[發明專利]一種基于數據增強的滾動軸承多尺度魯棒異常檢測方法

在審

• 申請號: 202310044996.5
• 申請日: 2023-01-30
• 公開（公告）號: CN116127313A
• 公開（公告）日: 2023-05-16
• 發明（設計）人: 寇淋淋;李威;何人偉;宗立明;紀東;郝敬榮;周騫
• 申請（專利權）人: 北京市地鐵運營有限公司運營四分公司
• 主分類號: G06F18/214
• 分類號: G06F18/214;G01M13/045;G06F18/24;G06N3/0455
• 代理公司: 北京紐樂康知識產權代理事務所(普通合伙) 11210
• 代理人: 秦月貞

1.一種基于數據增強的滾動軸承多尺度魯棒異常檢測方法，其特征在于，包括如下步驟：

S1獲取軸承正常工作狀態下的振動信號數據，組成軸承早期故障診斷訓練數據集；

S2對步驟S1的振動信號數據進行水平方向和垂直方向變換得到新的振動信號樣本，將新的振動信號樣本變換到子空間得到不同尺度的軸承信號樣本；

S3將得到的不同尺度的軸承信號樣本放入魯棒多尺度Deep-SVDD模型中進行訓練；具體步驟如下：

S31將得到的不同尺度的軸承信號樣本輸入到魯棒深度自編碼網絡中進行特征提取，將樣本空間映射到M個低秩特征空間；

S32采用學習向量方法求解變換后的M個樣本子空間在魯棒深度自編碼低秩空間中的原型中心c₁,K,c_M，即為變換后的樣本在神經網絡特征空間下的中心點；

S33將魯棒深度自編碼網絡提取的全部樣本特征分別輸入到SVDD算法中，將M個低秩特征和原型中心c₁,K,c_M之間基于距離的交叉熵作為損失函數，并最小化訓練得到M個Deep-SVDD超球體；

其中，原始樣本x經過M個變換得到變換后的樣本T(x,i),K,T(x,M)，對于每個變換后的樣本T(x,i)，計算以下條件概率：其中E_θ為特征提取網絡，c_i為變換后的樣本空間X_i的中心；

基于距離的交叉熵表示為：loss_dce＝-logp(x∈c_i|x)；

最終的優化函數如下：其中μ0，λ0為正則化系數，L_D為Deep-SVDD的訓練樣本，D_θ為超球體中心，‖S‖_2,1為正則項；

S34計算訓練數據集中樣本異常得分的最大值作為評判測試樣本是否為異常樣本的閾值標準；根據公式計算出所有變換后的樣本與所有原型中心的距離得到其位于各自子空間中的概率，樣本x正常的概率是所有變換后的樣本位于其各自子空間中的概率的乘積，最終的異常分數表示為：

S4將樣本異常分數與閾值標準進行比較，大于閾值標準則認為其為異常樣本，小于等于該閾值標準則認為其為正常樣本。

2.根據權利要求1所述的基于數據增強的滾動軸承多尺度魯棒異常檢測方法，其特征在于，步驟S2中的水平方向變換為對振動信號數據中的原始信號進行變換，具體步驟如下：

S211對原始信號從任意一端裁剪p％的長度,p的取值范圍為0≤p≤50；

S212對于裁剪后的信號使用重采樣方法采樣到原始信號的長度；

S213對于振動信號樣本分別從信號的兩端進行裁剪得到兩組等長的數據作為變換后數據的兩個通道，變換后的信號樣本以不同尺度展現在同一特征空間；

S214通過調整裁剪參數p得到多樣的變換。

3.根據權利要求1所述的基于數據增強的滾動軸承多尺度魯棒異常檢測方法，其特征在于，步驟S2中的垂直方向變換為對振動信號數據中的原始信號進行變換：具體地，設定放縮參數0α1，對原始信號做如下變換：

4.根據權利要求1所述的基于數據增強的滾動軸承多尺度魯棒異常檢測方法，其特征在于，步驟S31中使用的網絡架構為深度殘差網絡圖。