CN107316046A - 一种基于增量补偿动态自适应增强的故障诊断方法 - Google Patents
一种基于增量补偿动态自适应增强的故障诊断方法 Download PDFInfo
- Publication number
- CN107316046A CN107316046A CN201710138366.9A CN201710138366A CN107316046A CN 107316046 A CN107316046 A CN 107316046A CN 201710138366 A CN201710138366 A CN 201710138366A CN 107316046 A CN107316046 A CN 107316046A
- Authority
- CN
- China
- Prior art keywords
- mrow
- feature
- msub
- newly
- pattern
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Complex Calculations (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于增量补偿动态自适应增强的故障诊断方法,包括下述步骤:1.对电机驱动端振动传感器采集各种状态下的振动信号;2.对轴承设备故障数据进行预处理;3.将训练样本加入随机噪声,作为去噪自动编码器的输入进行无监督贪婪逐层预训练;4.当有新增设备状态数据时,使用已有训练好的DAE模型进行新增故障模式提取,并利用模式相似度算法进行相似模式比对,然后采用增量主动融合算法对新增故障模式进行增量合并,并利用权重动态补偿算法计算动态加权;5.将有标签故障数据和经过动态深度学习训练加权的无标签故障数据作为输入向量训练SVM分类器;6.利用BP算法对整个模型中的相关参数进行全局微调;7.故障类型的分类诊断。
Description
技术领域
本发明涉及轴承设备故障诊断技术领域,尤其涉及一种基于增量补偿动态自适应增强的故障诊断方法。
背景技术
“工业4.0”的核心是智能制造,智能制造是信息技术和智能技术的深度融合,是衡量国家工业现代化程度的重要标志。目前,西方国家在装备高端技术方面仍对我国限制出口,突破装备智能维护等关键技术是提高国际分工层次和话语权的重要途径,因此工业4.0背景下的装备故障诊断和预测成为智能制造领域的研究热点。
随着工业物联网和信息技术的发展,生产过程中获得运行状态数据变得越来越容易,使得基于数据驱动的故障诊断方法成为该领域的主流,诸多学者对其进行了深入的研究,并取得了较好的成果。但近年来,随着装备监测群规模、测点、采样频率大量增加,装备新产生的监测数据大幅增长。以三一重工远程监测系统为例,该系统每天新增数据量达到1000万条以上。由于新产生的状态数据规模甚至已经超过原有数据规模,且装备状态随时间而变化,新增数据的潜在信息对诊断故障更有价值,这种情况下仅仅依靠原有故障模式进行匹配显然不合理,因此考虑新增数据学习的装备故障诊断知识挖掘方法成为新的问题焦点。上述问题主要可以通过增量学习来解决,即学习系统在保存大部分已经学习到知识的同时,可以不断地从新数据中学习新的知识。目前,常用的增量学习方法模型有增量式极限学习机、在线增量学习支持向量机、增量学习神经网络模型等,这些模型都起到了减轻模型计算量、提高模型准确率、有效节约时间成本的作用。但是,由于近些年先进装备的增量数据流具有海量、多源等特性,尤其是由于智能装备的高可靠性,虽然新产生的状态数据量巨大,但新生数据中故障样本数却不足,并且特征分散。上述传统方法在处理这类数据时具有一定的局限性,因此如何处理非平衡情况下的海量、多源的增量状态信息,并形成动态、准确的特征知识是装备维护的问题难点。
发明内容
本发明的目的在于:
本发明提供一种基于增量补偿动态自适应增强的故障诊断方法,首先利用深度学习中的去噪自动编码器算法对新增数据进行特征模式提取,然后将新增模式与从历史数据提取的模式进行比较,进一步提出模式相似度算法、增量主动融合算法、权重补偿算法,依据相似度的不同对模式的权重动态调整。最后,使用SVM对加权模式进行有监督分类,并根据模型误 差以BP算法微调整个网络参数。该方法与传统深度学习相比既重视了新生故障模式,又考虑到原有失效模式,从而实现原有模式和增量模式在深度学习中的动态补偿调整。
本发明所采取的技术方案为:
一种基于增量补偿动态自适应增强的故障诊断方法,包括下述步骤:
(1)对深沟球轴承使用电火花加工技术分别在轴承上对内圈、外圈和滚动体布置了3个故障等级的单点故障,故障直径分别为0.007、0.014、0.021英寸。选择电机驱动端振动传感器采集正常状态(N)、内圈故障(IRF)、外圈故障(ORF)和滚动体故障(BF)等10种状态下的振动信号,采样频率为12kHz,共计1,341,856个数据点;
(2)对轴承设备状态数据进行预处理,使用小波包分解原始振动信号各频段的能量值,提取参数特征作为模型输入向量。将样本数据随机抽样按比例划分为训练样本和测试样本,并对测试样本进行标签化处理。将训练样本等量划分为四组,其中一组用于训练深度学习模型,剩余三组分三次添加至已有模型进行动态补偿增量学习;
(3)初始化模型参数,将用于训练深度学习模型的训练样本加入随机噪声,作为去噪自动编码器的输入进行无监督贪婪逐层预训练,对样本数据提取故障特征模式,并赋予特征统一的初始权值;
(4)若无新增故障数据样本加入,则至(5);若有新增故障数据样本加入,首先针对新增故障数据使用已有模型进行故障特征提取,得到新增特征模式。然后使用模式相似度算法计算新增特征模式中每个故障特征与原有特征模式的相似度,并根据增量主动融合算法对新增特征模式进行增量合并,采用权重补偿算法进行动态加权,主要过程如下:
a.若新增特征模式相似度值大于阈值β,则表示该特征与已有特征高度相似,使用调和非线性加权平均算法将其进行合并,并提高特征权重;
b.若新增特征模式相似度值大于阈值α,且小于阈值β,则表示该特征为随时间变化出现的新增特征,将其增量加入特征集,并设置特征权重初值;
c.若新增特征模式相似度值小于阈值α,则表示该特征对已有模式影响较小,可能为无意义的噪声干扰值,对其进行舍弃处理;
d.若原有特征与所有新增特征模式相似度值均小于阈值α,则表示该特征随时间变化出现失效,依据缓慢降低特征权重,直至小于阈值α时,将其从现有模式中删除;
(5)将有标签故障数据和经过动态深度学习训练加权的无标故障签数据作为输入向量训练SVM分类器进行故障分类;
(6)使用BP算法对整个模型中的相关参数进行全局微调,得到使模型预训练阶段和增量学习阶段的损失函数值都达到最小的最优参数。
(7)基于上述增量补偿动态深度学习故障诊断模型,将轴承故障振动信号经小波包分解得到的故障参数特征向量作为输入,能够在存在增量数据的情况下提取新增故障特征并输出故障模式类型,从而实现轴承设备状态特征实时提取和故障模式可靠分类。
基于上述步骤,基于增量补偿动态自适应增强的故障诊断方法有效实现了设备故障特征的实时增量提取,即利用DAE模型对新增数据挖掘并提取特征模式,并基于模式相似度算法计算新增模式与原有模式的相似度值,以增量主动融合算法判断对新增模式的增量或合并操作。同时也实现了设备故障模式可靠分类,即通过权重补偿算法计算新增特征的动态补偿权重,与原有特征模式一同输入分类器中,并调整模型参数。实现针对不同时间点的设备状态数据赋予动态权重,以权重补偿的形式增强有效模式和减少失效模式。
其中,步骤(3)中去噪自动编码器无监督贪婪逐层预训练包括下述步骤:
1)给定一个无标签的n维样本集x,首先对其按照qD分布加入随机噪声,使其变成含噪样本并作为自动编码器模型输入:
式中,qD为二项随机隐藏噪声。则编码过程中输入层和隐含层之间的映射函数h可定义为:
h=fθ(x)=σ(Wx+b)
式中σ为编码网络的激活函数,通常使用sigmoid函数。θ={W,b}为编码网络的参数集合,其中W为输入节点与隐层节点之间的权值,b为隐层节点的偏置。编码矢量h可通过解码函数gθ′变换为x的一种重构表示y:
y=gθ′(h)=σ(W′h+b′)
式中,σ同样为激活函数,θ′={W′,b′}为解码网络的参数集合,其中W′为W的转置即W′=WT,b′为偏置。
2)通过最小化x与y之间的重构误差L(x,y)作为目标函数JDAE,采用梯度下降法最优化参数θ和θ′,完成整个网络的训练:
上式中的重构误差函数L(x,y)采用如下交叉熵损失函数:
步骤(4)中模式相似度算法包括:
对于离散分布P和Q,KL散度定义为:
其中,P和Q分别代表两个不同的故障特征模式,P(i)和Q(i)代表特征模式P和Q中第i个值,P和Q之间的差异性越小,KL散度的值越小。因此根据上述定义,基于KL散度的模式相似度Sim(P,Q)计算公式:
由KL散度的性质可知其不具有对称性,即Dkl(P||Q)≠Dkl(Q||P),而将其表示为两个 特征间的相似度时需要具有对称性。为此,对KL散度进行对称性修正:
