[發明專利]一種基于遷移學習的貝葉斯網絡的機電設備軸承故障預測方法

在審

• 申請號: 202110236878.5
• 申請日: 2021-03-03
• 公開（公告）號: CN113032916A
• 公開（公告）日: 2021-06-25
• 發明（設計）人: 徐岳;楊富超
• 申請（專利權）人: 安徽大學
• 主分類號: G06F30/17
• 分類號: G06F30/17;G06F30/27;G06F119/02;G06F119/04
• 代理公司: 六安華晟智恒知識產權代理事務所(普通合伙) 34193
• 代理人: 吳玉芳

1.一種基于遷移學習的貝葉斯網絡的機電設備軸承故障預測方法，其特征在于：

步驟一，原始采集信號經過CEEDAN及FastICA技術除噪處理形成重構原信號，并利用LLE降維，進行特征向量的提取；

步驟二，引入遷移學習，將原信號經過神經網絡聚類得到按照故障類型分類的信號集，將該信號集作為目標域數據集，成為貝葉斯網絡的輸入；

步驟三，在源域中選取參照樣本集作為源域貝葉斯網絡的訓練集；基于協變量移位理論，利用源域的訓練數據完成對目標域上的參數損失值的最小化的目標，實現對目標域上的貝葉斯網絡的極大似然估計的優化；

步驟四，通過目標域上貝葉斯網絡的輸出返回結果，并進行可視化體現，完成對某一類故障類型的程度預測，若非正常狀態下則發出警告，衰退狀態下給機械設備返回參數信息，指示機器在一定范圍內調整轉速等可自調參數。

2.根據權利要求1所述的一種基于遷移學習的貝葉斯網絡的機電設備軸承故障預測方法，其特征在于，上述步驟一中的包括：

從傳感器上采集的原始振動信號；

利用CEEMDAN自適應噪聲的完備經驗模態分解方法對其進行分解，得到若干本征模態函數 IMF；

再通過FastICA算法進行去噪處理，再利用ICA逆變換得出新IMF’，將新的若干本征信號進行累加還原得到重構信號；

對處理過后新的原始信號進行LLE嵌入式降維處理，并提取特征向量。

3.根據權利要求1所述的一種基于遷移學習的貝葉斯網絡的機電設備軸承故障預測方法，其特征在于，上述步驟二中的包括：

將步驟一中提取的特征向量作為聚類神經網絡的輸入，可采用SOM無監督的自適應神經網絡，將輸出信號作為神經網絡輸入層神經元，通過遷移學習源域和目標域的權重共享，完成源域數據對目標域SOM神經網絡的權重參數優化；

通過SOM神經網絡目標域輸出層結果完成目標域樣本的聚類任務，得到聚類結果，即按照機械故障診斷類型進行信號的分類。

4.根據權利要求1所述的一種基于遷移學習的貝葉斯網絡的機電設備軸承故障預測方法，其特征在于，上述步驟三中的包括：

將步驟二中不同聚類的信號結果作為貝葉斯網絡的輸入，其中源域和目標域的操作相同；

通過合理選擇與目標域分布基本相同的源域數據樣本，使其滿足源域和目標域上貝葉斯網絡具有相同的結構，讓源域和目標域之間存在協變量移位，為源域和目標域之間的遷移學習建立了理論基礎；

根據協變量移位假設，有：

但由于遷移學習中的模型特化錯誤問題，即不存在某一參數能夠準確刻畫協變量x和因變量y之間的關系，具體表示如下：

此時不可直接遷移，故將利用帶權似然函數，為目標域貝葉斯網絡定義參數損失值函數，通過對源域數據樣本損失函數賦權值，構造目標域上的損失函數，學習出貝葉斯網絡在目標域上的最佳參數組合，使得在該參數下貝葉斯網絡的損失函數的期望最小，即有：

=

則整個貝葉斯網絡的損失函數為：

其中當J=S是表示源域上的損失函數，J=T表示目標域上的損失函數，對于樣本數據D，有似然函數：

其中當J=S是表示源域上的似然函數，J=T表示目標域上的似然函數，

又，隨機變量Xi在數據Dl上的似然函數為：

當隨機變量I及其父節點取值出現在樣本中時，有I=1，否則I=0；

當m時，源域上的極大似然估計趨近于源域上的損失函數最小化參數公式的取值，即在極限條件下意義相同，目標域上同理，在目標域上表示如下：

又由于源域和目標域上滿足協變量移位的假設條件，即有：

帶入上述極限式進行替換，得到：

=

由此建立了源域和目標域的最小化損失函數的數學聯系，即樣本數據足夠大趨于無窮的時候，源域網絡的帶權極大似然估計趨于目標域上的極大似然估計，在原數據中可以認為，源域數據的權值是PT(Dt)，目標域數據的權值是Ps(Ds)，故將源域和目標域數據混合，重新賦值，其中將源域數據賦予權值PT(Dt)/Ps(Ds)，目標域數據賦予權值為1，由此計算得到的極大似然估計公式為：

=

由此，提高目標域在樣本數量少的情況下的網絡分析學習效果。

5.根據權利要求1所述的一種基于遷移學習的貝葉斯網絡的機電設備軸承故障預測方法，其特征在于，上述步驟四中的包括：

系統需要在配備包括外界警報系統和內部反饋系統的基礎上完成故障可視化及狀態預警工作；

根據目標域貝葉斯網絡的輸出結果，判斷設備正常，輕微衰退，加速衰退，故障，四個故障程度；

當判斷為正常狀態時，外界報警系統休眠，內部反饋系統休眠

當判斷為初步衰退預警狀態或快速衰退預警狀態，外界報警系統立即激活，報告預警狀態，預警信息包括，預故障部件，預故障類型，預故障程度；

內部反饋系統判斷若在機器自適應調整能力范圍內時，自動調整參數，如自動降低轉速等操作；

當判斷為完全故障狀態時，外界報警系統激活，進入故障緊急報警狀態。