[發明專利]一種基于WSVM和DCAE的滌綸長絲生產的故障診斷方法和系統

有效

• 申請號: 202010364621.3
• 申請日: 2020-04-30
• 公開（公告）號: CN111504680B
• 公開（公告）日: 2021-03-26
• 發明（設計）人: 周武能;龍云瑤
• 申請（專利權）人: 東華大學
• 主分類號: G01M99/00
• 分類號: G01M99/00;G06K9/62;G06N20/10
• 代理公司: 上海統攝知識產權代理事務所(普通合伙) 31303
• 代理人: 杜亞

本發明涉及一種基于WSVM和DCAE的滌綸長絲生產的故障診斷方法和系統，方法流程如下：(1)分別訓練WSVM模型和DCAE模型得到WSVM分類器和DCAE分類器；(2)將WSVM分類器和DCAE分類器結合；(3)采集多組故障特征參數數據并進行預處理后將其輸入到WSVM分類器中確定故障診斷標簽(故障、正常和模糊)；(4)將故障診斷標簽為故障和模糊的數據輸入到DCAE分類器中確定故障類型標簽，同時將故障診斷標簽為正常的數據對應的故障類型標簽記為正常合格后輸出；系統包括數據獲取模塊、WSVM模型訓練模塊、DCAE模型訓練模塊和故障診斷初篩模塊。本發明結合了傳統機器學習和神經網絡算法優點的同時結合了有監督學習和無監督學習的優勢，顯著提升了故障分類的效率和準確度。

技術領域

本發明屬于化纖生產故障診斷技術領域，涉及一種基于WSVM和DCAE的滌綸長絲生產的故障診斷方法和系統。

背景技術

隨著以滌綸長絲生產為例的現代工業領域自動化、大型化、系統化的發展，工業設備的復雜度和規模與日俱增，設備的安全性問題得到了越來越高的關注度。然而隨著機械設備的更新換代，數據采集技術和數據存儲技術不斷完善，工業設備上采集的故障信號逐漸呈現出“工業大數據”的特點。

傳統的故障診斷技術難以處理海量的故障數據，故障處理的效率和準確度都達不到人們的期望值，造成了大量的人力財力浪費。

深度學習算法作為人工智能的分支，因其多隱層網絡與自適應的特征提取能力能夠挖掘數據更深層次的本質特征，廣泛應用于語音識別、圖像識別等領域。

神經網絡能利用原始信號的所有特征，且不舍棄原始數據信息，相對于傳統方法能更精確地刻畫故障數據從觀測值到故障類別之間復雜的映射關系。然而現有的技術中，僅使用深度自編碼網絡等深度學習算法，則其需要的計算資源龐大，分類的效率難以達到要求。而僅使用以SVM為代表的傳統機器學習算法進行故障診斷，其精度又有待提高。現已提出的應用于旋轉機械的軸承故障診斷領域的WSVM-DNN故障診斷方法，受限于DNN網絡(深度神經網絡)本身在故障類別分類準確度上的限制，要取得進一步的故障診斷效果還有待更深入的研究。

發明內容

針對以上現有技術的問題，本發明設計了一種基于WSVM(加權支持向量機)和DCAE(深度收縮自編碼網絡)的滌綸長絲生產過程的故障診斷方法及系統，結合了傳統機器學習和神經網絡算法優點的同時結合了有監督學習和無監督學習的優勢，顯著提升了故障分類的效率和準確度。該系統可應用于工業大數據環境下滌綸長絲生產過程中的設備故障診斷。

為達到上述目的，本發明采用的技術方案如下：

一種基于WSVM和DCAE的滌綸長絲生產的故障診斷方法，流程如下：

(1)分別訓練WSVM(加權支持向量機)模型和DCAE(深度收縮自編碼網絡)模型得到WSVM分類器和DCAE分類器；

(2)將WSVM分類器和DCAE分類器結合，即將WSVM分類器的部分輸出數據作為DCAE分類器的輸入數據輸入到DCAE的輸入層；

(3)采集多組故障特征參數數據并進行預處理后將其輸入到WSVM分類器中，由其輸出各組故障特征參數數據及其對應的故障診斷標簽，故障診斷標簽共三類，分別為：故障、正常和模糊，此處可借助python的matplotlib繪圖工具做可視化處理，顯示出WSVM分類器分類后的數據分布圖；

(4)將故障診斷標簽為故障和模糊的幾組故障特征參數數據輸入到DCAE分類器中，由其輸出各組故障特征參數數據及其對應的故障類型標簽，即WSVM分類器的“模糊”和“故障”數據經DCAE分類器處理后即能區分具體的故障類型標簽，同時將故障診斷標簽為正常的幾組故障特征參數數據對應的故障類型標簽記為正常合格后，輸出各組故障特征參數數據及其對應的故障類型標簽；

訓練WSVM模型的過程為：