[發明專利]基于動態加權的雙模型故障診斷方法

有效

• 申請號: 201810854857.8
• 申請日: 2018-07-31
• 公開（公告）號: CN108646725B
• 公開（公告）日: 2020-01-07
• 發明（設計）人: 季海鵬;劉晶;劉凱
• 申請（專利權）人: 河北工業大學
• 主分類號: G05B23/02
• 分類號: G05B23/02
• 代理公司: 11265 北京挺立專利事務所(普通合伙)
• 代理人: 劉陽

1.一種基于動態加權的雙模型故障診斷方法，其特征在于，包括下述步驟：

步驟1 選擇電機驅動端采集的正常狀態FT0、磨損狀態FT1、疲勞剝落狀態FT2、腐蝕狀態FT3、斷裂狀態FT4、膠合狀態FT5、壓痕狀態FT6和保持架損壞狀態FT7這8種狀態下的傳感器振動信號數據點和故障記錄文本；

步驟2 對步驟(1)中得到的傳感器振動信號數據點使用小波包分解法進行預處理，將原始振動信號各頻段的能量值，提取參數特征作為模型輸入向量，同時將預處理后的數據進行非平衡處理，并分成訓練數據集和測試數據集，從訓練數據集中分別隨機抽取5組等量正常樣例與5組遞減的故障樣例合并形成不同訓練樣本，同時對所述的測試數據集進行標簽化處理；

步驟3 將步驟2中的訓練樣本輸入第一層受限玻爾茲曼機RBM，對深度信念網絡DBN中所有RBM進行由第1層到第n-1層的逐層貪婪學習，由ELM算法確定第n-1層到第n層以及第n層到輸出層的權重和偏置；

步驟4 將步驟2中的有標簽數據和步驟3中經過DBN訓練的無標簽數據作為輸入向量輸入到SVM分類器中；

步驟5 使用ELM算法對步驟3中DBN網絡的參數進行反向微調，DBN訓練結束，至此完成對傳感器振動信號數據點的處理過程，并得到相應的分類結果，形成數據子模型；

步驟6 對步驟1中的故障記錄文本進行預處理，包括分詞、去停用詞、中文提取操作，將所得故障詞項劃分為訓練數據集和測試集，將訓練數據集文本等分為5組，并對測試集文本進行標簽化處理；

步驟7 運用LDA主題模型對步驟6中的訓練數據集的故障詞項進行主題表達，將其表示為文檔-主題的形式；

步驟8 將步驟6中的有標簽故障文本和步驟7經過文本數據挖掘模型訓練的無標簽故障文本作為輸入向量輸入到SVM分類器中，至此完成對故障記錄文本的處理過程，并得到相應的分類結果，形成文本子模型；

步驟9 使用動態加權組合算法，為上述的數據子模型和文本子模型賦予權值，然后將數據子模型和文本子模型的SVM多分類投票結果通過所提動態加權組合公式相結合，得到最終的分類結果。

2.根據權利要求1所述的基于動態加權的雙模型故障診斷方法，其特征在于所述步驟5中ELM反向微調方式為：

1)令DBN網絡的第n個隱層節點個數為p，第n-1個隱層節點個數為m，則該DBN可以表示為：

DBN網絡的訓練目的是將輸出誤差最小化，可以表示為：

存在β_i使得：

即為：

H_nβ＝T

式中，H_n為DBN網絡的第n-1層到第n層的輸出；

2)輸出權值可解為：

式中，是H_n的Moore-Penrose廣義逆矩陣。

3.根據權利要求1所述的基于動態加權的雙模型故障診斷方法，其特征在于所述步驟9中動態加權組合算法為：

設y₁為快收斂的DBN模型，y₂為文本數據挖掘模型，y_im為第i個模型中的第m個類別投票累計次數，h₁,h₂,...,h_k為進行模型加權后相對應類別的加權投票累計數，W_i為模型i的權值；

模型的加權組合計算公式為：

式中，有：

在模型分類期間，需要根據子模型診斷結果隨時動態更新子模型權重，更新方式如下：

其中為第i個模型的方差：

式中為第i個模型的平均投票累計次數；

1)分別選取快收斂的DBN模型和文本數據挖掘模型中每個故障類別的投票數作為計算對象，通過公式計算模型權值W₁和W₂；

2)通過公式計算加權組合后的分類結果h₁,h₂,...,h_k。