一种基于增量补偿动态自适应增强的故障诊断方法技术

本发明专利技术公开了一种基于增量补偿动态自适应增强的故障诊断方法，包括下述步骤：1.对电机驱动端振动传感器采集各种状态下的振动信号；2.对轴承设备故障数据进行预处理；3.将训练样本加入随机噪声，作为去噪自动编码器的输入进行无监督贪婪逐层预训练；4.当有新增设备状态数据时，使用已有训练好的DAE模型进行新增故障模式提取，并利用模式相似度算法进行相似模式比对，然后采用增量主动融合算法对新增故障模式进行增量合并，并利用权重动态补偿算法计算动态加权；5.将有标签故障数据和经过动态深度学习训练加权的无标签故障数据作为输入向量训练SVM分类器；6.利用BP算法对整个模型中的相关参数进行全局微调；7.故障类型的分类诊断。

A fault diagnosis method based on incremental dynamic compensation adaptive enhancement

The invention discloses a fault diagnosis method based on incremental dynamic compensation adaptive enhancement, which includes the following steps: 1. of motor vibration signal acquisition end vibration sensor under various conditions; 2. of the bearing equipment failure data pretreatment; 3. samples added random noise, as denoising automatically without encoder input the greedy supervision layer of pre training; 4. when new equipment condition data, using the DAE model has been trained by the new fault pattern extraction, similarity pattern matching and using pattern similarity algorithm, then the incremental active fusion algorithm with incremental for the new failure modes, and calculate the dynamic weighted by dynamic weight compensation algorithm; 5. there will be a label of fault data and deep learning through the dynamic fault data label free weight training as the input vector of S training VM classifier; 6. using BP algorithm to adjust the relevant parameters of the whole model; 7. fault type diagnosis.

【技术实现步骤摘要】
一种基于增量补偿动态自适应增强的故障诊断方法
本专利技术涉及轴承设备故障诊断
，尤其涉及一种基于增量补偿动态自适应增强的故障诊断方法。
技术介绍
“工业4.0”的核心是智能制造，智能制造是信息技术和智能技术的深度融合，是衡量国家工业现代化程度的重要标志。目前，西方国家在装备高端技术方面仍对我国限制出口，突破装备智能维护等关键技术是提高国际分工层次和话语权的重要途径，因此工业4.0背景下的装备故障诊断和预测成为智能制造领域的研究热点。随着工业物联网和信息技术的发展，生产过程中获得运行状态数据变得越来越容易，使得基于数据驱动的故障诊断方法成为该领域的主流，诸多学者对其进行了深入的研究，并取得了较好的成果。但近年来，随着装备监测群规模、测点、采样频率大量增加，装备新产生的监测数据大幅增长。以三一重工远程监测系统为例，该系统每天新增数据量达到1000万条以上。由于新产生的状态数据规模甚至已经超过原有数据规模，且装备状态随时间而变化，新增数据的潜在信息对诊断故障更有价值，这种情况下仅仅依靠原有故障模式进行匹配显然不合理，因此考虑新增数据学习的装备故障诊断知识挖掘方法成为新的问题焦点。上述本文档来自技高网...

【技术保护点】
一种基于增量补偿动态自适应增强的故障诊断方法，其特征在于，包括下述步骤：(1)对深沟球轴承使用电火花加工技术分别在轴承上对内圈、外圈和滚动体布置了3个故障等级的单点故障，选择电机驱动端振动传感器采集正常状态(N)、内圈故障(IRF)、外圈故障(ORF)和滚动体故障(BF)等10种状态下的振动信号，采样频率为12kHz，共计1,341,856个数据点；(2)对轴承设备故障数据进行预处理，使用小波包分解原始振动信号各频段的能量值，提取参数特征作为模型输入向量。随机抽样按比例划分为训练数据集和测试数据集，并对测试样本进行标签化处理，将训练样本等量划分为四组，其中一组用于训练深度学习模型，剩余三组分三...

【技术特征摘要】
1.一种基于增量补偿动态自适应增强的故障诊断方法，其特征在于，包括下述步骤：(1)对深沟球轴承使用电火花加工技术分别在轴承上对内圈、外圈和滚动体布置了3个故障等级的单点故障，选择电机驱动端振动传感器采集正常状态(N)、内圈故障(IRF)、外圈故障(ORF)和滚动体故障(BF)等10种状态下的振动信号，采样频率为12kHz，共计1,341,856个数据点；(2)对轴承设备故障数据进行预处理，使用小波包分解原始振动信号各频段的能量值，提取参数特征作为模型输入向量。随机抽样按比例划分为训练数据集和测试数据集，并对测试样本进行标签化处理，将训练样本等量划分为四组，其中一组用于训练深度学习模型，剩余三组分三次添加至已有模型进行动态补偿增量学习；(3)将用于训练深度学习模型的训练样本加入随机噪声，作为去噪自动编码器的输入进行无监督贪婪逐层预训练，对样本数据提取故障特征模式，并赋予特征统一的初始权值；(4)对新增故障数据样本使用已有模型提取新增特征模式，然后利用模式相似度算法计算新增特征模式中每个故障特征与原有特征模式的相似度，并根据增量主动融合算法和权重补偿算法进行增量合并和动态加权；(5)将有标签故障数据和经过动态深度学习训练加权的无标签故障数据作为输入向量训练SVM分类器进行故障分类；(6)使用BP算法对整个模型中的相关参数进行全局微调，得到使模型预训练阶段和增量学习阶段的损失函数值都达到最小的最优参数。(7)基于上述增量补偿动态深度学习故障诊断模型，将轴承故障振动信号经小波包分解得到的故障参数特征向量作为输入，能够在存在增量数据的情况下提取新增故障特征并输出故障模式类型，从而实现轴承设备状态特征实时提取和故障模式可靠分类。2.根据权利要求1所述的基于增量补偿动态自适应增强的故障诊断方法，其特征在于所述步骤(3)中去噪自动编码器无监督贪婪逐层预训练包括下述步骤：1)给定一个无标签的n维样本集x，首先对其按照qD分布加入随机噪声，使其变成含噪样本并作为自动编码器模型输入：式中，qD为二项随机隐藏噪声。则编码过程中输入层和隐含层之间的映射函数h可定义为：h＝fθ(x)＝σ(Wx+b)式中σ为编码网络的激活函数，通常使用sigmoid函数。θ＝{W,b}为编码网络的参数集合。编码矢量h可通过解码函数gθ′变换为x的一种重构表示y：y＝gθ′(h)＝σ(W′h+b′)式中，σ同样为激活函数，θ′＝{W′,b′}为解码网络的参数集合，其中W′为W的转置即W′＝WT。2)通过最小化x与y之间的重构误差L(x,y)作为目标函数JDAE，采用梯度下降法最优化参数θ和θ′，完成整个网络的训练：上式中的重构误差函数L(x,y)采用如下交叉熵损失函数：3.根据权利要求1所述的基于增量补偿动态自适应增强的故障诊断方法，其特征在于所述步骤(4)中模式相似度算法为：对于离散分布P和Q，...

【专利技术属性】
技术研发人员：刘晶，安雅程，季海鹏，刘彦凯，
申请(专利权)人：河北工业大学，
类型：发明
国别省市：天津,12