CN116881841A - 一种基于F1-score多级决策分析的混合模型故障诊断方法 - Google Patents

一种基于F1-score多级决策分析的混合模型故障诊断方法 Download PDF

Info

Publication number
CN116881841A
CN116881841A CN202310834809.3A CN202310834809A CN116881841A CN 116881841 A CN116881841 A CN 116881841A CN 202310834809 A CN202310834809 A CN 202310834809A CN 116881841 A CN116881841 A CN 116881841A
Authority
CN
China
Prior art keywords
score
value
model
models
modal
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
CN202310834809.3A
Other languages
English (en)
Inventor
李永华
门志辉
陈哲
于洋
张东旭
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.)
Dalian Jiaotong University
Original Assignee
Dalian Jiaotong 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 Dalian Jiaotong University filed Critical Dalian Jiaotong University
Priority to CN202310834809.3A priority Critical patent/CN116881841A/zh
Publication of CN116881841A publication Critical patent/CN116881841A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • 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
    • G06F18/211—Selection of the most significant subset of features
    • 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
    • G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
    • 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
    • G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
    • G06F18/21322—Rendering the within-class scatter matrix non-singular
    • G06F18/21324—Rendering the within-class scatter matrix non-singular involving projections, e.g. Fisherface techniques
    • 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
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal 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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • 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
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/245—Classification techniques relating to the decision surface
    • G06F18/2451—Classification techniques relating to the decision surface linear, e.g. hyperplane
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/08—Computing arrangements based on specific mathematical models using chaos models or non-linear system models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

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

Abstract

本发明公开了一种基于F1‑score多级决策分析的混合模型故障诊断方法，包括以下步骤：S1、获取两组目标滚动轴承振动信号并转换为时频图；S2、建立两种深度学习模型；S3、训练深度学习模型并计算两种模型的F1‑score值；S4、获取另外两组目标滚动轴承振动信号并提取信号特征；S5、建立两种机器学习模型；S6、训练机器学习模型并计算两种模型的F1‑score值；S7、通过深度学习模型和机器学习模型的F1‑score值建立F1‑score数据库；S8、根据F1‑score值制定多级决策分析策略并决策出最佳诊断结果；本发明通过引用Logistc混沌映射方法改进麻雀搜索算法，F1‑score的多级决策将两种深度学习模型及两种机器学习模型的各自诊断能力量化，通过多级决策判断分析可得出最精确的诊断结果。

