基于宽度学习的机电产品系统或设备实时故障诊断方法技术方案

本发明专利技术提供一种基于宽度学习的机电产品系统或设备实时故障诊断方法，其在传统宽度学习系统基础上，提供包括损失函数优化，即代价敏感学习、随机失活Dropout和集成学习多种方法，获得改进的宽度学习系统。针对实际监测数据存在不同数据类型、类别严重不平衡等问题，本发明专利技术在保障训练和优化效率前提下，将代价权重、失活概率等设置为可调节参数，并仿照装袋算法bagging进行集成学习投票预测最终结果，解决故障诊断中普遍存在的不确定影响及类别不平衡问题；基于改进宽度学习系统训练快速、预测精准且稳定性、鲁棒性高，应用于实时监测复杂系统或设备的健康状态，能够预防故障并提供维修建议。供维修建议。供维修建议。

【技术实现步骤摘要】
基于宽度学习的机电产品系统或设备实时故障诊断方法


[0001]本申请涉及故障诊断领域，具体地涉及针对机电产品系统或设备故障诊断采用宽度学习系统实现对故障状态的实时、精准监测一种故障诊断方法。

技术介绍

[0002]随着信息科技和人工智能水平的飞速发展，机电产品综合化、智能化程度不断提高的同时，其复杂度和风险系数也大大提升。机电产品在运行过程中各部件联系紧密，极易交叉影响，一个很小的故障就很有可能引起连锁反应，从而导致整个系统的损毁。不仅会带来巨大的经济损失，还有可能危及相关人员的生命安全。因此机电产品系统或设备的状态监测与故障诊断在系统健康与安全管理中显得越来越重要，也逐渐成为研究者关注的焦点。
[0003]为确保机电产品安全、平稳运行，现阶段主要采用定期检查保养、更换部件等相对保守的运维策略进行日常保养，但这不仅无法从根本上提高系统的可靠性、鲁棒性，也使得系统的运维成本越来越高。一旦遭遇突发情况如震荡、撞击，或定期检查未能及时发现部件的磨损和老化，系统就很有可能面临极大的风险。同时，定期维护也依赖于维修保障人员的综合素质和能力，这使得系统受人为因素的干扰更甚。因此，精确、稳定的故障诊断技术在机电产品系统运维中的需求越来越迫切，基于此的精准维修、提前维修也备受关注。
[0004]当前，可用于故障诊断的方法有很多，如专家系统模型、物理模型、数据驱动模型等。由于复杂系统或设备设计时遵循故障导向安全原则，功能、结构复杂且存在冗余，用专家系统模型、物理模型等传统算法研究其机理非常困难，甚至不可实现。而采用数据驱动模型，则可以避免对设备先验知识的依赖，只需有足够多的相关监测数据和维修数据等，就可以快速廉价地得到故障诊断模型。
[0005]数据驱动模型中，深度学习网络是非常常见的算法。其在处理高维数据和建立复杂非线性模型方面具有得天独厚的优势，因此被广泛使用于各种领域。然而，大多数深度学习网络结构复杂且涉及大量超参数，不仅很难调整参数、结构，使得训练过程极度耗时，而且在理论上分析深层结构也变得极其困难。当深度学习系统应用于复杂系统或设备状态监测时，如若发生突然情况常会致使运维环境突变，现有的故障诊断模型不再适用，此时若能及时更新、调整模型结构和参数来契合系统或设备当前的状态，则会有效保障系统和设备的可靠性。
[0006]因此，以提高模型训练速度为目的的深度网络及相关方法逐渐引起人们的关注。其中，宽度学习系统(Broad Learning System，BLS)提供了一种替代深度学习网络的新思路，避免了深层次结构的同时，通过增量学习的方式进行网络拓展，极大地提高了模型训练和优化的效率。BLS可以很好地平衡模型精度和效率，其效果在提出后不久便在包括故障诊断在内的各个领域得到了验证。在故障诊断领域，BLS也具有较好的适应性、较快的计算速度和较高的分类精度。但BLS目前大多被用于如转子、轴承等设备的故障诊断，监测数据类型统一且维度较低。当前故障诊断领域对BLS的应用和改进主要偏向于提高分类精度，如与
现有的特征提取方法主成分分析法、Hilbert变化相结合等，没有针对故障诊断领域常遇到的类别不平衡问题进行全面考虑。并且，对BLS模型参数和结构稳定性的考虑也比较欠缺。

