CN112163630A - 一种基于不平衡学习的复合故障诊断方法及装置 - Google Patents

一种基于不平衡学习的复合故障诊断方法及装置 Download PDF

Info

Publication number
CN112163630A
CN112163630A CN202011086871.1A CN202011086871A CN112163630A CN 112163630 A CN112163630 A CN 112163630A CN 202011086871 A CN202011086871 A CN 202011086871A CN 112163630 A CN112163630 A CN 112163630A
Authority
CN
China
Prior art keywords
fault diagnosis
fault
learning
composite
classifier
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
CN202011086871.1A
Other languages
English (en)
Inventor
何潇
张竞菲
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.)
Tsinghua University
Original Assignee
Tsinghua University
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 Tsinghua University filed Critical Tsinghua University
Priority to CN202011086871.1A priority Critical patent/CN112163630A/zh
Publication of CN112163630A publication Critical patent/CN112163630A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06F18/214—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/041—Abduction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/257—Belief theory, e.g. Dempster-Shafer

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明提供一种基于不平衡学习的复合故障诊断方法及装置，其中，该方法包括如下步骤：通过对采样信号进行分组的高维特征提取形成至少两个证据源。对每个证据源分别构建基于不平衡学习的复合故障诊断分类器。将各复合故障诊断分类器给出的故障推断进行信息融合，得到对指定样本运行模式的推断结果。本发明涉及的方法及装置，能够仅基于受噪声影响的单一数据源所采集的数据实现旋转机械单一故障诊断和复合故障诊断，能够有效保证故障诊断的准确性，且算法简单，可保证故障诊断的实时性。在数据充足且平衡的理想条件下和类别分布不平衡、价值密度低等非理想数据条件下，均能够实现准确而实时的复合故障诊断。

