CN110334580A - 基于集成增量的动态权重组合的设备故障分类方法 - Google Patents

基于集成增量的动态权重组合的设备故障分类方法 Download PDF

Info

Publication number
CN110334580A
CN110334580A CN201910377438.4A CN201910377438A CN110334580A CN 110334580 A CN110334580 A CN 110334580A CN 201910377438 A CN201910377438 A CN 201910377438A CN 110334580 A CN110334580 A CN 110334580A
Authority
CN
China
Prior art keywords
sample
training
data
class
signal
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.)
Pending
Application number
CN201910377438.4A
Other languages
English (en)
Inventor
王志杰
冯海领
赵宜斌
赵宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin Development Zone Jingnuo Ocean Data Technology Co Ltd
Original Assignee
Tianjin Development Zone Jingnuo Ocean Data Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianjin Development Zone Jingnuo Ocean Data Technology Co Ltd filed Critical Tianjin Development Zone Jingnuo Ocean Data Technology Co Ltd
Priority to CN201910377438.4A priority Critical patent/CN110334580A/zh
Publication of CN110334580A publication Critical patent/CN110334580A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component 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
    • G06F18/24—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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis

Abstract

本发明公开了基于集成增量的动态权重组合的设备故障分类方法，涉及设备故障诊断技术。本发明主要分为以下几个部分：非平衡数据处理、小波去噪与重构、使用经验模式分解进行特征提取、长短期记忆神经网络的搭建、支持向量机模型的搭建、使用支持向量机动态调整长短期记忆神经网络和支持向量机组合模型中各分类器的权重、使用集成增量模型实现快速动态增量学习。基于以上研究，最终提出一种基于集成增量的动态权重组合分类模型，并将该模型应用于滚动轴承设备故障诊断，提高了设备故障诊断的分类准确性。

