[發明專利]基于卷積神經網絡的設備故障自適應上下預警界生成方法

在審

• 申請號: 202010418461.6
• 申請日: 2020-05-18
• 公開（公告）號: CN111665066A
• 公開（公告）日: 2020-09-15
• 發明（設計）人: 張潔;任杰;汪俊亮;毛新華;魏成廣
• 申請（專利權）人: 東華大學;北京中麗制機工程技術有限公司
• 主分類號: G01M99/00
• 分類號: G01M99/00;G06N3/04
• 代理公司: 上海申匯專利代理有限公司 31001
• 代理人: 徐俊

本發明提供了一種基于卷積神經網絡的設備故障自適應上下預警界生成方法，可用于化纖卷繞機在紡絲過程中的故障診斷，方法包括：用于區間預測的卷積神經網絡模型，用于區間自適應生成和分類的上下界模型。本發明利用對化纖卷繞機在紡絲過程中采集到的振動信號進行故障診斷，克服了已有的故障診斷技術準確度不高、易受人為因素影響的不足，引入代價敏感學習模塊對卷積神經網絡更新迭代過程中的損失函數進行優化，從而得到誤分代價為優化目標的機器學習故障檢測方法。本發明在樣本不平衡條件下有較好的實用性。

技術領域

本發明涉及一種結合代價敏感學習和卷積神經網絡的分類算法的化纖卷繞機故障診斷方法，屬于故障診斷領域、機器學習領域。

背景技術

化纖設備的正常運行對化纖產品的質量、化纖生產安全和化纖設備的正常使用起著至關重要的作用。由于化纖生產過程較傳統機械制造更為復雜，主要表現為由固態原料經過高溫高壓、冷卻風干形成絲線，涉及到熔融、擠壓、噴絲、集束、卷繞、加彈等多種工藝，僅化纖絲線卷繞就是一道非常復雜的流程，卷繞機結構復雜，運動部件多，一旦發生故障將直接影響化纖絲線成型品質。因此，化纖設備的故障診斷問題越來越受到人們重視。

目前對于化纖設備故障診斷方面的研究較為匱乏，參考傳統機械設備如齒輪、軸承的故障診斷方法，傳統方法以時域分析、頻域分析、時頻域分析方法為主，面對機械結構復雜的化纖卷繞機關重件，傳統方法難以準確診斷出故障，難以反映出故障趨勢，進而采用機器學習的數據分析方法，但大多數機器學習方法應用于故障診斷時往往采取固定閾值，對結果判定未充分利用模型優勢，故障診斷準確度不高，常發生故障誤判，不利于復雜設備的故障診斷過程。

對于機器學習中卷積神經網絡的故障分類應用，往往是在樣本分布均衡的情況下進行設計的，在化纖生產過程中，故障設備往往占較少數，樣本不平衡會對機器學習分類算法的結果造成影響，甚至導致分類模型的失效。從而限制了機器學習方法在化纖設備故障診斷的應用。

發明內容

本發明要解決的技術問題是：目前已有的故障診斷技術準確度不高、易受人為因素影響。

為了解決上述技術問題，本發明的技術方案是提供了一種基于卷積神經網絡的設備故障自適應上下預警界生成方法，其特征在于，包括以下步驟：

步驟1、對已知狀況的設備運行過程中的振動信號進行采集，并對采集到的信號進行采樣，獲得采樣信號：

步驟2、將采樣信號輸入到構建好的基于CNN的區間預測模型中，輸出上、下界，定義循環訓練次數，得到訓練好的自適應區間生成模型，該自適應區間生成模型根據已有歷史數據訓練出正常運行狀態下的自適應上下界區間，其中：

基于CNN的區間預測模型是一個具有雙通道輸出的CNN模型，以時間序列為輸入，輸出上、下界，包括輸入層、輸出層和隱藏層，輸出層設計有兩個神經單元，神經單元一與隱藏層相連，為輸出下界y_lower，神經單元二為輸出上界y_upper，上界y_upper由下界y_lower基礎上增加固定寬度得到，即有：

y_upper＝y_lower+diff (1)

式(1)中，diff表示上界y_upper與下界y_lower之間的固定寬度；

自適應區間生成模型通過以下步驟生成和優化自適應上下界區間：

步驟201、迭代過程中的四種情況，包括：

確定原始訓練數據的標簽，以S＝0表示原始數據為正常，S＝1表示原始數據為異常；

確定模型對數據的診斷標簽，以s_temp＝0表示模型判斷為正常，s_temp＝1表示模型判斷為異常；