技术实现思路

[0007]为了克服现有技术的不足，本专利技术的目的是提出一种基于宽度学习的机电产品系统或设备实时故障诊断方法，本专利技术在现有BLS应用于机电产品的故障诊断的基础上，考虑到复杂系统或设备的状态监测数据存在严重类别不平衡问题，以不增加运算负担的代价敏感学习对模型进行改进，旨在建立能应用于实际的高效故障诊断模型。为解决模型结构和参数难以确定的问题，以及降低不确定因素的影响，本专利技术在BLS中加入Dropout层并采用了集成学习，在满足诊断精度要求的基础上，实现对机电产品系统或设备健康状态的实时监测。
[0008]为实现上述目的，本专利技术所采用的解决方案为：
[0009]一种基于宽度学习的机电产品系统或设备实时故障诊断方法，其包括以下步骤：
[0010]步骤1：采集机电产品系统或设备的故障状态和监测数据，获得历史监测数据；
[0011]步骤2：对所述步骤1获得的历史监测数据进行数据预处理，获得预处理后的数据集[X,Y]，所述X为机电产品系统或设备故障状态相关变量，所述Y为机电产品系统或设备故障状态；
[0012]步骤3：在现有的宽度学习系统中引入代价敏感学习、设置随机失活层并采用投票式并行集成学习，获得改进宽度学习系统，所述改进宽度学习系统由N个加入代价参数和随机失活层的宽度学习系统集成所得，根据所述步骤2中获得的预处理后的数据集[X,Y]，将所述机电产品系统或设备故障状态相关变量X作为所述改进宽度学习系统的输入，将所述机电产品系统或设备故障状态Y作为所述改进宽度学习系统的输出，计算得到所述机电产品系统或设备故障诊断模型，具体包括以下步骤：
[0013]步骤31：所述步骤3在现有的宽度学习系统中引入代价敏感学习，具体为在现有宽度学习系统的输入层设置可调节的代价参数，所述可调节的代价参数的功能是将模型原始输入转变为代价敏感输入，所述可调节的代价参数为可调节的权重矩阵Λ：
[0014][0015]式中：K为输入到宽度学习系统中的样本总数量；λ
i
为可调节参数；
[0016]当第i个样本是正常样本时，λ
i
为1；
[0017]当第i个样本是故障样本时，λ
i
为大于1的数值；
[0018]步骤32：所述步骤3在现有宽度学习系统中设置随机失活层，具体为在宽度学习系统的隐藏层设置随机失活层，所述宽度学习系统的隐藏层包括映射特征节点组和增强节点组，所述随机失活层的功能是使得映射特征节点和增强节点随机失活；在设置可调节的代价参数和随机失活层的宽度学习系统中输入所述机电产品系统或设备故障状态相关变量X，将所述机电产品系统或设备故障状态Y作为输出，计算得到输出权重W；根据所述输出权
重W和机电产品系统或设备故障状态相关变量X，获得包含代价参数、隐藏层和随机失活层的单个分类器；
[0019]步骤33：采用投票式并行集成学习获得改进宽度学习系统，所述改进宽度学习系统由N个包含代价参数、隐藏层和随机失活层的宽度学习系统构成；在所述步骤32中的随机失活层选取N
‑
1个不同随机失活概率θ，获得N
‑
1个包含代价参数、隐藏层和随机失活层的宽度学习系统；对所述机电产品系统或设备故障状态相关变量X随机添加高斯白噪声获得N
‑
1组输入集；将所述N
‑
1组输入集对应输入所述N
‑
1个包含代价参数、隐藏层和随机失活层的宽度学习系统，所述机电产品系统或设备故障状态Y作为输出，根据所述步骤32获得单个分类器的方法建立N
‑
1个宽度学习系统分类器；根据所述N
‑
