[發明專利]基于改進堆棧自編碼器診斷設備新增故障類型的方法

在審

• 申請號: 202111470928.2
• 申請日: 2021-12-03
• 公開（公告）號: CN114282600A
• 公開（公告）日: 2022-04-05
• 發明（設計）人: 佘博;王旋;閆嘯家;梁偉閣;孫世巖;魏平
• 申請（專利權）人: 中國人民解放軍海軍工程大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N20/20;G01H17/00
• 代理公司: 西安方諾專利代理事務所(普通合伙) 61285
• 代理人: 景麗娜

1.基于改進堆棧自編碼器診斷設備新增故障類型的方法，其特征在于，包括以下步驟，

S1：獲取設備故障類型的訓練樣本集和測試樣本集；

S2：對每一個訓練樣本和測試樣本進行預處理；

S3：構建基于標簽傳遞的堆棧自編碼器診斷模型；所述基于標簽傳遞的堆棧自編碼器診斷模型包括傳統堆棧自編碼器診斷模型和標簽傳遞算法模型；

S4：將訓練樣本和對應的樣本標簽作為傳統堆棧自編碼器診斷模型的輸入，完成SAE的訓練；

S5：分別將訓練樣本和測試樣本作為傳統堆棧自編碼器診斷模型的輸入，提取隱層特征；

S6：將訓練樣本的隱層特征和對應的樣本標簽，以及測試樣本的隱層特征作為標簽傳遞算法模型的輸入，輸出故障類型的診斷結果。

2.根據權利要求1所述的基于改進堆棧自編碼器診斷設備新增故障類型的方法，其特征在于，步驟S1的具體操作包括以下步驟，

S101：從設備故障數據庫中選擇不同設備故障類型的數據，形成訓練樣本集，令訓練樣本集為X，且訓練樣本集X由C類N個樣本組成，也即對應的樣本標簽為y；

S102：為了能對新增設備故障類型進行診斷，對訓練樣本的標簽y進行預處理，也即將訓練樣本的標簽y的矩陣由C列增加至C+1列，則y_i表示第i個訓練樣本的標簽，假設第1個訓練樣本的標簽屬于第1類，則y₁＝[1,0,…,0]∈R^C+1；

S103：將通過數據采集系統實時采集的設備故障數據作為測試樣本，所有測試樣本構成測試樣本集Q，測試樣本集Q由C+1類M個樣本組成。

3.根據權利要求2所述的基于改進堆棧自編碼器診斷設備新增故障類型的方法，其特征在于：步驟S2的具體操作包括，對每個樣本構造11個特征，則訓練樣本集X∈R^N×11，測試樣本集Q∈R^M×11；

11個特征的特征參數分別為：均值、標準差、方根幅值、均方根值、最大值、偏斜度、峭度、峰值、裕度、波形因子和脈沖指標；

其中：均值

標準差

方根幅值

均方根值

最大值p₅＝max|x_i|(i＝1，2，...，n)

偏斜度

峭度

峰值

裕度

波形因子

脈沖指標

4.根據權利要求3所述的基于改進堆棧自編碼器診斷設備新增故障類型的方法，其特征在于：步驟S3所述的基于標簽傳遞的堆棧自編碼器診斷模型包括傳統堆棧自編碼器診斷模型和標簽傳遞算法模型；

所述傳統堆棧自編碼器診斷模型為兩層堆棧自編碼器，包括輸入層，隱層h1、隱層h2和Softmax層，輸入層連接隱層h1，隱層h1連接隱層h2，隱層h2連接Softmax層；Softmax層的損失函數為式中，s_i表示第i個訓練樣本的Softmax層的輸出；

所述標簽傳遞算法模型也與隱層h2連接，訓練樣本、測試樣本各自隱層h2的特征，以及訓練樣本的標簽作為標簽傳遞算法模型的輸入，得到測試樣本的標簽信息。

5.根據權利要求4所述的基于改進堆棧自編碼器診斷設備新增故障類型的方法，其特征在于：隱層h1和隱層h2的神經元分別為600和100，學習率為0.01。