[發明專利]基于集成增量的動態權重組合的設備故障分類方法

在審

• 申請號: 201910377438.4
• 申請日: 2019-05-04
• 公開（公告）號: CN110334580A
• 公開（公告）日: 2019-10-15
• 發明（設計）人: 王志杰;馮海領;趙宜斌;趙宇
• 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;G06N3/04;G06N3/08
• 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

本發明公開了基于集成增量的動態權重組合的設備故障分類方法，涉及設備故障診斷技術。本發明主要分為以下幾個部分：非平衡數據處理、小波去噪與重構、使用經驗模式分解進行特征提取、長短期記憶神經網絡的搭建、支持向量機模型的搭建、使用支持向量機動態調整長短期記憶神經網絡和支持向量機組合模型中各分類器的權重、使用集成增量模型實現快速動態增量學習。基于以上研究，最終提出一種基于集成增量的動態權重組合分類模型，并將該模型應用于滾動軸承設備故障診斷，提高了設備故障診斷的分類準確性。

技術領域

本發明涉及設備故障診斷技術，尤其涉及一種基于集成增量的動態權重組合的設備故障分類方法。

背景技術

近年來，信息技術和工業物聯網的高速發展推動了制造業革命性的創新和突破。其中，智能制造技術作為可持續發展的制造模式，借助計算機建模仿真和信息通信技術的巨大潛力，優化產品的設計和制造過程。隨著工業物聯網和信息技術的發展，制造業中的大型機械裝備在生產過程中不斷涌現出海量運行數據，通過運行數據快速高效地分析提取裝備故障信息，并借助大數據分析方法對故障類型進行診斷和預測，能夠有效降低由于裝備故障帶來的停產損失或人員傷害事故。

在故障診斷過程中面對海量新增運行數據時，傳統機器學習方法無法滿足實時處理需求，且在工業生產領域，增量生成的數據流具有海量、非平衡、高噪聲、強因果關聯等特點，如不加以處理將會嚴重影響診斷效果。不僅如此，設備在生產運行過程中產生的海量數據存在非平衡情況，即正常狀態數據量遠遠大于故障狀態數據量。而傳統的分類診斷算法在面對具有非平衡特性的裝備狀態數據時，往往嚴重偏向多數數據所在的非故障類，雖然表現出較高的分類準確率，但實際故障識別率較低，容易錯失重要的故障信息，產生巨大的代價，因此在故障診斷中采用非平衡數據處理方法十分重要。

發明內容

本發明的目的在于提供一種基于集成增量動態權重組合的設備故障分類方法，旨在利用過采樣與欠采樣融合技術解決數據樣本中的類別不平衡問題，使用小波包對振動信號數據進行去噪處理，然后用ESMD模型從振動信號中提取特征參數，將特征向量用于訓練長短期記憶神經網絡和支持向量機組合模型，并利用支持向量機動態調整組合分類模型中各分類器對應的權重；當有新增樣本數據時，使用集成增量學習方法在保留原有分類功能的同時，加入對新增樣本數據的分類功能。最終實現軸承設備狀態特征實時提取和故障模式的可靠分類。

本發明的技術方案：一種基于集成增量的動態權重組合的設備故障分類方法，其特征在于，包括如下步驟：

(1)采集設備運行時的信號數據，使用基于過采樣和欠采樣融合的數據抽樣模型(NKSMOTE-NKTomek模型)對信號數據進行非平衡處理；

(2)針對非平衡處理之后的信號數據，使用小波包去噪，去除信號數據中的噪聲點，然后使用小波包重構，將去噪之后的信號數據重構為原始信號；

(3)針對步驟(2)重構之后的原始信號，使用極點對稱模態分解(ESMD)完成原始信號的特征參數提取，將特征向量作為訓練數據集，并將訓練數據集劃分為多組，一組作為初步訓練數據集輸入到步驟(4)和(5)，剩余組分次作為增量訓練集；

(4)訓練長短期記憶神經網絡，將初步訓練集映射到輸入層，通過LSTM網絡訓練參數，再輸入到softmax輸出層得到分類類別的概率分布，在訓練次數達到預設值并且代價函數逐步收斂時停止訓練；

(5)利用步驟(3)中訓練集對多分類支持向量機進行訓練；

(6)利用支持向量機調整步驟(4)、步驟(5)的長短期記憶神經網絡和支持向量機組合模型中的權重，完成組合模型的訓練；

(7)針對增量數據集，先進行步驟(1)-(3)處理完成特征參數的提取，然后將處理后的特征參數作為測試集放入步驟(6)訓練好的組合模型中處理；若輸出結果符合預期，否則利用新增特征參數進行步驟(4)-(6)再次訓練組合分類模型進而完成基于learn++的集成增量學習。