Description

基于集成增量的动态权重组合的设备故障分类方法
技术领域
本发明涉及设备故障诊断技术，尤其涉及一种基于集成增量的动态权重组合的设备故障分类方法。
背景技术
近年来，信息技术和工业物联网的高速发展推动了制造业革命性的创新和突破。其中，智能制造技术作为可持续发展的制造模式，借助计算机建模仿真和信息通信技术的巨大潜力，优化产品的设计和制造过程。随着工业物联网和信息技术的发展，制造业中的大型机械装备在生产过程中不断涌现出海量运行数据，通过运行数据快速高效地分析提取装备故障信息，并借助大数据分析方法对故障类型进行诊断和预测，能够有效降低由于装备故障带来的停产损失或人员伤害事故。
在故障诊断过程中面对海量新增运行数据时，传统机器学习方法无法满足实时处理需求，且在工业生产领域，增量生成的数据流具有海量、非平衡、高噪声、强因果关联等特点，如不加以处理将会严重影响诊断效果。不仅如此，设备在生产运行过程中产生的海量数据存在非平衡情况，即正常状态数据量远远大于故障状态数据量。而传统的分类诊断算法在面对具有非平衡特性的装备状态数据时，往往严重偏向多数数据所在的非故障类，虽然表现出较高的分类准确率，但实际故障识别率较低，容易错失重要的故障信息，产生巨大的代价，因此在故障诊断中采用非平衡数据处理方法十分重要。
发明内容
本发明的目的在于提供一种基于集成增量动态权重组合的设备故障分类方法，旨在利用过采样与欠采样融合技术解决数据样本中的类别不平衡问题，使用小波包对振动信号数据进行去噪处理，然后用ESMD模型从振动信号中提取特征参数，将特征向量用于训练长短期记忆神经网络和支持向量机组合模型，并利用支持向量机动态调整组合分类模型中各分类器对应的权重；当有新增样本数据时，使用集成增量学习方法在保留原有分类功能的同时，加入对新增样本数据的分类功能。最终实现轴承设备状态特征实时提取和故障模式的可靠分类。
本发明的技术方案：一种基于集成增量的动态权重组合的设备故障分类方法，其特征在于，包括如下步骤：
(1)采集设备运行时的信号数据，使用基于过采样和欠采样融合的数据抽样模型(NKSMOTE-NKTomek模型)对信号数据进行非平衡处理；
(2)针对非平衡处理之后的信号数据，使用小波包去噪，去除信号数据中的噪声点，然后使用小波包重构，将去噪之后的信号数据重构为原始信号；
(3)针对步骤(2)重构之后的原始信号，使用极点对称模态分解(ESMD)完成原始信号的特征参数提取，将特征向量作为训练数据集，并将训练数据集划分为多组，一组作为初步训练数据集输入到步骤(4)和(5)，剩余组分次作为增量训练集；
(4)训练长短期记忆神经网络，将初步训练集映射到输入层，通过LSTM网络训练参数，再输入到softmax输出层得到分类类别的概率分布，在训练次数达到预设值并且代价函数逐步收敛时停止训练；
(5)利用步骤(3)中训练集对多分类支持向量机进行训练；
(6)利用支持向量机调整步骤(4)、步骤(5)的长短期记忆神经网络和支持向量机组合模型中的权重，完成组合模型的训练；
(7)针对增量数据集，先进行步骤(1)-(3)处理完成特征参数的提取，然后将处理后的特征参数作为测试集放入步骤(6)训练好的组合模型中处理；若输出结果符合预期，否则利用新增特征参数进行步骤(4)-(6)再次训练组合分类模型进而完成基于learn++的集成增量学习。
进一步的技术方案在于，步骤(1)所述的非平衡数据处理的具体步骤如下：
(1)构造少数类样本，即过采样模型(NKSMOTE)：将样本集分为少数类样本和多数类样本，对于少数类样本x，在核空间上寻找x的k近邻；然后根据K个样本中少数类样本与多数类样本数量划分x的样本种类；
1)安全样本：即样本集中少数类样本数量大于或等于多数类样本数量；
2)边界样本：即样本集中少数类样本数量小于多数类样本数量；
3)噪音样本：即样本集中只存在多数类样本；
针对1)和2)类型的数据，在其k个样本中随机选择2个样本，在3个样本之间按照一定规则合成N个新样本，其中N值是向上采样倍率；
若选中的两个样本y1和y2是多数类样本，利用以下公式生成N个样本：
①根据y1和y2生成N个临时样本tj(j＝1,2,..,N)：
tj＝y1+rand(0,0.5)*(y2-y1)；
②根据tj和x生成新的少数类样本Xj(j＝1,2,...,N):
Xj＝x+rand(0,1)*(tj-x)；
若选中的两个样本y1和y2中有少数类样本，利用以下公式生成N个样本：
①根据y1和y2生成N个临时样本tj(j＝1,2,..,N)：
tj＝y1+rand(0,1)*(y2-y1)；
②根据tj和x生成新的少数类样本Xj(j＝1,2,...,N):
Xj＝x+rand(0,1)*(tj-x)；
针对3)类型的数据，为使噪音数据引起的风险降低，故将N设置为1。同时在少数类样本中随机选择一个少数类y，使用以下公式随机生成新样本。
X＝x+rand(0.5,1)*(y-x)
在求取K近邻时，先使用非线性映射函数将样本映射到核空间，在核空间中样本之间的距离被称为核距离，其计算公式为：
其中，是非线性映射函数，K(x,y)是核函数，在这里使用的核函数为高斯核函数。公式为：
(2)基于K近邻的Tomek links欠采样模型(NKTomeK)：针对少数类和多数类样本，在k近邻的基础上将少数类样本划分成不同类别的数据，从而减少Tomeklinks算法计算的样本数量，提高欠采样的样本效率。
①根据第(1)步中的样本类别划分方法将第(1)步合成的样本集重新划分成少数类样本和多数类样本，对少数类样本中的每个样本求取k近邻，根据k近邻中多数类样本和少数类样本数量划分样本类别为安全样本、边界样本和噪音样本，类别判断标准如第(1)步所示。
②去除噪音样本。
③假设少数类样本中边界样本集为D，多数类样本集为U，其中U的数量为N。
fori＝1,2,…,N
④多数类样本集U中x1与边界样本集D中x2之间的距离为d＝d(x1,x2)。
⑤多数类样本集U中x1与合成的样本集中的每个样本计算距离得到距离数据集F，如果d<F，返回x1所在行。
⑥循环结束，删除返回行的样本集。合并多数类样本集U与少数类样本集。
进一步的技术方案在于，步骤(2)所述的小波包去噪和重构算法的具体步骤如下：
一个含有噪声的信号模型可以表示为如下形式：
s(i)＝f(i)+σe(i)(i＝0,1，…,n-1)
其中，f(i)为真实信号；e(i)为高斯白噪声N(0,1)，噪声级为1；s(i)为噪声信号。
在故障诊断信号中，有用信号表现为低频部分，而噪声信号表现为高频部分，去噪过程为：
(1)对信号进行小波分解。选择小波基函数和小波分解的层次N，然后对信号s进行N层小波分解。
(2)从第一层到第N层的每一层高频系数选择一个阈值进行软阈值量化处理。
(3)根据小波分解的第N层的低频系数和经过量化处理后的第一层到第N层的高频系数进行信号的重构。
进一步的技术方案在于，步骤(3)所述的ESMD特征参数分解算法的具体步骤如下：
(1)设原始信号为X，找出X中所有的极大值和极小值，并依次标记为Si(i＝1,2,…,n)，(连续等值极点以一点计数)；
(2)用线段依次连接Si，并将相邻各极值点连线的中点标记为Fi(i＝1,2,…,n-1)；
(3)利用线性插值法补充左、右边界中点F0与Fn；
(4)利用得到的n+1个中点构造L1、L2、…Lq(q>＝1)条插值线，并计算其均值：