Description

一种基于不平衡学习的复合故障诊断方法及装置
技术领域
本发明涉及旋转机械的智能故障诊断技术领域，具体涉及一种基于不平衡学习的复合故障诊断方法及装置。
背景技术
在现代工业中，旋转机械设备的组成和结构日益趋向复杂化，应用传感器数据对旋转机械进行有效的故障诊断对于保障工业生产的安全性、工作效率以及产品质量至关重要。蒸汽轮机、电动机、压缩机等设备均属于旋转机械，主要由电机、齿轮箱、轴承、轴杆等重要部件构成，并驱动负载。旋转机械一般工作在高温、高压及变负载的条件下，因此齿轮箱和轴承极易发生故障。一旦单一部件发生故障，其邻接部件受到摩擦、联动的影响，受磨损程度加剧，极易偏离正常运行模式，进而发生多部件耦合的复合故障。因此旋转机械的复合故障诊断问题亟需解决。
由于复合故障特征微弱，且单一故障之间难以解耦，目前旋转机械的复合故障诊断方法多基于较强的先验知识，或者要求具备充足且均衡的高质量采样数据来支持算法的实施。而在实际的复杂系统中，难以对研究对象充分建模，且采样数据的数据源单一，含有大量噪声干扰，各故障类别采样数目分布不平衡，数据价值密度低。在此情况下，现有方法将难以对旋转机械的复合故障进行准确的辨识。
发明内容
本发明要解决的技术问题是克服现有技术的不足，提供一种基于不平衡学习的复合故障诊断方法及装置，能够仅基于受噪声影响的单一数据源所采集的数据实现旋转机械单一故障诊断和复合故障诊断，能够有效保证故障诊断的准确性，且算法简单，可保证故障诊断的实时性。在数据充足且平衡的理想条件下和类别分布不平衡、价值密度低等非理想数据条件下，均能够实现准确而实时的复合故障诊断，因此特别适用于实际工业系统中。
为了解决上述技术问题，本发明提出的技术方案为：
一种基于不平衡学习的复合故障诊断方法，包括如下步骤：S01、通过对采样信号进行分组的高维特征提取形成至少两个证据源。S02、对每个证据源分别构建基于不平衡学习的复合故障诊断分类器。S03、将各复合故障诊断分类器给出的故障推断进行信息融合，得到对指定样本运行模式的推断结果。
根据本发明的基于不平衡学习的复合故障诊断方法，首先应用单一证据源数据实现多重复合故障特征提取，并通过建立超限学习神经网络故障分类器，对输出类别推断与输入特征数据进行敏感性分析，获得采样样本的重要度权重，用于故障分类器的优化，以解决数据不平衡所带来的误分类问题，最后基于证据理论获得最终复合故障类型推断。该智能算法复杂度低，计算速度快，能够应用受强噪声影响下的单一数据源的采样数据实现，在数据充足且平衡的理想条件下和类别分布不平衡、价值密度低等非理想数据条件下，均能够实现准确而实时的复合故障诊断，因此特别适用于实际工业系统中。
对于上述技术方案，还可进行如下所述的进一步的改进。
根据本发明的基于不平衡学习的复合故障诊断方法，在一个优选的实施方式中，步骤S02包括如下子步骤：S021、构建单隐层前馈形式的超限学习神经网络分类器。S022、获得基于不平衡学习的故障分类器输出值。
具体地，在一个优选的实施方式中，步骤S03包括如下子步骤：S031、计算每个证据源的复合故障诊断分类器输出值所对应的基本概率指派得到全部基本概率指派。S032、采用Dempster组合规则对所有证据源的基本概率指派进行融合，得到对该指定样本运行模式的推断结果。
具体地，在一个优选的实施方式中，步骤S01包括如下子步骤：
S011、采用经验模态分解法提取采样信号的时频域特征，将一维的采样信号用x(t)表示，将采样信号分解为
Figure BDA0002720669510000021
的形式，其中n表示分解得到的固有模态函数的数目，ci(t)表示第i个固有模态函数
Figure BDA0002720669510000022
为残余函数。S012、提取前τ(τ<n)个固有模态函数，对每个固有模态函数分别提取至少两种复合故障指标特征，其中包括无量纲指标和振动烈度指标。S013、将复合故障指标所对应的特征数据分为P个证据源，每个证据源记为Ep(p＝1,2,…,P)，其中包含的无量纲指标数目为Dp，从而得到每个证据源内的故障特征
Figure BDA0002720669510000031
其中N表示训练样本总数。
进一步地，在一个优选的实施方式中，在子步骤S012中，无量纲指标至少包括波形指标、脉冲指标、峰值指标、裕度指标和峭度指标。在子步骤S013中，1<P≤6，1≤DP<6,
Figure BDA0002720669510000032
进一步地，在一个优选的实施方式中，子步骤S021具体包括：
证据源内Ep(p＝1,2,…,P)的第n(1≤n≤Nj)训练样本为x(n)＝[xn1,xn2,…,xnk,…xnK],其中Nj表示第j(1≤j≤J)个故障类别所包含的样本数目,且K＝τDp；
其中σl(l＝1,2,…,L)代表隐层神经元，w和β分别表示输入层到隐层间的连接权重和隐层到输出层间的连接权重；
μj(j＝1,2,…,J)代表输出层神经元，其输出为
Figure BDA0002720669510000033
第j个类别的神经元输出对输入样本特征x(n)的敏感性SAj计算方法如下：
Figure BDA0002720669510000034
Figure BDA0002720669510000035
式中g′(·)表示激活函数g(·)对样本xnk的偏导数，
Figure BDA0002720669510000036
为基于超限学习计算得到的当前隐层到输出层权重，将SAj内各元素归一化到(0,1)后得到样本权重矩阵Λ；
优化求解的训练目标为：