在计算特征间模式相似度时,用取代Dkl(P||Q),即
由于KL散度基于分布间的相对熵来计算其相异程度,而不是通过距离度量,因此可有效区别几何距离难以分辨的对象,优于其他基于距离的相似性度量方法,能够准确衡量故障模式之间的相似程度。
步骤(4)中的增量主动融合算法为:
计算新增特征模式与原有特征模式的模式相似度时,选取最大值Sim(P,Q)max作为该特征的模式相似度值,并根据以下原则判定新增或合并该特征模式:
使用α代表使两对比特征之间相似度有意义的最小相似度阈值,其取值为α=minSim(Fi,Fj),代表现有特征模式中两两特征Fi与Fj之间相似度的最小值。使用β代表特征一般相似与高度相似之间的临界阈值,其取值为β=maxSim(Fi,Fj),代表现有特征模式中两两特征Fi与Fj之间相似度的最大值。可见,相似度阈值α<β,且随特征模式的增量与合并,阈值α与β动态变化。
1)若β<Sim(P,Q)max,则表示新增特征与原有模式中的特征高度相似,可对其使用调和非线性加权平均法进行合并;
2)若α<Sim(P,Q)max<β,则表示新增特征与已有特征均相异,不能使用与已有特征合并的方式代替新增特征,所以将该特征增量加入原有模式;
3)若Sim(P,Q)max<α,则表示新增特征与已有特征的相似度低于最小阈值,代表该新增特征为无意义的噪声干扰值,对其舍弃处理。
上述原则1)中提到的调和非线性加权平均法中加权调和平均数计算公式为:
其中:为加权调和平均组合估计值,xi为第i个特征,n为特征总数,wi为第i个特征的组合加权系数,且满足约束条件:
且预测误差e为:
其中,x为特征实际取值,则以预测误差平方和最小解决最优化问题:
利用拉格朗日乘子法在最小二乘原理下求解得最优权重向量及目标函数最小值,实现新增模式与原有模式的合并。
步骤(4)中的权重动态补偿算法为:
根据新增模式增量与合并原则,计算其动态补偿权重,用以衡量该特征模式随时间变化的重要性改变程度,以权重补偿的形式达到增强有效模式和减少失效模式的作用。由于新增特征与已有特征的相似度能够在一定程度上反映该新增模式对当前模型的重要性,所以对模式相似度值使用下式归一化处理:
其中,minSim(P,Q)表示所有模式相似度中的最小值,maxSim(P,Q)表示所有模式相似度中的最大值。
对原则1)中高度相似的特征模式采取合并操作,该类模式说明其随设备状态变化的过程中频繁出现,具有较重要的作用,应当升高其权重以增强有效模式。其动态权重计算方法如下,其中特征相似度越大表示该特征在模式中的作用越大:
Wi+1=Wi+Sim(P,Q)norm
其中,第i+1次对原有特征P进行合并操作时赋予的权重为第i次合并权重与原有特征P和新增特征Q的相似度相加,初次合并时i=0,W0为初始权值,设置为原有特征模式中两两特征之间的最大相似度maxSim(P,Q)。
对原则2)中已增量加入原有模式的特征采取新增操作,该类模式说明其为随状态数据变化新出现的模式,需要为其赋予初始权值,计算方法如下,其中特征相似度恰好能够表示其在当前模型中的重要程度:
W0=Sim(P,Q)norm
对于原则3)中舍弃的新增模式不予考虑,但原有模式中存在与所有新增特征相似度均小于阈值α的情况,这表明其没有出现在新增模式中,该特征可能随状态数据变化逐渐失效,因此采用下式缓慢降低其权重。当经过多次增量学习迭代之后,对于一直未出现的特征其权重将会逐渐减小直至小于阈值α时,表明该特征已变为无效特征,需将其从现有模式中删除。
Wi+1=Wi-Sim(P,Q)norm
其中,第i+1次未在新增模式中出现的特征P的权重为第i次未出现时权重与其相似度做差,特征P初次未出现时i=0,W0为初始权值,同样设置为原有特征模式中两两特征之 间的最大相似度maxSim(P,Q)。
最后将加权新增特征模式与原有特征模式一同输入分类器中,并调整模型参数完成基于增量补偿动态自适应增强的故障诊断过程。
随着工业物联网和信息技术的发展,生产过程中获得运行状态数据变得越来越容易,使得基于数据驱动的故障诊断方法成为该领域的主流,诸多学者对其进行了深入的研究,并取得了较好的成果。但近年来,随着装备监测群规模、测点、采样频率大量增加,装备状态新产生监测数据大幅增长。以三一重工远程监测系统为例,该系统每天新增数据量达到1000万条以上。由于装备状态随时间而变化,新增数据的挖掘模式对诊断故障更有价值,且新产生的装备状态数据规模呈指数型增长,甚至已经超过原有数据规模,这种情况下仅仅依靠原有故障模式进行匹配显然不合理,因此考虑新增数据的装备故障诊断知识挖掘新方法成为新的问题焦点。目前,上述问题可以通过两种方式解决:第一种,合并所有数据(原始数据+新增数据)重新训练模型并提取特征值,这种方法需要消耗大量的时间,因此不适合实时性较强的装备故障预警与预测领域。第二种,增量学习,即学习系统能不断地从新样本中学习新的知识,并能保存大部分以前已经学习到的知识。目前常用的增量学习方法,如增量式极限学习机(IELM)、在线增量学习支持向量机(OI-SVM)、增量学习神经网络模型(INN)等,在现有文献中都起到了减轻模型计算量、提高模型准确率、有效节约时间成本的作用,传统模型可以高效地解决简单情况下或者给予多重限制条件下的增量问题,但在处理海量、多源的增量数据流带来的复杂问题时,模型效果不甚理想。因此,如何处理海量、多源的增量状态信息,并形成动态、准确的特征知识是装备维护的问题难点。
为了解决上述问题,本专利提出一种基于增量补偿动态自适应增强的故障诊断方法,利用增量计算补偿权重,并通过判断增量故障信息是否为有效模式驱动最优策略进行奖惩,达到特征模式自适应增强的过程,以期进一步提高设备故障诊断准确率和模型可解释性,同时对推动装备运行大数据的挖掘和应用有促进作用。
一、本发明方法的理论依据:
1、小波包变换(Wavelet packet transformation,WPT):能够将原始时域振动信号变换为可供分析的频域信号,对原始轴承故障振动信号使用小波包分解各频段的能量值,能够获取合适的参数特征以区分不同类别。
2、去噪自动编码器(Denoising Autoencoder,简称DAE):DAE以自动编码器(Autoencoder,AE)为基础,是一种能够快速高效提取特征的深度学习方法,通过在输入样本中加入含有一定统计特征的噪声来训练自动编码器,使输出层估计出受干扰样本的原始形式,从而从含噪样本中获取更具鲁棒性的特征。更加符合设备所处环境等复杂性,设备状态数据多含有噪点和信息冗余的特点。
去噪自动编码器先以无监督学习方式对深度网络结构进行逐层预训练提取特征,然后在深度网络的最后一层添加一个分类器用于特征模式分类,并使用监督学习方式通过反向误差传播法对网络参数进行微调,进一步优化模型训练结果。
3、KL散度:KL散度基于分布间的相对熵来计算其相异程度,可有效区别几何距离难以分辨的对象,优于其他基于距离的相似性度量方法,能够准确衡量故障模式之间的相似程度,有效提高故障模式间相似性的适用性和准确性。因此基于KL散度提出模式相似度计算方法,并对KL散度进行对称性修正,使其更加适用于计算模式间相似度。
4、调和非线性加权平均法:通过加权调和平均数计算多个特征模式的组合估计值,并赋予不同的权重,目标使预测误差平方和最小以解决最优化问题,利用拉格朗日乘子法在最小二乘原理下求解得最优权重向量及目标函数最小值,实现新增模式与原有模式的合并。
5、SVM分类器:通过非线性映射把样本空间映射到一个高维特征空间中,使得在原来样本空间中非线性可分的问题转化为在特征空间中的线性可分的问题,并利用一个线性超平面划分不同类别。
二、基于增量补偿动态自适应增强的故障诊断方法设计:
基于增量补偿动态自适应增强的故障诊断方法工作原理如下:当深度学习模型初次获取数据样本时,通过上述预训练和微调过程构建整体深度网络结构并提取特征模式。而当新增样本数据作为输入到达深度学习模型时,需调用动态补偿增量学习策略确定增量或合并操作,同时赋予特征模式动态补偿权重,最后将加权特征模式输入顶层SVM分类器中进行分类,针对增量学习带来的模型分类误差微调整个网络的参数,使深度学习模型能够动态调整以适应随时间变化的状态数据。
其中,动态补偿增量学习是基于增量补偿动态自适应增强的故障诊断方法的关键步骤,能有效解决设备状态数据和属性随设备磨损情况变化而引起的特征模式变化的问题,主要由三步构成,首先利用DAE算法对增量数据进行挖掘,获得新增的特征模式;其次提出一种模式相似度算法,并利用该方法计算新增模式与原有模式的相似度值;最后,根据增量主动融合算法和权重补偿算法对新增模式赋予初始值或者带有权值的合并至原有模式中。动态补偿增量学习通过赋予特征模式与相似度相关联的动态补偿权重,使得目前反复出现的重要特征权重升高,同时无用特征权重逐渐降低直至失效。
1、基于增量补偿动态自适应增强的故障诊断方法结构
