CN111783941B - 一种基于概率置信度卷积神经网络的机械设备诊断分类方法 - Google Patents

Abstract

一种基于概率置信度卷积神经网络的机械设备诊断分类方法涉及机械设备状态监测与故障诊断领域。本发明步骤：将机械设备状态监测的已知状态类别数据作为训练样本训练基于CNN的诊断分类模型，并输出样本属于每一种状态类别的概率。计算诊断分类模型各状态类别的概率置信度，利用机械设备实时运行数据对诊断分类模型进行测试，根据各状态类别的概率置信度判断该设备实时运行数据的状态类别。出现未知状态类别时进行诊断分类模型的自学习更新。本发明依据CNN输出每一类状态的概率判断待测数据是否为未知状态。当出现未知状态时，诊断分类模型可利用状态数据进行自学习更新，从而实现自适应学习新状态。

Description

一种基于概率置信度卷积神经网络的机械设备诊断分类方法

技术领域

本专利涉及机械设备状态监测与故障诊断领域，特别涉及一种基于概率置信度卷积神经网络的机械设备诊断分类模型。

背景技术

机械设备的故障诊断是通过其监测数据来分析设备状态的健康状况，以信号处理技术为主的传统机械故障诊断技术在工程实际应用中较为广泛并且取得较好的诊断效果，但对复杂的设备和多变的运行工况，传统诊断技术无法实现设备的故障诊断分类。随着人工智能技术的飞速发展，基于机器学习的智能诊断方法得到越来越多的关注，以卷积神经网络(Convolutional Neural Network，CNN)为典型代表的深度学习算法在机械设备诊断分类领域方面取得较好的应用，例如王应晨等人将深度学习融合模型应用于滚动轴承的故障诊断分类，并取得了很好的诊断分类效果和鲁棒性；专利号为201810351068.2的发明专利提供了一种基于卷积神经网络的风电齿轮箱故障诊断分类方法，其能够从风电机组监测的大数据中提取故障信息，提高故障诊断分类的准确率；专利号为201710747694.9的发明专利使用短时傅里叶变换处理后的机械振动信号样本用于卷积神经网络的训练，解决了滚动轴承诊断分类时特征分量易被淹没、难以提取等问题。

以上基于卷积神经网络的机械设备诊断分类方法大多是通过对大量已知类型状态训练样本的学习，实现对待测样本的状态分类，但这些方法只能诊断训练样本中已知类型状态，若对未知类型状态进行诊断分类，则会被分类到已知类型状态中，导致错误诊断，并且这些方法中的诊断分类模型一旦训练完成就难以实现模型的自动更新，无法应对实际工程中复杂多变的机械设备诊断分类问题。在实际工程中，机械设备种类的多样性、工况的多变性以及服役环境的复杂性使得机械设备在运行过程中易出现各种未知类型状态，如何将工程领域中出现的未知类型状态进行较好地诊断分类并且实现诊断分类模型的自动更新，成为卷积神经网络应用到机械设备诊断分类领域面临的关键问题。

发明内容

本发明针对现有基于卷积神经网络的机械设备诊断分类方法中无法诊断未知类型状态的问题，提出一种基于概率置信度卷积神经网络的机械设备诊断分类模型，该模型能有效区分设备已知和未知类型状态，且模型具备自学习更新能力。本发明所提出的方法包含以下三个步骤：

(1)诊断分类模型的训练：将机械设备状态监测的已知状态类别数据作为训练样本训练基于CNN的诊断分类模型，并输出样本属于每一种状态类别的概率。

(2)诊断分类：计算诊断分类模型各状态类别的概率置信度，利用机械设备实时运行数据对诊断分类模型进行测试，根据各状态类别的概率置信度判断该设备实时运行数据的状态类别。