Figure BDA0002720669510000037
Subject to:ξ＝Λ(T-Hβ)
式中T代表训练样本所对应的故障类别标签，C代表折扣因子；
求解后得到的基于不平衡学习的故障分类器输出值f(x)为：
Figure BDA0002720669510000038
其中h(x)＝g(wx+b)，表示当前隐层神经元的输出，H为在所有训练样本下的隐层输出，T为训练样本标签。
具体地，在一个优选的实施方式中，折扣因子C取0.8。
具体地，在一个优选的实施方式中，激活函数g(·)采用sigmoid函数：
Figure BDA0002720669510000041
进一步地，在一个优选的实施方式中，子步骤S031具体包括：
将每组输出数据按降序排列为zn＝[z1,z2,…,zJ]，将第j个类别记为Cj，则zn内各元素所对应的故障类别推断及其隶属度计算如下：
Figure BDA0002720669510000042
若zi＝zi+1＝…＝zq(i＝1,2,…,J；q＝1,2,…,J)，
Figure BDA0002720669510000043
对上式隶属度进行归一化计算得到对应该证据源的基本概率指派，同理对每个证据源故障分类器的输出进行计算，得到全部基本概率指派。
根据本发明第二方面实施例的基于不平衡学习的复合故障诊断装置，包括采集模块，用于对采样信号进行分组的高维特征提取形成证据源。复合故障诊断分类器，用于对每个证据源进行故障推断。融合模块，用于将各复合故障诊断分类器给出的故障推断进行信息融合，得到对指定样本运行模式的推断结果。
相比现有技术，本发明的优点在于：能够仅基于受噪声影响的单一数据源所采集的数据实现旋转机械单一故障诊断和复合故障诊断，能够有效保证故障诊断的准确性，且算法简单，可保证故障诊断的实时性。在数据充足且平衡的理想条件下和类别分布不平衡、价值密度低等非理想数据条件下，均能够实现准确而实时的复合故障诊断。
附图说明
在下文中将基于实施例并参考附图来对本发明进行更详细的描述。其中：
图1示意性显示了本发明实施例的诊断方法的流程；
图2示意性显示了本发明实施例的不平衡学习分类器的结构；
图3示意性显示了采用本发明实施例的复合故障诊断方法在第(1)组测试中的复合故障诊断结果；其中，图3a为故障检测准确率，图3b为故障分类准确率。
在附图中，相同的部件使用相同的附图标记。附图并未按照实际的比例绘制。
具体实施方式
下面将结合附图和具体实施例对本发明作进一步详细说明，但并不因此而限制本发明的保护范围。
图1示意性显示了本发明实施例的诊断方法的流程。图2示意性显示了本发明实施例的不平衡学习分类器的结构。图3示意性显示了采用本发明实施例的复合故障诊断方法在第(1)组测试中的复合故障诊断结果；其中，图3a为故障检测准确率，图3b为故障分类准确率。
实施例1
本发明实施例的基于不平衡学习的复合故障诊断方法，采样的振动信号通过经验模态分解和无量纲指标变换方法提取复合故障特征，构成多个证据源。复合故障诊断分类器基于超限学习和不平衡学习方法构建，在衡量各输入样本权重的基础上，以基本概率指派的形式获得各证据源对故障类别的推断，多个证据源的推断结果通过证据理论进行融合，最终实现单一故障和复合故障的诊断。如图1所示，采用本发明的基于不平衡学习的复合故障诊断方法，具体按照以下步骤实施:
S01、通过对采样信号进行分组的高维特征提取形成多个证据源
将一维的采样信号用x(t)表示，首先采用经验模态分解法提取信号的时频域特征，将采样信号分解为
Figure BDA0002720669510000051
的形式，其中n表示分解得到的固有模态函数的数目，ci(t)表示第i个固有模态函数(i＝1,2,…,n),rn(t)为残余函数，代表信号的平均趋势。
然后取前τ(τ<n)个固有模态函数，对每个固有模态函数分别提取6种复合故障指标特征，其中包括5个无量纲指标：波形指标、脉冲指标、峰值指标、裕度指标、峭度指标，和1个振动烈度指标。
最后将6种复合故障指标所对应的特征数据分为P(1<P≤6)个证据源，每个证据源记为Ep(p＝1,2,…,P)，其中包含的无量纲指标数目为Dp(1≤DP<6,
Figure BDA0002720669510000052
经上述步骤可得到每个证据源内的故障特征
Figure BDA0002720669510000053
其中N表示训练样本总数。
容易理解地，在一些未示出的实施例中，所提取的复合故障指标包括但不限于上述6种，可采用其他指标形式进行特征提取，同理形成多个证据源。
S02、对每个证据源分别构建基于不平衡学习的复合故障诊断分类器
对每个证据源建立基于不平衡学习的复合故障诊断分类器遵循相同的原理与算法，因此以证据源Ep(p＝1,2,…,P)为例。证据内的第n(1≤n≤Nj)训练样本为x(n)＝[xn1,xn2,…,xnk,…xnK],其中Nj表示第j(1≤j≤J)个故障类别所包含的样本数目,且K＝τDp。
首先构建如图2所示的超限学习神经网络分类器，该网络为单隐层前馈形式。其中σl(l＝1,2,…,L)代表隐层神经元；w和β分别表示输入层到隐层间的连接权重和隐层到输出层间的连接权重。μj(j＝1,2,…,J)代表输出层神经元，其输出为
Figure BDA0002720669510000066
第j个类别的神经元输出对输入样本特征x(n)的敏感性SAj计算方法如下：
Figure BDA0002720669510000061
Figure BDA0002720669510000062