本发明通过堆叠多层相连的去噪自动编码器构成深度网络结构,如图1所示,使低层DAE的输出作为下一个更高层DAE的输入,以最小化代价函数为目标,逐层贪婪预训练各层间系数。并在深度网络结构的顶层添加具有分类功能的输出层,使用SVM作为分类器进行有监督分类,针对误差使用BP算法微调深度网络结构各层参数,进一步优化整个网络使达到全局最优。
2、算法具体实现
基于增量补偿动态自适应增强的故障诊断方法步骤描述如下,流程图如图2所示。
(1)对轴承设备状态数据进行预处理,经过小波包变换后提取特征向量用于故障模式分类。将样本数据随机抽样按比例划分为训练样本和测试样本,并对测试样本进行标签化处理。将训练样本等量划分为四组,其中一组用于训练深度学习模型,剩余三组分三次添加至已有模型进行动态补偿增量学习;
(2)初始化模型参数,将用于训练深度学习模型的训练样本加入随机噪声,作为去噪自动编码器的输入进行无监督贪婪逐层预训练,对样本数据提取故障特征模式,并赋予特征统一的初始权值;
(3)若无新增故障数据样本加入,则至(4);若有新增故障数据样本加入,首先针对新增故障数据使用已有模型进行特征提取,得到新增特征模式。然后使用模式相似度算法计算新增特征模式中每个故障特征与原有特征模式的相似度,并根据以下增量主动融合算法对新增特征模式进行增量合并,采用权重补偿算法进行动态加权:
a.若新增特征模式相似度值大于阈值β,则表示该特征与已有特征高度相似,使用调和非线性加权平均算法将其进行合并,并提高特征权重;
b.若新增特征模式相似度值大于阈值α,且小于阈值β,则表示该特征为随时间变化出现的新增特征,将其增量加入特征集,并设置特征权重;
c.若新增特征模式相似度值小于阈值α,则表示该特征对已有模式影响较小,可能为无意义的噪声干扰值,对其进行舍弃处理;
d.若原有特征与所有新增特征模式相似度值均小于阈值α,则表示该特征随时间变化出现失效,应缓慢降低特征权重,直至小于阈值α时,将其从现有模式中删除;
(4)将有标签故障数据和经过动态深度学习训练加权的无标签故障数据作为输入向量训练SVM分类器进行故障模式分类;
(5)使用BP算法对整个模型中的相关参数进行全局微调,得到使模型预训练阶段和增量学习阶段的损失函数值都达到最小的最优参数。
采用上述技术方案所产生的有益效果在于:
本发明提出基于增量补偿动态自适应增强的故障诊断方法,采用动态补偿增量学习策略将从新增状态数据深度学习提取得到的新增模式增量合并至原有故障模式,并依据模式在随时间变化过程中的重要性改变程度赋予其动态补偿权重,使得加权特征模式能够在获得更加准确的故障诊断精度的同时节约时间成本,从而实现原有故障模式和新增故障模式在深度学习中的动态调整。通过试验分析,验证了提出的基于增量补偿动态自适应增强的故障诊断方法的有效性,使轴承故障诊断效率达到96.85%,相比其他浅层和无增量深度学习方法平均提高了5.43%,能够实现轴承设备状态特征实时提取和故障模式可靠分类。
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1是本发明基于动态补偿的增量学习过程图;
图2是本发明深度学习网络结构图;
图3是本发明基于增量补偿动态自适应增强的故障诊断方法流程图;
图4是本发明具体轴承设备故障诊断过程图;
图5、图6分别为隐藏节点数与重构误差关系图和噪声比重与重构误差关系图;
图7为有无增量数据诊断的DAE训练精度和训练时间的模型性能对比图;
图8为五种算法增量数据诊断的训练精度和训练时间的模型性能对比图;
具体实施方式
一种基于增量补偿动态自适应增强的故障诊断方法,包括下述步骤:
(1)对深沟球轴承使用电火花加工技术分别在轴承上对内圈、外圈和滚动体布置了3个故障等级的单点故障,故障直径分别为0.007、0.014、0.021英寸。选择电机驱动端振动传感器采集正常状态(N)、内圈故障(IRF)、外圈故障(ORF)和滚动体故障(BF)等10种状态下的振动信号,采样频率为12kHz,共计1,341,856个数据点;
(2)对轴承设备状态数据进行预处理,使用小波包分解原始振动信号各频段的能量值,提取参数特征作为模型输入向量。将样本数据随机抽样按比例划分为训练样本和测试样本,并对测试样本进行标签化处理。将训练样本等量划分为四组,其中一组用于训练深度学习模型,剩余三组分三次添加至已有模型进行动态补偿增量学习;
(3)初始化模型参数,将用于训练深度学习模型的训练样本加入随机噪声,作为去噪自动编码器的输入进行无监督贪婪逐层预训练,对样本数据提取故障特征模式,并赋予特征统一的初始权值;
1)给定一个无标签的n维样本集x,首先对其按照qD分布加入随机噪声,使其变成含噪样本并作为自动编码器模型输入:
式中,qD为二项随机隐藏噪声。则编码过程中输入层和隐含层之间的映射函数h可定义为:
h=fθ(x)=σ(Wx+b)
式中σ为编码网络的激活函数,通常使用sigmoid函数。θ={W,b}为编码网络的参数集合,其中W为输入节点与隐层节点之间的权值,b为隐层节点的偏置。编码矢量h可通过解码函数gθ′变换为x的一种重构表示y:
y=gθ′(h)=σ(W′h+b′)
式中,σ同样为激活函数,θ′={W′,b′}为解码网络的参数集合,其中W′为W的转置即W′=WT,b′为偏置。
2)通过最小化x与y之间的重构误差L(x,y)作为目标函数JDAE,采用梯度下降法最优化参数θ和θ′,完成整个网络的训练:
上式中的重构误差函数L(x,y)采用如下交叉熵损失函数:
(4)若无新增故障数据样本加入,则至(5);若有新增故障数据样本加入,首先针对新增故障数据使用已有模型进行特征提取,得到新增特征模式。然后使用模式相似度算法计算新增特征模式中每个故障特征与原有特征模式的相似度,并根据增量主动融合算法和权重补偿算法对新增特征模式进行增量合并和动态加权。
1)模式相似度算法包括:
对于离散分布P和Q,KL散度定义为:
其中,P和Q分别代表两个不同的故障特征模式,P(i)和Q(i)代表特征模式P和Q中第i个值,P和Q之间的差异性越小,KL散度的值越小。因此根据上述定义,基于KL散度的模式相似度Sim(P,Q)计算公式:
由KL散度的性质可知其不具有对称性,即Dkl(P||Q)≠Dkl(Q||P),而将其表示为两个特征间的相似度时需要具有对称性。为此,对KL散度进行对称性修正:
在计算特征间模式相似度时,用取代Dkl(P||Q),即
由于KL散度基于分布间的相对熵来计算其相异程度,而不是通过距离度量,因此可有效区别几何距离难以分辨的对象,优于其他基于距离的相似性度量方法,能够准确衡量故障模式之间的相似程度。
2)增量主动融合算法为:
计算新增特征模式与原有特征模式的模式相似度,选取最大值Sim(P,Q)max作为该特征的模式相似度值,并根据以下原则判定新增或合并该特征模式:
使用α代表使两对比特征之间相似度有意义的最小相似度阈值,其取值为α=minSim(Fi,Fj),代表现有特征模式中两两特征Fi与Fj之间相似度的最小值。使用β代表特征一般相似与高度相似之间的临界阈值,其取值为β=maxSim(Fi,Fj),代表现有特征模式中两两特征Fi与Fj之间相似度的最大值。可见,相似度阈值α<β,且随特征模式的增量与合并,阈值α与β动态变化。
1)若β<Sim(P,Q)max,则表示新增特征与原有模式中的特征高度相似,可对其使用调和非线性加权平均法进行合并;
2)若α<Sim(P,Q)max<β,则表示新增特征与已有特征均相异,不能使用与已有特征合并的方式代替新增特征,所以将该特征增量加入原有模式;
3)若Sim(P,Q)max<α,则表示新增特征与已有特征的相似度低于最小阈值,代表该新增特征为无意义的噪声干扰值,对其舍弃处理。
上述原则1)中提到的调和非线性加权平均法中加权调和平均数计算公式为:
其中:为加权调和平均组合估计值,xi为第i个特征,n为特征总数,wi为第i个特征的组合加权系数,且满足约束条件:
且预测误差e为:
其中,x为特征实际取值,则以预测误差平方和最小解决最优化问题:
利用拉格朗日乘子法在最小二乘原理下求解得最优权重向量及目标函数最小值,实现新增模式与原有模式的合并。
3)权重补偿算法为:
根据新增模式增量与合并原则,计算其动态补偿权重,用以衡量该特征模式随时间变化的重要性改变程度,以权重补偿的形式达到增强有效模式和减少失效模式的作用。由于新增特征与已有特征的相似度能够在一定程度上反映该新增模式对当前模型的重要性,所以对模式相似度值使用下式归一化处理:
其中,minSim(P,Q)表示所有模式相似度中的最小值,maxSim(P,Q)表示所有模式相似度中的最大值。
对原则1)中高度相似的特征模式采取合并操作,该类模式说明其随设备状态变化的过 程中频繁出现,具有较重要的作用,应当升高其权重以增强有效模式。其动态权重计算方法如下,其中特征相似度越大表示该特征在模式中的作用越大:
Wi+1=Wi+Sim(P,Q)norm
其中,第i+1次对原有特征P进行合并操作时赋予的权重为第i次合并权重与原有特征P和新增特征Q的相似度相加,初次合并时i=0,W0为初始权值,设置为原有特征模式中两两特征之间的最大相似度maxSim(P,Q)。
