CN108548669B

CN108548669B - 一种工程装备传动系统故障诊断方法及系统

Info

Publication number: CN108548669B
Application number: CN201810298693.5A
Authority: CN
Inventors: 黄亦翔; 刘成良; 刘志宇
Original assignee: Shanghai Jiaotong University
Current assignee: Shanghai Jiaotong University
Priority date: 2018-04-03
Filing date: 2018-04-03
Publication date: 2020-01-07
Anticipated expiration: 2038-04-03
Also published as: CN108548669A

Abstract

本发明公开一种工程装备传动系统故障诊断方法及系统，所述方法将目标数据集和辅助数据集的时域信号转换为频域信号；利用深度自动编码器，提取频域信号特征，并作为迁移学习的输入；利用基于实例的迁移提升树算法，每次迭代，改变目标数据集和辅助数据集的权重，并改变目标数据集中故障数据的权重。通过每次迁移提升树迭代得到的分类器及其权重作为最终分类器。所述系统包括时频变换模块、故障信号特征提取模块、故障诊断模块。本发明可以有效提取信号特征，充分利用数据集，并能使故障设备尽可能地被诊断出来，提高了安全性。

Description

一种工程装备传动系统故障诊断方法及系统

技术领域

本发明涉及工程装备传动系统技术领域，具体涉及一种特征信号的分析、深度学习和迁移学习的工程装备传动系统故障诊断方法及系统。

背景技术

对于工程装备传动系统振动数据，良好地表达其特征是故障诊断的关键。靠人工提取特征费时费力，而且对不同的问题需要采用不同的提取方法，很难找到统一的特征提取方法。

当前工程装备传动系统故障诊断是建立在训练数据和测试数据具有相同分布的假设条件下，而实际情况中，由于变工况环境，使得新的故障数据量少，难以训练出一个比较有效的模型；而实验室数据的模型由于其分布与实际工况不同，直接被用于实际工况中效果不好；所以如何利用大量实验室数据帮助训练新的模型成为一个重要问题。

在工业生产中，安全问题是最重要的问题之一，所以对于出现故障的设备要尽可能地检测出来，即便是没有故障的设备被检测成了有故障，也不能把有故障的设备检测成了没有故障。

经检索，公开号为CN107480715A、申请号为CN201710680573.7的中国发明申请，其公开一种液压成形装备的传动装置故障预测模型的建立方法及系统，所述建立方法包括：获取液压成形装备的传动装置的多组原始运行数据；对所述原始运行数据进行预处理，合成新数据样本；基于迭代-支持向量机组合算法，根据所述新数据样本建立传动装置故障预测模型，用于对传动装置的故障情况进行预测。该发明通过对液压成形装备的传动装置的多组原始运行数据进行预处理，解决了液压成形装备的传动装置的运行数据中的存在异常值、数据维度高、数据样本不均衡的问题；此外，基于迭代-支持向量机组合算法，建立传动装置故障预测模型，比单一运用SVM进行预测的预测准确度高，可以降低液压成形装备的传动装置故障的风险和危害。

但上述专利存在以下不足：上述专利虽然用了Adaboost算法集成多个SVM 分类器，但并没有充分利用其他条件下的数据。如果当前数据量不足以训练SVM 分类器时，即训练的多个SVM分类器拟合效果均不理想时，最终将得不到较好的模型，利用这样的模型进行故障预测，安全性仍旧无法得到保证，无法满足工程装备传动系统故障诊断要求。

发明内容

本发明的目的在于针对现有技术的不足，提出一种基于深度学习和迁移学习的工程装备传动系统故障诊断方法及系统，避免了人工提取特征，并且有效地利用实验室数据，为真实工况的故障诊断建立较好的分类器模型，同时尽可能地保证安全。

为达到以上目的，本发明所采用的解决方案是：

根据本发明的第一方面，提供一种工程装备传动系统故障诊断方法，所述方法包括：

对目标数据和辅助数据进行时频变换，将采集到的时域信号变为频域信号；其中：所述目标数据为真实环境下工程装备传动系统对象的振动数据集，所述辅助数据为实验环境下工程装备传动系统对象的振动数据集；

对转换的所述目标数据和所述辅助数据的频域信号，利用深层自动编码器提取故障信号特征；

对所述自动编码器提取的故障信号特征利用迁移学习中的迁移提升树算法，通过每次迁移提升树迭代得到分类器，用于对工程装备传动系统故障进行诊断。

可选地，所述对目标数据和辅助数据进行时频变换，是指：对所述目标数据和所述辅助数据采用快速傅里叶变换的方法进行时频转换。

可选地，所述深层自动编码器的输入为频域信号中m个频率点(m取 1000～5000)的幅值。

可选地，所述迁移提升树算法中，每次迭代改变目标数据集和辅助数据的权重，增加辅助数据集中有助于训练的数据的权重，同时降低辅助数据集中不重要数据的权重。

可选地，所述迁移提升树算法中，改变目标数据集和辅助数据中故障数据和正常数据的权重，即增加故障数据的权重，同时降低正常数据的权重。这样使故障数据尽可能多地被检测出来，尽可能地保证安全。

更好地，所述对所述自动编码器提取的故障信号特征利用迁移学习中的迁移提升树算法，通过每次迁移提升树迭代得到分类器，具体为：设深层自动编码提取故障信号特征后的输出为T_A和T_B，作为迁移提升树算法迭代的输入；设迁移提升树迭代次数n，每个数据的初始权重w，则：

设深层自动编码提取故障信号特征后的输出为T_A和T_B，作为迁移提升树算法迭代的输入；设迁移提升树迭代次数n，每个数据的初始权重w，则：

S1，开始迁移提升树算法，利用T_A和T_B训练一个分类器L_t，以及这个分类器L_t的权重；

S2，用训练好的分类器L_t检测目标数据集经过转换后的数据T_A，计算T_A整体的错误率β和T_A中故障数据的错误率γ；

S3，用分类器L_t预测目标数据集和辅助数据集经过转换后的数据T_A和T_B，对于辅助数据集中的不一致数据，根据β减小其权重；对于目标数据集中的不一致数据，根据β增大其权重w；

S4，用分类器L_t预测目标数据集中经过转换后的数据T_A，对于T_A中故障数据中的不一致数据，根据γ增大其权重w；

S5，查看迭代次数，如果达到n，则结束迭代，进行S6，否则进行S1；

S6，取所有训练出来的分类器L_t中的第n/2～第n个分类器及其权重组成最终分类器L，t＝1，2，3,...,n，t表示第t次迭代；用最终分类器L对新的故障数据进行诊断。

根据本发明的第二方面，提供一种工程装备传动系统故障诊断系统，包括：

时频变换模块，用于对目标数据和辅助数据进行时频变换，将采集到的时域信号变为频域信号；其中：所述目标数据为真实环境下工程装备传动系统对象的振动数据集，所述辅助数据为实验环境下工程装备传动系统对象的振动数据集；

故障信号特征提取模块，用于对转换的所述目标数据和所述辅助数据的频域信号，利用深层自动编码器提取故障信号特征；

故障诊断模块，对所述自动编码器提取的故障信号特征利用迁移学习中的迁移提升树算法，对工程装备传动系统故障进行诊断。

可选地，所述故障诊断模块，其中：迁移提升树算法中，每次迭代改变目标数据集和辅助数据的权重，增加辅助数据集中有助于训练的数据的权重，同时降低辅助数据集中不重要数据的权重。

可选地，所述故障诊断模块，其中：所述迁移提升树算法中，改变目标数据集和辅助数据中故障数据和正常数据的权重，即增加故障数据的权重，同时降低正常数据的权重。这样使故障数据尽可能多地被检测出来，尽可能地保证安全。

本发明上述的基于深度学习和迁移学习的工程装备传动系统故障诊断方法及系统，充分利用了其他条件下的数据，可以解决数据量不足时，训练模型拟合效果不好的问题；通过改变数据权重的方法，在每轮迭代中，增大了辅助数据中符合目标数据分布的数据权重，同时减小了辅助数据中不符合目标数据的数据权重，以充分利用其他条件的数据。同时，每轮迭代采用深度学习的方法代替SVM，使每个弱分类器分类效果变强，最终组成的强分类器效果亦变强。

与现有技术相比，本发明实施例具有以下有益效果：

本发明采用目标数据集和辅助数据集，用深层自动编码器提取故障信号特征，结合迁移学习中的迁移提升树算法，对故障进行诊断。该方法可以有效提取信号特征，避免了人工提取特征，有效地利用实验数据，用大量实验数据作为辅助数据，为真实工况的故障诊断建立较好的模型，并能使故障设备尽可能地被诊断出来，提高了安全性。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本发明一实施例的故障诊断流程图；

图2为本发明一实施例的方法子流程F1的流程图；

图3为本发明一实施例的方法子流程F2的流程图；

图4为本发明一实施例的系统模块框图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。

本发明提供一种基于深度学习和迁移学习的工程装备传动系统故障诊断方法和系统：将目标数据集和辅助数据集的时域信号转换为频域信号；利用深度自动编码器，提取频域信号特征，并作为迁移学习的输入；利用基于实例的迁移提升树算法，每次迭代，改变目标数据集和辅助数据集的权重，并改变目标数据集中故障数据的权重。通过每次迁移提升树迭代得到的分类器及其权重作为最终分类器。本发明可以有效提取信号特征，充分利用数据集，并能使故障设备尽可能地被诊断出来。

本发明在迁移提升树算法中，增加所述辅助数据集中重要的数据的权重，同时减小所述辅助数据集中不重要数据的权重；并且，增加故障数据的权重，减小非故障数据的权重。这样训练出来的分类器模型，可以更充分地利用辅助数据集中的有用成分，帮助目标数据训练，同时可以尽可能地提高故障数据的诊断率。

以下通过具体实施例来说明本发明上述技术方案，以便进一步理解本发明的实施情况，但是以下实施例只是本发明部分实施例。

参照图1所示，为本发明工程装备传动系统故障诊断方法的一实施例流程图，其诊断步骤如下：

1)对目标数据集和辅助数据集进行快速傅里叶变换，分别将目标数据集和辅助数据集的时域信号变为频域信号X_A和X_B；其中：

目标数据来源为：真实环境下工程装备传动系统对象的振动数据；

辅助数据来源为：实验室环境下工程装备传动系统对象的振动数据。在目标数据中，选取一部分数据作为训练数据，另一部分数据作为测试数据。

本实施例采用目标数据和辅助数据，充分利用数据集，能使故障设备尽可能地被诊断出来，提高了安全性。

2)对转换的所述目标数据和所述辅助数据的频域信号，利用深层自动编码提取故障信号特征。

参照图2所示，本实施例中，取频域信号X_A和X_B的2000个频率点的频率值作为深层自动编码第一层的输入；当然，在其他实施例中也可以选择其他数量的频率点，比如1000～5000之间，这对本发明实现并没有实质性的影响。

深层自动编码器采用非监督学习的方式，先用训练样本训练第一层的数据，得到第一层的连接权重和偏置参数；接着，将第一层的输出作为第二层的输入，得到第二层的连接权重和偏置参数。这样，最终得到整个网络所有的连接权重和偏置，得到最终表示2000个频率点的特征。

深层自动编码器的输入为：x{x1,x2,…,x2000}，每层与下一层之间的编码网络为：h＝s(wx+b)，h为该层网络的输出，也即为下一层网络的输入；其中s为激活函数，w、b分别为连接权重和偏置；

解码网络通过解码函数s’，将h反向变换为x’，即x’＝s’(w’h+b’)；其中s’为解码网络的激活函数，w’、b’分别为解码网络的连接权重和偏置；

最小化误差δ＝(x-x’)²，完成网络的训练，得到输入频率信号的特征表示T_A和T_B。

3)对所述自动编码器提取的故障信号特征利用迁移学习中的迁移提升树算法，对工程装备传动系统故障进行诊断。

参照图3所示，设定迁移提升树算法的最大迭代次数N，将T_A和T_B作为迁移提升树算法的输入；假设T_A＝{(T_i,y_i)}，i＝1,2,…n，T_i表示第i个数据的输入频域特征，y_i表示第i个数据的类别；T_B＝{(T_j,y_j)}，j＝n+1,n+2,…,n+m，T_j表示第j 个数据的输入频域特征，y_j表示第j个数据的类别；n、m分别表示目标数据集和辅助数据集的数据量，且n、m都为正整数。

初始化数据的权重，令T_A中数据权重都为w^t _Ai＝1/n；T_B中数据权重都为 w^t _Bj＝1/m；其中，t表示第t次迭代，初始化时t＝1；初始化Hedge参数

S1，开始迁移提升树算法迭代，将带权重的T_A和T_B作为训练集；

S2，用训练集训练一个分类器L_t，并给出分类器的权重α_t，检测该分类器 L_t在目标数据集T_A上的错误率β；

S3，检测该分类器L_t在目标数据集T_A中，故障数据的错误率γ；

S4，分配下一次迭代的权重，根据β增大目标数据集中数据的权重，减小辅助数据集中数据的权重；

S5，根据γ增大目标数据集中故障数据的权重；

S6，改变Hedge参数，用于增大后面训练的分类器L_t的权重α_t，并输出L_t和α_t；

S7，当迭代次数小于N时，继续进行迁移提升树算法迭代；

当到达迭代次数N时，迁移提升树算法结束，收集全部L_t和α_t；

S8，取第N/2～第N个分类器(后一半分类器)及其权重参数作为最终分类器L，用最终分类器L对测试数据集进行测试。

参照图4所示，在本发明另一实施例中，提供一种工程装备传动系统故障诊断系统，包括：

本发明上述系统实施例中涉及的各个模块的具体实现技术，可以采用上述方法对应步骤中的技术，这对本领域技术人员来说，是很容易理解的。比如，故障诊断模块利用迁移学习中的迁移提升树算法，对工程装备传动系统故障进行诊断，具体实现可以采用：