式中g′(·)表示激活函数g(·)对样本xnk的偏导数，激活函数g(·)一般采用sigmoid函数作为优选；
Figure BDA0002720669510000063
为基于超限学习计算得到的当前隐层到输出层权重。将SAj内各元素归一化到(0,1)后得到样本权重矩阵Λ。
需要优化求解的训练目标为如下：
Figure BDA0002720669510000064
Subject to:ξ＝Λ(T-Hβ)
式中T代表训练样本所对应的故障类别标签；C代表折扣因子，取0.8作为优选。求解后可得到基于不平衡学习的故障分类器输出值f(x)为：
Figure BDA0002720669510000065
其中h(x)＝g(wx+b)，表示当前隐层神经元的输出；H为在所有训练样本下的隐层输出，T为训练样本标签。
最后同理可计算得到每个证据源所对应故障分类器的输出，作为对旋转机械故障类型的推断。
S03、将各故障分类器给出的故障推断进行信息融合
首先计算每个证据源的分类器输出所对应的基本概率指派。将每组输出数据按降序排列为zn＝[z1,z2,…,zJ]，将第j个类别记为Cj，则zn内各元素所对应的故障类别推断及其隶属度计算如下。特别地，若zi＝zi+1＝…＝zq(i＝1,2,…,J；q＝1,2,…,J)，则有
Figure BDA0002720669510000071
Figure BDA0002720669510000072
然后对上式隶属度进行归一化计算得到对应该证据源的基本概率指派，同理对每个证据源故障分类器的输出进行计算，得到全部基本概率指派。
最后采用Dempster组合规则对所有证据源的基本概率指派进行融合，得到对该指定样本运行模式的推断结果。
为了验证本发明实施例的基于不平衡学习的复合故障诊断方法在旋转机械故障诊断上的准确性和实时性，以离心多级叶轮鼓风机为例，通过旋转机械实验平台模拟了其正常运行状态和5种故障状态：F0(正常)、F1(左边轴承外圈磨损复合大齿轮缺齿)、F2(左边轴承内圈磨损复合大齿轮缺齿)、F3(左边轴承缺滚珠复合大齿轮缺齿)、F4(大齿轮缺齿复合小齿轮缺齿)、F5(仅大齿轮缺齿)。加速度传感器垂直安装于齿轮箱，用以采集一维振动信号，采样频率为分钟采集8192个采样点。
应用上述实验条件下获得的数据，对所提出的基于不平衡学习复合诊断方法的有效性进行了验证，验证平台为MATLAB。实验中构建了两个证据源，E1由固有模态函数的波形指标、脉冲指标和烈度指标构成数据特征；E2则对应裕度指标、峰值指标和峭度指标。
进行了如下三组测试：
(1)不同参数τ取值下的复合故障诊断结果
实验设置：在特征提取阶段，固有模态函数的数量τ直接影响分类器输入特征的维数，在本实验中τ的取值在[1,12]范围内变化。故障诊断的标签空间定义为{F0,F1,F2,F5}。故障检测准确率如图3a所示，故障分类准确率如图3b所示。当固有模态函数的数目从3增大到6时，高维特征所增加的分类信息有限，但在该范围内均能够保证较高的故障分类准确度。
(2)不平衡数据下的故障诊断结果
实验设置：特征提取阶段的固有模态数量τ＝6，分类器训练过程中隐层神经元数目的取值范围为[50,1500]。数据的不平衡率用每类训练样本容量的比例表示，表1为标签空间{F0,F2}下的故障检测结果，数据显示，当故障样本数目显著减小时，该分类算法仍能够以高准确率检测出复合故障的发生。在不同的数据不平衡率下，表2记录了标签空间扩大为{F0,F1,F2}时的复合故障分类准确率，结果显示在某一类故障数据容量下降至25％的情况下，该分类算法仍能够以高准确率对复合故障类型进行分类。
表1：
Figure BDA0002720669510000081
表2：
Figure BDA0002720669510000082
(3)与其他智能算法的分类准确率和计算时间进行对比
实验设置：特征提取阶段的固有模态数量τ＝4，标签空间为{F0,F1,F2,F3}，在相同实验条件下对比了单隐层前馈神经网络(BPNN)、K近邻(KNN)、支持向量机(SVM)、长短记忆神经网络(LSTM)以及超限学习(ELM)算法对复合故障分类的准确性和计算速度，实验结果如表3所示。从实验结果可以看出，该分类算法具有最快的计算速度，尤其优于深度学习算法(LSTM)，且该算法对复合故障的分类准确率在浅层分类器中准确率最高。
表3：
Figure BDA0002720669510000083
Figure BDA0002720669510000091
实施例2
根据本发明实施例的基于不平衡学习的复合故障诊断装置，包括采集模块，用于对采样信号进行分组的高维特征提取形成证据源。复合故障诊断分类器，用于对每个证据源进行故障推断。融合模块，用于将各复合故障诊断分类器给出的故障推断进行信息融合，得到对指定样本运行模式的推断结果。
根据上述实施例，可见，本发明涉及的基于不平衡学习的复合故障诊断方法及装置，能够仅基于受噪声影响的单一数据源所采集的数据实现旋转机械单一故障诊断和复合故障诊断，能够有效保证故障诊断的准确性，且算法简单，可保证故障诊断的实时性。在数据充足且平衡的理想条件下和类别分布不平衡、价值密度低等非理想数据条件下，均能够实现准确而实时的复合故障诊断。
虽然已经参考优选实施例对本发明进行了描述，但在不脱离本发明的范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是，只要不存在结构冲突，各个实施例中所提到的各项技术特征均可以任意方式组合起来。本发明并不局限于文中公开的特定实施例，而是包括落入权利要求的范围内的所有技术方案。