Description

一种基于F1-score多级决策分析的混合模型故障诊断方法
技术领域
本发明涉及机械故障诊断技术领域，具体涉及一种基于F1-score多级决策分析的混合模型故障诊断方法。
背景技术
机械装备在长期运行的过程中，不可避免的会发生故障，对其实施精准的故障诊断可避免因机械产品故障而引发的事故及安全问题。现有的机械产品故障诊断方法中数据驱动方法应用最为广泛，通过监测机械装备的故障信号，有效捕获故障信息进而判断出机械装备的健康状态；基于数据驱动的故障诊断方法主要分为两类，一种为基于机器学习的故障诊断方法，另一种为基于深度学习的故障诊断方法。
传统的单一智能诊断方法的有效性往往建立在特定的条件或特定的场合下，对于复杂诊断问题，仅依靠一两种方法难以获取具有普适性的智能诊断模型，导致诊断决策结果具有片面性及不确定性。
发明内容
为了解决现有诊断方法在面对复杂诊断问题时诊断决策结构具有片面和不确定性的问题，本发明提供了一种基于F1-score多级决策分析的混合模型故障诊断方法。
本发明为实现上述目的所采用的技术方案是：一种基于F1-score多级决策分析的混合模型故障诊断方法，包括以下步骤：
S1、获取两组目标滚动轴承振动信号，并将振动信号转换为两组时频图；
S2、建立两种深度学习模型，包括残差注意力网络模型和多尺度滑动卷积神经网络模型；
S3、训练深度学习模型：将S1中的两组时频图数据分别带入残差注意力网络模型和多尺度滑动卷积神经网络模型中进行训练，并通过训练结果计算两种模型的F1-score值；
S4、获取另外两组目标滚动轴承振动信号，并提取振动信号的信号特征；
S5、建立两种机器学习模型，包括支持向量机模型和人工神经网络模型；
S6、训练机器学习模型：将S4中提取的信号特征分别带入支持向量机模型和人工神经网络模型中进行训练，并通过训练结果计算两种模型的F1-score值；
S7、通过深度学习模型和机器学习模型的F1-score值建立F1-score数据库；
S8、根据F1-score值制定多级决策分析策略，根据多级决策分析策略决策出最佳诊断结果。
优选的，所述S1包括以下步骤：
S1-1：通过加速传感器获取目标滚动轴承的振动信号；
S1-2：采用改进后的麻雀搜索算法优化变分模态分解算法中的超参数；
S1-3：优化后的变分模态分解算法将S1-1中采集到的一维信号分解为多个内涵模态分量；
S1-4：将多个内涵模态分量分别剔除高频内涵模态分量和部分低频内涵模态分量进行线性重构，获得两组滤波信号；
S1-5：通过短时傅里叶变换法将滤波信号转换为二维时频图，得到两组分别侧重于高频及低频信息的时频图。
优选的，所述S1-2中包括以下步骤：
S1-2-1：设置麻雀种群数量为100，搜索空间维数2，模态分量层数K取值范围[2,10]，惩罚因子α取值[1,10000],最大迭代次数为100；
S1-2-2：采用Logistc混沌映射方法初始化麻雀种群位置，混沌系统控制参数r设置为3.85；
S1-2-3：将模态分量层数K和惩罚因子α的取值传递到变分模态分解算法中，分解后得到多个内涵模态分量，并以每个内涵模态分量的平均散步熵为适应度值，通过将模态分量层数K和惩罚因子α的取值寻优，使得平均散步熵值最小；
S1-2-4：判断是否达到收敛条件，若达到，终止迭代，得到最佳超参数组合[K,α]；若未达到，返回步骤S1-2-2继续迭代，收敛条件为达到最大迭代次数或S1-2-3中适应度值波动小于0.001；
优选的，所述S1-2-1、S1-2-2和S1-2-4中采用改进后的麻雀搜索算法进行迭代的具体步骤如下：
设麻雀种群数量为N，采用Logistc混沌映射方法初始化麻雀种群位置，混沌系统控制参数r设置为3.85，第i只麻雀在d维搜索空间的位置为其中i＝1,2,...,N，麻雀搜索算法执行过程分为以下三种行为：
I、首先种群中“探索者”会为整个种群搜索食物并为种群中的“追随者”的位置更新提供方向性的指引，“探索者”的位置更新描述如下：
式中，t代表当前迭代数，j＝1,2,3...,d；itemmax表示最大迭代次数；Xij表示第i个麻雀在第j维中的位置信息；β为(0,1]之间的随机数；R2,ST分别表示预警值与安全值；Q是服从正态分布的随机数；L是元素均为1×d的矩阵；
II、在安全情况下，“追随者”会追随“探索者”寻找食物并向当前最优食物位置靠近，其位置更新描述如下：
式中：Xp是当前“探索者”所占据的最佳位置；Xworst表示当前“探索者”的最差位置；A表示一个1×d的矩阵，其中每个元素都被随机赋值为1或-1，并且A+＝AT(AAT)-1。当i＞n/2时，表明位置较差的第i个“追随者”没有好的食物来源，需要飞往其他地方进行觅食(n表示麻雀总数)；
III、当危险来临时麻雀会迅速飞到其他安全的地方觅食，该部分麻雀所占比例为固定值，其位置更新如下：
式中：是当前的全局最优位置；η为随机步长控制参数，服从均值为0方差为1的正态分布的随机数；θ∈[-1,1]是一个任意数，fi则是第i个麻雀所在位置对应的适应度值；fg和fw分别是当前探索到的最佳和最差的位置所对应的适应度值；ψ是最小的常数。
优选的，所述S1-2-3中的变分模态分解算法的具体步骤如下：