对原则2)中已增量加入原有模式的特征采取新增操作,该类模式说明其为随状态数据变化新出现的模式,需要为其赋予初始权值,计算方法如下,其中特征相似度恰好能够表示其在当前模型中的重要程度:
W0=Sim(P,Q)norm
对于原则3)中舍弃的新增模式不予考虑,但原有模式中存在与所有新增特征相似度均小于阈值α的情况,这表明其没有出现在新增模式中,该特征可能随状态数据变化逐渐失效,因此采用下式缓慢降低其权重。当经过多次增量学习迭代之后,对于一直未出现的特征其权重将会逐渐减小直至小于阈值α时,表明该特征已变为无效特征,需将其从现有模式中删除。
Wi+1=Wi-Sim(P,Q)norm
其中,第i+1次未在新增模式中出现的特征P的权重为第i次未出现时权重与其相似度做差,特征P初次未出现时i=0,W0为初始权值,同样设置为原有特征模式中两两特征之间的最大相似度maxSim(P,Q)。
(5)将有标签故障数据和经过动态深度学习训练加权的无标签故障数据作为输入向量训练SVM分类器进行故障分类;
(6)使用BP算法对整个模型中的相关参数进行全局微调,得到使模型预训练阶段和增量学习阶段的损失函数值都达到最小的最优参数。
(7)基于上述增量补偿动态深度学习故障诊断模型,将轴承故障振动信号经小波包分解得到的故障参数特征向量作为输入,能够在存在增量数据的情况下提取新增故障特征并输出故障模式类型,从而实现轴承设备状态特征实时提取和故障模式可靠分类。
基于增量补偿动态自适应增强的故障诊断方法的试验验证:
1、数据描述
实验数据为电气工程实验室的轴承故障数据,共计1,341,856个数据点,轴承型号为6205-2RS JEM SKF深沟球轴承。使用电火花加工技术分别在轴承上对内圈、外圈和滚动体布置了3个故障等级的单点故障,故障直径分别为0.007、0.014、0.021英寸。选择电机驱动端振动传感器采集的正常状态(N)、内圈故障(IRF)、外圈故障(ORF)和滚动体故障(BF)等10种状态下的振动信号,采样频率为12kHz,并对原始振动信号使用小波包分解各频段的能量值,提取合适的参数特征以区分不同类别。对于每一类,随机抽样选取40个 样例作为训练样本,10个样例作为测试样本,其中每个样例包含2048个数据点。将训练样本等量划分为四组,其中一组用于训练深度学习模型,剩余三组分三次添加至已有模型进行增量学习。具体故障数据样本描述如表1所示。仿真实验在Windows 7 64位系统Intel-I5CPU计算机R3.2.5平台下完成。
表1轴承故障数据描述
2、模型结构
1)确定隐藏层数目
设置其他模型参数相同,选取10类状态各40组样本,针对隐藏层数目从1-10层增加测试模型重构误差,实验结果如表2所示,当隐藏层数由1层逐渐增加时,重构误差逐渐减小,直到隐藏层数增加至4层时,重构误差出现波动增长的现象,但变化幅度较小,考虑到模型计算代价会随隐藏层数增加而急剧上升,因此选取隐藏层数目为4层。
表2隐藏层数对模型重构误差的影响
2)确定隐层节点数目
设置其他模型参数相同,隐藏层数目为4层,同样选取10类状态各40组样本。为了简 化并使模型符合特征提取的特点,设置4层节点个数按通过实验获得的比例4:3:3:3增加,图5显示了随第一个隐层的节点数增加模型重构误差的变化,其余各隐层节点数可用其推算,由图5可以看出,初始阶段模型重构误差随隐层节点数的增加而下降,但当隐层节点数超过80之后,模型重构误差呈明显上升趋势,因此选取隐层节点数目分别为80、60、60、60。
3)确定噪声比重
模型中DAE部分所加入的噪声比重过多可能会导致模型损失部分有用信息,图6显示了模型重构误差随噪声比重增加所产生的变化曲线,从图中可以看出,当加入5%-20%噪声时,模型重构误差有明显的下降趋势。而随着加入噪声比重逐渐增大,模型重构误差上升,当加入的噪声超过35%时,模型重构误差增加十分明显,达到0.06985。因此加入20%噪声。
3、结果分析
将10种不同故障状态下的总共400个训练样本划分为四组,分别使用本发明提出的基于增量补偿动态自适应增强的故障诊断方法同BP算法、SVM、AE、DAE方法进行增量学习对比,并使用测试样本测试模型诊断效果,记录10次试验的准确率和运行时间并求取平均值,对比结果如表3所示。
表3故障诊断结果比较
由表3可得,本发明所提基于增量补偿动态自适应增强的故障诊断方法在模型准确率和运行时间方面基本优于其他四种算法,从模型诊断准确率方面来看,在训练阶段达到96.85%,在测试阶段达到90.42%,可见提出的基于增量补偿动态自适应增强的故障诊断方法由于对增量特征模式进行了动态补偿加权,考虑了特征模式随时间变化的重要性改变程度,因此使得模型故障诊断精度有了一定程度的提高。从模型运行时间方面来看,除训练时间由于包含构造深度模型所需的时间开销因此多于SVM算法外,提出的基于增量补偿动态自适应增强的故障诊断方法在训练时间和测试时间上均优于其他算法,因此表明动态补偿增量学习对于减轻模型计算量节约时间成本起到了一定作用。图7所示为所提具有动态补偿增量学习过程的DAE算法同无增量学习过程的DAE算法的训练精度和训练时间的对比图,可见所提方法的高效性。
针对每一次添加增量数据时的训练情况进行分析,图8所示为将400个训练样本分四组依次加入训练模型时每一次训练精度和训练时间的曲线图,同样使用BP算法、SVM算法和无增量学习的AE算法、DAE算法与本专利提出的基于增量补偿动态自适应增强的故障诊断方法进行对比,图8(a)显示本专利所提基于增量补偿动态自适应增强的故障诊断方法的训练精度虽然在初始阶段与其他四种算法相差并不明显,但随着增量数据的逐步加入,其相对于四种无增量学习的算法优势越来越明显。图8(b)显示所提基于增量补偿动态自适应增强的故障诊断方法在初始训练时所需时间大于SVM算法,并基本与AE算法和DAE算法持平,这是由于深层网络结构的训练较浅层模型来说更为复杂,但在增量数据加入阶段可以明显看到,所提基于增量补偿动态自适应增强的故障诊断方法所需的训练时间少于除SVM以外的其他三种算法,而SVM算法虽然进行增量学习所需的运行时间很少,但训练精度却随增量数据的加入大幅下降。
由此可见,本发明所提基于增量补偿动态自适应增强的故障诊断方法与无增量学习过程的方法相比在模型精度和运行时间方面均具有优势。所提故障诊断模型通过动态补偿增量学习对新增特征模式进行增量合并和动态加权,既能利用已有知识模式有效减少故障特征模式学习时间,又能利用新增特征加权显著提高故障诊断精度,兼顾新增模式与失效模式,满足轴承故障诊断实时变化的需求。
4、结论
为解决设备运行过程中不同时间点的状态数据所包含的特征模式重要性不同的问题,本发明提出基于增量补偿动态自适应增强的故障诊断方法,采用动态补偿增量学习策略,提出模式相似度算法、增量主动融合算法、权重补偿算法,从新增状态数据深度学习提取新增模式增量合并至原有故障模式,并依据模式在随时间变化过程中的重要性改变程度赋予其动态补偿权重,使得加权特征模式能够在获得更加准确的故障诊断精度的同时,节约时间成本,从而实现原有故障模式和新增故障模式在深度学习中的动态调整。通过试验分析,验证了提出的基于增量补偿动态自适应增强的故障诊断方法的有效性,使轴承故障诊断效率达到96.85%,相比其他浅层和无增量深度学习方法平均提高了5.43%,能够实现轴承设备状态特征实时提取和故障模式可靠分类。主要优势如下:
(1)提出增量驱动补偿模型,尤其是对模式相似度算法、增量主动融合算法等问题进行探索,使其形成的特征提取既有利于提高故障模式分类准确度,又有利于提高分类的可解释性。
(2)基于权重动态补偿算法,构建特征自适应增强模型,通过判断增量故障信息是否为有效模式驱动最优策略进行奖惩,以完成模型特征自适应增强的过程;
(3)提出了考虑新增数据的设备故障诊断知识挖掘新方法,以期进一步提高设备故障诊断准确率和模型可解释性,同时对推动装备运行大数据的挖掘和应用有促进作用。
Claims (5)
1.一种基于增量补偿动态自适应增强的故障诊断方法,其特征在于,包括下述步骤:
(1)对深沟球轴承使用电火花加工技术分别在轴承上对内圈、外圈和滚动体布置了3个故障等级的单点故障,选择电机驱动端振动传感器采集正常状态(N)、内圈故障(IRF)、外圈故障(ORF)和滚动体故障(BF)等10种状态下的振动信号,采样频率为12kHz,共计1,341,856个数据点;
(2)对轴承设备故障数据进行预处理,使用小波包分解原始振动信号各频段的能量值,提取参数特征作为模型输入向量。随机抽样按比例划分为训练数据集和测试数据集,并对测试样本进行标签化处理,将训练样本等量划分为四组,其中一组用于训练深度学习模型,剩余三组分三次添加至已有模型进行动态补偿增量学习;
(3)将用于训练深度学习模型的训练样本加入随机噪声,作为去噪自动编码器的输入进行无监督贪婪逐层预训练,对样本数据提取故障特征模式,并赋予特征统一的初始权值;
(4)对新增故障数据样本使用已有模型提取新增特征模式,然后利用模式相似度算法计算新增特征模式中每个故障特征与原有特征模式的相似度,并根据增量主动融合算法和权重补偿算法进行增量合并和动态加权;
