一种旋转机械自适应故障诊断方法、装置、设备及介质制造方法及图纸

本发明专利技术公开了一种旋转机械自适应故障诊断方法、装置、设备及介质，属于旋转机械故障诊断技术领域，方法包括：收集旋转机械各种状态数据，对状态数据进行标注，并构建训练数据集；构建基于Cap‑net的故障诊断模型，利用训练数据集对模型进行训练；构建基于深度强化学习的自适应学习框架，并初始化自适应学习框架，设计标注方法和奖赏规则；基于建立的自适应学习框架，实现对旋转机械在线数据的诊断和对target网络的更新，获得最终的故障诊断模型；测试故障诊断模型，输出测试结果。如此，本发明专利技术不仅实现了旋转机械的在线状态诊断，还实现了故障诊断模型性能的提升，并且降低了模型训练过程中获取和标注数据样本的成本。

【技术实现步骤摘要】
一种旋转机械自适应故障诊断方法、装置、设备及介质
本专利技术属于旋转机械故障诊断
，具体涉及一种旋转机械自适应故障诊断方法、装置、设备及介质。
技术介绍
旋转机械作为工程领域装备不可或缺的主体或关键部件，关系着矿山、石化、冶金以及发电等国计民生项目的生产效益。然而，在实际运行中旋转机械受恶劣工作环境以及强负荷、连续运转等工作状态的影响，相比于装备中的其他部分，其更易发生一定程度的性能劣化继而引发一系列继发故障，这严重影响装备总体性能，轻则降低装备生产质量，重则造成巨大的经济损失和人员伤亡。因此，针对旋转机械这一典型部件发展智能化故障诊断十分有必要。近年来，随着深度学习的发展，旋转机械智能故障诊断技术取得了长足发展。一般而言，基于深度学习的旋转机械故障诊断模型多以有监督方式对模型参数进行优化，通过深度挖掘旋转机械状态数据特征，利用全连接神经元对特征和故障模式进行线性和非线性映射，从而实现对旋转机械的故障分类。然而，基于有监督训练而来的故障诊断模型往往具有其内在限制，如：故障诊断模型多依赖于旋转机械的历史数据，只对与历史数据相似的监测本文档来自技高网...

【技术保护点】
1.一种旋转机械自适应故障诊断方法，其特征在于，包括以下步骤：/nS1、采集旋转机械的状态数据，并对所述状态数据进行标注，构建训练数据集；/nS2、构建基于胶囊神经网络的故障诊断模型，并利用所述训练数据集对胶囊神经网络参数进行优化训练，从而得到训练后的故障诊断模型；/nS3、建立基于深度强化学习的自适应学习框架，所述框架包括在线数据环境、target网络、evaluation网络、记忆存储器和在线特征字典；/nS4、利用步骤S2中所述训练后的故障诊断模型初始化target网络和evaluation网络；并利用初始化后的evaluation网络对所述训练数据集进行特征向量提取，以初始化在线特征字...

【技术特征摘要】
1.一种旋转机械自适应故障诊断方法，其特征在于，包括以下步骤：
S1、采集旋转机械的状态数据，并对所述状态数据进行标注，构建训练数据集；
S2、构建基于胶囊神经网络的故障诊断模型，并利用所述训练数据集对胶囊神经网络参数进行优化训练，从而得到训练后的故障诊断模型；
S3、建立基于深度强化学习的自适应学习框架，所述框架包括在线数据环境、target网络、evaluation网络、记忆存储器和在线特征字典；
S4、利用步骤S2中所述训练后的故障诊断模型初始化target网络和evaluation网络；并利用初始化后的evaluation网络对所述训练数据集进行特征向量提取，以初始化在线特征字典；利用初始化后的在线特征字典设计在线数据的标注方法和奖赏规则；
S5、利用不同工况下进行标注和奖赏后的在线数据更新target网络权重，并将更新后的target网络作为最终故障诊断模型。


2.如权利要求1所述的方法，其特征在于，步骤S2中胶囊神经网络包括多个卷积层、多个池化层、多个胶囊层和一个分类层；其中，卷积层用于获取输入层的特征；池化层用于对卷积运算后的结果进行数据降维处理；胶囊层用于将全连接神经网络的每个神经元由标量转换为向量。


3.如权利要求1或2所述的方法，其特征在于，步骤S2中，利用所述训练数据集对胶囊神经网络参数进行优化训练具体包括：
将所述训练数据样本输入至构建的胶囊神经网络模型中，通过比较模型输出和样本真实标签获取两者之间的差异，形成损失函数；利用反向传播算法不断更新模型网络权重以减小损失函数；
其中，所述损失函数定义如下：
Lc＝Tcmax(0,m+-pc)2+λ(1-Tc)max(0,pc-m-)2
上式中，c表示训练数据集中包含的故障类型数目；pc表示输出的每个故障类型的概率值；Tc为分类指示函数，当pc概率最大对应的故障类型K与输入数据的真实标签c一致时，Tc＝1，否则Tc＝0；m+和m-分别表示概率上边界和下边界；当概率pc大于设定的上边界或小于边界时损失函数将被置为0；λ为一个比例系数，用于修改m+和m-比例。


4.如权利要求3所述的方法，其特征在于，步骤S4中，利用初始化后的在线特征字典设计在线数据的标注方法和奖赏规则具体包括：
S41、计算在线特征字典中每一类特征向量与在线数据特征向量的余弦相似度，计算过程如下：



其中，代表第...

【专利技术属性】
技术研发人员：吴军，黎国强，邓超，徐雪兵，邵新宇，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：湖北;42