Claims (10)

1.一种基于不平衡学习的复合故障诊断方法，其特征在于，包括如下步骤：
S01、通过对采样信号进行分组的高维特征提取形成至少两个证据源；
S02、对每个证据源分别构建基于不平衡学习的复合故障诊断分类器；
S03、将各复合故障诊断分类器给出的故障推断进行信息融合，得到对指定样本运行模式的推断结果。
2.根据权利要求1所述的基于不平衡学习的复合故障诊断方法，其特征在于，所述步骤S02包括如下子步骤：
S021、构建单隐层前馈形式的超限学习神经网络分类器；
S022、获得基于不平衡学习的故障分类器输出值。
3.根据权利要求2所述的基于不平衡学习的复合故障诊断方法，其特征在于，所述步骤S03包括如下子步骤：
S031、计算每个证据源的复合故障诊断分类器输出值所对应的基本概率指派得到全部基本概率指派；
S032、采用Dempster组合规则对所有证据源的基本概率指派进行融合，得到对该指定样本运行模式的推断结果。
4.根据权利要求2或3所述的基于不平衡学习的复合故障诊断方法，其特征在于，所述步骤S01包括如下子步骤：
S011、采用经验模态分解法提取采样信号的时频域特征，将一维的采样信号用x(t)表示，将采样信号分解为
Figure FDA0002720669500000011
的形式，其中n表示分解得到的固有模态函数的数目，ci(t)表示第i个固有模态函数(i＝1,2,…,n),rn(t)为残余函数；
S012、提取前τ(τ<n)个固有模态函数，对每个固有模态函数分别提取至少两种复合故障指标特征，其中包括无量纲指标和振动烈度指标；
S013、将复合故障指标所对应的特征数据分为P个证据源，每个证据源记为Ep(p＝1,2,…,P)，其中包含的无量纲指标数目为Dp，从而得到每个证据源内的故障特征
Figure FDA0002720669500000012
其中N表示训练样本总数。
5.根据权利要求4所述的基于不平衡学习的复合故障诊断方法，其特征在于，
在所述子步骤S012中，无量纲指标至少包括波形指标、脉冲指标、峰值指标、裕度指标和峭度指标；
在所述子步骤S013中，1<P≤6，1≤DP<6,
Figure FDA0002720669500000021
6.根据权利要求4所述的基于不平衡学习的复合故障诊断方法，其特征在于，所述子步骤S021具体包括：
证据源内Ep(p＝1,2,…,P)的第n(1≤n≤Nj)训练样本为x(n)＝[xn1,xn2,…,xnk,…xnK],其中Nj表示第j(1≤j≤J)个故障类别所包含的样本数目,且K＝τDp；
其中σl(l＝1,2,…,L)代表隐层神经元，w和β分别表示输入层到隐层间的连接权重和隐层到输出层间的连接权重；
μj(j＝1,2,…,J)代表输出层神经元，其输出为
Figure FDA0002720669500000022
第j个类别的神经元输出对输入样本特征x(n)的敏感性SAj计算方法如下：
Figure FDA0002720669500000023
Figure FDA0002720669500000024
式中g′(·)表示激活函数g(·)对样本xnk的偏导数，
Figure FDA0002720669500000025
为基于超限学习计算得到的当前隐层到输出层权重，将SAj内各元素归一化到(0,1)后得到样本权重矩阵Λ；
优化求解的训练目标为：
Minimize:
Figure FDA0002720669500000026
Subject to:ξ＝Λ(T-Hβ)
式中T代表训练样本所对应的故障类别标签，C代表折扣因子；
求解后得到的基于不平衡学习的故障分类器输出值f(x)为：
Figure FDA0002720669500000027
其中h(x)＝g(wx+b)，表示当前隐层神经元的输出，H为在所有训练样本下的隐层输出，T为训练样本标签。
7.根据权利要求6所述的基于不平衡学习的复合故障诊断方法，其特征在于，所述折扣因子C取0.8。
8.根据权利要求6所述的基于不平衡学习的复合故障诊断方法，其特征在于，所述激活函数g(·)采用sigmoid函数
Figure FDA0002720669500000031
9.根据权利要求6所述的基于不平衡学习的复合故障诊断方法，其特征在于，所述子步骤S031具体包括：
将每组输出数据按降序排列为zn＝[z1,z2,…,zJ]，将第j个类别记为Cj，则zn内各元素所对应的故障类别推断及其隶属度计算如下：
Figure FDA0002720669500000032
若zi＝zi+1＝…＝zq(i＝1,2,…,J；q＝1,2,…,J)，
Figure FDA0002720669500000033
对上式隶属度进行归一化计算得到对应该证据源的基本概率指派；
同理对每个证据源故障分类器的输出进行计算，得到全部基本概率指派。
10.一种基于不平衡学习的复合故障诊断装置，其特征在于，包括
采集模块，用于对采样信号进行分组的高维特征提取形成证据源；
复合故障诊断分类器，用于对每个证据源进行故障推断；
融合模块，用于将各复合故障诊断分类器给出的故障推断进行信息融合，得到对指定样本运行模式的推断结果。
CN202011086871.1A 2020-10-12 2020-10-12 一种基于不平衡学习的复合故障诊断方法及装置 Pending CN112163630A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011086871.1A CN112163630A (zh) 2020-10-12 2020-10-12 一种基于不平衡学习的复合故障诊断方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011086871.1A CN112163630A (zh) 2020-10-12 2020-10-12 一种基于不平衡学习的复合故障诊断方法及装置