L*＝(L1+L2+…+Lq)/q
(5)对信号剩余部分X-L*重复以上操作，当：|L*|≤ε时(一般预设容许误差ε＝0.001σ0，σ0为原始信号X的标准差)或迭代次数达到预设最大值K时，分解得到第一个模态分量M1；
(6)对X-M1重复以上操作，得到M2、M3、…,知道剩余模态R只剩下不影响分解效果的少数极点时，停止操作(由于需要边界插值，故R的极点个数应不少于4个)；
(7)使最大迭代次数K在预设范围[Kmin，Kmax]内变化，重复以上步骤，计算方差比率θ＝σ/σ0(σ为X-R的相对标准差)，找出对应最小方差比率的最大迭代次数K0，并再次进行以上循环，输出最终分解结果。将优化后的R认为是原始数据的最佳拟合曲线(AGM)。故，原始信号即可表现为以下形式：
进一步的技术方案在于步骤(4)-(6)所述的LSTM-SVM动态权重组合分类模型具体步骤如下：
(1)LSTM模型的构建过程如下：
输入层：设训练集x∈Rm×n,m表示样本个数，n表示数据维度。同时在训练集上加入时间维度，将训练数据转化为三维矩阵，即Rm×t×i,其中t表示样本上的时间维度，即序列长度，i表示每一时刻的输入神经元维度。将x∈Rm×t×i映射到一个权重为W(i)、偏移量为b(i)的线性输入层，改变样本每一时刻的数据维度i。
y(i)＝x*W(i)+b(i)。
其中：
网络层：LSTM网络层的输入为设LSTM的神经元个数d，假设每个样本最后一个时刻的隐含层输出作为LSTM网络的输出y(h)，则y(h)∈Rm×d。
输出层：将LSTM网络层的输出作为输出层的输入，利用softmax输出层，将LSTM网络层的输出维度与最后的分类数匹配。
y′＝softmax(y(h)·W(o))
其中：W(o)∈Rd×q,q为分类数目。y′为网络架构的输出，y′∈Rm×q。
代价函数：将训练的输出概率分布与真实的数据分布对比，计算出预测输出与实际输出的交叉熵代价函数。
H(y)＝∑my′log2(y)。
(2)SVM模型构建流程如下：
从已知训练样本中提取特征向量，建立训练样本集{(xi,yi)|i＝1,2,…,n}，选择对应的核函数和相应的参数,在满足条件的情况下，寻找最优拉格朗日参数α*，从训练样本集中寻找支持向量，求解最优分类超平面的权系数w*和分类阈值b*，从而得到最优分类超平面。结束训练过程，得到SVM分类模型。
(3)使用SVM动态调整LSTM-SVM组合分类模型中各自分类器的权重，使得组合模型的输出结果与期望分类结果的误差值越来越小。
进一步的技术方案在于，步骤(7)所述的集成增量学习方法具体步骤如下：
(1)假设输入为第t次需处理的训练数据集dt，dt由实例xt(i)组成，实例i＝1,2,…,mt，共mt个。
(2)t＝1时，设置实例权重惩罚权重为等权重：
(3)后续t时刻，根据集成分类器在当前数据集上的分类准确率确定及t时刻在新数据集上训练产生新分类器继而，当前所有已产生的分类器均需在新数据集上计算分类错误率：
计算错误率时需使用惩罚权重加权：
(4)对不同时期产生不同错误率的基分类器的处理方法不同.对于当前产生的基分类器如果错误率该分类器无效，需重新学习生成新分类器.对于先前k时刻产生的基分类器如果错误率将该分类器的错误率设置为0.5.表示k时刻时产生的分类器在当前t时刻的使用；最后，所有的基分类器进行加权集成，形成集成分类器:
每个基分类器的投票权重由分类器的加权平均错误率决定:
采用上述方案所产生的有益效果在于：
本发明采用长短期记忆神经网络和支持向量机的动态组合分类模型，提高模型在复杂环境下设备故障诊断领域分类的准确性，在此基础上加入NKSMOTE-NKTomek模型解决设备状态数据中的非平衡性问题，并使用集成增量的方式对新增样本数据进行增量学习，在保证模型故障诊断分类准确性的基础上，提高模型训练的速度。通过试验验证分析，该模型在不同倾斜率的数据集以及增量学习方面均保持了良好的效果，保证了模型对非平衡数据集以及新增样本的处理能力，能够实现在海量非平衡高噪声数据下滚动轴承故障诊断的可靠分类。
附图说明
下面结合附图和具体实施方式对本发明作进一步的详细说明。
图1是本发明基于集成增量的动态组合分类模型的故障诊断方法的模型结构图；
图2是本发明的噪声比重折线图；
图3是本发明的G-mean值折线图；
图4是本发明的训练次数折线图；
图5是本发明的学习率折线图；
图6(a)-6(h)分别是本发明的模型误差率折线图。
具体实施方式
一、本发明方法的理论依据：
1、小波包变换(去噪和重构)：
(1)信号和噪声的小波系数在不同尺度上有着不同的特征表现；
(2)对于空间不连续函数，大部分行为集中在小波空间的一小部分子集内；
(3)噪声污染了所有的小波系数，且贡献相同；
(4)噪声向量的是高斯形式，它的正交变换也是高斯形式。
2、NKSMOTE-NKTomek模型：
将过采样与欠采样融合可充分考虑少数类与多数类样本分布，在原始数据集上进行过采样NKSMOTE算法，获取相对平衡的数据集；然后对该数据集进行欠采样处理，在欠采样TomeK算法基础上提出基于K近邻的NKTomeK算法，使用K近邻划分数据集为边界样本、噪音样本、安全样本，只针对需要修改的边界数据集进行欠采样，可有效提高数据处理效率。
3、长短期记忆神经网络和支持向量机组合模型：
分类器的分类准确性往往依靠着分类器本身的特点，不同的分类器都有不同的优点和缺点，每种分类器可以提供各自特定的分类信息，其分类准确性也会不同，单一的分类器无法保证它可以在任何情况下都有很好的分类准确率。因此采用组合分类模型，结合各个分类器的优缺点，然后把各个分类模型组合起来，利用各自的优点，调整各自在组合分类模型中的权重值，从而综合计算各种分类器所得出的分类结果，得出组合分类结果。这种方法实现了各种分类器之间的优势互补，最大程度的弥补了各自模型的缺陷，也不容易对较大的误差产生较大的敏感度。
二、基于集成增量的动态权重组合分类模型设计：
基于集成增量的动态权重组合分类模型原理如下：本发明首先利用过采样与欠采样融合的数据抽样模型(NKSMOTE-NKTomek模型)解决数据抽样中非平衡数据问题，使用小波包对振动信号数据进行去噪处理，然后用ESMD模型从振动信号中提取特征参数，将特征向量用于训练长短期记忆神经网络和支持向量机组合模型；当有新增样本数据时，使用集成增量学习方法在保留原有分类功能的同时，加入对新增样本数据的分类功能，最终实现轴承设备状态特征实时提取和故障模式的可靠分类。
1、基于集成增量的动态组合分类模型的故障诊断方法结构
本发明公开了一种基于集成增量的动态权重组合分类模型，并将其应用于滚动轴承设备故障诊断，与其他分类器方法的诊断结果做比较，证明这种基于集成增量的动态权重组合分类模型在设备故障诊断领域的优势。该方法的结构如图1所示。
2、算法实现
基于集成增量的动态权重组合分类模型的故障诊断方法步骤描述如下。
(1)采集设备运行正常时和故障时的信号数据，使用基于过采样和欠采样融合的数据抽样模型(NKSMOTE-NKTomek模型)对信号数据进行非平衡处理；
(2)针对非平衡处理之后的信号数据，使用小波包去噪，去除信号数据中的噪声点，然后使用小波包重构，将去噪之后的信号数据重构为原始信号；
(3)针对步骤(2)重构之后的原始信号，使用极点对称模态分解(ESMD)完成原始信号的特征参数提取，将特征向量作为训练数据集，并将训练数据集划分为多组，一组作为初步训练数据集输入到步骤(4)，剩余组分次作为增量训练集；
