CN112834194B - 一种无故障样本下基于软目标度量的故障智能检测方法 - Google Patents

Abstract

本发明公开了一种无故障样本下基于软目标度量的故障智能检测方法，使用多个加速度传感器与压力传感器采集机械设备运行状态下的原始信号，以固定长度截取时间序列得到数据样本集，并对各样本进行预处理；将获取的数据样本分类标签化，划分样本数据为训练集和测试集；然后构建基于多源卷积神经网络的异常检测模型，对各源数据自适应地分配权值以得到最优化输出结果。然后，使用高斯噪声作为辅助数据参与训练，并构建机械设备样本的软目标，约束正常样本输出的上限。最后，构建基于度量学习的样本原型，以其上限作为阈值实现机械设备异常智能检测。本发明可降低大量多运行状态下的数据需求，有利于推进异常智能检测方法在故障诊断领域的应用。

Description

一种无故障样本下基于软目标度量的故障智能检测方法

技术领域

本发明涉及机械设备故障诊断技术领域，特别涉及一种无故障样本下基于软目标度量的故障智能检测方法。

背景技术

基于深度学习的机械设备故障智能诊断方法是安全运维领域研究的重点之一。一些大型关键机械设备作为多过程强耦合的复杂非线性系统，不仅关键部件多，而且工作环境极端，工况变化剧烈，这导致了监测数据的多源性、强非线性和非平稳性。并且其发生故障情况较少，导致收集到的数据多为正常运行状态数据，即使收集到少量故障数据，仍难以代表系统实际运行中可能发生的模式复杂且多样的故障，给运用智能诊断方法判断故障类型带来很大困难。针对该问题，开展无故障样本下机械设备故障智能检测研究具有重要的工程应用价值。

发明内容

本发明的目的在于提供一种无故障样本下基于软目标度量的故障智能检测方法，以克服现有技术的缺陷，本发明仅利用正常运行状态下采集的数据，在无故障数据样本条件下，构建基于多源卷积神经网络的机械设备异常智能检测模型，通过构建机械设备样本的软目标，以及基于度量学习的样本原型，确定正常样本输出阈值，实现机械设备异常智能检测，可降低大量多运行状态下的数据需求，有利于推进异常智能检测方法在故障诊断领域的应用。

为达到上述目的，本发明采用如下技术方案：

一种无故障样本下基于软目标度量的故障智能检测方法，包括以下步骤：

步骤1：使用多个加速度传感器以及压力传感器采集机械设备运行状态下的原始信号数据，经预处理后，以固定长度截取原始信号中稳定运行阶段的数据得到多个序列样本，所有序列样本构成数据样本集；

步骤2：将获取的数据样本集分类标签化，划分数据样本集为训练集和测试集；其中，训练集的序列样本为部分正常运行状态下的样本，测试集的序列样本包括其他正常运行状态样本与全部故障状态下的样本；

步骤3：构建由特征提取模块与状态识别模块组成的基于软目标度量学习的异常检测模型；

步骤4：构建由高斯噪声样本组成的辅助集，使用步骤2中的训练集以及辅助集对步骤3构建的模型中的参数进行更新训练，使模型能够识别正常运行状态样本，同时得到正常状态运行样本的上阈值；

步骤5：使用步骤4中训练的模型以及得到的上阈值对步骤2中的测试集样本的状态进行识别；同时，采用判别置信度来评估设备的运行状态。

进一步地，步骤1中所述的预处理使用EMD分解与重构，达到去除零漂的目的；

EMD分解过程将数据样本集中的样本x(t)分解为5个本征模函数以及一个低频趋势项，计算式为：

其中，c_n(t)为第n个本征模函数；r(t)为低频趋势项；

EMD重构过程将5个本征模函数叠加，得到去除了零点漂移的重构样本，计算式为：

其中，x′(t)为重构得到的样本。

进一步地，步骤3所述的特征提取模块由一维卷积神经网络构建，包括四个卷积层-池化层结构，具体地，卷积核的大小随层数加深而减小，四个卷积层使用的卷积核尺寸分别为9、7、5、3，步长均为1，且采用边缘补零措施使得输入与输出的尺寸相等，通道数分别为19、32、32、64；池化层均采用最大池化方式，尺寸分别为4、4、4、2，步长分别为4、4、4、2。