(3)诊断分类模型的自学习更新：出现未知状态类别时进行诊断分类模型的自学习更新。

本专利三个步骤方法流程如附图1所示，以下对本专利发明内容的三个步骤进行详细的说明：

所述发明内容步骤(1)中基于LeNet-5网络结构构建一个基于CNN的分类模型，其结构如附图2所示。主要包括输入层(IP)、两个卷积层(C1、C2)、两个池化层(P1、P2)、两个全连接层(L1、L2)、一个Softmax层(SM)和一个概率置信度层(PC)组成。该模型经过交替的卷积层和池化层进行特征提取，将提取的特征展成一维向量并输入到全连接层进行整合，然后经过SM层转换成每类状态的概率值，并与PC层的值进行比较，最终给出诊断结果。

将机械设备状态监测的m类已知状态数据X＝{X₁,X₂,X₃,…,X_j,…,X_m}以一定比例v％作为训练样本训练基于CNN的m分类模型，并将其作为诊断分类模型M，模型SM层输出每个样本属于每一状态类别的概率描述如式(1)所示。

式(1)中，P_j表示第j个状态类别的概率值，e表示自然常数，w表示模型的全局参数，y^(a)表示模型全连接层L2输出节点所构成的向量，m表示状态类别数。

所述发明内容步骤(2)中利用机械设备状态监测的m类已知状态数据X＝{X₁,X₂,X₃,…,X_j,…,X_m}一定比例c％作为测试样本对训练完成的诊断分类模型M进行测试，模型输出第j个状态类别(S表示样本数量)中第q个样本属于每一状态类别的概率为/>因此S个样本进行测试可得到基于第j个状态类别的概率大小集合/>箱型图方法是判断异常值的一种方法，将处于箱型图上下限范围内的数值称为正常值，超出箱型图上下限范围内的数值称为异常值，可根据箱型图方法计算得到判断待测数据属于各状态类别的概率置信度。将状态j的概率大小集合P_j中的数据从小到大进行排序，并将数据分为四等份，处于25％位置上的数值作为第一四分位数Q₁，处于75％位置上的数值作为第三四分位数Q₃，利用箱型图方法计算P_j的下限L＝Q₁-3×(Q₃-Q₁)，并将其下限L作为判断待测数据属于j状态类别的概率置信度T_j，同理，可得到其他状态类型的概率置信度，因此m种已知状态类别的概率置信度构成m维置信度矩阵T＝[T₁,T₂,…,T_j,...,T_m]，并将其作为诊断分类模型PC层。

利用诊断分类模型M对设备实时采集的待测数据进行诊断分类时，将模型SM层输出的概率与PC层的值进行比较，若模型输出其每个样本属于某一状态类别概率/>大于等于其对应状态类别j的概率置信度T_j，则该待测数据X_R为已知状态类别；若模型输出其每个样本属于某一状态类别概率/>小于其对应状态类别j的概率置信度T_j，则该待测数据X_R为未知状态类别，将以上这种关系描述为式(2)，其中Max(·)表示取最大值。

所述发明内容步骤(3)中当设备实时采集的待测数据X_R为未知状态类别时，若模型将该待测数据X_R诊断为未知状态类别，则模型诊断正确，将经过数据加噪后的未知状态类别数据X_R和步骤(1)中的m类状态数据组成训练样本，同时保持诊断分类模型M中C1、C2、P1、P2、L1各层结构参数不变，重新调整诊断分类模型L2层中的神经元个数使其与状态类别数目m+1相同，并训练CNN分类模型从而实现诊断分类模型M的自学习更新。

