[發明專利]一種面向少數類識別的多策略聯合故障診斷方法

在審

• 申請號: 202010927721.2
• 申請日: 2020-09-07
• 公開（公告）號: CN112067053A
• 公開（公告）日: 2020-12-11
• 發明（設計）人: 李慧芳;樊銳;石其松;王一竹;王丹敬;柴森春;夏元清
• 申請（專利權）人: 北京理工大學
• 主分類號: G01D21/02
• 分類號: G01D21/02;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京理工大學專利中心 11120
• 代理人: 代麗;郭德忠

本發明公開了一種面向少數類識別的多策略聯合故障診斷方法，通過對樣本數據進行均衡化處理，然后采用均衡的樣本數據對構建多策略聯合故障診斷模型進行逐級訓練，通過構建基于DBN的特征提取器，能夠提取多數類樣本的深層特征、融合少數類樣本的淺層及深層特征，從而提升了少數類故障識別率。本發明從數據、特征及分類器多個層面入手，充分利用深度學習強大的數據表征和特征提取能力，解決因數據類別不平衡所導致的少數類故障識別困難問題，全面提高少數類故障的識別效果。

技術領域

本發明屬于工業設備故障診斷技術領域，具體涉及一種面向少數類識別的多策略聯合故障診斷方法。

背景技術

隨著生產發展和科技進步，現代工業設備的大型化、復雜化大大增加了設備維護的難度與成本。設備磨損老化、運行工況復雜、生產環境動態多變等問題，使得故障不可避免，且故障一旦發生或未被及時修復，“輕者”將影響設備運行性能、生產進度甚至產品質量，“重者”可能導致生產系統癱瘓、人員傷亡等災難性事故，給企業和社會造成巨大損失。因此，利用深度學習對工業設備的運行狀態進行評估與預測，對于實時感知設備健康狀況、開展預防性維護以及實現智能診斷、減少故障誤判，并最終確保生產的無故障運行具有重要意義。

近年來，機器學習及深度學習已被廣泛應用于故障診斷領域并取得了很好的成果。但是，實際工業設備故障數據類別數量存在不平衡性，即不同類別故障數據的數量差別較大，其中，數量少的類別稱為少數類，數量多的稱為多數類。而現有大多數基于機器學習的診斷方法很少考慮甚至忽略這種不平衡，所以在解決類別不平衡故障診斷問題時面臨很大的局限性，例如容易將少數類故障識別為多數類故障，診斷精度明顯降低。原因在于：一是少數類故障容易被多數類故障淹沒，模型難以找到良好的決策邊界；二是少數類故障數據量過少，模型很難學習到足夠多的少數類特征

現有提升少數類故障識別率的方法(策略)主要分為兩類：一是通過不同的采樣技術減少多數類樣本數量或者增加少數類樣本數量，對數據集進行平衡化處理，從數據層面改善類別不平衡性的影響；二是根據數據集的不平衡程度改進現有分類器或者為少數類樣本建立獨特的單類分類器，從分類器層面增強模型對少數類樣本的關注度，提高少數類識別率。雖然這些方法取得了一定效果，但仍存在以下不足：首先，現有采樣技術在平衡數據集時，要么容易引入過多噪聲，要么難以增加少數類樣本的多樣性，導致對少數類識別性能的提升很有限；其次，現有分類器改進方法在提升對少數類關注度的同時，難以兼顧對其它多數類的診斷效果，從而影響整體精度。

發明內容

有鑒于此，本發明提供了一種面向少數類識別的多策略聯合故障診斷方法，能夠實現對多數類及少數類的故障類別的精確識別。

本發明提供的一種面向少數類識別的多策略聯合故障診斷方法，包括以下步驟：

步驟1、將工業故障數據集劃分為少數類故障數據集和多數類故障數據集，對所述少數類故障數據集進行過采樣得到少數類故障采樣數據集；以所述少數類故障采樣數據集與多數類故障數據集作為輸入，以故障類別作為標簽，構建故障診斷訓練樣本集；

步驟2、構建多策略聯合故障診斷模型，所述多策略聯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據中提取故障特征；所述故障分類器根據所述故障特征及輸入數據判斷輸入數據的故障類別；所述特征提取器包含兩個并聯的全連接神經網絡；所述故障分類器為深度堆疊網絡；

步驟3、采用所述故障診斷訓練樣本集完成所述特征提取器的訓練；將所述少數類故障采樣數據集與多數類故障數據集分別輸入訓練好的特征提取器，將得到少數類故障特征集合與多數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練；

步驟4、應用中，將待診斷的工業故障數據輸入訓練好的多策略聯合故障診斷模型中，模型的輸出即為所述待診斷的工業故障數據的故障類別。

進一步地，所述步驟1中對所述少數類故障數據集進行過采樣得到少數類故障采樣數據集，包括以下步驟：