(4)训练长短期记忆神经网络，将初步训练集映射到输入层，通过LSTM网络训练参数，再输入到softmax输出层得到分类类别的概率分布，在训练次数达到预设值并且代价函数逐步收敛时停止训练；
(5)利用步骤(3)中的初步训练集对多分类支持向量机进行训练；
(6)利用支持向量机调整步骤(4)、(5)的长短期记忆神经网络和支持向量机组合模型中的权重，完成组合模型的训练；
(7)针对采集的新增数据，先进行步骤(1)-(3)处理完成特征参数的提取，然后将处理后的特征参数作为测试集放入步骤(6)训练好的组合模型中处理；若输出结果符合预期，则输出，若输出结果不满足预期要求，则利用新增特征参数进行步骤(4)-(6)进行组合模型训练并完成基于learn++的集成增量学习。
本法说明实施方式中，步骤(1)所述的非平衡数据处理的具体步骤如下：
(1)构造少数类样本，即过采样模型(NKSMOTE)：将样本集分为少数类样本和多数类样本，对于少数类样本x，在核空间上寻找x的k近邻；然后根据K个样本中少数类样本与多数类样本数量划分x的样本种类；
1)安全样本：即样本集中少数类样本数量大于或等于多数类样本数量；
2)边界样本：即样本集中少数类样本数量小于多数类样本数量；
3)噪音样本：即样本集中只存在多数类样本；
针对1)和2)类型的数据，在其k个样本中随机选择2个样本，在3个样本之间按照一定规则合成N个新样本，其中N值是向上采样倍率；
若选中的两个样本y1和y2是多数类样本，利用以下公式生成N个样本：
①根据y1和y2生成N个临时样本tj(j＝1,2,..,N)：
tj＝y1+rand(0,0.5)*(y2-y1)；
②根据tj和x生成新的少数类样本Xj(j＝1,2,...,N):
Xj＝x+rand(0,1)*(tj-x)；
若选中的两个样本y1和y2中有少数类样本，利用以下公式生成N个样本：
①根据y1和y2生成N个临时样本tj(j＝1,2,..,N)：
tj＝y1+rand(0,1)*(y2-y1)；
②根据tj和x生成新的少数类样本Xj(j＝1,2,...,N):
Xj＝x+rand(0,1)*(tj-x)；
针对3)类型的数据，为使噪音数据引起的风险降低，故将N设置为1。同时在少数类样本中随机选择一个少数类y，使用以下公式随机生成新样本。
X＝x+rand(0.5,1)*(y-x)
在求取K近邻时，先使用非线性映射函数将样本映射到核空间，在核空间中样本之间的距离被称为核距离，其计算公式为：
其中，是非线性映射函数，K(x,y)是核函数，在这里使用的核函数为高斯核函数。公式为：
(2)基于K近邻的Tomek links欠采样模型(NKTomeK)：针对少数类和多数类样本，在k近邻的基础上将少数类样本划分成不同类别的数据，从而减少Tomeklinks算法计算的样本数量，提高欠采样的样本效率。
①根据第(1)步中的样本类别划分方法将第(1)步合成的样本集重新划分成少数类样本和多数类样本，对少数类样本中的每个样本求取k近邻，根据k近邻中多数类样本和少数类样本数量划分样本类别为安全样本、边界样本和噪音样本，类别判断标准如第(1)步所示。
②去除噪音样本。
③假设少数类样本中边界样本集为D，多数类样本集为U，其中U的数量为N。
fori＝1,2,…,N
④多数类样本集U中x1与边界样本集D中x2之间的距离为d＝d(x1,x2)。
⑤多数类样本集U中x1与合成的样本集中的每个样本计算距离得到距离数据集F，如果d<F，返回x1所在行。
⑥循环结束，删除返回行的样本集。合并多数类样本集U与少数类样本集。
本法说明实施方式中，步骤(2)所述的小波包去噪和重构算法的具体步骤如下：
一个含有噪声的信号模型可以表示为如下形式：
s(i)＝f(1)+σe(i)(i＝0,1,Λ,n-1)
其中，f(i)为真实信号；e(i)为高斯白噪声N(0,1)，噪声级为1；s(i)为噪声信号。
在故障诊断信号中，有用信号表现为低频部分，而噪声信号表现为高频部分，去噪过程为：
(1)对信号进行小波分解。选择小波基函数和小波分解的层次N，然后对信号s进行N层小波分解。
(2)从第一层到第N层的每一层高频系数选择一个阈值进行软阈值量化处理。
(3)根据小波分解的第N层的低频系数和经过量化处理后的第一层到第N层的高频系数进行信号的重构。
小波分解算法公式为：
式中，f(k)是信号的时域波形；n为采样点数；h(n)、g(n)为一对滤波器的脉冲响应；j表示分解的层数；为信号的逼近系数；为信号的细节系数。
其重构算法如下：
本法说明实施方式中，步骤(3)所述的ESMD特征参数分解算法的具体步骤如下：
(1)设原始信号为X，找出X中所有的极大值和极小值，并依次标记为Si(i＝1,2,…,n)，(连续等值极点以一点计数)；
(2)用线段依次连接Si，并将相邻各极值点连线的中点标记为Fi(i＝1，2，…，n-1)；
(3)利用线性插值法补充左、右边界中点F0与Fn；
(4)利用得到的n+1个中点构造L1、L2、…Lq(q>＝1)条插值线，并计算其均值：
L*＝(L1+L2+…+Lq)/q
(5)对信号剩余部分X-L*重复以上操作，当：|L*|≤ε时(一般预设容许误差ε＝0.001σ0，σ0为原始信号X的标准差)或迭代次数达到预设最大值K时，分解得到第一个模态分量M1；
(6)对X-M1重复以上操作，得到M2、M3、…,知道剩余模态R只剩下不影响分解效果的少数极点时，停止操作(由于需要边界插值，故R的极点个数应不少于4个)；
(7)使最大迭代次数K在预设范围[Kmin，Kmax]内变化，重复以上步骤，计算方差比率θ＝σ/σ0(σ为X-R的相对标准差)，找出对应最小方差比率的最大迭代次数K0，并再次进行以上循环，输出最终分解结果。将优化后的R认为是原始数据的最佳拟合曲线(AGM)。故，原始信号即可表现为以下形式：
本法说明实施方式中，步骤(4)-(6)所述的LSTM-SVM动态权重组合分类模型具体步骤如下：
(1)LSTM模型的构建过程如下：
输入层：设训练集x∈Rm×n,m表示样本个数，n表示数据维度。同时在训练集上加入时间维度，将训练数据转化为三维矩阵，即Rm×t×i,其中t表示样本上的时间维度，即序列长度，i表示每一时刻的输入神经元维度。将x∈Rm×t×i映射到一个权重为W(i)、偏移量为b(i)的线性输入层，改变样本每一时刻的数据维度i。
y(i)＝x*W(i)+b(i)。
其中：
LSTM网络层：LSTM网络层的输入设LSTM的神经元个数d，假设每个样本最后一个时刻的隐含层输出作为LSTM网络的输出y(h)，则y(h)∈Rm×d。
输出层：将LSTM网络层的输出作为输出层的输入，利用softmax输出层，将LSTM网络层的输出维度与最后的分类数匹配。
y′＝softmax(y(h)·W(o))
其中：W(o)∈Rd×q,q为分类数目。y′为网络架构的输出，y′∈Rm×q。
代价函数：将训练的输出概率分布与真实的数据分布对比，计算出预测输出与实际输出的交叉熵代价函数。
H(y)＝∑my′log2(y)。
建立如上的LSTM基本架构，初始化网络参数，设定训练次数T。每一次迭代，都通过前向传播计算得到当前迭代的交叉熵代价函数，然后使用误差反向传播进行网络参数的更新，最后迭代T次，代价函数逐步趋向于收敛。