与现有的技术相比，上述技术方案具有以下优点：

1、本发明依据CNN输出每一类状态的概率判断待测数据是否为未知状态。

2、当出现未知状态时，诊断分类模型可利用状态数据进行自学习更新，从而实现自适应学习新状态。

附图说明

图1为本专利一种基于概率置信度卷积神经网络的机械设备诊断分类模型实施流程图。

图2为本专利一种基于概率置信度卷积神经网络的机械设备诊断分类模型结构图。

图3为本专利一种基于概率置信度卷积神经网络的机械设备诊断分类模型具体实施算例流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，下面结合说明书附图，以滚动轴承为具体实施对本专利一种基于概率置信度卷积神经网络的机械设备诊断分类模型的应用流程进行说明。轴承数据来自于美国凯斯西储大学(CWRU)滚动轴承数据中心，故障试验的试验对象为驱动端轴承，被诊断的轴承型号为深沟球轴承SKF6205，设置有滚动体损伤，外圈损伤与内圈损伤三种故障模式，故障尺寸为0.007英寸，采样频率为12kHz。

为了更好地说明本发明所提出的方法，本发明具体实施例采用0-3马力4种工况数据进行训练和测试，其中4种工况的滚动轴承正常状态(Normal)、轴承内圈故障(IRF)、外圈故障(ORF)全部数据的15％作为训练样本用于训练诊断分类模型，5％用于诊断分类模型概率置信度的计算，剩余的80％作为测试样本，4种工况的滚动体故障(BF)全部数据的15％作为诊断分类模型的更新，其余85％作为测试样本。表1是本实施例中试验数据的构成。

表1试验数据构成

本发明提出的一种基于概率置信度卷积神经网络的机械设备诊断分类模型具体实施算例流程如附图3所示，主要包括：

(1)将机械设备状态监测的已知状态类别数据作为训练样本训练基于CNN的诊断分类模型，并输出样本属于每一种状态类别的概率。

基于LeNet-5构建一个CNN作为三分类模型，其每层结构参数如表2所示，其中全连接层L2的神经元数目与分类数目相同。将滚动轴承正常状态、内圈故障、外圈故障三种状态类别数据X'＝{X_Normal,X_IRF,X_ORF}的15％作为训练样本输入基于CNN分类模型中进行训练并将其作为诊断分类模型M，根据发明内容步骤中的式(1)得到模型SM层输出每个样本分别属于正常状态、轴承内圈故障、轴承外圈故障的概率。

表2网络结构参数

(2)计算诊断分类模型各状态类别的概率置信度，利用机械设备实时运行数据对诊断分类模型进行测试，根据各状态类别的概率置信度判断该设备实时运行数据的状态类别。

将轴承故障试验台采集的三种状态类别数据X'＝{X_Normal,X_IRF,X_ORF}的5％作为测试样本，模型输出内圈故障(S表示样本数量)中第q个样本属于正常状态、内圈故障及外圈故障的概率/>S个样本输入诊断分类模型进行测试则得到基于轴承内圈故障概率大小的集合/>将轴承内圈故障概率大小集合P_IRF中的数据从小到大进行排序，并将数据分为四等份，处于25％位置上的数值作为第一四分位数Q₁，处于75％位置上的数值作为第三四分位数Q₃，利用箱型图方法计算P_IRF的下限L＝Q₁-3×(Q₃-Q₁)，并将P_IRF的下限L作为判断待测数据是否属于内圈故障的概率置信度T_IRF，同理，可分别得到轴承正常状态、外圈故障的概率置信度T_Normal、T_ORF，则三种状态类别的概率置信度构成置信度矩阵T＝[T_Normal,T_IRF,T_ORF]，并将其作为PC层的矩阵值。

为了验证诊断分类模型的分类效果，将轴承故障试验台采集的80％轴承内圈故障数据输入到训练好的诊断分类模型M中进行测试，将模型SM层输出的内圈故障概率/>和PC层内圈故障概率置信度T_IRF进行比较，若/>则模型将已知故障分类正确。同理，轴承正常状态、外圈故障诊断分类过程与轴承内圈故障诊断分类过程相同；将15％轴承滚动体故障数据/>输入到训练好的诊断分类模型M中进行测试，诊断分类模型SM层输出三种状态概率/>三种状态概率中最大值/>(以轴承外圈故障为例)和PC层对应状态类别的概率置信度T_ORF进行比较，若/>则说明模型将其分类为未知状态。将以上过程描述为公式(3)。该部分实验结果见表3的实验1所在列。