Publications (1)

Publication Number Publication Date
CN112163630A true CN112163630A (zh) 2021-01-01

Family

ID=73868190

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011086871.1A Pending CN112163630A (zh) 2020-10-12 2020-10-12 一种基于不平衡学习的复合故障诊断方法及装置

Country Status (1)

Country Link
CN (1) CN112163630A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114757309A (zh) * 2022-06-16 2022-07-15 青岛理工大学 多物理场监测数据协同融合的工程灾害预警方法及系统
CN115096595A (zh) * 2022-06-30 2022-09-23 中国航空发动机研究院 特征自学习方法、特征自学习系统及发动机故障诊断方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106813921A (zh) * 2016-12-24 2017-06-09 广东石油化工学院 一种旋转机械复合故障诊断方法
CN108509922A (zh) * 2018-03-30 2018-09-07 湖南科技大学 一种旋转机械故障诊断方法及系统
CN109635677A (zh) * 2018-11-23 2019-04-16 华南理工大学 基于多标签分类卷积神经网络的复合故障诊断方法及装置
CN109655259A (zh) * 2018-11-23 2019-04-19 华南理工大学 基于深度解耦卷积神经网络的复合故障诊断方法及装置
US20200209109A1 (en) * 2018-12-28 2020-07-02 Shanghai United Imaging Intelligence Co., Ltd. Systems and methods for fault diagnosis
US20200285900A1 (en) * 2019-03-06 2020-09-10 Wuhan University Power electronic circuit fault diagnosis method based on optimizing deep belief network