(5)将有标签故障数据和经过动态深度学习训练加权的无标签故障数据作为输入向量训练SVM分类器进行故障分类;
(6)使用BP算法对整个模型中的相关参数进行全局微调,得到使模型预训练阶段和增量学习阶段的损失函数值都达到最小的最优参数。
(7)基于上述增量补偿动态深度学习故障诊断模型,将轴承故障振动信号经小波包分解得到的故障参数特征向量作为输入,能够在存在增量数据的情况下提取新增故障特征并输出故障模式类型,从而实现轴承设备状态特征实时提取和故障模式可靠分类。
2.根据权利要求1所述的基于增量补偿动态自适应增强的故障诊断方法,其特征在于所述步骤(3)中去噪自动编码器无监督贪婪逐层预训练包括下述步骤:
1)给定一个无标签的n维样本集x,首先对其按照qD分布加入随机噪声,使其变成含噪样本并作为自动编码器模型输入:
<mrow>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mo>~</mo>
<msub>
<mi>q</mi>
<mi>D</mi>
</msub>
<mrow>
<mo>(</mo>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mo>|</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
式中,qD为二项随机隐藏噪声。则编码过程中输入层和隐含层之间的映射函数h可定义为:
h=fθ(x)=σ(Wx+b)
式中σ为编码网络的激活函数,通常使用sigmoid函数。θ={W,b}为编码网络的参数集合。编码矢量h可通过解码函数gθ′变换为x的一种重构表示y:
y=gθ′(h)=σ(W′h+b′)
式中,σ同样为激活函数,θ′={W′,b′}为解码网络的参数集合,其中W′为W的转置即W′=WT。
2)通过最小化x与y之间的重构误差L(x,y)作为目标函数JDAE,采用梯度下降法最优化参数θ和θ′,完成整个网络的训练:
<mrow>
<msub>
<mi>J</mi>
<mrow>
<mi>D</mi>
<mi>A</mi>
<mi>E</mi>
</mrow>
</msub>
<mo>=</mo>
<munder>
<mi>argmin</mi>
<mrow>
<mi>&theta;</mi>
<mo>,</mo>
<msup>
<mi>&theta;</mi>
<mo>&prime;</mo>
</msup>
</mrow>
</munder>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mi>argmin</mi>
<mrow>
<mi>&theta;</mi>
<mo>,</mo>
<msup>
<mi>&theta;</mi>
<mo>&prime;</mo>
</msup>
</mrow>
</munder>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<msub>
<mi>g</mi>
<msup>
<mi>&theta;</mi>
<mo>&prime;</mo>
</msup>
</msub>
<mo>(</mo>
<mrow>
<msub>
<mi>f</mi>
<mi>&theta;</mi>
</msub>
<mrow>
<mo>(</mo>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
上式中的重构误差函数L(x,y)采用如下交叉熵损失函数:
<mrow>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>-</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mo>&lsqb;</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mi>ln</mi>
<mi> </mi>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mi>l</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
3.根据权利要求1所述的基于增量补偿动态自适应增强的故障诊断方法,其特征在于所述步骤(4)中模式相似度算法为:
对于离散分布P和Q,KL散度定义为:
<mrow>
<msub>
<mi>D</mi>
<mrow>
<mi>k</mi>
<mi>l</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>P</mi>
<mo>|</mo>
<mo>|</mo>
<mi>Q</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mi>i</mi>
</munder>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>log</mi>
<mn>2</mn>
</msub>
<mfrac>
<mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>Q</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
其中,P和Q分别代表两个不同的故障特征模式,P(i)和Q(i)代表特征模式P和Q中第i个值,P和Q之间的差异性越小,KL散度的值越小。因此根据上述定义,基于KL散度的模式相似度Sim(P,Q)计算公式:
<mrow>
<mi>S</mi>
<mi>i</mi>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mi>P</mi>
<mo>,</mo>
<mi>Q</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>1</mn>
<mo>+</mo>
<msub>
<mi>D</mi>
<mrow>
<mi>k</mi>
<mi>l</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>P</mi>
<mo>|</mo>
<mo>|</mo>
<mi>Q</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
由KL散度的性质可知其不具有对称性,即Dkl(P||Q)≠Dkl(Q||P),而将其表示为两个特征间的相似度时需要具有对称性。为此,对KL散度进行对称性修正:
<mrow>
<msub>
<mi>D</mi>
<mrow>
<msub>
<mi>kl</mi>
<mi>s</mi>
</msub>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>P</mi>
<mo>|</mo>
<mo>|</mo>
<mi>Q</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>D</mi>
<mrow>
<mi>k</mi>
<mi>l</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>P</mi>
<mo>|</mo>
<mo>|</mo>
<mi>Q</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>D</mi>
<mrow>
<mi>k</mi>
<mi>l</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>Q</mi>
<mo>|</mo>
<mo>|</mo>
<mi>P</mi>
<mo>)</mo>
</mrow>
</mrow>
<mn>2</mn>
</mfrac>
</mrow>
在计算特征间模式相似度时,用取代Dkl(P||Q),即
<mrow>
<mi>S</mi>
<mi>i</mi>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mi>P</mi>
<mo>,</mo>
<mi>Q</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>1</mn>
<mo>+</mo>
<msub>
<mi>D</mi>
<mrow>
<msub>
<mi>kl</mi>
<mi>s</mi>
</msub>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>P</mi>