式中，{uk}＝{u1,u2,...,uK}是K个模态分量,{ωk}＝{ω1,ω2,...,ωK}是对应中心频率，f是原始信号；
引入拉格朗日算子，将约束问题转换成一个无约束问题，相应表达式如下：
式中，α为惩罚因子，λ为拉格朗日乘子；
模态分量和中心频率通过以下方式更新：
式中，和/>分别代表f(t)，ui(t)，λ(t)和/>的傅里叶变换。
优选的，所述S1-2-3中平均散步熵的计算公式如下：
式中，X是一个长度为N的时间序列，对应变分模态分解算法分解后的内涵模态分量，w是窗口大小，pi是子序列Xi中每个值x出现的频率，计算公式为其中ni是x在Xi中出现的次数。
优选的，所述S4中，提取振动信号的23种信号特征，并将提取后的信号特征分别通过主成分分析方法和Fisher特征评估准则进行敏感特征的选择，降低特征空间维度，去除冗余和不相关的特征。
优选的，所述S5中，使用鲸鱼优化算法优化迭代支持向量机模型中的超参数，具体步骤如下：
S5-1：设置鲸鱼种群数量为50，搜索空间维数2，惩罚因子c取值范围[0,1000]，核函数选取径向基函数，其中参数g取值[0,10],最大迭代次数为100；
S5-2：更新鲸鱼位置，以诊断准确率作为适应度函数值训练支持向量机模型；
S5-3：判断是否达到收敛条件，若达到，终止迭代，得到最佳超参数组合[c,g]；若未达到，返回步骤S5-2继续迭代，收敛条件为达到最大迭代次数或S5-2中适应度值波动小于0.001。
优选的，所述S3和S6中，F1-score的计算公式如下：
式中，TP表示正类判断正确的数目；FP表示正类判断错误的数目；FN表示负类判断错误的数目；Precision表示精确率；Recall表示召回率。
优选的，所述S8的具体步骤如下：
以A、B、C、D分别代表构建好的四种模型，Ai、Bi、Ci、Di分别代表四种模型在第i种故障分类问题上的F1-score值，a、b、c、d分别代表四种模型的预测结果，分级决策策略如下：
第一级策略：若[a、b、c、d]中存在三个以上的相同分类结果，则最终选取该分类结果作为最优值；
第二级决策：若[a、b、c、d]中存在两个相同的元素(以a＝b为例)，则进行如下操作：
I、判断以下条件：
ifAa+Bb/2＞Cc
ifAa+Bb/2＞Dd
如果二者都满足，则最终分类结果为a或b。若不满足条件进行第II步。
II、分别计算C、D两个模型所预测结果的F1-score值是否为所预测结果标签下所有模型中的最高值，即：
ifCc＝max[Ac,Bc,Cc,Dc]
ifDd＝max[Ad,Bd,Cd,Dd]
若只有一个满足条件，假设C模型满足条件，则选取c作为最优值；若二者均满足，则c、d作为候选结果进入第III步；若二者均不满足条件则进入第IV步；
III、分别比较Cc与Dd的值，选取最高者判断结果值为最优值；假设Dd＞Cc，则最优结果为d；
IV、在[Aa，Bb，Cc，Dd]内选出最高值，并以其所对应的模型判断结果作为最优结果；
第三级决策：若[a、b、c、d]存在的元素均不相同，则进行如下操作：
分别比较A、B、C、D四种模型在各自当前分类结果中的F1-score值，即：
ifAa＝max[Aa,Ba,Ca,Da]
ifBb＝max[Ab,Bb,Cb,Db]
ifCc＝max[Ac,Bc,Cc,Dc]
ifDd＝max[Ad,Bd,Cd,Dd]
若只满足一个条件，则最优结果即满足条件的模型所提供的结果；若满足多个条件，则进行第二级决策中的第III步的操作；若均不满足条件，则进行第二级决策中第IV步的操作。
本发明的一种基于F1-score多级决策分析的混合模型故障诊断方法，通过引用Logistc混沌映射方法改进麻雀搜索算法，并用改进后的麻雀搜索算法优化变分模态分解方法，分解得到的内涵模态分量频率分布均匀，中心频率单一，消除了模态混叠的现象；深度学习模型中的多尺度滑动卷积神经网络可以实现对目标信息尺度变化具有鲁棒性，同时在不同尺度上提取更多特征信息；残差注意力网络和多尺度滑动卷积神经网络分别侧重于信号的高频与低频特征，可在不同诊断任务中发挥各自诊断特性，进行优势互补；基于F1-score的多级决策分析方法可将两种深度学习诊断模型及两种机器学习诊断模型的各自诊断能力进行量化，综合考虑各模型在不同故障上的诊断效果，通过多级决策判断分析可得出最精确的诊断结果，相比于传统决策树(DT)、K邻近值(KNN)、梯度提升决策树(Xgboost)等方法具有更佳优异的结果及更佳良好的算法可解释性。
附图说明
图1是本发明一种基于F1-score多级决策分析的混合模型故障诊断方法的流程图。
图2是本发明信号处理及特征提取示意图。
图3是本发明改进麻雀搜索算法优化变分模态分解的流程图。
图4是本发明鲸鱼算法优化支持向量机模型的流程图。
图5是本发明四个模型在实验数据上的平均诊断准确率折线图。
图6是本发明F1-score多级决策分析策略流程图。
图7是本发明基于F1-score多级决策分析的混合模型与单一模型及其他方法准确率对比图。
具体实施方式
本发明的一种基于F1-score多级决策分析的混合模型故障诊断方法，由图1所示，包括以下步骤：
