[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

本發明公開了基于改進堆棧自編碼器診斷設備新增故障類型的方法，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；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。本發明能夠對機械設備已存在的故障類型以及新出現的故障類型進行診斷。

技術領域

本發明涉及機械設備故障診斷技術領域，尤其涉及基于改進堆棧自編碼器診斷設備新增故障類型的方法。

背景技術

機械設備在壽命周期內運行，力學環境的變化會導致零部件受力情況與正常狀態下產生偏差，隨著設備長時間的工作，零部件表面易出現磨損、裂紋等變化，若不能及時診斷發現零部件的早期微小損傷，一旦疲勞惡化，零部件折斷，將造成機械設備的停機。由此，對機械設備進行監測診斷分析，是避免零部件損傷后持續惡化的有效措施。

故障診斷的基本框架可由三部分組成：信號預處理、特征提取和故障識別。振動信號由于其易采性，廣泛用于機械設備狀態的表征，但通常采集的振動信號干擾成分較多，具有非平穩、非線性特性，這也給故障診斷帶來了困難。近年來，深度學習因其對信號端對端的處理方式，在故障診斷領域受到廣泛關注，這類方法最大的優勢是通過多層神經網絡從輸入信號中學習隱藏的判別性特征。雖然一些基于深度學習診斷模型的性能令人滿意，但這些故障診斷方法的共同問題是假設測試樣本的類別屬于訓練樣本，然而，訓練樣本不可能包含所有故障類別，這意味著機械設備的長期運行可能會遇到新的故障類別。因此，這種符合機械實際運行狀態，對新出現故障類型進行診斷的研究更有意義。

發明內容

針對上述存在的問題，本發明旨在提供一種基于改進堆棧自編碼器診斷設備新增故障類型的方法，將堆棧自編碼器與標簽傳遞算法進行融合，能夠診斷機械設備已存在的故障類型以及新出現的故障類型。

為了實現上述目的，本發明所采用的技術方案如下：

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。

進一步的，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。