<mo>|</mo>
<mo>|</mo>
<mi>Q</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
计算新增特征模式与原有特征模式的相似度,选取最大值Sim(P,Q)max作为该特征的模式相似度值。
4.根据权利要求1所述的基于增量补偿动态自适应增强的故障诊断方法,其特征在于所述步骤(4)中增量模式主动融合算法为:
使用α代表使两对比特征之间相似度有意义的最小相似度阈值,β代表特征一般相似与高度相似之间的临界阈值,可见,相似度阈值α<β,且随特征模式的增量与合并α与β动态变化。
1)若β<Sim(P,Q)max,则表示新增特征与原有模式中的特征高度相似,可对其使用调和非线性加权平均法进行合并;
2)若α<Sim(P,Q)max<β,则表示新增特征与已有特征均相异,不能使用与已有特征合并的方式代替新增特征,所以将该特征增量加入原有模式;
3)若Sim(P,Q)max<α,则表示新增特征与已有特征的相似度低于最小阈值,代表该新增特征为无意义的噪声干扰值,对其舍弃处理。
5.根据权利要求1所述的基于增量补偿动态自适应增强的故障诊断方法,其特征在于所述步骤(4)中权重补偿算法为:
对模式相似度值归一化处理:
<mrow>
<mi>S</mi>
<mi>i</mi>
<mi>m</mi>
<msub>
<mrow>
<mo>(</mo>
<mi>P</mi>
<mo>,</mo>
<mi>Q</mi>
<mo>)</mo>
</mrow>
<mrow>
<mi>n</mi>
<mi>o</mi>
<mi>r</mi>
<mi>m</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mi>S</mi>
<mi>i</mi>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mi>P</mi>
<mo>,</mo>
<mi>Q</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>min</mi>
<mi>S</mi>
<mi>i</mi>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mi>P</mi>
<mo>,</mo>
<mi>Q</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>max</mi>
<mi>S</mi>
<mi>i</mi>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mi>P</mi>
<mo>,</mo>
<mi>Q</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>min</mi>
<mi>S</mi>
<mi>i</mi>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mi>P</mi>
<mo>,</mo>
<mi>Q</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
其中,minSim(P,Q)表示所有模式相似度中的最小值,maxSim(P,Q)表示所有模式相似度中的最大值。
对原则1)中高度相似的特征模式采取合并操作,升高其权重以增强有效模式。其动态权重计算方法如下:
Wi+1=Wi+Sim(P,Q)norm
其中,第i+1次对原有特征P进行合并操作时赋予的权重为第i次合并权重与原有特征P和新增特征Q的相似度相加,初次合并时i=0,W0为初始权值,设置为原有特征模式中两两特征之间的最大相似度maxSim(P,Q)。
对原则2)中已增量加入原有模式的特征采取新增操作,为其赋予初始权值,计算方法如下:
W0=Sim(P,Q)norm
对于原则3)中舍弃的新增模式不予考虑,但原有模式中存在与所有新增特征相似度均小于阈值α的情况,采用下式缓慢降低其权重,直至小于阈值α时,表明该特征已变为无效特征,需将其从现有模式中删除。
Wi+1=Wi-Sim(P,Q)norm
其中,第i+1次未在新增模式中出现的特征P的权重为第i次未出现时权重与其相似度做差,特征P初次未出现时i=0,W0为初始权值,同样设置为原有特征模式中两两特征之间的最大相似度maxSim(P,Q)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710138366.9A CN107316046B (zh) | 2017-03-09 | 2017-03-09 | 一种基于增量补偿动态自适应增强的故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710138366.9A CN107316046B (zh) | 2017-03-09 | 2017-03-09 | 一种基于增量补偿动态自适应增强的故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107316046A true CN107316046A (zh) | 2017-11-03 |
CN107316046B CN107316046B (zh) | 2020-08-25 |
Family
ID=60185256
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710138366.9A Active CN107316046B (zh) | 2017-03-09 | 2017-03-09 | 一种基于增量补偿动态自适应增强的故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107316046B (zh) |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108062978A (zh) * | 2017-12-06 | 2018-05-22 | 浙江大学 | 一种急性冠状动脉综合征患者的主要不良心血管事件预测方法 |
CN108108765A (zh) * | 2017-12-28 | 2018-06-01 | 北京理工大学 | 一种基于概率密度比的数据融合的设备故障诊断方法 |
CN108168682A (zh) * | 2017-12-22 | 2018-06-15 | 中国南方电网有限责任公司超高压输电公司曲靖局 | 一种基于振动信号支持向量机的gil故障在线监测系统 |
CN108376264A (zh) * | 2018-02-26 | 2018-08-07 | 上海理工大学 | 一种基于支持向量机增量学习的冷水机组故障诊断方法 |
CN108491580A (zh) * | 2018-02-26 | 2018-09-04 | 上海理工大学 | 一种设备故障诊断装置及系统 |
CN108646725A (zh) * | 2018-07-31 | 2018-10-12 | 河北工业大学 | 基于动态加权的双模型故障诊断方法 |
CN108664967A (zh) * | 2018-04-17 | 2018-10-16 | 上海交通大学 | 一种多媒体页面视觉显著性预测方法及系统 |
CN108780037A (zh) * | 2018-04-09 | 2018-11-09 | 深圳达闼科技控股有限公司 | 光谱分析方法、装置、电子设备及计算机可读存储介质 |
CN109211546A (zh) * | 2018-08-28 | 2019-01-15 | 电子科技大学 | 基于降噪自动编码器及增量学习的旋转机械故障诊断方法 |
CN109840505A (zh) * | 2019-02-03 | 2019-06-04 | 湖南工业大学 | 一种面向全寿命周期轮对踏面的故障诊断方法 |
CN110070060A (zh) * | 2019-04-26 | 2019-07-30 | 天津开发区精诺瀚海数据科技有限公司 | 一种轴承设备的故障诊断方法 |
CN110162018A (zh) * | 2019-05-31 | 2019-08-23 | 天津开发区精诺瀚海数据科技有限公司 | 基于知识蒸馏与隐含层共享的增量式设备故障诊断方法 |
CN110244689A (zh) * | 2019-06-11 | 2019-09-17 | 哈尔滨工程大学 | 一种基于判别性特征学习方法的auv自适应故障诊断方法 |
CN110278189A (zh) * | 2019-05-17 | 2019-09-24 | 杭州电子科技大学 | 一种基于网络流量特征权重图谱的入侵检测方法 |