(2)SVM模型构建流程如下：
从已知训练样本中提取特征向量，建立训练样本集{(xi,yi)|i＝1,2,…,n}；
选择对应的核函数和相应的参数；
在满足条件的情况下，寻找最优拉格朗日参数α*；
从训练样本集中寻找支持向量，求解最优分类超平面的权系数w*和分类阈值b*，从而得到最优分类超平面。
结束训练过程，得到SVM分类模型。
(3)使用SVM动态调整LSTM-SVM组合分类模型中各自分类器的权重，即将LSTM分类结果和SVM分类结果作为支持向量机的输入，正确分类结果作为SVM的期望输出，使用SVM不断调整权重的大小，使得组合模型的输出结果与期望分类结果的误差值越来越小。
本法说明实施方式中，步骤(7)所述的集成增量学习方法具体步骤如下：
(1)假设输入为第t次需处理的训练数据集dt，dt由实例xt(i)组成，实例i＝1,2,…,mt，共mt个。
(2)t＝1时，设置实例权重惩罚权重为等权重：
(3)后续t时刻，根据集成分类器在当前数据集上的分类准确率确定及t时刻在新数据集上训练产生新分类器继而，当前所有已产生的分类器均需在新数据集上计算分类错误率：
计算错误率时需使用惩罚权重加权：
(4)对于当前产生的基分类器如果错误率该分类器无效，需重新学习生成新分类器.对于先前k时刻产生的基分类器如果错误率将该分类器的错误率设置为0.5.表示k时刻时产生的分类器在当前t时刻的使用；最后，所有的基分类器进行加权集成，形成集成分类器:
每个基分类器的投票权重由分类器的加权平均错误率决定:
三、数据描述
本发明的实验数据来源于美国凯斯西储大学(CWRU)电气工程实验室的轴承状态数据。即使用传感器采集正常状态(None)、内圈故障(IRF)、外圈故障(ORF)和滚动体故障(BF)四种状态下的振动信号，采样频率为12KHZ。
为方便模型进行训练分析，需对振动信号进行手动标注标签，共分为如下10类。针对每一类故障数据，随机抽取40个样例作为训练样本，10个样例作为测试样本，每个样例包含1024个样本点。具体轴承状态数据样本描述如表1所示：
表1轴承故障数据描述
为验证集成增量学习性能以及NKSMOTE-NKTomek模型对非平衡数据集处理的性能，在上述样本集基础上随机抽取80、40、20、10个故障样例与100个正常样例合并作为4个不同的训练样本，20个故障样例和50个正常样例作为测试样本，每个样例包含1024个样本点。具体轴承状态数据样本描述如表2所示：
表2轴承状态数据描述
1、模型结构
(1)数据集中的噪声比重
在模型中加入的噪声比重是影响模型效果的重要因素之一，加入过多的噪声可能会导致模型损失部分有用信息，增加模型的训练时间，因此我们需要通过实验对噪声比重的大小进行确定。图2展示了噪声比重为10％、20％、30％、40％时型正确率随训练次数的变化曲线，由图可知当噪声比重为20％时，模型正确率随着训练次数的增加，收敛速度较快，学习效率较高，因此选取在原始样本的基础上加入20％的噪声比重用于验证小波去噪与重构在数据集处理过程中的有效性。
(2)NKSMOTE-NKTomek模型中K值
在基于K近邻算法的NKSMOTE-NKTomek模型中，K值的选择尤其重要，直接影响到每一类的具体划分情况。图3为G-mean值和K值之间的关系图，其中G-mean值用来判定不同K值下分类器处理非平衡数据的性能高低，由图可知，综合考虑计算量和分类效果，最优k值分别为：7、8、5、5。
(3)LSTM模型
在建立基于长短期记忆神经网络的轴承故障诊断识别模型时，一些参数需要自行设定，经过不断迭代，选取最佳参数，得到合适的数据值。对LSTM模型影响比较大的参数有训练次数T、学习率η、序列长度step以及隐含层单元的神经元个数d。每一个参数都对LSTM模型的训练效果、训练时间、计算复杂度等有着很大的影响。
图4为训练集上的正确率随训练次数T的变化曲线，当训练到2000次左右，正确率开始收敛，训练到8000次时，正确率收敛趋于稳定。所以，将训练次数调整为8000次，以避免梯度爆炸的出现，并减少运行时间。
图5为不同学习率下正确率随训练次数的变化曲线，学习率为0.001，0.003，0.006时，正确率在迭代次数小于5000时大致相同，迭代次数为7000时且学习率为0.006时，正确率曲线出现了明显下降。学习率一般决定了参数迭代到最优值的速度快慢，一般来说，越大的学习率在训练时梯度下降的步长越大，也就越容易跳过最优解。
由上述实验结果可以得出，LSTM模型用于滚动轴承故障诊断中训练次数T应设置为8000，学习率η设置为0.006，序列长度s设置为256，神经元个数设置为128。
(4)SVM模型
对于支持向量机分类器模型，本发明采用一对一(one-against-one)SVM进行多分类设备故障诊断，即在有K类样本的情况下，构造所有可能的k(k-1)/2个两类分类器。
2、结果分析
根据表中数据划分，从原始样本集中随机抽取80、40、20、10个故障样例与100个正常样例合并作为4个不同的训练样本，20个故障样例和50个正常样例作为测试样本，每个样例包含1024个样本点，并将4个不同训练集分别划分为四组，其中一组用作训练模型，剩余三组用于分三次添加至已有模型进行集成增量学习。为验证基于集成增量的动态权重组合分类模型的故障诊断方法(DWCMI)在设备故障诊断领域的有效性，将该模型分别与LSTM-SVM动态权重组合分类模型(DWCLS)、LSTM长短期记忆模型、SVM支持向量机模型、BP模型做增量学习对比、非平衡数据处理性能对比，并使用测试样本测试模型效果，记录20次实验中各自模型的训练精度和训练G-mean值、测试精度、测试G-mean值，计算平均值，对比结果如下表3所示。
表3故障诊断结果对比表
由上表可知，本发明所提的模型在准确率、G-mean方面对于四个不同非平衡倾斜率的训练集均基本优于其他四种模型。从模型最后的诊断效果来看，本发明所提的模型的准确率和G-mean值在不同倾斜率的数据集中保持了较高的水平，明显优于其他未添加增量学习的BP模型和LSTM模型。且随着数据集中倾斜率逐渐变大，LSTM模型、SVM模型、BP模型、LSTM-SVM模型在训练集和测试集方面的精确度和G-mean均开始下降。因此，在基于集成增量的动态权重组合分类模型中集成增量学习模型可以有效解决设备故障诊断过程中的新增样本问题。
图6为针对4个不同训练集分别将其分四组依次加入训练模型时每一次各个模型误差率随训练次数变化的曲线图。由图可知，随着新增数据的加入，基于集成增量的动态权重组合分类模型的训练精度处于较为平稳且误差较小的波段，基于集成增量的动态权重组合分类模型总体训练误差低于除SVM模型以外的其他模型。
四、结论
由此可见，本发明所提的基于集成增量的动态权重组合分类模型与无增量学习和非平衡数据处理的模型相比在综合考虑精度、G-mean指标的情况下具有明显的优势。在LSTM-SVM动态权重组合模型的基础上增加NKSMOTE-NKTomek模型和集成增量学习可以在提升很少的训练时间的前提下提升模型的诊断精度，使其更好的适应海量非平衡高噪声的样本数据。通过上述实验验证及结果分析，验证了LSDMI模型在故障诊断领域的有效性，相比其他模型在非平衡数据处理以及增量学习方面有着显著效果，并且在不同训练集下表现出了很好的稳定性，能够实现在海量非平衡高噪声数据下滚动轴承故障诊断的可靠分类。

Claims (6)

1.一种基于集成增量的动态权重组合的设备故障分类方法，其特征在于，包括如下步骤：
(1)采集设备运行正常时和故障时的信号数据，使用基于过采样和欠采样融合的数据抽样模型对信号数据进行非平衡处理；
(2)针对非平衡处理之后的信号数据，使用小波包去噪，去除信号数据中的噪声点，然后使用小波包重构，将去噪之后的信号数据重构为原始信号；
(3)针对步骤(2)重构之后的原始信号，使用极点对称模态分解完成原始信号的特征参数提取，将特征向量作为训练数据集，并将训练数据集划分为多组，一组作为初步训练数据集输入到步骤(4)，剩余组分次作为增量训练集；
(4)训练长短期记忆神经网络，将初步训练集映射到输入层，通过LSTM网络训练参数，再输入到softmax输出层得到分类类别的概率分布，在训练次数达到预设值并且代价函数逐步收敛时停止训练；
(5)利用初步训练集对多分类支持向量机进行训练；
(6)利用新的支持向量机调整步骤(4)和步骤(5)的长短期记忆神经网络和支持向量机组合模型中的权重，完成组合模型的训练；
(7)针对增量数据集，先进行步骤(1)-(3)处理完成特征参数的提取，然后将处理后的特征参数作为测试集放入步骤(6)训练好的组合模型中处理；若输出结果符合预期，则输出，若输出结果不满足预期要求，则利用新增特征参数进行步骤(6)完成权重调整完成集成增量学习。
2.根据权利要求1所述的基于集成增量的动态权重组合的设备故障分类方法，其特征在于，步骤(1)所述的非平衡数据处理的具体步骤如下：
(1)构造少数类样本：将样本集分为少数类样本和多数类样本，对于少数类样本x，在核空间上寻找x的k个近邻样本；然后根据K个样本中少数类样本与多数类样本数量划分x的样本种类；
1)安全样本：即样本集中少数类样本数量大于或等于多数类样本数量；
2)边界样本：即样本集中少数类样本数量小于多数类样本数量；
3)噪音样本：即样本集中只存在多数类样本；
针对1)和2)类型的数据，在其k个样本中随机选择2个样本，在3个样本之间按照一定规则合成N个新样本，其中N值是向上采样倍率；
若选中的两个样本y1和y2是多数类样本，利用以下公式生成N个样本：
①根据y1和y2生成N个临时样本tj(j＝1,2,..,N)：
tj＝y1+rand(0,0.5)*(y2-y1)；
②根据tj和x生成新的少数类样本Xj(j＝1,2,...,N):
Xj＝x+rand(0,1)*(tj-x)；
若选中的两个样本y1和y2中有少数类样本，利用以下公式生成N个样本：
①根据y1和y2生成N个临时样本tj(j＝1,2,..,N)：
tj＝y1+rand(0,1)*(y2-y1)；
②根据tj和x生成新的少数类样本Xj(j＝1,2,...,N):
Xj＝x+rand(0,1)*(tj-x)；
针对3)类型的数据，为使噪音数据引起的风险降低，故将N设置为1；同时在少数类样本中随机选择一个少数类y，使用以下公式随机生成新样本；
X＝x+rand(0.5,1)*(y-x)
在求取K近邻时，先使用非线性映射函数将样本映射到核空间，在核空间中样本之间的距离被称为核距离，其计算公式为：
其中，是非线性映射函数，K(x,y)是核函数，在这里使用的核函数为高斯核函数；公式为：
(2)基于K近邻的Tomek links欠采样模型：针对少数类和多数类样本，在k近邻的基础上将少数类样本划分成不同类别的数据，从而减少Tomeklinks算法计算的样本数量，提高欠采样的样本效率；
①根据第(1)步中的样本类别划分方法将第(1)步合成的样本集重新划分成少数类样本和多数类样本，对少数类样本中的每个样本求取k近邻，根据k近邻中多数类样本和少数类样本数量划分样本类别为安全样本、边界样本和噪音样本，类别判断标准如第(1)步所示；
②去除噪音样本；
③假设少数类样本中边界样本集为D，多数类样本集为U，其中U的数量为N；
fori＝1,2,…,N
④多数类样本集U中x1与边界样本集D中x2之间的距离为d＝d(x1,x2)；
⑤多数类样本集U中x1与合成的样本集中的每个样本计算距离得到距离数据集F，如果d<F，返回x1所在行；
⑥循环结束，删除返回行的样本集；合并多数类样本集U与少数类样本集。
3.根据权利要求1所述的基于集成增量的动态权重组合的设备故障分类方法，其特征在于，步骤(2)所述的小波包去噪和重构算法的具体步骤如下：
一个含有噪声的信号模型可以表示为如下形式：
s(i)＝f(1)+σe(i)(i＝0,1,Λ,n-1)
其中，f(i)为真实信号；e(i)为高斯白噪声N(0,1)，噪声级为1；s(i)为噪声信号；
在故障诊断信号中，有用信号表现为低频部分，而噪声信号表现为高频部分，去噪过程为：
(1)对信号进行小波分解；选择小波基函数和小波分解的层次N，然后对信号s进行N层小波分解；
(2)从第一层到第N层的每一层高频系数选择一个阈值进行软阈值量化处理；
(3)根据小波分解的第N层的低频系数和经过量化处理后的第一层到第N层的高频系数进行信号的重构；对信号s(i)去噪的目的就是抑制信号中的噪声成分，从而在s(i)中恢复出真实信号f(t)；
其中，小波分解基于多分辨分析，多分辨分析基于对低频部分进行分解，分辨率随分解层数的增加而增加，而高频部分则不予考虑；
算法公式为：
式中，f(k)是信号的时域波形；n为采样点数；h(n)、g(n)为一对滤波器的脉冲响应；j表示分解的层数；为信号的逼近系数；为信号的细节系数；
其重构算法如下：
4.根据权利要求1所述的基于集成增量的动态权重组合的设备故障分类方法，其特征在于，步骤(3)所述的ESMD特征参数分解算法的具体步骤如下：
(1)设原始信号为X，找出X中所有的极大值和极小值，并依次标记为Si(i＝1,2,…,n)，连续等值极点以一点计数；
(2)用线段依次连接Si，并将相邻各极值点连线的中点标记为Fi(i＝1，2，…，n-1)；
(3)利用线性插值法补充左、右边界中点F0与Fn；
(4)利用得到的n+1个中点构造L1、L2、…Lq(q>＝1)条插值线，并计算其均值：
L*＝(L1+L2+…+Lq)/q
(5)对信号剩余部分X-L*重复以上操作，当：|L*|≤ε时或迭代次数达到预设最大值K时，分解得到第一个模态分量M1；
(6)对X-M1重复以上操作，得到M2、M3、…,知道剩余模态R只剩下不影响分解效果的少数极点时，停止操作；
(7)使最大迭代次数K在预设范围[Kmin，Kmax]内变化，重复以上步骤，计算方差比率θ＝σ/σ0(σ为X-R的相对标准差)，找出对应最小方差比率的最大迭代次数K0，并再次进行以上循环，输出最终分解结果；将优化后的R认为是原始数据的最佳拟合曲线；故，原始信号即可表现为以下形式：
其中，步骤(3)线性插值法采用“边界过陡”进行优化，具体方法描述如下：分别利用信号前两个极大值和前两个极小值线性插值得到上、下两条插值线
记信号边界的第一个采样点的值为Y1，
(1)若b2≤Y1≤b1，则分别定义b1、b2为边界极小值点和边界极大值点；
(2)若b1<Y1≤(3b1-b2)/2，或(3b2-b1)/2≤Y1<b2，则分别定义Y1、b2，或者b1、Y1，为边界极大值点和边界极小值点；
(3)若Y1>(3b1-b2)/2，或Y1<(3b2-b1)/2，则定义Y1为边界极大值点或者边界极小值点，并用第一个极小值点，或第一个极大值点；引出的直线y(t)＝k(t)+b来定义相应的边界极小值点，或边界极大值点，斜率K取决于过左边界点(t(1),Y1)和内部第一个极大值点，或第一个极小值点的直线。
5.根据权利要求1所述的基于集成增量的动态权重组合的设备故障分类方法，其特征在于，步骤(4)-(6)所述的LSTM-SVM动态权重组合分类模型具体步骤如下：
(1)LSTM模型的构建过程如下：
输入层：设训练集x∈Rm×n,m表示样本个数，n表示数据维度；同时在训练集上加入时间维度，将训练数据转化为三维矩阵，即Rm×t×i,其中t表示样本上的时间维度，即序列长度，i表示每一时刻的输入神经元维度；将x∈Rm×t×i映射到一个权重为W(i)、偏移量为b(i)的线性输入层，改变样本每一时刻的数据维度i；
y(i)＝x*W(i)+b(i)
其中：
LSTM网络层：由可知，LSTM网络层的输入为设LSTM的神经元个数d，假设每个样本最后一个时刻的隐含层输出作为LSTM网络的输出y(h)，则y(h)∈Rm×d；
输出层：将(2)的输出作为输出层的输入，利用softmax输出层，将LSTM网络层的输出维度与最后的分类数匹配；
y′＝softmax(y(h)·W(o))
其中：W(o)∈Rd×q,q为分类数目；y′为网络架构的输出，y′∈Rm×q；
代价函数：将训练的输出概率分布与真实的数据分布对比，计算出预测输出与实际输出的交叉熵代价函数；
H(y)＝∑my′log2(y)
建立如上的LSTM基本架构，初始化网络参数，设定训练次数T；每一次迭代，都通过前向传播计算得到当前迭代的交叉熵代价函数，然后使用误差反向传播进行网络参数的更新，最后迭代T次，代价函数逐步趋向于收敛；
(2)SVM模型构建流程如下：
从已知训练样本中提取特征向量，建立训练样本集{(xi,yi)|i＝1,2,…,n}；
选择对应的核函数和相应的参数；
在满足条件的情况下，寻找最优拉格朗日参数α*；
从训练样本集中寻找支持向量，求解最优分类超平面的权系数w*和分类阈值b*，从而得到最优分类超平面；
结束训练过程，得到SVM分类模型；
(3)使用SVM动态调整LSTM-SVM组合分类模型中各自分类器的权重，即将LSTM分类结果和SVM分类结果作为支持向量机的输入，正确分类结果作为SVM的期望输出，使用SVM不断调整权重的大小，使得组合模型的输出结果与期望分类结果的误差值越来越小。
6.根据权利要求1所述的基于集成增量的动态权重组合的设备故障分类方法，其特征在于，步骤(7)所述的集成增量学习方法具体步骤如下：
(1)假设输入为第t次需处理的训练数据集dt，dt由实例xt(i)组成，实例i＝1,2,…,mt，共mt个；
(2)t＝1时，设置实例权重惩罚权重为等权重：
(3)后续t时刻，根据集成分类器在当前数据集上的分类准确率确定及t时刻在新数据集上训练产生新分类器继而，当前所有已产生的分类器均需在新数据集上计算分类错误率：
计算错误率时需使用惩罚权重加权：
(4)对不同时期产生不同错误率的基分类器的处理方法不同.对于当前产生的基分类器如果错误率该分类器无效，需重新学习生成新分类器.对于先前k时刻产生的基分类器如果错误率将该分类器的错误率设置为0.5.表示k时刻时产生的分类器在当前t时刻的使用；最后，所有的基分类器进行加权集成，形成集成分类器:
每个基分类器的投票权重由分类器的加权平均错误率决定:
CN201910377438.4A 2019-05-04 2019-05-04 基于集成增量的动态权重组合的设备故障分类方法 Pending CN110334580A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910377438.4A CN110334580A (zh) 2019-05-04 2019-05-04 基于集成增量的动态权重组合的设备故障分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910377438.4A CN110334580A (zh) 2019-05-04 2019-05-04 基于集成增量的动态权重组合的设备故障分类方法

