CN111504680B - 一种基于wsvm和dcae的涤纶长丝生产的故障诊断方法和系统 - Google Patents

Abstract

本发明涉及一种基于WSVM和DCAE的涤纶长丝生产的故障诊断方法和系统，方法流程如下：(1)分别训练WSVM模型和DCAE模型得到WSVM分类器和DCAE分类器；(2)将WSVM分类器和DCAE分类器结合；(3)采集多组故障特征参数数据并进行预处理后将其输入到WSVM分类器中确定故障诊断标签(故障、正常和模糊)；(4)将故障诊断标签为故障和模糊的数据输入到DCAE分类器中确定故障类型标签，同时将故障诊断标签为正常的数据对应的故障类型标签记为正常合格后输出；系统包括数据获取模块、WSVM模型训练模块、DCAE模型训练模块和故障诊断初筛模块。本发明结合了传统机器学习和神经网络算法优点的同时结合了有监督学习和无监督学习的优势，显著提升了故障分类的效率和准确度。

Description

一种基于WSVM和DCAE的涤纶长丝生产的故障诊断方法和系统

技术领域

本发明属于化纤生产故障诊断技术领域，涉及一种基于WSVM和DCAE的涤纶长丝生产的故障诊断方法和系统。

背景技术

随着以涤纶长丝生产为例的现代工业领域自动化、大型化、系统化的发展，工业设备的复杂度和规模与日俱增，设备的安全性问题得到了越来越高的关注度。然而随着机械设备的更新换代，数据采集技术和数据存储技术不断完善，工业设备上采集的故障信号逐渐呈现出“工业大数据”的特点。

传统的故障诊断技术难以处理海量的故障数据，故障处理的效率和准确度都达不到人们的期望值，造成了大量的人力财力浪费。

深度学习算法作为人工智能的分支，因其多隐层网络与自适应的特征提取能力能够挖掘数据更深层次的本质特征，广泛应用于语音识别、图像识别等领域。

神经网络能利用原始信号的所有特征，且不舍弃原始数据信息，相对于传统方法能更精确地刻画故障数据从观测值到故障类别之间复杂的映射关系。然而现有的技术中，仅使用深度自编码网络等深度学习算法，则其需要的计算资源庞大，分类的效率难以达到要求。而仅使用以SVM为代表的传统机器学习算法进行故障诊断，其精度又有待提高。现已提出的应用于旋转机械的轴承故障诊断领域的WSVM-DNN故障诊断方法，受限于DNN网络(深度神经网络)本身在故障类别分类准确度上的限制，要取得进一步的故障诊断效果还有待更深入的研究。

发明内容

针对以上现有技术的问题，本发明设计了一种基于WSVM(加权支持向量机)和DCAE(深度收缩自编码网络)的涤纶长丝生产过程的故障诊断方法及系统，结合了传统机器学习和神经网络算法优点的同时结合了有监督学习和无监督学习的优势，显著提升了故障分类的效率和准确度。该系统可应用于工业大数据环境下涤纶长丝生产过程中的设备故障诊断。

为达到上述目的，本发明采用的技术方案如下：

一种基于WSVM和DCAE的涤纶长丝生产的故障诊断方法，流程如下：

(1)分别训练WSVM(加权支持向量机)模型和DCAE(深度收缩自编码网络)模型得到WSVM分类器和DCAE分类器；

(2)将WSVM分类器和DCAE分类器结合，即将WSVM分类器的部分输出数据作为DCAE分类器的输入数据输入到DCAE的输入层；

(3)采集多组故障特征参数数据并进行预处理后将其输入到WSVM分类器中，由其输出各组故障特征参数数据及其对应的故障诊断标签，故障诊断标签共三类，分别为：故障、正常和模糊，此处可借助python的matplotlib绘图工具做可视化处理，显示出WSVM分类器分类后的数据分布图；

(4)将故障诊断标签为故障和模糊的几组故障特征参数数据输入到DCAE分类器中，由其输出各组故障特征参数数据及其对应的故障类型标签，即WSVM分类器的“模糊”和“故障”数据经DCAE分类器处理后即能区分具体的故障类型标签，同时将故障诊断标签为正常的几组故障特征参数数据对应的故障类型标签记为正常合格后，输出各组故障特征参数数据及其对应的故障类型标签；

训练WSVM模型的过程为：

(a)采集多组故障诊断标签为故障的故障特征参数数据和多组故障诊断标签为正常的故障特征参数数据并进行预处理；

(b)以各组故障特征参数数据为输入(例如“4500m/min,0.14MPa,6°”)，各组故障特征参数数据及其对应的故障诊断标签为理论输出(例如“4500m/min,0.14MPa,6°,正常”)，训练WSVM模型得到一个用于数据初筛的超平面H；

(c)在H两边各划定一段适当的距离，得到两个超平面H1和H2，两个超平面以内的区域为模糊区域，以外的两个区域分别代表故障区域和正常区域，将落入模糊区域的故障特征参数数据的故障诊断标签记为模糊，将落入故障区域的故障特征参数数据的故障诊断标签记为故障，将落入正常区域的故障特征参数数据的故障诊断标签记为正常，即得到WSVM分类器；

