2.根據權利要求1所述的基于模糊處理的深度學習在液壓裝備故障診斷中的應用，其特征在于所述步驟(1)中數據預處理包括下述步驟：

1)樣本特征選取及歸一化：使用企業液壓設備運行監測數據建立設備監控數據集，從中選取液壓設備帶時間標簽的運行狀態數據；將液壓設備分A、B兩組，選取溫度T、壓力P、震動S、轉速R四個屬性作為特征變量來描述液壓設備狀態，加入時間TS，得到維度為8的特征向量V₁＝{T_A1,T_B1,P_A1,P_B1,S_A1,S_B1,R_A1,R_B1}，得到V₂＝{TS,T_A1,T_B1,P_A1,P_B1,S_A1,S_B1,R_A1,R_B1}；

a.將數據進行標準化處理:

X₀為設備運行狀態的原始數據，X_h為設備正常運行的理想值，X_n中n分別為T_A1,T_B1,P_A1,P_B1,S_A1,S_B1,R_A1,R_B1；

b.將標準化的數據樣本按比例縮放，使其落在[0,1]區間；

c.模型的輸出向量根據故障種類分為以下四種：0代表無故障；1代表故障1；2代表故障2；3代表故障3；

故障種類判定根據分類輸出概率值判斷，即最大概率值對應的故障種類為當前設備所處的運行狀態，當該概率值超過給定閾值時，設備報警應立即停機檢修，以免發生嚴重故障；

2)ZAC白化

模型選取的原始數據集有m個樣本，每個樣本的維數8，則ZCA白化的過程如下：

a.首先將原始數據集排成一個8×m的數值矩陣然后進行使每個屬性均值為零的標準化處理，得到的矩陣記為G；

b.計算G對應的樣本協方差矩陣Σ，求出相應的特征值，并按從大到小順序分別記為γ1，γ2...，γ8，對應的特征向量分別記為u₁，u₂，...，u₈，并記

U＝[u₁，u₂，...，u₈]；

c.左乘UT得到旋轉矩陣：

將旋轉矩陣屬性值具有單位方差：

d.ZAC白化結果：

V1T′=UV1rotT′]]>

矩陣的每一列對應ZCA白化后的樣本數據，將轉置得到V′₁為后續的數據處理做準備；

3)模糊處理

a.時間標簽的處理

采用隨機方式選取近12個月內的樣本數據，使數據的時間呈現不規律性，對不同日期的狀態數據進行權重標記；

TS=TSn-TSc30]]>

時間標簽格式為“年-月-日”，TS_n為處理數據時的系統當前時間，TS_c為數據樣本采集時間；

對時間的權重處理采取模糊數學理論中的模糊子集權重系數的確定方法，采取專家評語集的方式設定不同距離樣本數據的權重：

μ1=0.41TS<10.311≤TS<50.205≤TS<90.089≤TS<120TS≥12]]>

b.確定隸屬度函數：

V′₁根據V₂中的TS值得到每條數據在故障診斷中的權重，即得到V₃＝μ₁V′₁；根據模糊理論，因素集為V₃，評判集為Y，權重矩陣K選取梯形分布的隸屬函數：

μ(xt)=0xt<axi-ab-aa≤xt≤b1xt>b]]>

其中x值V₃中的特征向量，t為特征向量x的第t(t＝1,2,…,m)個值；a、b的確定根據不同特征的屬性來確定；這樣便可以得到樣本數據中的每個值的權重，從而改進一種故障原因對多種故障狀態的模糊對應關系；

c.得到SAE輸入向量

V1′經時間標簽的處理后得到V₃，V₃經確定隸屬度函數處理后得到SAE的輸入向量V＝μ(x_t)K^V₃，記為V＝{T_A,T_B,P_A,P_B,S_A,S_B,R_A,R_B}。