S1、获取两组目标滚动轴承振动信号，并将振动信号转换为时频图；
S2、建立两种深度学习模型，包括残差注意力网络模型和多尺度滑动卷积神经网络模型；
S3、训练深度学习模型：将S1中的两组时频图的数据分别带入残差注意力网络模型和多尺度滑动卷积神经网络模型中进行训练，并通过训练结果计算两种模型的F1-score值；
S4、获取另外两组目标滚动轴承振动信号，并提取振动信号的信号特征；
S5、建立两种机器学习模型，包括支持向量机模型和人工神经网络模型；
S6、训练机器学习模型：将S4中提取信号特征分别带入支持向量机模型和人工神经网络模型中进行训练，并通过训练结果计算两种模型的F1-score值；
S7、通过深度学习模型和机器学习模型的F1-score值建立F1-score数据库；
S8、根据F1-score值制定多级决策分析策略，根据多级决策分析策略决策出最佳诊断结果。
本发明采用凯斯西储大学轴承实验数据集作为实验数据进行验证，数据集包括两种转速1797r/min和17307r/min下的“Fan”风扇端及“Drive”-电机端的振动数据，这四组振动数据分别分配到残差注意力网络模型、多尺度滑动卷积神经网络模型、支持向量机模型和人工神经网络模型这四种学习诊断模型中进行训练和测试。
S1包括以下步骤：
S1-1：通过加速传感器获取两组目标滚动轴承的振动信号；
S1-2：采用改进麻雀搜索算法(Improved sparrow search algorithm，ISSA)优化变分模态分解算法(Variational mode decomposition，VMD)中的超参数，麻雀搜索算法具有收敛速度快、搜索能力强等特点，但其在初始化种群时采用随机生成的方式，这种方式极大程度上会产生低质量种群个体并对搜索过程产生负面影响，此外随机初始化可能产生相似个体，导致搜索空间收缩，限制算法的搜索能力，使算法收敛至局部优解，因此在麻雀搜索算法技术上引入Logistc混沌映射方法进而提升麻雀种群初始化的随机性和分布性，同时提高算法的全局搜索性能，具体包括以下步骤：
S1-2-1：设置麻雀种群数量为100，搜索空间维数2，模态分量层数K取值范围[2,10]，惩罚因子α取值[1,10000],最大迭代次数为100；
S1-2-2：采用Logistc混沌映射方法初始化麻雀种群位置，混沌系统控制参数r设置为3.85，Logistc混沌映射方法具体表达式如下：
xn+1＝rxn(1-xn)
式中，xn表示第n个迭代步骤的输出值，r为系统控制参数。在实际应用中，r通常取值在[3.57,4.00]之间，此时系统表现出典型的混沌现象，具有高度的敏感性及复杂性。
S1-2-3：将模态分量层数K和惩罚因子α的取值传递到变分模态分解算法中，分解后得到多个内涵模态分量，并以每个内涵模态分量的平均散步熵为适应度值，通过将模态分量层数K和惩罚因子α的取值寻优，使得平均散步熵值最小；
S1-2-4：判断是否达到收敛条件，若达到，终止迭代，得到最佳超参数组合[K,α]；若未达到，返回步骤S1-2-2继续迭代，收敛条件为达到最大迭代次数小于10或S1-2-3中适应度值波动小于0.001；
S1-3：优化后的变分模态分解算法将S1-1中采集到的一维信号分解为多个内涵模态分量；
S1-4：将多个内涵模态分量分别剔除部分高频内涵模态分量和部分低频内涵模态分量进行线性重构，获得两组滤波信号；
S1-5：通过短时傅里叶变换的方法将滤波信号转换为二维时频图，进而得到两组分别侧重于高频及低频信息的时频图。
麻雀搜索算法是中基于自然界麻雀生活行为的启发式算法，具体步骤如下：
设麻雀种群数量为N，第i只麻雀在d维搜索空间的位置为其中i＝1,2,...,N，麻雀搜索算法执行过程分为以下三种行为：
I、首先种群中“探索者”会为整个种群搜索食物并为种群中的“追随者”的位置更新提供方向性的指引，“探索者”的位置更新描述如下：
式中，t代表当前迭代数，j＝1,2,3...,d；itemmax表示最大迭代次数；Xij表示第i个麻雀在第j维中的位置信息；β为(0,1]之间的随机数；R2,ST分别表示预警值与安全值；Q是服从正态分布的随机数；L是元素均为1×d的矩阵；
II、在安全情况下，“追随者”会追随“探索者”寻找食物并向当前最优食物位置靠近，其位置更新描述如下：
式中：Xp是当前“探索者”所占据的最佳位置；Xworst表示当前“探索者”的最差位置；A表示一个1×d的矩阵，其中每个元素都被随机赋值为1或-1，并且A+＝AT(AAT)-1。当i＞n/2时，表明位置较差的第i个“追随者”没有好的食物来源，需要飞往其他地方进行觅食(n表示麻雀总数)；
III、当危险来临时麻雀会迅速飞到其他安全的地方觅食，该部分麻雀所占比例为固定值，其位置更新如下：
式中：是当前的全局最优位置；η为随机步长控制参数，服从均值为0方差为1的正态分布的随机数；θ∈[-1,1]是一个任意数，fi则是第i个麻雀所在位置对应的适应度值；fg和fw分别是当前探索到的最佳和最差的位置所对应的适应度值；ψ是最小的常数。
变分模态分解算法是一种能够调整时频尺度的信号处理方法，它能够将信号分解为多个内涵模态分量，这些分量具有较为稀疏的特性，每个内涵模态分量都有自己的中心频率和有限宽带，S1-2-3中变分模态分解算法的具体过程如下：