训练DCAE模型的过程为：

(i)采集故障类型标签已知且包含所有故障类型的多组故障特征参数数据并进行预处理；

(ii)以各组故障特征参数数据为输入(例如“4500m/min,0.14MPa,6°”)，以各组故障特征参数数据及其对应的故障类型标签为理论输出(例如“4500m/min,0.14MPa,6°,正常合格”)，训练DCAE模型，确定各神经元的连接权值及偏差，即得到DCAE分类器。

作为优选的技术方案：

如上所述的一种基于WSVM和DCAE的涤纶长丝生产的故障诊断方法，故障特征参数为纺丝速度、接触压力和卷绕角，对应的单位分别为m/min、MPa和°；纺丝速度为卷绕机摩擦锟的速度μ，由速度传感器采集得到；接触压力为卷绕机的压锟接触压力P，由压力传感器采集得到；卷绕角

的计算公式如下：

式中，D为横动导丝器往复动程的距离，由距离传感器采集得到；

纺丝速度、接触压力和卷绕角会极大程度上综合影响涤纶长丝的主要物理指标(纤度、断裂强度、弹性回复率等)，因此本发明的故障类型标签为正常合格、纤度不合格、断裂强度不合格和弹性回复率不合格。

如上所述的一种基于WSVM和DCAE的涤纶长丝生产的故障诊断方法，采集故障类型标签已知且包含所有故障类型的多组故障特征参数数据是指采集四类数据，分别为：故障类型标签为正常合格的故障特征参数数据、故障类型标签为纤度不合格的故障特征参数数据、故障类型标签为断裂强度不合格的故障特征参数数据和故障类型标签为弹性回复率不合格的故障特征参数数据，并按照无替换抽样原则，随机抽取每类数据中的q组数据(q＝200，q的取值也可根据实际需求进行调整)。

如上所述的一种基于WSVM和DCAE的涤纶长丝生产的故障诊断方法，预处理的过程为：先对故障特征参数数据进行归一化处理，再确定每个故障特征参数数据对应的样本权重后，将每个故障特征参数数据与其对应的样本权重相乘，特别的，本发明提供的算法在实际应用过程中，可由操作人员根据各个故障特征参数数据的重要程度人为设置样本权重；归一化处理的公式如下：

式中，x^*为归一化处理后的数据，x为归一化处理前的数据，x_min为x的最小值，x_max为x的最大值。

如上所述的一种基于WSVM和DCAE的涤纶长丝生产的故障诊断方法，若样本权重未明确给出，则使用一种经验方法进行样本权重的估计，该方法的公式如下：

式中，x⁽ⁱ⁾为第i个样本集合的所有样本集合，

为样本向量x⁽ⁱ⁾的第k个分量，

为样本向量x_i的第k个分量，n为样本向量x_i分量的个数，m_i为第i个样本集的均值向量，

为平均向量m_i的第k个分量，n_i为样本集中属于第i类样本的数量，n_min为样本集样本数量的最小值，m_j为第j个样本集的均值向量，

为平均向量m_j的第k个分量，d(x_i，m_j)为样本向量x_i和平均向量m_j的距离函数，d(x_i，m_i)为样本向量x_i和平均向量m_i的距离函数，s_i为第i个样本的样本权重估计值。

如上所述的一种基于WSVM和DCAE的涤纶长丝生产的故障诊断方法，训练WSVM模型的具体流程如下：

(1)采集多组故障诊断标签为故障的故障特征参数数据和多组故障诊断标签为正常的故障特征参数数据，并以故障特征参数数据及其对应的故障诊断标签作为输入数据；

(2)对输入数据中的故障特征参数数据进行预处理；

(3)初始化WSVM模型的超平面H，由于本发明针对的故障诊断过程中使用的WSVM为线性支持向量机，故超平面H的方程定义为：

ω·x+b＝0；

式中，ω为超平面的法向量，初始化为维数与每组输入数据的故障特征参数数据个数相同的单位向量，x为输入数据，b为超平面的截距，初始化为0；

(4)根据输入数据x的故障特征参数数据，计算每一个数据点到超平面的距离dist：

式中，ω^T为ω的转置，||ω||为ω的欧氏距离；

(5)找到距离s最小的数据点，即支持向量，根据拉格朗日乘子法，迭代训练中不断更新ω和b，找到使此数据点到超平面的距离最大化的ω和b，即得到超平面H，其中，拉格朗日乘子法公式L(ω,b,α)如下：

式中，α为拉格朗日乘子法的参数，ω_t为ω的第t个分量，x_t为x的第t个分量即第t个故障特征参数数据，n为x的分量的个数，即每组输入数据中故障特征参数数据的个数，y_t为输入数据的故障诊断标签值，记正常为1，故障为0；

(6)在H两边各划定一段适当的距离，适当的距离是指H到支持向量距离的两倍，得到两个超平面H1和H2，两个超平面以内的区域为模糊区域，以外的两个区域分别代表故障区域和正常区域，将落入模糊区域的故障特征参数数据的故障诊断标签记为模糊，将落入故障区域的故障特征参数数据的故障诊断标签记为故障，将落入正常区域的故障特征参数数据的故障诊断标签记为正常；