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106813921A (zh) * 2016-12-24 2017-06-09 广东石油化工学院 一种旋转机械复合故障诊断方法
CN108509922A (zh) * 2018-03-30 2018-09-07 湖南科技大学 一种旋转机械故障诊断方法及系统
CN109635677A (zh) * 2018-11-23 2019-04-16 华南理工大学 基于多标签分类卷积神经网络的复合故障诊断方法及装置
CN109655259A (zh) * 2018-11-23 2019-04-19 华南理工大学 基于深度解耦卷积神经网络的复合故障诊断方法及装置
US20200209109A1 (en) * 2018-12-28 2020-07-02 Shanghai United Imaging Intelligence Co., Ltd. Systems and methods for fault diagnosis
US20200285900A1 (en) * 2019-03-06 2020-09-10 Wuhan University Power electronic circuit fault diagnosis method based on optimizing deep belief network

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JINGFEI ZHANG等: "Compound-Fault Diagnosis of Rotating Machinery： A Fused Imbalance Learning Method", 《IEEE TRANSACTIONS ON CONTROL SYSTEMS TECHOLOGY》, vol. 29, no. 4, 27 August 2020 (2020-08-27), pages 1462 - 1474, XP011860152, DOI: 10.1109/TCST.2020.3015514 *
张竞菲等: "基于超限学习方法的故障诊断技术", 《2017中国自动化大会（CAC 2017）》, 31 December 2017 (2017-12-31), pages 679 - 684 *
覃爱淞等: "基于证据推理的旋转机械故障诊断模型", 《机床与液压》, vol. 42, no. 21, 15 November 2014 (2014-11-15), pages 188 - 191 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114757309A (zh) * 2022-06-16 2022-07-15 青岛理工大学 多物理场监测数据协同融合的工程灾害预警方法及系统
CN115096595A (zh) * 2022-06-30 2022-09-23 中国航空发动机研究院 特征自学习方法、特征自学习系统及发动机故障诊断方法

Similar Documents

Publication Publication Date Title
CN109186973B (zh) 一种无监督深度学习网络的机械故障诊断方法
CN108444708B (zh) 基于卷积神经网络的滚动轴承智能诊断模型的建立方法
CN109555566B (zh) 一种基于lstm的汽轮机转子故障诊断方法
CN110375987B (zh) 一种基于深度森林机械轴承故障检测方法
CN110110768B (zh) 基于并行特征学习和多分类器的滚动轴承故障诊断方法
CN107657250B (zh) 轴承故障检测及定位方法及检测定位模型实现系统和方法
CN109213121B (zh) 一种风机制动系统卡缸故障诊断方法
CN111914883B (zh) 一种基于深度融合网络的主轴轴承状态评估方法及装置
CN112257530B (zh) 基于盲信号分离和支持向量机的滚动轴承故障诊断方法
CN111523081B (zh) 一种基于增强门控循环神经网络的航空发动机故障诊断方法
CN111753891B (zh) 一种无监督特征学习的滚动轴承故障诊断方法
Di et al. Ensemble deep transfer learning driven by multisensor signals for the fault diagnosis of bevel-gear cross-operation conditions
CN112163630A (zh) 一种基于不平衡学习的复合故障诊断方法及装置
CN115409131B (zh) 基于spc过程管控系统的生产线异常检测方法
CN111931601A (zh) 齿轮箱错误类别标签修正系统及方法
CN113188794A (zh) 一种基于改进pso-bp神经网络齿轮箱故障诊断方法及装置
CN114565006A (zh) 一种基于深度学习的风力发电机叶片损伤检测方法及系统
CN114112398A (zh) 一种变速工况下滚动轴承故障诊断方法
CN115587290A (zh) 基于变分自编码生成对抗网络的航空发动机故障诊断方法
CN115859077A (zh) 一种变工况下多特征融合的电机小样本故障诊断方法
CN114118138A (zh) 一种基于多标签领域自适应模型的轴承复合故障诊断方法
CN115290326A (zh) 一种滚动轴承故障智能诊断方法
CN113858566A (zh) 一种基于机器学习的注塑机能耗预测方法及系统
CN111783941B (zh) 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
CN111539381B (zh) 风力发电机轴承故障分类诊断模型的构建方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210101