进一步地，步骤3所述的状态识别模块由三层全连接层组成，其输入为特征提取模块输出结果的平铺展开。

进一步地，步骤4中参数更新训练过程对高斯噪声、正常样本和故障样本的输出作如下假设：高斯噪声的输出趋近于0，异常样本的输出趋近于1，正常样本的输出位于两者之间。

进一步地，步骤4中参数更新训练过程的优化目标由两个部分组成：最小化蒸馏损失与最小化原型损失，所述最小化蒸馏损失的目标在于约束正常样本输出的上限，所述最小化原型损失的目标在于收束正常样本输出的范围。

进一步地，所述的最小化蒸馏损失，首先基于蒸馏学习构建样本输出的软目标：

z(t)＝{z₁,z₂,...,z_n}＝Φ(x′(t))

q＝{q₁,q₂,...,q_n}

式中，z(t)＝{z₁,z₂,...,z_n}为模型的输出；z_i、z_j分别为z(t)中的第i、j个输出；T为蒸馏温度；Φ(·)为所搭建模型的映射；q＝{q₁,q₂,...,q_n}为所构建的软目标；最小化蒸馏损失的表达式为：

min y log q

式中，y代表样本的真实标签。

进一步地，所述的最小化原型损失，首先基于度量学习构建正常样本软目标的原型，因辅助集数据仅用于辅助训练，不代表具体类别的数据，故不计算其原型：

式中，z^pro为正常样本软目标的原型；m为正常样本数目，zⁱ(t)为第i个样本的软目标，以此原型计算原型损失，优化目标为：

min dist(z(t),z^pro)

式中，dist(·)为欧氏距离，z(t)为正常样本软目标；

然后，根据计算所得的原型以及训练集正常样本软目标输出，计算标准差：

根据计算所得的原型与标准差，筛选范围[z^pro-σ,z^pro+σ]内的样本，并重新计算范围内样本的原型与方差，以得到更稳定、更具代表性的原型与标准差；调整并迭代三次后，计算z^pro+σ作为最终正常样本的上阈值。

进一步地，步骤5中识别阶段将z^pro+σ作为最终正常样本的上阈值，比较样本输出与阈值进行状态判别：

式中，z^test(t)为测试机样本的输出，pre为预测结果，Normal代表正常，Fault代表故障。

进一步地，步骤5中识别阶段计算判别置信度来评估设备的运行状态：

其中，DoC为某测试机组的判别置信度，n_all为某机组所包含的全部待测试样本数目，n_Normal为运行状态被判别为Normal的样本数目。

与现有技术相比，本发明具有以下有益的技术效果：

1)本发明使用多源卷积神经网络对机械设备多源信号进行特征提取，可直接实现多源数据自适应融合，具有更强自适应特征提取能力和非线性表征能力，多源卷积神经网络通过多层重构表达得到低维特征输出，并对各源数据自适应地分配权值以得到最优化输出结果。

2)本方法在无故障样本下，可有效识别设备运行中可能出现的复杂多样的故障。本方法基于“高斯噪声-正常信号-异常信号”的分布差异假设，使用高斯噪声作为辅助数据参与训练，同时，基于蒸馏学习方法构建正常样本输出结果的软目标，约束正常样本输出的上限，为异常样本的识别提供模型基础。

3)本方法提出基于度量学习的样本原型构建方法，通过计算训练集样本原型及其上限，以其上限作为阈值进行异常检测。同时，对包含多条样本的整机进行异常检测时，对其所有样本进行检测和统计，将各样本正确判别比例作为置信度以反映故障判别的有效性，将全部样本平均运行状态作为异常检测结果以反映设备运行状态，从而对设备状态做出多维度、可解释的识别结果。

附图说明

图1为本发明方法的流程图；

图2为本发明检测模型的结构示意图；

图3为本发明方法应用于实施例的检测结果图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明，以便本领域的技术人员更好地理解本发明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。为了便于描述，附图中仅示出了与有关发明相关的部分。还需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。

一种无故障样本下基于软目标度量的故障智能检测方法，如图1所示，包括以下步骤：

步骤1：使用多个加速度传感器以及压力传感器采集机械设备运行状态下的原始信号数据，经预处理后，以固定长度截取原始信号中稳定运行阶段的数据得到多个序列样本，所有序列样本构成数据样本集；

所述的预处理使用EMD分解与重构，达到去除零漂的目的。

EMD分解过程将数据样本集中的样本x(t)分解为5个本征模函数以及一个低频趋势项，计算式为：

其中，c_n(t)为第n个本征模函数；r(t)为低频趋势项；

EMD重构过程将5个本征模函数叠加，得到去除了零点漂移的重构样本，计算式为：

其中，x′(t)为重构得到的样本。

步骤2：将获取的数据样本集分类标签化，划分数据样本集为训练集和测试集；其中，训练集的序列样本为部分正常运行状态下的样本，测试集的序列样本包括其他正常运行状态样本与全部故障状态下的样本；