即得到WSVM分类器。

如上所述的一种基于WSVM和DCAE的涤纶长丝生产的故障诊断方法，训练DCAE模型的具体流程如下：

(1)采集故障类型标签已知且包含所有故障类型的多组故障特征参数数据，并以故障特征参数数据及其对应的故障类型标签作为输入数据；

(2)对输入数据中的故障特征参数数据进行预处理；

(3)初始化DCAE模型的学习率为0.02，训练步长为10，每批训练样本的数量为256；初始化隐藏层个数和每层神经网络的神经元个数，设置3个编码隐藏层，按照隐藏层在模型中的排列顺序，每层神经元个数分别为“512,256,128”；初始化输入层神经元个数为1024；初始化每层神经网络的权值为维数和输入数据维数相同的单位向量，偏差为0；初始化隐藏层的激活函数为ReLU函数，输出层的激活函数为sigmoid函数；

(4)输入数据，使用Adam优化器进行训练，在每一步迭代过程中调整每层神经网络的权值和偏差使得加入了稀疏性限制的损失函数最小，具体的损失函数如下：

C(x，g(f(x)))＝||x-g(f(x))||²；

式中，x为一组输入数据的特征向量，X_r为r×n维的输入数据矩阵，即r个n维的输入特征向量，λ为收缩率，V₂为隐藏层神经元的个数，

为隐藏层对输入信号的偏微分的平方和，即隐藏层对于输入信号的雅克比矩阵，β是稀疏性限制的权重，C(·)是重构误差函数，KL(·)是KL散度，ρ_p是隐藏层神经元p的平均响应，ρ是人为设置的“失活”神经元的比例，通常取接近于0的数如0.1、0.2等，g(·)为隐藏层的激活函数，f(x)为上一层神经网络的输出；

(5)计算每一次迭代结束后故障诊断结果的预测精度，即经模型分类后赋给输出数据的故障诊断类型标签和采集的故障类型标签一致的数据个数和总样本数据个数的比值；

(6)判断是否达到终止条件，如果是，则停止训练；反之，则返回步骤(4)，训练终止时每层神经网络的神经元的连接权值及偏差即为所述的各神经元的连接权值及偏差，即得到DCAE分类器。

如上所述的一种基于WSVM和DCAE的涤纶长丝生产的故障诊断方法，在DCAE模型的训练阶段和训练结束后，在DCAE模型的顶层先叠加一个softmax层，即将DCAE的原输出层输出数据输入到softmax层，softmax层的输出作为DCAE分类器最终输出结果，softmax层的作用旨在于对DCAE输出层输出的一组代表分类概率的向量转化为具体的故障诊断类型标签，例如，按照“正常合格、纤度不合格、断裂强度不合格和弹性回复率不合格”的故障诊断类型标签顺序，DCAE输出层除原输入数据外应输出一组概率向量“[0.1,0.7,0.15,0.05]”，softmax层取这组概率向量中的最大值“0.7”对应的故障诊断类型标签“纤度不合格”，将其作为DCAE分类器最终输出数据的故障诊断类型标签，和原数据一起输出，用于进行故障诊断结果的预测精度的计算，根据预测精度的变化判定训练过程中的迭代是否终止。

如上所述的一种基于WSVM和DCAE的涤纶长丝生产的故障诊断方法，训练DCAE模型的终止条件为：迭代次数达到预设上限值(根据训练样本集大小进行预设，训练样本集越大结果达到稳定所需的迭代次数越多，在训练样本集的样本数量为1000～3000时，可预设迭代次数上限为800)或在20次迭代中故障诊断结果的预测精度的变化小于0.1，测试时采集带故障诊断标签的数据每种故障诊断类型200组，仅将每组数据的故障特征参数作为无标签输入数据，使用WSVM-DCAE模型进行分类测试，故障诊断结果即DCAE分类器输出的最终结果，测试中的终止条件和训练DCAE模型的终止条件一致，最终分类结果和采集数据的原故障诊断标签对比计算预测精度，测试时的预测精度与DCAE模型训练时的预测精度差值在十个百分比以内则视为测试合格，否则应根据测试结果微调DCAE模型的超参数，例如将学习率从0.02减少至0.01或将训练步长调整为5，再次测试。

本发明还提供了一种基于WSVM和DCAE的涤纶长丝生产过程的故障诊断系统，包括数据获取模块、WSVM模型训练模块、DCAE模型训练模块和故障诊断初筛模块；

所述数据获取模块用于采集多组故障诊断标签为故障的故障特征参数数据和多组故障诊断标签为正常的故障特征参数数据，并进行预处理后将其发送至WSVM模型训练模块，同时用于采集故障类型标签已知且包含所有故障类型的多组故障特征参数数据，并进行预处理后将其发送至DCAE模型训练模块；