式中，{uk}＝{u1,u2,...,uK}是K个模态分量,{ωk}＝{ω1,ω2,...,ωK}是对应中心频率，f是原始信号；
引入拉格朗日算子，将约束问题转换成一个无约束问题，相应表达式如下：
式中，α为惩罚因子，λ为拉格朗日乘子；
模态分量和中心频率通过以下方式更新：
式中，和/>分别代表f(t)，ui(t)，λ(t)和/>的傅里叶变换。
S1-2-3中平均散步熵的计算公式如下：
式中，X是一个长度为N的时间序列，对应变分模态分解算法分解后的内涵模态分量，w是窗口大小，pi是子序列Xi中每个值x出现的频率，计算公式为其中ni是x在Xi中出现的次数。
S1-5中的短时傅里叶变换时，首先利用一个随时间滑动的分析窗对非平稳信号进行加床截断处理，然后将截断的信号进行傅里叶变换，从而得到响应信号的时频特性，短时傅里叶变换表达式如下：
式中，x(τ)为某响应信号时程,t为待分析时刻,f为频率,i为虚数,g(τ-t)为窗函数,τ为窗函数中心坐标所对应的时刻。
S2中建立两组深度学习模型对通过短时傅里叶变换方法得到的两组时频图分别进行采样和训练。
第一种模型为残差注意力网络(Residual attention network，ResNet-Attention)，是残差网络并在后面加上注意力机制，残差网络可以通过跨层连接将前层的信息直接传递给后层，有助于加快信息的流动和梯度的传递；注意力机制可以帮助模型集中学习重要的特征，以加强模型的判别能力和稳定性，从而在分类、检测等任务中取得更好的结果，此外注意力机制可以增强模型的鲁棒性，从而对抗信息的微小扰动。
第二种模型为多尺度滑动卷积神经网络(Multi-scale sliding convolutionalneural network，M-SSCNN)，该网络模型采用多尺度卷积并行的方式进行采样可以实现对目标信息尺度变化具有鲁棒性，同时在不同尺度上提取更多的特征信息。采用滑动卷积的方式代替原有卷积神经网络的池化操作可避免因最大池化造成的特征丢失及平均池化造成的特征模糊问题。
两种模型的具体结构和参数见下表1
表1模型具体参数
S4中，提取一维信号的时域及频域共23种信号特征，还包括峰峰值、均方根、中心频率等，并将提取后的信号特征分别通过主成分分析方法(PCA)和Fisher特征评估准则进行敏感特征的选择，降低特征空间维度，去除冗余和不相关的特征，增强模型处理相关特征信息的能力，提高分类器的性能和识别能力。
S5中，使用鲸鱼优化算法优化支持向量机模型中的超参数，具体步骤如下：
S5-1：设置鲸鱼种群数量为50，搜索空间维数2，惩罚因子c取值范围[0,1000]，核函数选取径向基函数，其中参数g取值[0,10],最大迭代次数为100；
S5-2：更新鲸鱼位置，以诊断准确率作为适应度函数值训练支持向量机模型；
S5-3：判断是否达到收敛条件，若达到，终止迭代，得到最佳超参数组合[c,g]；若未达到，返回步骤S5-2继续迭代，收敛条件为达到最大迭代次数或S5-2中适应度值波动小于0.001。
鲸鱼优化算法是一种模拟座头鲸捕食行为而发展来的智能优化算法，具有稳定性强、调节参数少和寻优能力强等优点，鲸鱼优化算法的具体步骤如下：
设鲸鱼种群数量为N，第i只鲸鱼在d维搜索空间的位置为其中i＝1,2,...,N，得到的最优解就是最优目标函数对应的鲸鱼位置；鲸鱼优化算法一共包括以下三个阶段：
I、包围猎物
将当前最优位置设置为目标猎物所在位置，其余鲸鱼个体按照以下两个公式更新位置坐标：
X(t+1)＝X*(t)-AD
D＝|CX*(t)-X(t)|
式中：t为当前迭代次数；X*(t)为当前迭代次数下最优鲸鱼位置；X(t)为当前迭代次数下的鲸鱼位置；D为鲸鱼位置与当前最优位置之间的距离参数，A、C表达式如下：
A＝2ar-a
C＝2r
式中：r为[0,1]范围内的随机数；a为收敛因子，在迭代过程中从2线性递减到0；M为最大迭代次数；
II、螺旋气泡网捕食
在这个阶段，首先计算出鲸鱼距离目标猎物之间的距离，表示式如下：
D＝|CXrand-X|
X(t-1)＝Xrand-AD
然后再以螺旋上升的方式进行捕食，数学模型如下：
X(t+1)＝D′eblcos(2πl)+X*(t)
D′＝|X*(t)-X(t)|
式中：b为定义对数螺旋形状的常数；l为取值范围在[-1,1]的随机数；D′为鲸鱼位置与当前最优位置之间的距离；
以上包围猎物和螺旋气泡网这两种捕食行为发生的概率为50％，数学模型如下：
式中：p为[0,1]范围内的随机数；
III、搜索猎物
在鲸鱼优化算法中，当收敛因子A＞1时，鲸鱼个体会根据群体中其他鲸鱼所在位置进行大范围随机搜索，这样可以避免陷入局部最优的情况，其位置更新公式如下：
D＝|CXrand-X|
X(t-1)＝Xrand-AD
式中：Xrand的位置为从当前种群中随机选择的鲸鱼个体的位置。
S5-2中，机器学习模型中的支持向量机模型是一种基于统学习理论的新型学习机，通过某种非线性映射，将输入变量x维到高维空间z，使在低空间难以线性可分的输入变量在高维空间易于构建一个最优超平面，将样本数据分为正例和负例两个分类，并使之与最优超平面的间隔最大。
