[發(fā)明專利]基于數(shù)據(jù)驅(qū)動(dòng)增量融合的螺旋式故障診斷方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201710983351.2
• 申請(qǐng)日: 2017-10-20
• 公開（公告）號(hào): CN107784325B
• 公開（公告）日: 2020-06-23
• 發(fā)明（設(shè)計(jì)）人: 劉晶;安雅程;季海鵬;劉彥凱
• 申請(qǐng)（專利權(quán)）人: 河北工業(yè)大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/08
• 代理公司: 北京挺立專利事務(wù)所(普通合伙) 11265
• 代理人: 劉陽(yáng)

本發(fā)明公開了一種基于數(shù)據(jù)驅(qū)動(dòng)增量融合的螺旋式故障診斷方法，包括下述步驟：采集數(shù)據(jù)點(diǎn)并劃分為正常樣本和故障樣本；隨機(jī)抽樣得到不同傾斜率的非平衡樣本并劃分為四組；采用基于劃分近鄰的重采樣方法得到相對(duì)平衡的樣本；將其輸入DAE提取故障特征，存在新增數(shù)據(jù)時(shí)增量合并特征模式，然后輸入SVM進(jìn)行故障診斷；選取既具備信息量又富有代表性的實(shí)例，并對(duì)有效特征和實(shí)例進(jìn)行動(dòng)態(tài)綜合評(píng)價(jià)；將有效實(shí)例集與新增數(shù)據(jù)合并，重新進(jìn)行增量學(xué)習(xí)過程。該方法在充分考慮樣本噪聲和分布特征的情況下得到利于準(zhǔn)確識(shí)別故障類型的平衡數(shù)據(jù)，通過選取特征和實(shí)例進(jìn)行動(dòng)態(tài)評(píng)價(jià)及增量合并將有效信息保留并傳遞下去，從而實(shí)現(xiàn)了設(shè)備故障快速高效的增量學(xué)習(xí)和分類診斷。

技術(shù)領(lǐng)域

本發(fā)明涉及軸承設(shè)備故障診斷技術(shù)領(lǐng)域，尤其涉及一種基于數(shù)據(jù)驅(qū)動(dòng)增量融合的螺旋式故障診斷方法。

背景技術(shù)

智能設(shè)備多應(yīng)用于工業(yè)、航空、國(guó)防等重要領(lǐng)域，其故障后果相對(duì)嚴(yán)重。近年來，智能制造作為工業(yè)4.0的核心內(nèi)容逐漸發(fā)展成為一個(gè)重要研究領(lǐng)域。同時(shí)，隨著工業(yè)物聯(lián)網(wǎng)的發(fā)展，大型設(shè)備在生產(chǎn)過程中不斷涌現(xiàn)出海量運(yùn)行數(shù)據(jù)，通過運(yùn)行數(shù)據(jù)快速高效地分析提取故障信息，并對(duì)故障類型進(jìn)行有效診斷和預(yù)測(cè)，成為智能制造領(lǐng)域的研究熱點(diǎn)。

