一种面向少数类识别的多策略联合故障诊断方法技术

本发明专利技术公开了一种面向少数类识别的多策略联合故障诊断方法，通过对样本数据进行均衡化处理，然后采用均衡的样本数据对构建多策略联合故障诊断模型进行逐级训练，通过构建基于DBN的特征提取器，能够提取多数类样本的深层特征、融合少数类样本的浅层及深层特征，从而提升了少数类故障识别率。本发明专利技术从数据、特征及分类器多个层面入手，充分利用深度学习强大的数据表征和特征提取能力，解决因数据类别不平衡所导致的少数类故障识别困难问题，全面提高少数类故障的识别效果。

【技术实现步骤摘要】
一种面向少数类识别的多策略联合故障诊断方法
本专利技术属于工业设备故障诊断
，具体涉及一种面向少数类识别的多策略联合故障诊断方法。
技术介绍
随着生产发展和科技进步，现代工业设备的大型化、复杂化大大增加了设备维护的难度与成本。设备磨损老化、运行工况复杂、生产环境动态多变等问题，使得故障不可避免，且故障一旦发生或未被及时修复，“轻者”将影响设备运行性能、生产进度甚至产品质量，“重者”可能导致生产系统瘫痪、人员伤亡等灾难性事故，给企业和社会造成巨大损失。因此，利用深度学习对工业设备的运行状态进行评估与预测，对于实时感知设备健康状况、开展预防性维护以及实现智能诊断、减少故障误判，并最终确保生产的无故障运行具有重要意义。近年来，机器学习及深度学习已被广泛应用于故障诊断领域并取得了很好的成果。但是，实际工业设备故障数据类别数量存在不平衡性，即不同类别故障数据的数量差别较大，其中，数量少的类别称为少数类，数量多的称为多数类。而现有大多数基于机器学习的诊断方法很少考虑甚至忽略这种不平衡，所以在解决类别不平衡故障诊断问题时面临很大的局限性，例如容易将少数类故障识别为多数类故障，诊断精度明显降低。原因在于：一是少数类故障容易被多数类故障淹没，模型难以找到良好的决策边界；二是少数类故障数据量过少，模型很难学习到足够多的少数类特征现有提升少数类故障识别率的方法(策略)主要分为两类：一是通过不同的采样技术减少多数类样本数量或者增加少数类样本数量，对数据集进行平衡化处理，从数据层面改善类别不平衡性的影响；二是根据数据集的不平衡程度改进现有分类器或者为少数类样本建立独特的单类分类器，从分类器层面增强模型对少数类样本的关注度，提高少数类识别率。虽然这些方法取得了一定效果，但仍存在以下不足：首先，现有采样技术在平衡数据集时，要么容易引入过多噪声，要么难以增加少数类样本的多样性，导致对少数类识别性能的提升很有限；其次，现有分类器改进方法在提升对少数类关注度的同时，难以兼顾对其它多数类的诊断效果，从而影响整体精度。
技术实现思路
有鉴于此，本专利技术提供了一种面向少数类识别的多策略联合故障诊断方法，能够实现对多数类及少数类的故障类别的精确识别。本专利技术提供的一种面向少数类识别的多策略联合故障诊断方法，包括以下步骤：步骤1、将工业故障数据集划分为少数类故障数据集和多数类故障数据集，对所述少数类故障数据集进行过采样得到少数类故障采样数据集；以所述少数类故障采样数据集与多数类故障数据集作为输入，以故障类别作为标签，构建故障诊断训练样本集；步骤2、构建多策略联合故障诊断模型，所述多策略联合故障诊断模型包括基于DBN的特征提取器和故障分类器；所述特征提取器用于从输入数据中提取故障特征；所述故障分类器根据所述故障特征及输入数据判断输入数据的故障类别；所述特征提取器包含两个并联的全连接神经网络；所述故障分类器为深度堆叠网络；步骤3、采用所述故障诊断训练样本集完成所述特征提取器的训练；将所述少数类故障采样数据集与多数类故障数据集分别输入训练好的特征提取器，将得到少数类故障特征集合与多数类故障特征集合合并为样本故障特征集；采用所述样本故障特征集完成故障分类器的训练；步骤4、应用中，将待诊断的工业故障数据输入训练好的多策略联合故障诊断模型中，模型的输出即为所述待诊断的工业故障数据的故障类别。进一步地，所述步骤1中对所述少数类故障数据集进行过采样得到少数类故障采样数据集，包括以下步骤：计算所述少数类故障数据集中故障数据元素与其余元素之间的欧式距离和，将具有最小欧式距离和的故障数据元素确定为中心元素；由与所述中心元素的欧式距离小于设定值的元素构成中心区域样本集，由不属于所述中心区域样本集的元素构成边界区域样本集；采用SMOTE算法对所述中心区域样本集进行过采样得到中心区域采样数据集，采用WGAN算法对所述边界区域样本集进行过采样得到边界区域采样数据，由所述中心区域采样数据集与边界区域采样数据构成少数类故障采样数据集。进一步地，所述步骤2中的全连接神经网络包含两个级联的隐藏层。进一步地，所述步骤2中的所述故障特征包括一个全连接神经网络的第一级隐藏层的输出和第二级隐藏层的输出，及另一个全连接神经网络的第二级隐藏层的输出。进一步地，所述步骤2中的所述故障分类器的最后一级堆叠块，采用基于先验分布知识的损失函数Jp，如下式所示：其中，N为所述故障诊断训练样本集中故障类别的个数；y为标签；1{·}为指示函数，即当条件为真时返回1，否则返回0；j与g均为故障类别的编号；aj为预测出的样本属于第j类的概率；ag为预测出的样本属于第g类的概率；wj为样本属于第j类的先验概率；wg为样本属于第g类的先验概率。有益效果：1、本专利技术通过对样本数据进行均衡化处理，然后采用均衡的样本数据对构建多策略联合故障诊断模型进行逐级训练，通过构建基于DBN的特征提取器，能够提取多数类样本的深层特征、融合少数类样本的浅层及深层特征，从而提升了少数类故障识别率。本专利技术从数据、特征及分类器多个层面入手，充分利用深度学习强大的数据表征和特征提取能力，解决因数据类别不平衡所导致的少数类故障识别困难问题，全面提高少数类故障的识别效果。2、本专利技术通过对少数类样本进行区域划分，根据过采样方式各自的特点，在少数类样本的不同区域使用不同的过采样方式，在容易引入噪声的边界区域，采用可拟合样本分布的WGAN，增加边界样本数量的同时尽可能减少引入噪声；在样本的中心区域，采用SMOTE来增多中心样本数量，进一步平衡数据集的同时，增强样本的多样性。因此，实现了对少数类故障样本进行边界增强和多样性提升，从而达到了从数据层面缓解样本不平衡性的目的。3、本专利技术通过在堆叠网络中采用基于样本先验分布知识的损失函数，实现了在提升模型对于少数类样本关注度的同时，保证了对其他类别样本的故障诊断性能。附图说明图1为本专利技术提供的一种面向少数类识别的多策略联合故障诊断方法的多策略联合故障诊断模型的训练过程示意图。图2为本专利技术提供的一种面向少数类识别的多策略联合故障诊断方法的样本区域感知过采样算法示意图。图3为本专利技术提供的一种面向少数类识别的多策略联合故障诊断方法的特征提取器的训练过程示意图。图4为本专利技术提供的一种面向少数类识别的多策略联合故障诊断方法的少数类样本多层融合特征及多数类样本深层特征的提取过程示意图。图5为本专利技术提供的一种面向少数类识别的多策略联合故障诊断方法的故障分类器示意图。图6为本专利技术提供的一种面向少数类识别的多策略联合故障诊断方法的故障诊断精度对比图。图7为本专利技术提供的一种面向少数类识别的多策略联合故障诊断方法的故障诊断Recall对比图。图8为本专利技术提供的一种面向少数类识别的多策略联合故障诊断方法的故障诊断F1score对比图。具体实施方式下面结合附图并举实施例，对本专利技术进行详细描述。本专利技术提供的一种本文档来自技高网...