寻找最优超平面的过程，可以将其表示为一个二次规划的问题，表达式如下：
式中：w为分类面的权系数向量；b为分类面的阈值；松弛项ζi≥0,用于修正数据因噪声而偏离同类点；c为惩罚参数，用于调节学习机器的置信范围和经验风险比例；
本发明采用一对一的多分类支持向量机进行故障诊断，并入径向核函数RBF向高维空间映射，表达式如下:
K(xi,xj)＝exp(-g||xi-xj||2)
式中：g为一个正实数，以此核函数的支持向量机中有两个参数，惩罚参数C和核函数参数g。
机器学习模型中的另一种模型为人工神经网络模型(Artificial NeuralNetwork，ANN)。ANN可以通过历史故障数据自适应地学习和提取特征，并根据提取的特征进行故障诊断，其众多隐藏层会近似非线形函数，增强模型的表达能力和非线性拟合能力；在训练过程中，ANN模型能够自动选择正确的特征和权重，并且在预测时不容易受到随机扰动或数据噪声的影响，同时其训练模型对噪声具有较高的鲁棒性，神经网络采用交叉熵函数作为损失函数，优化方法采用“Adam”算法。
人工神经网络模型具体结构见表2
表2人工神经网络模型
其中交叉熵函数的表达式如下：
H(p,q)＝-(p*log(q)+(1-p)*log(1-q))
式中，p为实际值，q为预测的概率值。
F1-score是一个常用的评估分类任务有效性的指标，用于评估二类或多类模型的效率，同时考虑到精度和召回，本发明采用F1-score作为量化各模型在各故障类型下的诊断能力，S7中，F1-score的计算公式如下：
式中，TP表示正类判断正确的数目；FP表示正类判断错误的数目；FN表示负类判断错误的数目；Precision表示精确率；Recall表示召回率。
建立两种深度学习模型和两种机器学习模型后，分别在各自的数据集进行训练及测试，并以7:3的比例划分训练集及测试集，并计算出四种模型在各类型故障上的F1-score值并构建四种模型的F1-score数据库，S8的具体步骤如下：
以A、B、C、D分别代表构建好的四种模型，Ai、Bi、Ci、Di分别代表四种模型在第i种故障分类问题上的F1-score值，a、b、c、d分别代表四种模型的预测结果，分级决策策略如下：
第一级策略：若[a、b、c、d]中存在三个以上的相同分类结果，则最终选取该分类结果作为最优值；
第二级决策：若[a、b、c、d]中存在两个相同的元素(以a＝b为例)，则进行如下操作：
I、判断以下条件：
if Aa+Bb/2＞Cc
if Aa+Bb/2＞Dd
如果二者都满足，则最终分类结果为a或b。若不满足条件进行第II步。
II、分别计算C、D两个模型所预测结果的F1-score值是否为所预测结果标签下所有模型中的最高值，即：
ifCc＝max[Ac,Bc,Cc,Dc]
ifDd＝max[Ad,Bd,Cd,Dd]
若只有一个满足条件，假设C模型满足条件，则选取c作为最优值；若二者均满足，则c、d作为候选结果进入第III步；若二者均不满足条件则进入第IV步；
III、分别比较Cc与Dd的值，选取最高者判断结果值为最优值；假设Dd＞Cc，则最优结果为d；
IV、在[Aa，Bb，Cc，Dd]内选出最高值，并以其所对应的模型判断结果作为最优结果；
第三级决策：若[a、b、c、d]存在的元素均不相同，则进行如下操作：
分别比较A、B、C、D四种模型在各自当前分类结果中的F1-score值，即：
ifAa＝max[Aa,Ba,Ca,Da]
ifBb＝max[Ab,Bb,Cb,Db]
ifCc＝max[Ac,Bc,Cc,Dc]
ifDd＝max[Ad,Bd,Cd,Dd]
若只满足一个条件，则最优结果即满足条件的模型所提供的结果；若满足多个条件，则进行第二级决策中的第III步的操作；若均不满足条件，则进行第二级决策中第IV步的操作。
本发明的一种基于F1-score多级决策分析的混合模型故障诊断方法，通过引用Logistc混沌映射方法改进麻雀搜索算法，并用改进后的麻雀搜索算法优化变分模态分解方法，分解得到的内涵模态分量频率分布均匀，中心频率单一，消除了模态混叠的现象；深度学习模型中的多尺度滑动卷积神经网络可以实现对目标信息尺度变化具有鲁棒性，同时在不同尺度上提取更多特征信息；残差注意力网络和多尺度滑动卷积神经网络分别侧重于信号的高频与低频特征，可在不同诊断任务中发挥各自诊断特性，进行优势互补；基于F1-score的多级决策分析方法可将两种深度学习诊断模型及两种机器学习诊断模型的各自诊断能力进行量化，综合考虑各模型在不同故障上的诊断效果，通过多级决策判断分析可得出最精确的诊断结果，相比于传统决策树(DT)、K邻近值(KNN)、梯度提升决策树(Xgboost)等方法具有更佳优异的结果及更佳良好的算法可解释性。
本发明是通过实施例进行描述的，本领域技术人员知悉，在不脱离本发明的精神和范围的情况下，可以对这些特征和实施例进行各种改变或等效替换。另外，在本发明的教导下，可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此，本发明不受此处所公开的具体实施例的限制，所有落入本申请的权利要求范围内的实施例都属于本发明的保护范围。