隨著信息技術(shù)與智能技術(shù)的深度融合，設(shè)備生產(chǎn)過程中的運(yùn)行數(shù)據(jù)獲取變得更為容易，使得基于數(shù)據(jù)驅(qū)動(dòng)的機(jī)器學(xué)習(xí)方法廣泛應(yīng)用于故障診斷領(lǐng)域，其中包括神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、貝葉斯和決策樹等，都取得了較好的研究成果。文章 [袁圃等.改進(jìn)的基于遺傳優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的電網(wǎng)故障診斷[J].電力系統(tǒng)及其自動(dòng)化學(xué)報(bào),2017,29(1):118-122.]提出一種改進(jìn)的基于遺傳優(yōu)化BP神經(jīng)網(wǎng)絡(luò)對(duì)電網(wǎng)進(jìn)行故障診斷；文章[李贏等.基于模糊聚類和完全二叉樹支持向量機(jī)的變壓器故障診斷[J].電工技術(shù)學(xué)報(bào),2016 31(4):64-70.]提出基于模糊聚類和完全二叉樹支持向量機(jī)的故障診斷模型在電力變壓器故障診斷中獲得較高診斷準(zhǔn)確率；文章[肖紅軍等.面向污水處理的動(dòng)態(tài)變分貝葉斯混合因子故障診斷[J].控制理論與應(yīng)用,2016 33(11):1519-1526.]結(jié)合動(dòng)態(tài)數(shù)據(jù)特性的基礎(chǔ)上提出了一種基于變分貝葉斯混合因子的動(dòng)態(tài)故障診斷方法對(duì)污水生化處理過程中的傳感器故障進(jìn)行診斷；文章[王江宇等.基于PCA-DT的多聯(lián)機(jī)制冷劑充注量故障診斷[J].華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版),2016 44(7):1-4.]基于主成分分析－決策樹(PCA-DT) 算法用于多聯(lián)機(jī)的制冷劑充注量故障檢測(cè)與診斷。但是，面對(duì)海量的新增狀態(tài)數(shù)據(jù)，傳統(tǒng)的機(jī)器學(xué)習(xí)方法需要將新增數(shù)據(jù)與原有數(shù)據(jù)合并重新訓(xùn)練整個(gè)模型，增加了計(jì)算復(fù)雜度和存儲(chǔ)空間。更重要的是設(shè)備的狀態(tài)和屬性會(huì)隨時(shí)間變化而發(fā)生改變，新增數(shù)據(jù)的潛在信息對(duì)設(shè)備當(dāng)前狀態(tài)和未來運(yùn)行趨勢(shì)有更重要的價(jià)值。因此，如何有效利用實(shí)時(shí)呈指數(shù)型增長(zhǎng)的新增數(shù)據(jù)修正已有模型，成為當(dāng)前急需解決的問題。增量學(xué)習(xí)即在保存大部分已經(jīng)學(xué)習(xí)到知識(shí)的同時(shí)，不斷地從新數(shù)據(jù)中學(xué)習(xí)新的知識(shí)。目前，已有多種增量學(xué)習(xí)模型，文章[唐明珠等.基于ICSVM的風(fēng)電機(jī)組齒輪箱故障診斷[J].計(jì)算機(jī)工程與應(yīng)用,2016,52(14):232-236.]是基于增量代價(jià)敏感支持向量機(jī)的風(fēng)電機(jī)組齒輪箱故障診斷方法，建立以誤分類代價(jià)最小化為目標(biāo)的代價(jià)敏感支持向量機(jī)故障診斷模型；文章[尹剛等.自適應(yīng)集成極限學(xué)習(xí)機(jī)在故障診斷中的應(yīng)用[J].振動(dòng)、測(cè)試與診斷,2013,33(5):897-901.]提出自適應(yīng)集成極限學(xué)習(xí)機(jī)進(jìn)行故障診斷，在線調(diào)整集成輸出中子網(wǎng)絡(luò)的投票權(quán)值以及網(wǎng)絡(luò)輸入權(quán)值和節(jié)點(diǎn)偏置；文章[胡銀輝等.大規(guī)模InfiniBand網(wǎng)絡(luò)自學(xué)習(xí)的故障診斷方法[J].計(jì)算機(jī)應(yīng)用,2015,35(11):3092-3096.]在引入了特征選取策略和增量學(xué)習(xí)策略的基礎(chǔ)上，提出了一種面向大規(guī)模IB網(wǎng)絡(luò)增量學(xué)習(xí)的故障診斷方法 IL_Bayes，在天河2真實(shí)的網(wǎng)絡(luò)環(huán)境下進(jìn)行診斷。這些增量學(xué)習(xí)模型在已有文獻(xiàn)中都起到了減輕計(jì)算量、提高準(zhǔn)確率、有效節(jié)約時(shí)間成本的作用。但在故障診斷領(lǐng)域，增量生成的數(shù)據(jù)流具有海量、非平穩(wěn)、高噪聲等特點(diǎn)，故障增量之間具有強(qiáng)關(guān)聯(lián)性，且與原有數(shù)據(jù)具有強(qiáng)因果性，如不加以處理將會(huì)嚴(yán)重影響診斷效果。以上這些因素阻礙了傳統(tǒng)增量學(xué)習(xí)方法在故障診斷領(lǐng)域的進(jìn)一步應(yīng)用。

發(fā)明內(nèi)容