[發(fā)明專利]一種面向少數(shù)類識(shí)別的多策略聯(lián)合故障診斷方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010927721.2
• 申請(qǐng)日: 2020-09-07
• 公開(kāi)（公告）號(hào): CN112067053A
• 公開(kāi)（公告）日: 2020-12-11
• 發(fā)明（設(shè)計(jì)）人: 李慧芳;樊銳;石其松;王一竹;王丹敬;柴森春;夏元清
• 申請(qǐng)（專利權(quán)）人: 北京理工大學(xué)
• 主分類號(hào): G01D21/02
• 分類號(hào): G01D21/02;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京理工大學(xué)專利中心 11120
• 代理人: 代麗;郭德忠

1.一種面向少數(shù)類識(shí)別的多策略聯(lián)合故障診斷方法，其特征在于，包括以下步驟：

步驟1、將工業(yè)故障數(shù)據(jù)集劃分為少數(shù)類故障數(shù)據(jù)集和多數(shù)類故障數(shù)據(jù)集，對(duì)所述少數(shù)類故障數(shù)據(jù)集進(jìn)行過(guò)采樣得到少數(shù)類故障采樣數(shù)據(jù)集；以所述少數(shù)類故障采樣數(shù)據(jù)集與多數(shù)類故障數(shù)據(jù)集作為輸入，以故障類別作為標(biāo)簽，構(gòu)建故障診斷訓(xùn)練樣本集；

步驟2、構(gòu)建多策略聯(lián)合故障診斷模型，所述多策略聯(lián)合故障診斷模型包括基于DBN的特征提取器和故障分類器；所述特征提取器用于從輸入數(shù)據(jù)中提取故障特征；所述故障分類器根據(jù)所述故障特征及輸入數(shù)據(jù)判斷輸入數(shù)據(jù)的故障類別；所述特征提取器包含兩個(gè)并聯(lián)的全連接神經(jīng)網(wǎng)絡(luò)；所述故障分類器為深度堆疊網(wǎng)絡(luò)；

步驟3、采用所述故障診斷訓(xùn)練樣本集完成所述特征提取器的訓(xùn)練；將所述少數(shù)類故障采樣數(shù)據(jù)集與多數(shù)類故障數(shù)據(jù)集分別輸入訓(xùn)練好的特征提取器，將得到少數(shù)類故障特征集合與多數(shù)類故障特征集合合并為樣本故障特征集；采用所述樣本故障特征集完成故障分類器的訓(xùn)練；

步驟4、應(yīng)用中，將待診斷的工業(yè)故障數(shù)據(jù)輸入訓(xùn)練好的多策略聯(lián)合故障診斷模型中，模型的輸出即為所述待診斷的工業(yè)故障數(shù)據(jù)的故障類別。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟1中對(duì)所述少數(shù)類故障數(shù)據(jù)集進(jìn)行過(guò)采樣得到少數(shù)類故障采樣數(shù)據(jù)集，包括以下步驟：

計(jì)算所述少數(shù)類故障數(shù)據(jù)集中故障數(shù)據(jù)元素與其余元素之間的歐式距離和，將具有最小歐式距離和的故障數(shù)據(jù)元素確定為中心元素；由與所述中心元素的歐式距離小于設(shè)定值的元素構(gòu)成中心區(qū)域樣本集，由不屬于所述中心區(qū)域樣本集的元素構(gòu)成邊界區(qū)域樣本集；

采用SMOTE算法對(duì)所述中心區(qū)域樣本集進(jìn)行過(guò)采樣得到中心區(qū)域采樣數(shù)據(jù)集，采用WGAN算法對(duì)所述邊界區(qū)域樣本集進(jìn)行過(guò)采樣得到邊界區(qū)域采樣數(shù)據(jù)，由所述中心區(qū)域采樣數(shù)據(jù)集與邊界區(qū)域采樣數(shù)據(jù)構(gòu)成少數(shù)類故障采樣數(shù)據(jù)集。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟2中的全連接神經(jīng)網(wǎng)絡(luò)包含兩個(gè)級(jí)聯(lián)的隱藏層。

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述步驟2中的所述故障特征包括一個(gè)全連接神經(jīng)網(wǎng)絡(luò)的第一級(jí)隱藏層的輸出和第二級(jí)隱藏層的輸出，及另一個(gè)全連接神經(jīng)網(wǎng)絡(luò)的第二級(jí)隱藏層的輸出。

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟2中的所述故障分類器的最后一級(jí)堆疊塊，采用基于先驗(yàn)分布知識(shí)的損失函數(shù)J_p，如下式所示：

其中，N為所述故障診斷訓(xùn)練樣本集中故障類別的個(gè)數(shù)；y為標(biāo)簽；1{·}為指示函數(shù)，即當(dāng)條件為真時(shí)返回1，否則返回0；j與g均為故障類別的編號(hào)；a_j為預(yù)測(cè)出的樣本屬于第j類的概率；a_g為預(yù)測(cè)出的樣本屬于第g類的概率；w_j為樣本屬于第j類的先驗(yàn)概率；w_g為樣本屬于第g類的先驗(yàn)概率。