Claims (10)

1.一种基于F1-score多级决策分析的混合模型故障诊断方法，其特征在于，包括以下步骤：
S1、获取两组目标滚动轴承振动信号，并将振动信号转换为两组时频图；
S2、建立两种深度学习模型，包括残差注意力网络模型和多尺度滑动卷积神经网络模型；
S3、训练深度学习模型：将S1中的两组时频图数据分别带入残差注意力网络模型和多尺度滑动卷积神经网络模型中进行训练，并通过训练结果计算两种模型的F1-score值；
S4、获取另外两组目标滚动轴承振动信号，并提取振动信号的信号特征；
S5、建立两种机器学习模型，包括支持向量机模型和人工神经网络模型；
S6、训练机器学习模型：将S4中提取的信号特征分别带入支持向量机模型和人工神经网络模型中进行训练，并通过训练结果计算两种模型的F1-score值；
S7、通过深度学习模型和机器学习模型的F1-score值建立F1-score数据库；
S8、根据F1-score值制定多级决策分析策略，根据多级决策分析策略决策出最佳诊断结果。
2.根据权利要求1所述的一种基于F1-score多级决策分析的混合模型故障诊断方法，其特征在于，所述S1包括以下步骤：
S1-1：通过加速传感器获取目标滚动轴承的振动信号；
S1-2：采用改进后的麻雀搜索算法优化变分模态分解算法中的超参数；
S1-3：优化后的变分模态分解算法将S1-1中采集到的一维信号分解为多个内涵模态分量；
S1-4：将多个内涵模态分量分别剔除高频内涵模态分量和部分低频内涵模态分量进行线性重构，获得两组滤波信号；
S1-5：通过短时傅里叶变换法将滤波信号转换为二维时频图，得到两组分别侧重于高频及低频信息的时频图。
3.根据权利要求2所述的一种基于F1-score多级决策分析的混合模型故障诊断方法，其特征在于，所述S1-2中包括以下步骤：
S1-2-1：设置麻雀种群数量为100，搜索空间维数2，模态分量层数K取值范围[2,10]，惩罚因子α取值[1,10000],最大迭代次数为100；
S1-2-2：采用Logistc混沌映射方法初始化麻雀种群位置，混沌系统控制参数r设置为3.85；
S1-2-3：将模态分量层数K和惩罚因子α的取值传递到变分模态分解算法中，分解后得到多个内涵模态分量，并以每个内涵模态分量的平均散步熵为适应度值，通过将模态分量层数K和惩罚因子α的取值寻优，使得平均散步熵值最小；
S1-2-4：判断是否达到收敛条件，若达到，终止迭代，得到最佳超参数组合[K,α]；若未达到，返回步骤S1-2-2继续迭代，收敛条件为达到最大迭代次数或S1-2-3中适应度值波动小于0.001。
4.根据权利要求3所述的一种基于F1-score多级决策分析的混合模型故障诊断方法，其特征在于，所述S1-2-1、S1-2-2和S1-2-4中采用改进后的麻雀搜索算法进行迭代的具体步骤如下：
设麻雀种群数量为N，采用Logistc混沌映射方法初始化麻雀种群位置，混沌系统控制参数r设置为3.85，第i只麻雀在d维搜索空间的位置为其中i＝1,2,...,N，麻雀搜索算法执行过程分为以下三种行为：
I、首先种群中“探索者”会为整个种群搜索食物并为种群中的“追随者”的位置更新提供方向性的指引，“探索者”的位置更新描述如下：
式中，t代表当前迭代数，j＝1,2,3...,d；itemmax表示最大迭代次数；Xij表示第i个麻雀在第j维中的位置信息；β为(0,1]之间的随机数；R2,ST分别表示预警值与安全值；Q是服从正态分布的随机数；L是元素均为1×d的矩阵；
II、在安全情况下，“追随者”会追随“探索者”寻找食物并向当前最优食物位置靠近，其位置更新描述如下：
式中：Xp是当前“探索者”所占据的最佳位置；Xworst表示当前“探索者”的最差位置；A表示一个1×d的矩阵，其中每个元素都被随机赋值为1或-1，并且A+＝AT(AAT)-1。当i＞n/2时，表明位置较差的第i个“追随者”没有好的食物来源，需要飞往其他地方进行觅食(n表示麻雀总数)；
III、当危险来临时麻雀会迅速飞到其他安全的地方觅食，该部分麻雀所占比例为固定值，其位置更新如下：
式中：是当前的全局最优位置；η为随机步长控制参数，服从均值为0方差为1的正态分布的随机数；θ∈[-1,1]是一个任意数，fi则是第i个麻雀所在位置对应的适应度值；fg和fw分别是当前探索到的最佳和最差的位置所对应的适应度值；ψ是最小的常数。
5.根据权利要求3所述的一种基于F1-score多级决策分析的混合模型故障诊断方法，其特征在于，所述S1-2-3中的变分模态分解算法的具体步骤如下：
式中，{uk}＝{u1,u2,...,uK}是K个模态分量,{ωk}＝{ω1,ω2,...,ωK}是对应中心频率，f是原始信号；
引入拉格朗日算子，将约束问题转换成一个无约束问题，相应表达式如下：
式中，α为惩罚因子，λ为拉格朗日乘子；
模态分量和中心频率通过以下方式更新：
式中，和/>分别代表f(t)，ui(t)，λ(t)和/>的傅里叶变换。
6.根据权利要求3所述的一种基于F1-score多级决策分析的混合模型故障诊断方法，其特征在于，所述S1-2-3中平均散步熵的计算公式如下：
式中，X是一个长度为N的时间序列，对应变分模态分解算法分解后的内涵模态分量，w是窗口大小，pi是子序列Xi中每个值x出现的频率，计算公式为其中ni是x在Xi中出现的次数。
7.根据权利要求1所述的一种基于F1-score多级决策分析的混合模型故障诊断方法，其特征在于，所述S4中，提取振动信号的23种信号特征，并将提取后的信号特征分别通过主成分分析方法和Fisher特征评估准则进行敏感特征的选择，降低特征空间维度，去除冗余和不相关的特征。
8.根据权利要求1所述的一种基于F1-score多级决策分析的混合模型故障诊断方法，其特征在于，所述S5中，使用鲸鱼优化算法优化迭代支持向量机模型中的超参数，具体步骤如下：
S5-1：设置鲸鱼种群数量为50，搜索空间维数2，惩罚因子c取值范围[0,1000]，核函数选取径向基函数，其中参数g取值[0,10],最大迭代次数为100；
S5-2：更新鲸鱼位置，以诊断准确率作为适应度函数值训练支持向量机模型；
S5-3：判断是否达到收敛条件，若达到，终止迭代，得到最佳超参数组合[c,g]；若未达到，返回步骤S5-2继续迭代，收敛条件为达到最大迭代次数或S5-2中适应度值波动小于0.001。
9.根据权利要求1所述的一种基于F1-score多级决策分析的混合模型故障诊断方法，其特征在于，所述S3和S6中，F1-score的计算公式如下：
式中，TP表示正类判断正确的数目；FP表示正类判断错误的数目；FN表示负类判断错误的数目；Precision表示精确率；Recall表示召回率。
10.根据权利要求1所述的一种基于F1-score多级决策分析的混合模型故障诊断方法，其特征在于，所述S8的具体步骤如下：
以A、B、C、D分别代表构建好的四种模型，Ai、Bi、Ci、Di分别代表四种模型在第i种故障分类问题上的F1-score值，a、b、c、d分别代表四种模型的预测结果，分级决策策略如下：
第一级策略：若[a、b、c、d]中存在三个以上的相同分类结果，则最终选取该分类结果作为最优值；
第二级决策：若[a、b、c、d]中存在两个相同的元素(以a＝b为例)，则进行如下操作：
I、判断以下条件：
if Aa+Bb/2＞Cc
if Aa+Bb/2＞Dd
如果二者都满足，则最终分类结果为a或b。若不满足条件进行第II步。
II、分别计算C、D两个模型所预测结果的F1-score值是否为所预测结果标签下所有模型中的最高值，即：
if Cc＝max[Ac,Bc,Cc,Dc]
if Dd＝max[Ad,Bd,Cd,Dd]
若只有一个满足条件，假设C模型满足条件，则选取c作为最优值；若二者均满足，则c、d作为候选结果进入第III步；若二者均不满足条件则进入第IV步；
III、分别比较Cc与Dd的值，选取最高者判断结果值为最优值；假设Dd＞Cc，则最优结果为d；
IV、在[Aa，Bb，Cc，Dd]内选出最高值，并以其所对应的模型判断结果作为最优结果；
第三级决策：若[a、b、c、d]存在的元素均不相同，则进行如下操作：
分别比较A、B、C、D四种模型在各自当前分类结果中的F1-score值，即：
if Aa＝max[Aa,Ba,Ca,Da]
ifBb＝max[Ab,Bb,Cb,Db]
ifCc＝max[Ac,Bc,Cc,Dc]
ifDd＝max[Ad,Bd,Cd,Dd]
若只满足一个条件，则最优结果即满足条件的模型所提供的结果；若满足多个条件，则进行第二级决策中的第III步的操作；若均不满足条件，则进行第二级决策中第IV步的操作。
CN202310834809.3A 2023-07-10 2023-07-10 一种基于F1-score多级决策分析的混合模型故障诊断方法 Pending CN116881841A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310834809.3A CN116881841A (zh) 2023-07-10 2023-07-10 一种基于F1-score多级决策分析的混合模型故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310834809.3A CN116881841A (zh) 2023-07-10 2023-07-10 一种基于F1-score多级决策分析的混合模型故障诊断方法