Publications (1)

Publication Number Publication Date
CN110334580A true CN110334580A (zh) 2019-10-15

Family

ID=68139992

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910377438.4A Pending CN110334580A (zh) 2019-05-04 2019-05-04 基于集成增量的动态权重组合的设备故障分类方法

Country Status (1)

Country Link
CN (1) CN110334580A (zh)

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111178604A (zh) * 2019-12-19 2020-05-19 国网浙江省电力有限公司丽水供电公司 一种95598故障工单数预测方法
CN111222467A (zh) * 2020-01-08 2020-06-02 燕山大学 一种风力发电机部件故障分类检测方法
CN111507504A (zh) * 2020-03-18 2020-08-07 中国南方电网有限责任公司 基于数据重采样的Adaboost集成学习电网故障诊断系统及方法
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
CN111616686A (zh) * 2019-12-27 2020-09-04 电子科技大学 基于Heaviside核函数的生理信号非平衡性分析方法
CN112085837A (zh) * 2020-09-10 2020-12-15 哈尔滨理工大学 一种基于几何形状和lstm神经网络的三维模型分类方法
CN112101532A (zh) * 2020-11-18 2020-12-18 天津开发区精诺瀚海数据科技有限公司 一种基于边云协同的自适应多模型驱动设备故障诊断方法
CN112798956A (zh) * 2020-12-31 2021-05-14 江苏国科智能电气有限公司 基于多分辨率时序循环神经网络的风电机组故障诊断方法
CN112804336A (zh) * 2020-10-29 2021-05-14 浙江工商大学 故障检测方法、装置、系统、计算机可读存储介质
CN112801151A (zh) * 2021-01-18 2021-05-14 桂林电子科技大学 基于改进BSMOTE-Sequence算法的风电设备故障检测方法
CN113011265A (zh) * 2021-02-22 2021-06-22 上海电力大学 一种基于esmd联合自适应阈值的局部放电信号去噪方法
CN113033079A (zh) * 2021-03-08 2021-06-25 重庆优易特智能科技有限公司 一种基于不平衡修正卷积神经网络的化学故障诊断方法
CN113191556A (zh) * 2021-05-08 2021-07-30 上海核工程研究设计院有限公司 一种核电Loca事件故障预测与诊断方法
CN113536658A (zh) * 2021-05-21 2021-10-22 西北工业大学 基于stm32嵌入式处理器的机电设备轻量化故障诊断方法
WO2022147684A1 (zh) * 2021-01-06 2022-07-14 罗伯特·博世有限公司 用于识别机械装置或机械部件中的异常的方法及装置
CN115407753A (zh) * 2022-08-18 2022-11-29 广东元梦泽技术服务有限公司 一种多变量加权集成学习的工业故障诊断方法
CN117516927A (zh) * 2024-01-05 2024-02-06 四川省机械研究设计院(集团)有限公司 齿轮箱故障检测方法、系统、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101944122A (zh) * 2010-09-17 2011-01-12 浙江工商大学 一种融合增量学习的支持向量机多类分类方法
CN107316046A (zh) * 2017-03-09 2017-11-03 河北工业大学 一种基于增量补偿动态自适应增强的故障诊断方法
CN107784325A (zh) * 2017-10-20 2018-03-09 河北工业大学 基于数据驱动增量融合的螺旋式故障诊断模型
CN107885853A (zh) * 2017-11-14 2018-04-06 同济大学 一种基于深度学习的组合式文本分类方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101944122A (zh) * 2010-09-17 2011-01-12 浙江工商大学 一种融合增量学习的支持向量机多类分类方法
CN107316046A (zh) * 2017-03-09 2017-11-03 河北工业大学 一种基于增量补偿动态自适应增强的故障诊断方法
CN107784325A (zh) * 2017-10-20 2018-03-09 河北工业大学 基于数据驱动增量融合的螺旋式故障诊断模型
CN107885853A (zh) * 2017-11-14 2018-04-06 同济大学 一种基于深度学习的组合式文本分类方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
王振华: "基于ESMD 和SVM的滚动轴承故障诊断研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
王莉等: "新的基于代价敏感集成学习的非平衡数据集分类方法NIBoost", 《计算机应用》 *
申彦等: "基于滑动窗口的快速Learn++.NSE*", 《模式识别与人工智能》 *
陈跃等: "非线性"转子-轴承-基础"系统碰摩动力分析", 《动力工程》 *