【技术保护点】
1.一种面向少数类识别的多策略联合故障诊断方法，其特征在于，包括以下步骤：/n步骤1、将工业故障数据集划分为少数类故障数据集和多数类故障数据集，对所述少数类故障数据集进行过采样得到少数类故障采样数据集；以所述少数类故障采样数据集与多数类故障数据集作为输入，以故障类别作为标签，构建故障诊断训练样本集；/n步骤2、构建多策略联合故障诊断模型，所述多策略联合故障诊断模型包括基于DBN的特征提取器和故障分类器；所述特征提取器用于从输入数据中提取故障特征；所述故障分类器根据所述故障特征及输入数据判断输入数据的故障类别；所述特征提取器包含两个并联的全连接神经网络；所述故障分类器为深度堆叠网络；/n步骤3、采用所述故障诊断训练样本集完成所述特征提取器的训练；将所述少数类故障采样数据集与多数类故障数据集分别输入训练好的特征提取器，将得到少数类故障特征集合与多数类故障特征集合合并为样本故障特征集；采用所述样本故障特征集完成故障分类器的训练；/n步骤4、应用中，将待诊断的工业故障数据输入训练好的多策略联合故障诊断模型中，模型的输出即为所述待诊断的工业故障数据的故障类别。/n

【技术特征摘要】
1.一种面向少数类识别的多策略联合故障诊断方法，其特征在于，包括以下步骤：
步骤1、将工业故障数据集划分为少数类故障数据集和多数类故障数据集，对所述少数类故障数据集进行过采样得到少数类故障采样数据集；以所述少数类故障采样数据集与多数类故障数据集作为输入，以故障类别作为标签，构建故障诊断训练样本集；
步骤2、构建多策略联合故障诊断模型，所述多策略联合故障诊断模型包括基于DBN的特征提取器和故障分类器；所述特征提取器用于从输入数据中提取故障特征；所述故障分类器根据所述故障特征及输入数据判断输入数据的故障类别；所述特征提取器包含两个并联的全连接神经网络；所述故障分类器为深度堆叠网络；
步骤3、采用所述故障诊断训练样本集完成所述特征提取器的训练；将所述少数类故障采样数据集与多数类故障数据集分别输入训练好的特征提取器，将得到少数类故障特征集合与多数类故障特征集合合并为样本故障特征集；采用所述样本故障特征集完成故障分类器的训练；
步骤4、应用中，将待诊断的工业故障数据输入训练好的多策略联合故障诊断模型中，模型的输出即为所述待诊断的工业故障数据的故障类别。


2.根据权利要求1所述的方法，其特征在于，所述步骤1中对所述少数类故障数据集进行过采样得到少数类故障采样数据集，包括以下步骤：
计算所述少数类故障数据集中故障数据元素与其余元...

【专利技术属性】
技术研发人员：李慧芳，樊锐，石其松，王一竹，王丹敬，柴森春，夏元清，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：北京;11