所述WSVM模型训练模块用于训练WSVM模型，得到WSVM分类器；

所述DCAE模型训练模块用于训练DCAE模型，得到DCAE分类器；

所述数据获取模块还用于采集多组故障特征参数数据并进行预处理后将其输入到WSVM分类器中；

所述WSVM分类器用于输出各组故障特征参数数据及其对应的故障诊断标签，并发送至故障诊断初筛模块；

所述故障诊断初筛模块用于将故障诊断标签为故障和模糊的几组故障特征参数数据输入到DCAE分类器中，同时用于将故障诊断标签为正常的几组故障特征参数数据对应的故障类型标签记为正常合格后，输出各组故障特征参数数据及其对应的故障类型标签；

所述DCAE分类器用于输出各组故障特征参数数据及其对应的故障类型标签。

有益效果：

(1)本发明采用WSVM进行故障数据的第一层分类，减少了后续输入DCAE的数据量，减少了整体所需的计算资源，提高了故障分类的效率，特别是对比已提出并被广泛应用的以深度自编码网络为单一故障诊断方法的技术方案，本发明在故障诊断精度有所提升的基础上对故障诊断效率有显著优势；

(2)本发明采用了DCAE，并且加入了稀疏性的限制，这样的网络具有抗噪声和降低输入信号冗余的特征，提高了系统的鲁棒性，相较普通的深度自编码网络或以SVM为主的机器学习算法，本发明提出的技术方案在故障诊断的准确度上有显著提升；

(3)本发明将WSVM与DCAE相结合，能够详细诊断出传入数据的故障类别，在保证故障诊断效率的同时改善了诊断精度，提高了故障诊断的准确度，相较已被提出的WSVM-DNN故障诊断方法，本方案将普通的含三层隐藏层的深度神经网络替换为DCAE，克服了DNN网络本身在分类精度上的不足的同时结合了监督学习和无监督学习的优势；

具体的，在已有的WSVM-DNN技术手段中，仅结合了两种有监督分类器，存在如下显著缺陷：

1)在聚类效果上无法体现出足够的优势，故障分析结果的可视化聚类图常出现多个类别部分重合的现象；

2)在工业大数据背景下的故障诊断数据集很难做到相互独立分布，有监督学习在非独立数据的处理上可能会因数据的偏移造成过大的噪声；

3)缺乏模型的拓展性，在实际的故障诊断应用中，若出现新增的故障类别，增大了数据的维度，有监督学习模型的权重值需要全部改变，模型需要从头开始训练，极大地影响了故障类别诊断的效率；

本发明创新性地将有监督学习的WSVM和无监督学习的DCAE结合，有监督-无监督故障诊断模型的出现对上述已知技术出现的问题给出了很好的解决方式，它充分利用了有监督学习在确定权值上的效率优势和无监督学习在分类过程中将相似数据迅速整合为同一类的优点，在有监督分类器的辅助下，充分发挥了无监督学习处理非独立数据的能力和独有的模型拓展性；

(4)现有的故障诊断算法大多利用于电机等旋转机械的轴承故障诊断，本发明首次将故障诊断算法应用于涤纶长丝工艺流程，利用容易收集的卷绕机工艺参数对涤纶长丝的质量作出较为准确的判断，有很好的工业实用性。

附图说明

图1和图2为一种基于WSVM和DCAE的涤纶长丝生产的故障诊断方法的流程图；

图3为分类器H及超平面H1及H2的示意图；

图4为DCAE模型的结构示意图；

图5为训练WSVM模型和DCAE模型的流程图；

图6为一种基于WSVM和DCAE的涤纶长丝生产过程的故障诊断系统的结构示意图。

具体实施方式

下面结合具体实施方式，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

一种基于WSVM和DCAE的涤纶长丝生产的故障诊断方法，如图1和图2所示，流程如下：

(1)分别训练WSVM(加权支持向量机)模型和DCAE(深度收缩自编码网络)模型得到WSVM分类器和DCAE分类器；

如图5所示，训练WSVM模型的具体流程如下：

(1.a.1)采集多组故障诊断标签为故障的故障特征参数数据和多组故障诊断标签为正常的故障特征参数数据，并以故障特征参数数据及其对应的故障诊断标签作为输入数据；故障特征参数为纺丝速度、接触压力和卷绕角，对应的单位分别为m/min、MPa和°；纺丝速度为卷绕机摩擦锟的速度μ，由速度传感器采集得到；接触压力为卷绕机的压锟接触压力P，由压力传感器采集得到；卷绕角

的计算公式如下：

式中，D为横动导丝器往复动程的距离，由距离传感器采集得到；

(1.a.2)对输入数据中的故障特征参数数据进行预处理；

预处理的过程为：先对故障特征参数数据进行归一化处理，再确定每个故障特征参数数据对应的样本权重后，将每个故障特征参数数据与其对应的样本权重相乘，特别的，本发明提供的算法在实际应用过程中，可由操作人员根据各个故障特征参数数据的重要程度人为设置样本权重；归一化处理的公式如下：

式中，x^*为归一化处理后的数据，x为归一化处理前的数据，x_min为x的最小值，x_max为x的最大值；

若样本权重未明确给出，则使用一种经验方法进行样本权重的估计，该方法的公式如下：

式中，x⁽ⁱ⁾为第i个样本集合的所有样本集合，

为样本向量x⁽ⁱ⁾的第k个分量，

为样本向量x_i的第k个分量，n为样本向量x_i分量的个数，m_i为第i个样本集的均值向量，

为平均向量m_i的第k个分量，n_i为样本集中属于第i类样本的数量，n_min为样本集样本数量的最小值，m_j为第j个样本集的均值向量，

为平均向量m_j的第k个分量，d(x_i，m_j)为样本向量x_i和平均向量m_j的距离函数，d(x_i，m_i)为样本向量x_i和平均向量m_i的距离函数，s_i为第i个样本的样本权重估计值；

(1.a.3)初始化WSVM模型的超平面H，由于本发明针对的故障诊断过程中使用的WSVM为线性支持向量机，故超平面H的方程定义为：

ω·x+b＝0；

式中，ω为超平面的法向量，初始化为维数与每组输入数据的故障特征参数数据个数相同的单位向量，x为输入数据，b为超平面的截距，初始化为0；

(1.a.4)根据输入数据x的故障特征参数数据，计算每一个数据点到超平面的距离dist：

式中，ω^T为ω的转置，||ω||为ω的欧氏距离；

(1.a.5)找到距离s最小的数据点，即支持向量，根据拉格朗日乘子法，迭代训练中不断更新ω和b，找到使此数据点到超平面的距离最大化的ω和b，即得到超平面H，其中，拉格朗日乘子法公式L(ω,b,α)如下：

式中，α为拉格朗日乘子法的参数，ω_t为ω的第t个分量，x_t为x的第t个分量即第t个故障特征参数数据，n为x的分量的个数，即每组输入数据中故障特征参数数据的个数，y_t为输入数据的故障诊断标签值，记正常为1，故障为0；

(1.a.6)如图3所示，在H两边各划定一段适当的距离，适当的距离是指H到支持向量距离的两倍，得到两个超平面H1和H2，两个超平面以内的区域为模糊区域，以外的两个区域分别代表故障区域和正常区域，将落入模糊区域的故障特征参数数据的故障诊断标签记为模糊，将落入故障区域的故障特征参数数据的故障诊断标签记为故障，将落入正常区域的故障特征参数数据的故障诊断标签记为正常；

即得到WSVM分类器；

如图5所示，训练DCAE模型的具体流程如下：

(1.b.1)采集故障类型标签已知且包含所有故障类型的多组故障特征参数数据，并以故障特征参数数据及其对应的故障类型标签作为输入数据；

故障类型标签为正常合格、纤度不合格、断裂强度不合格和弹性回复率不合格；

采集故障类型标签已知且包含所有故障类型的多组故障特征参数数据是指采集四类数据，分别为：故障类型标签为正常合格的故障特征参数数据、故障类型标签为纤度不合格的故障特征参数数据、故障类型标签为断裂强度不合格的故障特征参数数据和故障类型标签为弹性回复率不合格的故障特征参数数据，并按照无替换抽样原则，随机抽取每类数据中的q组数据(q＝200，q的取值也可根据实际需求进行调整)；

(1.b.2)对输入数据中的故障特征参数数据进行预处理(预处理过程同(1.a.2))；

(1.b.3)初始化DCAE模型(结构如图4所示)的学习率为0.02，训练步长为10，每批训练样本的数量为256；初始化隐藏层个数和每层神经网络的神经元个数，设置3个编码隐藏层，按照隐藏层在模型中的排列顺序，每层神经元个数分别为“512,256,128”；初始化输入层神经元个数为1024；初始化每层神经网络的权值为维数和输入数据维数相同的单位向量，偏差为0；初始化隐藏层的激活函数为ReLU函数，输出层的激活函数为sigmoid函数；

(1.b.4)输入数据，使用Adam优化器进行训练，在每一步迭代过程中调整每层神经网络的权值和偏差使得加入了稀疏性限制的损失函数最小，具体的损失函数如下：

C(x，g(f(x)))＝||x-g(f(x))||²；

式中，x为一组输入数据的特征向量，X_r为r×n维的输入数据矩阵，即r个n维的输入特征向量，λ为收缩率，V₂为隐藏层神经元的个数，

为隐藏层对输入信号的偏微分的平方和，即隐藏层对于输入信号的雅克比矩阵，β是稀疏性限制的权重，C(·)是重构误差函数，KL(·)是KL散度，ρ_p是隐藏层神经元p的平均响应，ρ是人为设置的“失活”神经元的比例，通常取接近于0的数如0.1、0.2等，g(·)为隐藏层的激活函数，f(x)为上一层神经网络的输出；

(1.b.5)计算每一次迭代结束后故障诊断结果的预测精度，即经模型分类后赋给输出数据的故障诊断类型标签和采集的故障类型标签一致的数据个数和总样本数据个数的比值；

(1.b.6)判断是否达到终止条件(迭代次数达到预设上限值或在20次迭代中故障诊断结果的预测精度的变化小于0.1)，如果是，则停止训练；反之，则返回步骤(1.b.4)，训练终止时每层神经网络的神经元的连接权值及偏差即为所述的各神经元的连接权值及偏差，即得到DCAE分类器；