(3)出现未知状态类别时进行诊断分类模型的自学习更新。

若诊断分类模型识别出未知状态数据X_BF，则将未知故障状态数据X_BF经过加噪后加入训练样本X'＝{X_Normal,X_IRF,X_ORF,X_BF}，同时保持诊断分类模型M中C1、C2、P1、P2、L1各层结构参数不变，CNN分类模型中最后一层全连接层L2的神经元个数相应地增加到4从而变成四分类模型，重新训练诊断分类模型，从而实现诊断分类模型的自学习更新。模型更新后的实验结果见表3的试验2所在列。

表3试验结果

Claims (1)

1.一种基于概率置信度卷积神经网络的机械设备诊断分类方法，其特征在于：

(1)中基于LeNet-5网络结构构建一个基于CNN的分类模型；

包括输入层(IP)、两个卷积层(C1、C2)、两个池化层(P1、P2)、两个全连接层(L1、L2)、一个Softmax层(SM)和一个概率置信度层(PC)组成；该模型经过交替的卷积层和池化层进行特征提取，将提取的特征展成一维向量并输入到全连接层进行整合，然后经过SM层转换成每类状态的概率值，并与PC层的值进行比较，最终给出诊断结果；

将机械设备状态监测的m类已知状态数据X＝{X₁,X₂,X₃,…,X_j,…,X_m}部分作为训练样本训练基于CNN的m分类模型，并将其作为诊断分类模型M，模型SM层输出每个样本属于每一状态类别的概率描述如式(1)所示；

式(1)中，P_j表示第j个状态类别的概率值，e表示自然常数，w表示模型的全局参数，y^(a)表示模型全连接层L2输出节点所构成的向量，m表示状态类别数；

(2)中利用机械设备状态监测的m类已知状态数据X＝{X₁,X₂,X₃,…,X_j,…,X_m}部分作为测试样本对训练完成的诊断分类模型M进行测试，模型输出第j个状态类别中第q个样本属于每一状态类别的概率为/>因此S个样本进行测试可得到基于第j个状态类别的概率大小集合/>S表示样本数量；

将状态j的概率大小集合P_j中的数据从小到大进行排序，并将数据分为四等份，处于25％位置上的数值作为第一四分位数Q₁，处于75％位置上的数值作为第三四分位数Q₃，利用箱型图方法计算P_j的下限L＝Q₁-3×(Q₃-Q₁)，并将其下限L作为判断待测数据属于j状态类别的概率置信度T_j，同理，可得到其他状态类型的概率置信度，因此m种已知状态类别的概率置信度构成m维置信度矩阵T＝[T₁,T₂,…,T_j,...,T_m]，并将其作为诊断分类模型PC层；

利用诊断分类模型M对设备实时采集的待测数据S'表示待测数据数量，进行诊断分类时，将模型SM层输出的概率与PC层的值进行比较，若模型输出其每个样本属于某一状态类别概率/>大于等于其对应状态类别j的概率置信度T_j，则该待测数据X_R为已知状态类别；若模型输出其每个样本属于某一状态类别概率/>小于其对应状态类别j的概率置信度T_j，则该待测数据X_R为未知状态类别，将以上这种关系描述为式(2)，其中Max(·)表示取最大值；

(3)当设备实时采集的待测数据X_R为未知状态类别时，若模型将该待测数据X_R诊断为未知状态类别，则模型诊断正确，将经过数据加噪后的未知状态类别数据X_R和步骤(1)中的m类状态数据组成训练样本，同时保持诊断分类模型M中C1、C2、P1、P2、L1各层结构参数不变，重新调整诊断分类模型L2层中的神经元个数使其与状态类别数目m+1相同，并训练CNN分类模型从而实现诊断分类模型M的自学习更新。