步骤3：构建由特征提取模块与状态识别模块组成的基于软目标度量学习的异常检测模型，如图2所示；

所述的特征提取模块由一维卷积神经网络构建，包括四个卷积层-池化层结构，具体地，卷积核的大小随层数加深而减小，四个卷积层使用的卷积核尺寸分别为9、7、5、3，步长均为1，且采用边缘补零措施使得输入与输出的尺寸相等，通道数分别为19、32、32、64；池化层均采用最大池化方式，尺寸分别为4、4、4、2，步长分别为4、4、4、2。

所述的状态识别模块由三层全连接层组成，其输入为特征提取模块输出结果的平铺展开。

步骤4：构建由高斯噪声样本组成的辅助集，使用步骤2中的训练集以及辅助集对步骤3训练的模型中的参数进行更新训练，使模型能够识别正常运行状态样本，同时得到正常状态运行样本的上阈值；

所述的参数更新训练过程对高斯噪声、正常样本和故障样本的输出作如下假设：高斯噪声的输出趋近于0，异常样本的输出趋近于1，正常样本的输出位于两者之间。

参数更新训练过程的优化目标由两个部分组成：最小化蒸馏损失与最小化原型损失，所述最小化蒸馏损失的目标在于约束正常样本输出的上限，所述最小化原型损失的目标在于收束正常样本输出的范围。

所述的最小化蒸馏损失，首先基于蒸馏学习构建样本输出的软目标：

z(t)＝{z₁,z₂,...,z_n}＝Φ(x′(t))

q＝{q₁,q₂,...,q_n}

式中，z(t)＝{z₁,z₂,...,z_n}为模型的输出；z_i、z_j分别为z(t)中的第i、j个输出；T为蒸馏温度；Φ(·)为所搭建模型的映射；q＝{q₁,q₂,...,q_n}为所构建的软目标；最小化蒸馏损失的表达式为：

min y log q

式中，y代表样本的真实标签。

所述的最小化原型损失，首先基于度量学习构建正常样本软目标的原型，因辅助集数据仅用于辅助训练，不代表具体类别的数据，故不计算其原型：

式中，z^pro为正常样本软目标的原型；m为正常样本数目，zⁱ(t)为第i个样本的软目标，以此原型计算原型损失，优化目标为：

min dist(z(t),z^pro)

式中，dist(·)为欧氏距离，z(t)为正常样本软目标；

然后，根据计算所得的原型以及训练集正常样本软目标输出，计算标准差：

根据计算所得的原型与标准差，筛选范围[z^pro-σ,z^pro+σ]内的样本，并重新计算范围内样本的原型与方差，以得到更稳定、更具代表性的原型与标准差；调整并迭代三次后，计算z^pro+σ作为最终正常样本的上阈值。

步骤5：使用步骤4中训练的模型以及得到的上阈值对步骤2中的测试集样本的状态进行识别。同时，采用判别置信度来评估设备的运行状态。

识别阶段将z^pro+σ作为最终正常样本的上阈值，比较样本输出与阈值进行状态判别：

式中，z^test(t)为测试机样本的输出，pre为预测结果，Normal代表正常，Fault代表故障。

在识别阶段计算判别置信度来评估设备的运行状态：

其中，DoC为某测试机组的判别置信度，n_all为某机组所包含的全部待测试样本数目，n_Normal为运行状态被判别为Normal的样本数目。

下面结合具体实施例对本发明做进一步详细描述：

为了更好地说明本发明的技术效果，采用一个具体实施例对本发明进行试验验证。本实验采用在机械设备不同位置采集多源振动与压力数据作为数据集，共3500条样本，其中包括2250条正常运行状态样本，以及1250条故障状态样本。对3500条时间序列进行预处理，随机选取1000个正常样本作为训练集，其余2500个样本作为测试集。应用本发明所提出的检测方法，最终在测试集上的检测准确率可达97.09％，对各个机组的整体诊断正确率为100％，结果如图3所示。测试结果充分表明了所提出的基于软目标度量的机械设备故障智能检测方法的有效性。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (5)

1.一种无故障样本下基于软目标度量的故障智能检测方法，其特征在于，包括以下步骤：

步骤1：使用多个加速度传感器以及压力传感器采集机械设备运行状态下的原始信号数据，经预处理后，以固定长度截取原始信号中稳定运行阶段的数据得到多个序列样本，所有序列样本构成数据样本集；