在DCAE模型的训练阶段和训练结束后，在DCAE模型的顶层先叠加一个softmax层，即将DCAE的原输出层输出数据输入到softmax层，softmax层的输出作为DCAE分类器最终输出结果，softmax层的作用旨在于对DCAE输出层输出的一组代表分类概率的向量转化为具体的故障诊断类型标签，例如，按照“正常合格、纤度不合格、断裂强度不合格和弹性回复率不合格”的故障诊断类型标签顺序，DCAE输出层除原输入数据外应输出一组概率向量“[0.1,0.7,0.15,0.05]”，softmax层取这组概率向量中的最大值“0.7”对应的故障诊断类型标签“纤度不合格”，将其作为DCAE分类器最终输出数据的故障诊断类型标签，和原数据一起输出，用于进行故障诊断结果的预测精度的计算，根据预测精度的变化判定训练过程中的迭代是否终止；

(2)将WSVM分类器和DCAE分类器结合，即将WSVM分类器的部分输出数据作为DCAE分类器的输入数据输入到DCAE的输入层；

(3)采集多组故障特征参数数据并进行预处理(预处理过程同(1.a.2))后将其输入到WSVM分类器中，由其输出各组故障特征参数数据及其对应的故障诊断标签，故障诊断标签共三类，分别为：故障、正常和模糊，此处可借助python的matplotlib绘图工具做可视化处理，显示出WSVM分类器分类后的数据分布图；

(4)将故障诊断标签为故障和模糊的几组故障特征参数数据输入到DCAE分类器中，由其输出各组故障特征参数数据及其对应的故障类型标签，即WSVM分类器的“模糊”和“故障”数据经DCAE分类器处理后即能区分具体的故障类型标签，同时将故障诊断标签为正常的几组故障特征参数数据对应的故障类型标签记为正常合格后，输出各组故障特征参数数据及其对应的故障类型标签。

本发明的核心是提供一种基于WSVM和DCAE的故障诊断方法，涤纶长丝生产仅仅为其中一个应用示例，本发明还将本发明的故障诊断方法与现有技术(基于SVM的故障诊断方法、基于深度自编码网络的故障诊断方法、基于WSVM-DNN的故障诊断方法)进行了比较，具体使用美国西储大学收集的旋转机械的滚动轴承故障数据作为训练和测试数据，在这个数据集中，可通过机械的振动加速度信号加以区别的共有10种健康状态，分别为9种故障状态和1种正常状态，故障状态有三种故障类型，每种故障类型有三种不同的损坏大小，3种故障类型分别为滚珠故障(RF)、外周故障(OF)和内周故障(IF)，故障直径分别为0.18mm、0.36mm和0.54mm(故障直径越大则可视为故障越严重)。实验结果表明，基于SVM的故障诊断方法的准确率仅为90％左右；基于WSVM-DNN的故障诊断方法的准确率有所提升但也只在93％左右；基于深度自编码网络的故障诊断方法的准确率达到了95％左右，但在准确度和诊断效率上都还有很大的上升空间；本发明的故障诊断方法的准确率为97％左右，同现有技术相比，本发明显著提高了故障诊断的准确率。

基于上述一种基于WSVM和DCAE的涤纶长丝生产的故障诊断方法，本发明还提供了一种基于WSVM和DCAE的涤纶长丝生产过程的故障诊断系统，如图6所示，包括数据获取模块、WSVM模型训练模块、DCAE模型训练模块和故障诊断初筛模块；

所述数据获取模块用于采集多组故障诊断标签为故障的故障特征参数数据和多组故障诊断标签为正常的故障特征参数数据，并进行预处理(预处理过程同(1.a.2))后将其发送至WSVM模型训练模块，同时用于采集故障类型标签已知且包含所有故障类型的多组故障特征参数数据，并进行预处理(预处理过程同(1.a.2))后将其发送至DCAE模型训练模块；

所述WSVM模型训练模块用于训练WSVM模型，得到WSVM分类器；

所述DCAE模型训练模块用于训练DCAE模型，得到DCAE分类器；

所述数据获取模块还用于采集多组故障特征参数数据并进行预处理(预处理过程同(1.a.2))后将其输入到WSVM分类器中；

所述WSVM分类器用于输出各组故障特征参数数据及其对应的故障诊断标签，并发送至故障诊断初筛模块；

所述故障诊断初筛模块用于将故障诊断标签为故障和模糊的几组故障特征参数数据输入到DCAE分类器中，同时用于将故障诊断标签为正常的几组故障特征参数数据对应的故障类型标签记为正常合格后，输出各组故障特征参数数据及其对应的故障类型标签；

所述DCAE分类器用于输出各组故障特征参数数据及其对应的故障类型标签。

Claims (10)

1.一种基于WSVM和DCAE的涤纶长丝生产的故障诊断方法，其特征是，流程如下：

(1)分别训练WSVM模型和DCAE模型得到WSVM分类器和DCAE分类器；

(2)将WSVM分类器和DCAE分类器结合，即将WSVM分类器的部分输出数据作为DCAE分类器的输入数据输入到DCAE的输入层；

(3)采集多组故障特征参数数据并进行预处理后将其输入到WSVM分类器中，由其输出各组故障特征参数数据及其对应的故障诊断标签，故障诊断标签共三类，分别为：故障、正常和模糊；

(4)将故障诊断标签为故障和模糊的几组故障特征参数数据输入到DCAE分类器中，由其输出各组故障特征参数数据及其对应的故障类型标签，同时将故障诊断标签为正常的几组故障特征参数数据对应的故障类型标签记为正常合格后，输出各组故障特征参数数据及其对应的故障类型标签；

训练WSVM模型的过程为：

(a)采集多组故障诊断标签为故障的故障特征参数数据和多组故障诊断标签为正常的故障特征参数数据并进行预处理；

(b)以各组故障特征参数数据为输入，各组故障特征参数数据及其对应的故障诊断标签为理论输出，训练WSVM模型得到一个用于数据初筛的超平面H；

(c)在超平面H两边各划定一段适当的距离，得到两个超平面H1和H2，两个超平面以内的区域为模糊区域，以外的两个区域分别代表故障区域和正常区域，将落入模糊区域的故障特征参数数据的故障诊断标签记为模糊，将落入故障区域的故障特征参数数据的故障诊断标签记为故障，将落入正常区域的故障特征参数数据的故障诊断标签记为正常，即得到WSVM分类器；

训练DCAE模型的过程为：

(i)采集故障类型标签已知且包含所有故障类型的多组故障特征参数数据并进行预处理；

(ii)以各组故障特征参数数据为输入，以各组故障特征参数数据及其对应的故障类型标签为理论输出，训练DCAE模型，确定各神经元的连接权值及偏差，即得到DCAE分类器。

2.根据权利要求1所述的一种基于WSVM和DCAE的涤纶长丝生产的故障诊断方法，其特征在于，故障特征参数为纺丝速度、接触压力和卷绕角，对应的单位分别为m/min、MPa和°；纺丝速度为卷绕机摩擦锟的速度μ，由速度传感器采集得到；接触压力为卷绕机的压锟接触压力P，由压力传感器采集得到；卷绕角

的计算公式如下：

式中，D为横动导丝器往复动程的距离，由距离传感器采集得到；

故障类型标签为正常合格、纤度不合格、断裂强度不合格和弹性回复率不合格。

3.根据权利要求2所述的一种基于WSVM和DCAE的涤纶长丝生产的故障诊断方法，其特征在于，采集故障类型标签已知且包含所有故障类型的多组故障特征参数数据是指采集四类数据，分别为：故障类型标签为正常合格的故障特征参数数据、故障类型标签为纤度不合格的故障特征参数数据、故障类型标签为断裂强度不合格的故障特征参数数据和故障类型标签为弹性回复率不合格的故障特征参数数据，并按照无替换抽样原则，随机抽取每类数据中的q组数据，q为每类数据中抽取的数据组数。

4.根据权利要求1所述的一种基于WSVM和DCAE的涤纶长丝生产的故障诊断方法，其特征在于，预处理的过程为：先对故障特征参数数据进行归一化处理，再确定每个故障特征参数数据对应的样本权重后，将每个故障特征参数数据与其对应的样本权重相乘；归一化处理的公式如下：

式中，x^*为归一化处理后的数据，x为归一化处理前的数据，x_min为x的最小值，x_max为x的最大值。

5.根据权利要求4所述的一种基于WSVM和DCAE的涤纶长丝生产的故障诊断方法，其特征在于，若样本权重未明确给出，则使用一种经验方法进行样本权重的估计，该方法的公式如下：

式中，x⁽ⁱ⁾为第i个样本集合的所有样本集合，

为样本向量x⁽ⁱ⁾的第k个分量，

为样本向量x_i的第k个分量，n为样本向量x_i分量的个数，m_i为第i个样本集的均值向量，

为平均向量m_i的第k个分量，n_i为样本集中属于第i类样本的数量，n_min为样本集样本数量的最小值，m_j为第j个样本集的均值向量，

为平均向量m_j的第k个分量，d(x_i，m_j)为样本向量x_i和平均向量m_j的距离函数，d(x_i，m_i)为样本向量x_i和平均向量m_i的距离函数，s_i为第i个样本的样本权重估计值。

6.根据权利要求5所述的一种基于WSVM和DCAE的涤纶长丝生产的故障诊断方法，其特征在于，训练WSVM模型的具体流程如下：

(1)采集多组故障诊断标签为故障的故障特征参数数据和多组故障诊断标签为正常的故障特征参数数据，并以故障特征参数数据及其对应的故障诊断标签作为输入数据；

(2)对输入数据中的故障特征参数数据进行预处理；

(3)初始化WSVM模型的超平面H，超平面H的方程定义为：

ω·x+b＝0；

式中，ω为超平面的法向量，初始化为维数与每组输入数据的故障特征参数数据个数相同的单位向量，x为输入数据，b为超平面的截距，初始化为0；

(4)根据输入数据x的故障特征参数数据，计算每一个数据点到超平面的距离dist：

式中，ω^T为ω的转置，||ω||为ω的欧氏距离；

(5)找到距离s最小的数据点，即支持向量，根据拉格朗日乘子法，迭代训练中不断更新ω和b，找到使此数据点到超平面的距离最大化的ω和b，即得到超平面H，其中，拉格朗日乘子法公式L(ω,b,α)如下：