CN110334580A (zh) * | 2019-05-04 | 2019-10-15 | 天津开发区精诺瀚海数据科技有限公司 | 基于集成增量的动态权重组合的设备故障分类方法 |
CN110968072A (zh) * | 2019-11-19 | 2020-04-07 | 朱彤 | 一种基于人工智能的电气自动化设备监测系统和方法 |
CN111006860A (zh) * | 2019-12-19 | 2020-04-14 | 南京航空航天大学 | 一种基于AdaBoost-ASVM算法的飞机执行器故障诊断方法 |
CN111190429A (zh) * | 2020-01-13 | 2020-05-22 | 南京航空航天大学 | 一种基于强化学习的无人机主动容错控制方法 |
CN111323220A (zh) * | 2020-03-02 | 2020-06-23 | 武汉大学 | 风力发电机齿轮箱故障诊断方法及系统 |
CN111539381A (zh) * | 2020-05-18 | 2020-08-14 | 中车永济电机有限公司 | 风力发电机轴承故障分类诊断模型的构建方法 |
CN111595584A (zh) * | 2020-06-11 | 2020-08-28 | 河海大学常州校区 | 一种基于1-dcnn联合特征提取的轴承故障在线检测方法 |
CN111832839A (zh) * | 2020-07-24 | 2020-10-27 | 河北工业大学 | 基于充分增量学习的能耗预测方法 |
CN112884065A (zh) * | 2021-03-12 | 2021-06-01 | 浙江工业大学 | 一种基于支持向量机的深度学习模型鲁棒边界评估方法、装置和应用 |
CN114120592A (zh) * | 2021-10-15 | 2022-03-01 | 青岛海尔空调电子有限公司 | 用于故障报警的方法及装置、电子设备、存储介质 |
CN116956048A (zh) * | 2023-09-19 | 2023-10-27 | 北京航空航天大学 | 一种基于跨域泛化标签的工业设备故障诊断方法及装置 |
CN117216635A (zh) * | 2023-09-12 | 2023-12-12 | 中国矿业大学 | 基于多领域自适应构造式增量网络的轴承故障诊断方法 |
CN117407797A (zh) * | 2023-12-15 | 2024-01-16 | 山东能源数智云科技有限公司 | 基于增量学习的设备故障诊断方法及模型的构建方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023094867A1 (en) * | 2021-11-29 | 2023-06-01 | Telefonaktiebolaget Lm Ericsson (Publ) | Method and system for learning and inferencing faults |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104748962A (zh) * | 2015-04-03 | 2015-07-01 | 西安交通大学 | 一种基于堆叠自动编码机的行星齿轮箱智能诊断方法 |
CN104792530A (zh) * | 2015-04-15 | 2015-07-22 | 北京航空航天大学 | 一种基于SDA和Softmax回归的深度学习滚动轴承故障诊断方法 |
CN106124212A (zh) * | 2016-06-16 | 2016-11-16 | 燕山大学 | 基于稀疏编码器和支持向量机的滚动轴承故障诊断方法 |
CN106323636A (zh) * | 2016-08-16 | 2017-01-11 | 重庆交通大学 | 栈式稀疏自动编码深度神经网络的机械故障程度特征自适应提取与诊断方法 |
CN106443447A (zh) * | 2016-09-26 | 2017-02-22 | 南京航空航天大学 | 一种基于iSDAE的航空发电机故障特征提取方法 |
-
2017
- 2017-03-09 CN CN201710138366.9A patent/CN107316046B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104748962A (zh) * | 2015-04-03 | 2015-07-01 | 西安交通大学 | 一种基于堆叠自动编码机的行星齿轮箱智能诊断方法 |
CN104792530A (zh) * | 2015-04-15 | 2015-07-22 | 北京航空航天大学 | 一种基于SDA和Softmax回归的深度学习滚动轴承故障诊断方法 |
CN106124212A (zh) * | 2016-06-16 | 2016-11-16 | 燕山大学 | 基于稀疏编码器和支持向量机的滚动轴承故障诊断方法 |
CN106323636A (zh) * | 2016-08-16 | 2017-01-11 | 重庆交通大学 | 栈式稀疏自动编码深度神经网络的机械故障程度特征自适应提取与诊断方法 |
CN106443447A (zh) * | 2016-09-26 | 2017-02-22 | 南京航空航天大学 | 一种基于iSDAE的航空发电机故障特征提取方法 |
Non-Patent Citations (1)
Title |
---|
朱清香等: ""基于变权关联规则的设备故障诊断研究"", 《燕山大学学报》 * |
Cited By (38)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108062978A (zh) * | 2017-12-06 | 2018-05-22 | 浙江大学 | 一种急性冠状动脉综合征患者的主要不良心血管事件预测方法 |
CN108168682A (zh) * | 2017-12-22 | 2018-06-15 | 中国南方电网有限责任公司超高压输电公司曲靖局 | 一种基于振动信号支持向量机的gil故障在线监测系统 |
CN108108765A (zh) * | 2017-12-28 | 2018-06-01 | 北京理工大学 | 一种基于概率密度比的数据融合的设备故障诊断方法 |
CN108376264A (zh) * | 2018-02-26 | 2018-08-07 | 上海理工大学 | 一种基于支持向量机增量学习的冷水机组故障诊断方法 |
CN108491580A (zh) * | 2018-02-26 | 2018-09-04 | 上海理工大学 | 一种设备故障诊断装置及系统 |
CN108780037A (zh) * | 2018-04-09 | 2018-11-09 | 深圳达闼科技控股有限公司 | 光谱分析方法、装置、电子设备及计算机可读存储介质 |
CN108664967A (zh) * | 2018-04-17 | 2018-10-16 | 上海交通大学 | 一种多媒体页面视觉显著性预测方法及系统 |
CN108664967B (zh) * | 2018-04-17 | 2020-08-25 | 上海媒智科技有限公司 | 一种多媒体页面视觉显著性预测方法及系统 |
CN108646725A (zh) * | 2018-07-31 | 2018-10-12 | 河北工业大学 | 基于动态加权的双模型故障诊断方法 |
CN109211546B (zh) * | 2018-08-28 | 2020-05-26 | 电子科技大学 | 基于降噪自动编码器及增量学习的旋转机械故障诊断方法 |
CN109211546A (zh) * | 2018-08-28 | 2019-01-15 | 电子科技大学 | 基于降噪自动编码器及增量学习的旋转机械故障诊断方法 |
CN109840505A (zh) * | 2019-02-03 | 2019-06-04 | 湖南工业大学 | 一种面向全寿命周期轮对踏面的故障诊断方法 |
CN110070060A (zh) * | 2019-04-26 | 2019-07-30 | 天津开发区精诺瀚海数据科技有限公司 | 一种轴承设备的故障诊断方法 |
CN110334580A (zh) * | 2019-05-04 | 2019-10-15 | 天津开发区精诺瀚海数据科技有限公司 | 基于集成增量的动态权重组合的设备故障分类方法 |
CN110278189A (zh) * | 2019-05-17 | 2019-09-24 | 杭州电子科技大学 | 一种基于网络流量特征权重图谱的入侵检测方法 |
CN110278189B (zh) * | 2019-05-17 | 2021-12-10 | 杭州电子科技大学 | 一种基于网络流量特征权重图谱的入侵检测方法 |