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111178604A (zh) * 2019-12-19 2020-05-19 国网浙江省电力有限公司丽水供电公司 一种95598故障工单数预测方法
CN111616686A (zh) * 2019-12-27 2020-09-04 电子科技大学 基于Heaviside核函数的生理信号非平衡性分析方法
CN111616686B (zh) * 2019-12-27 2020-12-29 电子科技大学 基于Heaviside核函数的生理信号非平衡性分析方法
CN111222467B (zh) * 2020-01-08 2022-03-25 燕山大学 一种风力发电机部件故障分类检测方法
CN111222467A (zh) * 2020-01-08 2020-06-02 燕山大学 一种风力发电机部件故障分类检测方法
CN111507504A (zh) * 2020-03-18 2020-08-07 中国南方电网有限责任公司 基于数据重采样的Adaboost集成学习电网故障诊断系统及方法
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
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
CN112085837A (zh) * 2020-09-10 2020-12-15 哈尔滨理工大学 一种基于几何形状和lstm神经网络的三维模型分类方法
CN112085837B (zh) * 2020-09-10 2022-04-26 哈尔滨理工大学 一种基于几何形状和lstm神经网络的三维模型分类方法
CN112804336A (zh) * 2020-10-29 2021-05-14 浙江工商大学 故障检测方法、装置、系统、计算机可读存储介质
CN112101532A (zh) * 2020-11-18 2020-12-18 天津开发区精诺瀚海数据科技有限公司 一种基于边云协同的自适应多模型驱动设备故障诊断方法
CN112101532B (zh) * 2020-11-18 2021-02-12 天津开发区精诺瀚海数据科技有限公司 一种基于边云协同的自适应多模型驱动设备故障诊断方法
CN112798956A (zh) * 2020-12-31 2021-05-14 江苏国科智能电气有限公司 基于多分辨率时序循环神经网络的风电机组故障诊断方法
WO2022147684A1 (zh) * 2021-01-06 2022-07-14 罗伯特·博世有限公司 用于识别机械装置或机械部件中的异常的方法及装置
CN112801151A (zh) * 2021-01-18 2021-05-14 桂林电子科技大学 基于改进BSMOTE-Sequence算法的风电设备故障检测方法
CN113011265A (zh) * 2021-02-22 2021-06-22 上海电力大学 一种基于esmd联合自适应阈值的局部放电信号去噪方法
CN113033079B (zh) * 2021-03-08 2023-07-18 重庆优易特智能科技有限公司 一种基于不平衡修正卷积神经网络的化学故障诊断方法
CN113033079A (zh) * 2021-03-08 2021-06-25 重庆优易特智能科技有限公司 一种基于不平衡修正卷积神经网络的化学故障诊断方法
CN113191556A (zh) * 2021-05-08 2021-07-30 上海核工程研究设计院有限公司 一种核电Loca事件故障预测与诊断方法
CN113536658A (zh) * 2021-05-21 2021-10-22 西北工业大学 基于stm32嵌入式处理器的机电设备轻量化故障诊断方法
CN115407753A (zh) * 2022-08-18 2022-11-29 广东元梦泽技术服务有限公司 一种多变量加权集成学习的工业故障诊断方法
CN115407753B (zh) * 2022-08-18 2024-02-09 广东元梦泽技术服务有限公司 一种多变量加权集成学习的工业故障诊断方法
CN117516927A (zh) * 2024-01-05 2024-02-06 四川省机械研究设计院(集团)有限公司 齿轮箱故障检测方法、系统、设备及存储介质
CN117516927B (zh) * 2024-01-05 2024-04-05 四川省机械研究设计院(集团)有限公司 齿轮箱故障检测方法、系统、设备及存储介质

Similar Documents

Publication Publication Date Title
CN110334580A (zh) 基于集成增量的动态权重组合的设备故障分类方法
Yin et al. Wasserstein generative adversarial network and convolutional neural network (WG-CNN) for bearing fault diagnosis
CN110069886A (zh) 基于vmd和cnn的电缆早期故障识别与分类方法
CN107702922B (zh) 基于lcd与堆叠自动编码器的滚动轴承故障诊断方法
CN107784325A (zh) 基于数据驱动增量融合的螺旋式故障诊断模型
CN106096727A (zh) 一种基于机器学习的网络模型构造方法及装置
CN109034054B (zh) 基于lstm的谐波多标签分类方法
CN109410917A (zh) 基于改进型胶囊网络的语音数据分类方法
CN108398268A (zh) 一种基于堆叠去噪自编码器和自组织映射的轴承性能退化评估方法
CN109492748B (zh) 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法
CN109243494A (zh) 基于多重注意力机制长短时记忆网络的儿童情感识别方法
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
CN112580588B (zh) 一种基于经验模态分解的颤振信号智能识别方法
CN108478216A (zh) 一种基于卷积神经网络的癫痫病发作前期智能预测方法
CN107240136A (zh) 一种基于深度学习模型的静态图像压缩方法
CN102034111A (zh) 一种对飞行器结构损伤状态进行多元化识别与检测的方法
CN114662414B (zh) 一种基于图小波神经网络模型的油藏生产预测方法
CN110458189A (zh) 压缩感知和深度卷积神经网络电能质量扰动分类方法
CN115762533A (zh) 一种鸟鸣声分类识别方法及装置
CN115575125A (zh) 基于gadf-gan-avoa-cnn的轴承故障诊断方法
CN112085062A (zh) 一种基于小波神经网络的异常能耗定位方法
CN115130514A (zh) 一种工程设备健康指标构建方法及系统
CN114626435A (zh) 一种高准确率的滚动轴承智能故障特征选择方法
CN113761777B (zh) 一种基于hp-ovmd的超短期光伏功率预测方法
CN114169504A (zh) 基于自适应滤波的图卷积神经网络池化方法

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