式中，α为拉格朗日乘子法的参数，ω_t为ω的第t个分量，x_t为x的第t个分量即第t个故障特征参数数据，n为x的分量的个数，即每组输入数据中故障特征参数数据的个数，y_t为输入数据的故障诊断标签值，记正常为1，故障为0；

(6)在超平面H两边各划定一段适当的距离，适当的距离是指H到支持向量距离的两倍，得到两个超平面H1和H2，两个超平面以内的区域为模糊区域，以外的两个区域分别代表故障区域和正常区域，将落入模糊区域的故障特征参数数据的故障诊断标签记为模糊，将落入故障区域的故障特征参数数据的故障诊断标签记为故障，将落入正常区域的故障特征参数数据的故障诊断标签记为正常；

即得到WSVM分类器。

7.根据权利要求6所述的一种基于WSVM和DCAE的涤纶长丝生产的故障诊断方法，其特征在于，训练DCAE模型的具体流程如下：

(1)采集故障类型标签已知且包含所有故障类型的多组故障特征参数数据，并以故障特征参数数据及其对应的故障类型标签作为输入数据；

(2)对输入数据中的故障特征参数数据进行预处理；

(3)初始化DCAE模型的学习率为0.02，训练步长为10，每批训练样本的数量为256；初始化隐藏层个数和每层神经网络的神经元个数，设置3个编码隐藏层，按照隐藏层在模型中的排列顺序，每层神经元个数分别为“512,256,128”；初始化输入层神经元个数为1024；初始化每层神经网络的权值为维数和输入数据维数相同的单位向量，偏差为0；初始化隐藏层的激活函数为ReLU函数，输出层的激活函数为sigmoid函数；

(4)输入数据，使用Adam优化器进行训练，在每一步迭代过程中调整每层神经网络的权值和偏差使得加入了稀疏性限制的损失函数最小，具体的损失函数如下：

C(x，g(f(x)))＝||x-g(f(x))||²；

式中，x为一组输入数据的特征向量，X_r为r×n维的输入数据矩阵，即r个n维的输入特征向量，λ为收缩率，V₂为隐藏层神经元的个数，

为隐藏层对输入信号的偏微分的平方和，即隐藏层对于输入信号的雅克比矩阵，β是稀疏性限制的权重，C(·)是重构误差函数，KL(·)是KL散度，ρ_p是隐藏层神经元p的平均响应，ρ是人为设置的“失活”神经元的比例，g(·)为隐藏层的激活函数，f(x)为上一层神经网络的输出；

(5)计算每一次迭代结束后故障诊断结果的预测精度；

(6)判断是否达到终止条件，如果是，则停止训练；反之，则返回步骤(4)，训练终止时每层神经网络的神经元的连接权值及偏差即为所述的各神经元的连接权值及偏差，即得到DCAE分类器。

8.根据权利要求7所述的一种基于WSVM和DCAE的涤纶长丝生产的故障诊断方法，其特征在于，在DCAE模型的训练阶段和训练结束后，在DCAE模型的顶层先叠加一个softmax层，即将DCAE的原输出层输出数据输入到softmax层，softmax层的输出作为DCAE分类器最终输出结果。

9.根据权利要求7所述的一种基于WSVM和DCAE的涤纶长丝生产的故障诊断方法，其特征在于，训练DCAE模型的终止条件为：迭代次数达到预设上限值或在20次迭代中故障诊断结果的预测精度的变化小于0.1。

10.一种基于WSVM和DCAE的涤纶长丝生产过程的故障诊断系统，其特征是：包括数据获取模块、WSVM模型训练模块、DCAE模型训练模块和故障诊断初筛模块；

所述数据获取模块用于采集多组故障诊断标签为故障的故障特征参数数据和多组故障诊断标签为正常的故障特征参数数据，并进行预处理后将其发送至WSVM模型训练模块，同时用于采集故障类型标签已知且包含所有故障类型的多组故障特征参数数据，并进行预处理后将其发送至DCAE模型训练模块；

所述WSVM模型训练模块用于训练WSVM模型，得到WSVM分类器；

所述DCAE模型训练模块用于训练DCAE模型，得到DCAE分类器；

所述数据获取模块还用于采集多组故障特征参数数据并进行预处理后将其输入到WSVM分类器中；

所述WSVM分类器用于输出各组故障特征参数数据及其对应的故障诊断标签，并发送至故障诊断初筛模块；

所述故障诊断初筛模块用于将故障诊断标签为故障和模糊的几组故障特征参数数据输入到DCAE分类器中，同时用于将故障诊断标签为正常的几组故障特征参数数据对应的故障类型标签记为正常合格后，输出各组故障特征参数数据及其对应的故障类型标签；

所述DCAE分类器用于输出各组故障特征参数数据及其对应的故障类型标签。

Images