CN110162018A (zh) * | 2019-05-31 | 2019-08-23 | 天津开发区精诺瀚海数据科技有限公司 | 基于知识蒸馏与隐含层共享的增量式设备故障诊断方法 |
CN110244689A (zh) * | 2019-06-11 | 2019-09-17 | 哈尔滨工程大学 | 一种基于判别性特征学习方法的auv自适应故障诊断方法 |
CN110968072A (zh) * | 2019-11-19 | 2020-04-07 | 朱彤 | 一种基于人工智能的电气自动化设备监测系统和方法 |
CN111006860B (zh) * | 2019-12-19 | 2021-02-26 | 南京航空航天大学 | 一种基于AdaBoost-ASVM算法的飞机执行器故障诊断方法 |
CN111006860A (zh) * | 2019-12-19 | 2020-04-14 | 南京航空航天大学 | 一种基于AdaBoost-ASVM算法的飞机执行器故障诊断方法 |
CN111190429B (zh) * | 2020-01-13 | 2022-03-18 | 南京航空航天大学 | 一种基于强化学习的无人机主动容错控制方法 |
CN111190429A (zh) * | 2020-01-13 | 2020-05-22 | 南京航空航天大学 | 一种基于强化学习的无人机主动容错控制方法 |
CN111323220A (zh) * | 2020-03-02 | 2020-06-23 | 武汉大学 | 风力发电机齿轮箱故障诊断方法及系统 |
CN111539381B (zh) * | 2020-05-18 | 2022-04-05 | 中车永济电机有限公司 | 风力发电机轴承故障分类诊断模型的构建方法 |
CN111539381A (zh) * | 2020-05-18 | 2020-08-14 | 中车永济电机有限公司 | 风力发电机轴承故障分类诊断模型的构建方法 |
CN111595584B (zh) * | 2020-06-11 | 2022-04-22 | 河海大学常州校区 | 一种基于1-dcnn联合特征提取的轴承故障在线检测方法 |
CN111595584A (zh) * | 2020-06-11 | 2020-08-28 | 河海大学常州校区 | 一种基于1-dcnn联合特征提取的轴承故障在线检测方法 |
CN111832839A (zh) * | 2020-07-24 | 2020-10-27 | 河北工业大学 | 基于充分增量学习的能耗预测方法 |
CN112884065A (zh) * | 2021-03-12 | 2021-06-01 | 浙江工业大学 | 一种基于支持向量机的深度学习模型鲁棒边界评估方法、装置和应用 |
CN112884065B (zh) * | 2021-03-12 | 2024-02-13 | 浙江工业大学 | 一种基于支持向量机的深度学习模型鲁棒边界评估方法、装置和应用 |
CN114120592B (zh) * | 2021-10-15 | 2023-10-20 | 青岛海尔空调电子有限公司 | 用于故障报警的方法及装置、电子设备、存储介质 |
CN114120592A (zh) * | 2021-10-15 | 2022-03-01 | 青岛海尔空调电子有限公司 | 用于故障报警的方法及装置、电子设备、存储介质 |
CN117216635A (zh) * | 2023-09-12 | 2023-12-12 | 中国矿业大学 | 基于多领域自适应构造式增量网络的轴承故障诊断方法 |
CN116956048A (zh) * | 2023-09-19 | 2023-10-27 | 北京航空航天大学 | 一种基于跨域泛化标签的工业设备故障诊断方法及装置 |
CN116956048B (zh) * | 2023-09-19 | 2023-12-15 | 北京航空航天大学 | 一种基于跨域泛化标签的工业设备故障诊断方法及装置 |
CN117407797A (zh) * | 2023-12-15 | 2024-01-16 | 山东能源数智云科技有限公司 | 基于增量学习的设备故障诊断方法及模型的构建方法 |
CN117407797B (zh) * | 2023-12-15 | 2024-03-29 | 山东能源数智云科技有限公司 | 基于增量学习的设备故障诊断方法及模型的构建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107316046B (zh) | 2020-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107316046A (zh) | 一种基于增量补偿动态自适应增强的故障诊断方法 | |
Shao et al. | A deep learning approach for fault diagnosis of induction motors in manufacturing | |
CN111830408B (zh) | 一种基于边缘计算和深度学习的电机故障诊断系统及方法 | |
Chen et al. | Intelligent fault diagnosis method of planetary gearboxes based on convolution neural network and discrete wavelet transform | |
Grezmak et al. | Interpretable convolutional neural network through layer-wise relevance propagation for machine fault diagnosis | |
WO2023044979A1 (zh) | 类不平衡数据集下的机械故障智能诊断方法 | |
CN103728551B (zh) | 一种基于级联集成分类器的模拟电路故障诊断方法 | |
CN106124212B (zh) | 基于稀疏编码器和支持向量机的滚动轴承故障诊断方法 | |
Yu et al. | A bearing fault diagnosis technique based on singular values of EEMD spatial condition matrix and Gath-Geva clustering | |
CN105550700B (zh) | 一种基于关联分析和主成分分析的时间序列数据清洗方法 | |
CN106895975B (zh) | 基于Stacked SAE深度神经网络的轴承故障诊断方法 | |
Han et al. | An intelligent diagnosis framework for roller bearing fault under speed fluctuation condition | |
Wang et al. | Planetary gearbox fault feature learning using conditional variational neural networks under noise environment | |
CN110044554A (zh) | 一种基于声发射信号的金属压力容器泄漏的在线检测方法 | |
CN101587155B (zh) | 一种油浸式变压器的故障诊断方法 | |
CN109902399A (zh) | 一种基于att-cnn的变工况下滚动轴承故障识别方法 | |
CN110212528B (zh) | 一种配电网量测数据缺失重构方法 | |
CN112435363B (zh) | 一种刀具磨损状态实时监测方法 | |
CN110657984A (zh) | 一种基于强化胶囊网络的行星齿轮箱故障诊断方法 | |
CN113884290A (zh) | 基于自训练半监督生成对抗网络的调压器故障诊断方法 | |
CN110261109A (zh) | 一种基于双向记忆循环神经网络的滚动轴承故障诊断方法 | |
CN110244689A (zh) | 一种基于判别性特征学习方法的auv自适应故障诊断方法 | |
CN111397901A (zh) | 基于小波和改进pso-rbf神经网络的滚动轴承故障诊断方法 | |
Li et al. | IncepTCN: A new deep temporal convolutional network combined with dictionary learning for strong cultural noise elimination of controlled-source electromagnetic data | |
CN105678343A (zh) | 基于自适应加权组稀疏表达的水电机组噪声异常诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |