[發明專利]一種基于時序數據流行學習的機械設備故障診斷方法

在審

• 申請號: 201710422070.X
• 申請日: 2017-06-07
• 公開（公告）號: CN107341504A
• 公開（公告）日: 2017-11-10
• 發明（設計）人: 王志成;衛剛;陳張莉
• 申請（專利權）人: 同濟大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 上海科盛知識產權代理有限公司31225
• 代理人: 宣慧蘭

技術領域

本發明涉及一種機械設備故障診斷方法，尤其是涉及一種基于時序數據流行學習的機械設備故障診斷方法。

背景技術

故障診斷方法的研究本質是模式分類問題，其發展主要包括兩個階段：以信號處理技術為主的傳統診斷技術階段和以專家系統、神經網絡等人工智能技術為核心的智能診斷技術階段。雖然目前傳統故障診斷技術在工程實際中的應用較為廣泛并且帶來了經濟效益，但是隨著大型設備和運行工況復雜度的提高，智能技術在改善診斷結果的準確率方面更具前景。就具體過程而言，故障診斷主要包括信號采集、特征提取和模式分類等步驟，其中特征提取是故障診斷技術中最重要且艱巨的一環，它是后續機械狀態監測與故障診斷的基礎，嚴重影響診斷結果的精準性和可信度。

在工程實際中，由設備本身及其零部件所產生的振動信號十分復雜，各種故障因素相互耦合，獲取的振動信號變得非平穩、非線性，并帶有強噪聲，而振動信號時序數據的特征提取主要是以各種信號處理方法為依托，因此現代信號處理技術的進步和理論的豐富有力推動了故障診斷技術的變革。

流形學習是近年來新興的一種維度約簡方法，其假設原始數據集是嵌入在高維空間中的流形之上，在盡可能地保持樣本本征幾何結構特性不變的前提下，恢復真實低維流形結構。Tenenbaum JB,De SV,Langford JC于2000年在Science第290卷5500期發表了題為A global geometric framework for nonlinear dimensionality reduction的文章提出了等距特征映射算法(Isometric Feature Mapping，ISOMAP)，Roweis ST,Saul LK于2000年在Science第290卷5500期發表了題為Nonlinear Dimensionality Reduction by Locally Linear Embedding的文章提出了局部線性嵌入算法(Locally Linear Embedding，LLE)，提出正式開啟了流形學習的方向。之后，Weinberger KQ,Saul LK于2004年在Computer Vision and Pattern Recognition(CVPR)上發表了題為Unsupervised learning of image manifolds by semidefinite programming的文章提出了最大差異展開(Maximum Variance Unfolding，MVU)方法；Belkin M,Niyogi P于2003年在Neural Computation第15卷第6期上發表了題為Laplacian eigenmaps for dimensionality reduction and data representation的文章，提出了拉普拉斯特征映射(Laplacian Eigenmaps，LE)方法；Zhang ZY,ZhaHY與2004年在Journal of Shanghai University(English Edition)第26卷第4期發表了題為Principal Manifolds and Nonlinear Dimensionality Reduction Via Tangent Space Alignment的文章提出局部切空間排列(Local Tangent Space Alignment，LTSA)方法。但是傳統的流形學習方法無法解決樣本外點學習問題，并且算法本身也存在鄰域大小和本征維度等參數的估計問題。Yan SC,Xu D,Zhang BY,Zhang HJ于2005年在CVPR上發表了題為Graph Embedding And Extension:A General Framework For Dimensionality Reduction的文章詳述了圖嵌入的思想，并在此基礎上解釋了現有的流形學習方法，同時針對樣本外點學習問題提出了線性化、核化乃至張量化的思路，最終基于圖嵌入框架設計了邊界Fisher分析(Marginal Fisher Analysis，MFA)方法；Camastra F于2003年在Pattern Recognition第36卷第12期發表了題為Data dimensionality estimation methods:a survey的文章依據分形維來研究樣本數據集的內在幾何特性，從而估計其本征維度。

顯然，流形學習方法為故障診斷技術的研究提供了一個新的思路，其不僅在處理非線性數據集時性能優異，并且算法實現簡單，對改善故障診斷結果的性能具有重要意義。