所述的预处理使用EMD分解与重构，达到去除零漂的目的；

EMD分解过程将数据样本集中的样本x(t)分解为5个本征模函数以及一个低频趋势项，计算式为：

其中，c_n(t)为第n个本征模函数；r(t)为低频趋势项；

EMD重构过程将5个本征模函数叠加，得到去除了零点漂移的重构样本，计算式为：

其中，x′(t)为重构得到的样本；

步骤2：将获取的数据样本集分类标签化，划分数据样本集为训练集和测试集；其中，训练集的序列样本为部分正常运行状态下的样本，测试集的序列样本包括其他正常运行状态样本与全部故障状态下的样本；

步骤3：构建由特征提取模块与状态识别模块组成的基于软目标度量学习的异常检测模型；

步骤4：构建由高斯噪声样本组成的辅助集，使用步骤2中的训练集以及辅助集对步骤3构建的模型中的参数进行更新训练，使模型能够识别正常运行状态样本，同时得到正常状态运行样本的上阈值；

其中，参数更新训练过程对高斯噪声、正常样本和故障样本的输出作如下假设：高斯噪声的输出趋近于0，异常样本的输出趋近于1，正常样本的输出位于两者之间；参数更新训练过程的优化目标由两个部分组成：最小化蒸馏损失与最小化原型损失，所述最小化蒸馏损失的目标在于约束正常样本输出的上限，所述最小化原型损失的目标在于收束正常样本输出的范围；

所述的最小化蒸馏损失，首先基于蒸馏学习构建样本输出的软目标：

z(t)＝{z₁,z₂,...,z_n}＝Φ(x′(t))

q＝{q₁,q₂,...,q_n}

式中，z(t)＝{z₁,z₂,...,z_n}为模型的输出；z_i、z_j分别为z(t)中的第i、j个输出；T为蒸馏温度；Φ(·)为所搭建模型的映射；q＝{q₁,q₂,...,q_n}为所构建的软目标；最小化蒸馏损失的表达式为：

min y log q

式中，y代表样本的真实标签；

所述的最小化原型损失，首先基于度量学习构建正常样本软目标的原型，因辅助集数据仅用于辅助训练，不代表具体类别的数据，故不计算其原型：

式中，z^pro为正常样本软目标的原型；m为正常样本数目，zⁱ(t)为第i个样本的软目标，以此原型计算原型损失，优化目标为：

min dist(z(t),z^pro)

式中，dist(·)为欧氏距离，z(t)为正常样本软目标；

然后，根据计算所得的原型以及训练集正常样本软目标输出，计算标准差：

根据计算所得的原型与标准差，筛选范围[z^pro-σ,z^pro+σ]内的样本，并重新计算范围内样本的原型与方差，以得到更稳定、更具代表性的原型与标准差；调整并迭代三次后，计算z^pro+σ作为最终正常样本的上阈值；

步骤5：使用步骤4中训练的模型以及得到的上阈值对步骤2中的测试集样本的状态进行识别；同时，采用判别置信度来评估设备的运行状态。

2.根据权利要求1所述的一种无故障样本下基于软目标度量的故障智能检测方法，其特征在于，步骤3所述的特征提取模块由一维卷积神经网络构建，包括四个卷积层-池化层结构，具体地，卷积核的大小随层数加深而减小，四个卷积层使用的卷积核尺寸分别为9、7、5、3，步长均为1，且采用边缘补零措施使得输入与输出的尺寸相等，通道数分别为19、32、32、64；池化层均采用最大池化方式，尺寸分别为4、4、4、2，步长分别为4、4、4、2。

3.根据权利要求1所述的一种无故障样本下基于软目标度量的故障智能检测方法，其特征在于，步骤3所述的状态识别模块由三层全连接层组成，其输入为特征提取模块输出结果的平铺展开。

4.根据权利要求1所述的一种无故障样本下基于软目标度量的故障智能检测方法，其特征在于，步骤5中识别阶段将z^pro+σ作为最终正常样本的上阈值，比较样本输出与阈值进行状态判别：

式中，z^test(t)为测试机样本的输出，pre为预测结果，Normal代表正常，Fault代表故障。

5.根据权利要求1所述的一种无故障样本下基于软目标度量的故障智能检测方法，其特征在于，步骤5中识别阶段计算判别置信度来评估设备的运行状态：

其中，DoC为某测试机组的判别置信度，n_all为某机组所包含的全部待测试样本数目，n_Normal为运行状态被判别为Normal的样本数目。

Images