S1，开始迁移提升树算法，利用T_A和T_B训练一个分类器L_i，以及这个分类器的权重α；

S2，用训练好的分类器L_i检测目标数据集经过转换后的数据T_A，计算T_A整体的错误率β和T_A中故障数据的错误率γ；

S3，用分类器L_i预测目标数据集和辅助数据集经过转换后的数据T_A和T_B，对于辅助数据集中的不一致数据，根据β减小其权重；对于目标数据集中的不一致数据，根据β增大其权重w；

S4，用分类器预测目标数据集中经过转换后的数据T_A，对于T_A中故障数据中的不一致数据，根据γ增大其权重w；

S6，取所有训练出来的分类器L_i中的后一半分类器及其权重组成最终分类器L，i＝1，2，3,...,n；用最终分类器L对新的故障数据进行诊断。

本发明的故障诊断方法和系统，利用深度学习提取特征，可以解决靠人工提取特征费时费力，而且对不同的问题需要采用不同的提取方法，很难找到统一的特征提取方法的问题；

本发明的故障诊断方法和系统，利用迁移学习，利用大量实验数据作为辅助数据，帮助训练分类模型，可以解决在变工况环境下，新的故障数据量少，难以训练出有效模型的问题；

本发明的故障诊断方法和系统，通过提高故障数据的权重，可以使故障设备尽可能地被诊断出来，提高了安全性。

需要说明的是，本发明提供的所述故障诊断方法中的步骤，可以利用所述故障诊断系统中对应的模块、装置、单元等予以实现，本领域技术人员可以参照所述系统的技术方案实现所述方法的步骤流程，即，所述系统中的实施例可理解为实现所述方法的优选例，在此不予赘述。

本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims

1.一种工程装备传动系统故障诊断方法，其特征在于：包括：

对所述深层自动编码器提取的故障信号特征利用迁移学习中的迁移提升树算法，通过每次迁移提升树迭代得到分类器，用于对工程装备传动系统故障进行诊断；

所述对所述深层自动编码器提取的故障信号特征利用迁移学习中的迁移提升树算法，通过每次迁移提升树迭代得到分类器，具体为：

设深层自动编码器提取故障信号特征后的输出为T_A和T_B，作为迁移提升树算法迭代的输入；设迁移提升树迭代次数n，每个数据的初始权重w，则：

2.根据权利要求1所述的工程装备传动系统故障诊断方法，其特征在于：所述对目标数据和辅助数据进行时频变换，是指：对所述目标数据和所述辅助数据采用快速傅里叶变换的方法进行时频转换。

3.根据权利要求1所述的工程装备传动系统故障诊断方法，其特征在于：所述深层自动编码器的输入为频域信号中m个频率点的幅值，m取1000～5000。

4.根据权利要求1所述的工程装备传动系统故障诊断方法，其特征在于：所述迁移提升树算法中，每次迭代改变目标数据集和辅助数据集的权重，增加辅助数据集中有助于训练的数据的权重，同时降低辅助数据集中不重要数据的权重。

5.根据权利要求4所述的工程装备传动系统故障诊断方法，其特征在于：所述迁移提升树算法中，改变目标数据集和辅助数据集中故障数据和正常数据的权重。

6.根据权利要求5所述的工程装备传动系统故障诊断方法，其特征在于：所述迁移提升树算法中，增加故障数据的权重，同时降低正常数据的权重。

7.一种用于实现权利要求1-6任一项所述方法的工程装备传动系统故障诊断系统，其特征在于：包括：

故障诊断模块，对所述深层自动编码器提取的故障信号特征利用迁移学习中的迁移提升树算法，对工程装备传动系统故障进行诊断。

8.根据权利要求7所述的工程装备传动系统故障诊断系统，其特征在于：所述深层自动编码器的输入为频域信号中m个频率点的幅值，m取1000～5000。

9.根据权利要求7所述的工程装备传动系统故障诊断系统，其特征在于：所述故障诊断模块，其中：迁移提升树算法中，每次迭代改变目标数据集和辅助数据集的权重，增加辅助数据集中有助于训练的数据的权重，同时降低辅助数据集中不重要数据的权重。

10.根据权利要求9所述的工程装备传动系统故障诊断系统，其特征在于：所述故障诊断模块，其中：所述迁移提升树算法中，改变目标数据集和辅助数据集中故障数据和正常数据的权重。

11.根据权利要求10所述的工程装备传动系统故障诊断系统，其特征在于：所述故障诊断模块，其中：所述迁移提升树算法中，增加故障数据的权重，同时降低正常数据的权重。