[發明專利]一種軸承設備的故障診斷方法

有效

• 申請號: 201910342040.7
• 申請日: 2019-04-26
• 公開（公告）號: CN110070060B
• 公開（公告）日: 2021-06-04
• 發明（設計）人: 曹雪;王哲人;王向敏;鳳震宇
• 申請（專利權）人: 天津開發區精諾瀚海數據科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 石家莊知住優創知識產權代理事務所(普通合伙) 13131
• 代理人: 林艷艷

本發明公開了一種軸承設備的故障診斷方法，涉及軸承設備故障診斷技術領域。本發明首先利用重采樣方法對不平衡的數據樣本進行處理，然后利用深度學習算法對新增數據進行特征模式提取，然后將新增模式輸入原有集成模型中進行分類，進一步提出動態遺忘權重算法、有效增量篩選算法、增量信息融合算法，根據計算值對增量合并模式的權重動態調整。最后，使用增量集成SVM對加權模式進行有監督分類，從而實現軸承設備狀態特征實時提取和故障模式可靠分類。

技術領域

本發明涉及軸承設備故障診斷技術領域，尤其涉及一種基于增量融合動態權重集成學習的軸承設備故障診斷方法。

背景技術

軸承設備多應用于工業、航空、國防等重要領域，其故障后果相對嚴重，因此如何從軸承設備運行狀態數據中提取故障特征信息并進行有效分析，從而完成故障診斷和預測日益重要，成為智能制造領域的研究熱點。尤其在工業4.0背景下，隨著工業物聯網和信息技術的發展，生產過程中涌現出海量運行狀態數據，使得借助大數據分析方法進行故障診斷成為可能。

近年來，隨著工業物聯網的高速發展，設備生產過程中產生的狀態數據呈指數型增長，僅僅依靠現有故障模式進行匹配顯然不合理，新增狀態數據往往攜帶反應設備當前運行狀態的重要信息。因此，如何挖掘新產生狀態數據，合并到已有故障診斷模型中成為當前故障診斷領域研究的熱點問題。

上述新增狀態數據帶來的問題可以通過增量學習的方法得到解決。目前廣泛應用的處理方法是利用各基分類器輸出的歸一化加權平均值檢測新增故障。Razavi-Far R等利用對分類的置信度度量，以集成分類器的輸出值的歸一化加權平均(NWAO)值作為檢測新增故障類型的基礎。Palade V等采用基于對集成診斷系統中基分類器的輸出的歸一化加權平均值(NWAO)進行閾值化的方法實現增量數據的故障檢測。上述方法實現了動態環境下對增量狀態數據的故障診斷，但上述方法沒有使用增量數據更新已有決策模型，可能造成不必要的冗余。另一種較為典型的處理方法是利用新增數據訓練新的基分類器與原有基分類器結合不斷更新已有模型。例如以增量特征集為訓練集訓練一組極限學習機分類器與原有的決策模塊合并診斷軸承故障，利用新增狀態數據實現對原有分類模型的動態更新，避免了故障類型誤報問題，有效提高故障診斷的準確率。但是設備實際運行產生的海量非平衡數據同樣影響了診斷的準確率，處理新增非平衡數據的有效方法也亟待改進與完善。Bang s根據樣本分布信息為其賦予不同的懲罰松弛權重，改善了樣本分布不均對分類準確率的影響。改進支持向量機提高其對少數類樣本的分類準確率是一種廣泛應用的處理方法，Fan Q使用模糊支持向量機用于非平衡數據分類，以模糊隸屬度反應樣本的不同重要性，基于多數類樣本的熵分配給一定的模糊隸屬度，并為少數類樣本分配相對較大的模糊隸屬度保證其重要性。解決傳統SVM對少數類樣本識別率低的問題。但是上述針對算法的改進往往缺乏通用性，而對數據本身進行處理則更能從根本上解決非平衡問題。欠采樣技術通過降低多數類樣本數量以達到平衡.但是該方法會誤刪有效數據造成重要信息的缺失。過采樣技術通過增加少數類樣本以達到平衡,其中合成少數類技術(Synthetic Minority OverSampling Technique，簡稱SMOTE)是一種廣泛應用的過采樣方法，通過在少數類樣本與其K近鄰之間隨機插值合成新樣本解決數據集不平衡的問題，翟云等通過單邊選擇鏈遴選出處于分類邊界的少數類樣本，依據這些樣本的分布密度采用SMOTE方法進行過采樣，但是該方法可能會產生錯誤樣本、冗余樣本或造成分類器過擬合，使學習任務變得更加困難。上述非平衡數據處理方法都在相應文獻中取得了一定的效果，但仍然存在一些問題。比如，在重采樣的過程中未考慮噪聲數據的影響，導致分類準確率嚴重降低。一些方法雖然考慮到了樣本分布信息對數據處理過程的影響，但忽略了隨海量新增數據的產生樣本分布狀態的變化。這些問題阻礙了上述非平衡處理方法在設備故障診斷領域的進一步應用。

發明內容