Publications (1)

Publication Number Publication Date
CN116881841A true CN116881841A (zh) 2023-10-13

Family

ID=88269215

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310834809.3A Pending CN116881841A (zh) 2023-07-10 2023-07-10 一种基于F1-score多级决策分析的混合模型故障诊断方法

Country Status (1)

Country Link
CN (1) CN116881841A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117132843A (zh) * 2023-10-26 2023-11-28 长春中医药大学 野山参、林下山参、园参原位鉴别方法、系统及相关设备
CN118094195A (zh) * 2024-04-22 2024-05-28 青岛百恒新能源技术有限公司 一种风电机组振动检测系统及其使用方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117132843A (zh) * 2023-10-26 2023-11-28 长春中医药大学 野山参、林下山参、园参原位鉴别方法、系统及相关设备
CN117132843B (zh) * 2023-10-26 2024-04-09 长春中医药大学 野山参、林下山参、园参原位鉴别方法、系统及相关设备
CN118094195A (zh) * 2024-04-22 2024-05-28 青岛百恒新能源技术有限公司 一种风电机组振动检测系统及其使用方法

Similar Documents

Publication Publication Date Title
CN111368885B (zh) 一种航空发动机气路故障诊断方法
Yu et al. Wafer defect pattern recognition and analysis based on convolutional neural network
CN110006649B (zh) 一种基于改进蚁狮算法和支持向量机的轴承故障诊断方法
CN116881841A (zh) 一种基于F1-score多级决策分析的混合模型故障诊断方法
CN113033309B (zh) 一种基于信号下采样及一维卷积神经网络的故障诊断方法
CN114969995B (zh) 一种基于改进麻雀搜索与声发射的滚动轴承早期故障智能诊断方法
CN115060497B (zh) 基于ceemd能量熵和优化pnn的轴承故障诊断方法
CN114970605A (zh) 一种多模态特征融合神经网络的制冷设备故障诊断方法
Chen et al. Machine fault classification using deep belief network
CN113486578A (zh) 一种工业过程中设备剩余寿命的预测方法
CN112560914A (zh) 一种基于改进lssvm的滚动轴承故障诊断方法
CN110455512B (zh) 基于深度自编码器dae的旋转机械多集成故障诊断方法
CN113887342A (zh) 基于多源信号和深度学习的设备故障诊断方法
CN113190931A (zh) 一种改进灰狼优化dbn-elm的亚健康状态识别方法
CN113571133B (zh) 一种基于图神经网络的乳酸菌抗菌肽预测方法
CN117330315B (zh) 一种基于在线迁移学习的旋转机械故障监测方法
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
CN115290326A (zh) 一种滚动轴承故障智能诊断方法
CN114220164B (zh) 一种基于变分模态分解和支持向量机的手势识别方法
CN113469230A (zh) 一种转子系统深度迁移故障诊断方法、系统及介质
CN116805051A (zh) 基于注意力机制的双卷积动态域适应设备故障诊断方法
Saufi et al. Machinery fault diagnosis based on a modified hybrid deep sparse autoencoder using a raw vibration time-series signal
CN114925809B (zh) 基于lstm的印刷机轴承故障诊断方法及装置
Sun et al. Self-updating continual learning classification method based on artificial immune system
CN117633688A (zh) 一种基于岭回归-k均值聚类-LOF-LSTM融合算法的大规模电力数据异常检测方法

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