[發明專利]基于類別不平衡權重交叉熵的旋轉機械故障診斷方法

有效

• 申請號: 202110584346.0
• 申請日: 2021-05-27
• 公開（公告）號: CN113312719B
• 公開（公告）日: 2023-02-10
• 發明（設計）人: 王奇斌;楊勝康;孔憲光;程涵;余粼钖;吉王輝
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06F30/17
• 分類號: G06F30/17;G06F30/27;G06F17/14;G06F18/214;G06F119/02
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 陳宏社;王品華

本發明提出了一種基于類別不平衡權重交叉熵的旋轉機械故障診斷方法，實現步驟為：(1)獲取訓練樣本集和測試樣本集；(2)構建稀疏自編碼器模型；(3)對稀疏自編碼器模型進行迭代訓練；(4)構建旋轉機械故障診斷模型；(5)對旋轉機械故障診斷模型進行迭代訓練；(6)獲取旋轉機械的故障診斷結果。本發明以類別不平衡權重交叉熵損失函數作為故障診斷模型的分類損失函數，通過類別不平衡權重消除故障類別不平衡對故障診斷模型精度的影響，提升故障診斷模型的診斷精度，實現旋轉機械的故障診斷。

技術領域

本發明屬于機械技術領域，涉及一種旋轉機械故障診斷方法，具體涉及一種基于類別不平衡權重交叉熵的旋轉機械故障診斷方法，可用于對旋轉機械進行智能檢測、狀態監測和設備維護。

背景技術

旋轉機械是工業設備中使用最廣泛的機械設備之一，包括齒輪、凸輪、軸承等凡能旋轉工作的機械，其穩定性和可靠性直接影響著工業生產活動，對旋轉機械進行故障診斷顯得尤為重要。故障診斷是查找設備或系統的故障的過程，在實際的生產環境中，旋轉機械長期正常運行，設備故障不是經常發生，所以經常面臨嚴重的數據不平衡的問題，難以用于實際生產條件下的故障診斷。解決數據不平衡問題的方法主要分為傳統方法和基于學習的方法，傳統方法從數據層面改變數據分布，降低數據不平衡度。基于學習的方法運用深度置信網絡、深度自編碼器、卷積神經網絡等深層特征學習的深度學習技術來學習不平衡數據特征，進行類別不平衡的故障診斷。

近年來，基于學習的方法在故障診斷領域中得到了廣泛的運用。例如申請公布號為CN 112364706 A，名稱為“一種基于類不平衡的小樣本軸承故障診斷方法”，公開了一種基于類不平衡的小樣本軸承故障診斷方法，該方法首先構造類不平衡的數據集，通過滑動窗口對一維原始振動信號進行切分，將一個樣本增強為多個具有相似特性的小樣本；然后將增強后的多個樣本作為輸入，利用深度卷積神經網絡提取信號特征；最后結合集成學習分類算法實現故障分類。該方法采用數據增強處理方法能夠擴大樣本量，提高樣本點的利用率，并采用集成學習的方法提高故障診斷的準確率，但其存在的不足之處在于，將樣本增強為相似特性的小樣本，容易造成網絡的過擬合，并且不能學習到樣本的更多特征，導致網絡的泛化能力下降，進而導致故障診斷精度較低。

發明內容

本發明的目的在于克服上述現有技術存在的缺陷，提供了一種基于類別不平衡權重交叉熵的旋轉機械故障診斷方法，用于解決現有技術中存在的不平衡數據下旋轉機械故障診斷精度較低的技術問題。

為了實現上述目的，本發明采用的技術方案包括如下步驟：

(1)獲取訓練樣本集和測試樣本集：

(1a)對通過加速度傳感器采集的旋轉機械C個故障類別下的I個振動信號進行傅里葉變換，得到頻域振動信號集合S＝{x_i|1≤i≤I}，x_i表示第i個頻域振動信號，其中，C≥2，I≥50000；

(1b)對頻域振動信號集合S中半數以上的頻域振動信號對應的故障類別進行獨熱編碼，并將半數以上的頻域振動信號及其每個信號對應的故障類別標簽作為訓練樣本集X₁，將頻域振動信號集合S中其余的頻域振動信號作為測試樣本集X₂，其中，訓練樣本集X₁和測試樣本集X₂中每種故障類別包含不平衡的樣本數，即N_c代表第c類故障類別的樣本數；

(2)構建稀疏自編碼器模型H：

構建包括順次連接的K個稀疏自編碼器F＝{F₁,F₂,...,F_k,...,F_K}的稀疏自編碼器模型，其中，每個稀疏自編碼器F_k包括順次連接的編碼器和解碼器；編碼器和解碼器均采用激活函數為sigmoid的全連接層,其中，K≥3，F_k表示第k個網絡參數為的稀疏自編碼器；