1个宽度学习系统分类器和所述步骤32获得的单个分类器，获得集成学习系本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于宽度学习的机电产品系统或设备实时故障诊断方法，其特征在于，其包括以下步骤：步骤1：采集机电产品系统或设备的故障状态和监测数据，获得历史监测数据；步骤2：对所述步骤1获得的历史监测数据进行数据预处理，获得预处理后的数据集[X,Y]，所述X为机电产品系统或设备故障状态相关变量，所述Y为机电产品系统或设备故障状态；步骤3：在现有的宽度学习系统中引入代价敏感学习、设置随机失活层并采用投票式并行集成学习，获得改进宽度学习系统，所述改进宽度学习系统由N个加入代价参数和随机失活层的宽度学习系统集成所得，根据所述步骤2中获得的预处理后的数据集[X,Y]，将所述机电产品系统或设备故障状态相关变量X作为所述改进宽度学习系统的输入，将所述机电产品系统或设备故障状态Y作为所述改进宽度学习系统的输出，计算得到所述机电产品系统或设备故障诊断模型，具体包括以下步骤：步骤31：所述步骤3在现有的宽度学习系统中引入代价敏感学习，具体为在现有宽度学习系统的输入层设置可调节的代价参数，所述可调节的代价参数的功能是将模型原始输入转变为代价敏感输入，所述可调节的代价参数为可调节的权重矩阵Λ：式中：K为输入到宽度学习系统中的样本总数量；λ
i
为可调节参数；当第i个样本是正常样本时，λ
i
为1；当第i个样本是故障样本时，λ
i
为大于1的数值；步骤32：所述步骤3在现有宽度学习系统中设置随机失活层，具体为在宽度学习系统的隐藏层设置随机失活层，所述宽度学习系统的隐藏层包括映射特征节点组和增强节点组，所述随机失活层的功能是使得映射特征节点和增强节点随机失活；在设置可调节的代价参数和随机失活层的宽度学习系统中输入所述机电产品系统或设备故障状态相关变量X，将所述机电产品系统或设备故障状态Y作为输出，计算得到输出权重W；根据所述输出权重W和机电产品系统或设备故障状态相关变量X，获得包含代价参数、隐藏层和随机失活层的单个分类器；步骤33：采用投票式并行集成学习获得改进宽度学习系统，所述改进宽度学习系统由N个包含代价参数、隐藏层和随机失活层的宽度学习系统构成；在所述步骤32中的随机失活层选取N
‑
1个不同随机失活概率θ，获得N
‑
1个包含代价参数、隐藏层和随机失活层的宽度学习系统；对所述机电产品系统或设备故障状态相关变量X随机添加高斯白噪声获得N
‑
1组输入集；将所述N
‑
1组输入集对应输入所述N
‑
1个包含代价参数、隐藏层和随机失活层的宽度学习系统，所述机电产品系统或设备故障状态Y作为输出，根据所述步骤32获得单个分类器的方法建立N
‑
1个宽度学习系统分类器；根据所述N
‑
1个宽度学习系统分类器和所述步骤32获得的单个分类器，获得集成学习系统，所述集成学习系统包含N个分类器；集成学习输出
结果集采用投票方式预测最终输出结果，获得机电产品或设备的故障诊断模型；步骤4：采集实时监测数据，对所述实时监测数据进行与所述步骤2相同的数据预处理，获得预处理后的实时监测数据，所述预处理后的实时监测数据输入到所述步骤3获得的机电产品或设备故障诊断模型中，获得机电产品系统或设备的实时故障状态，完成故障诊断。2.根据权利要求1所述的基于宽度学习的机电产品系统或设备实时故障诊断方法，其特征在于，所述机电产品系统或设备故障状态相关变量X经过加入代价参数的输入层获得代价敏感输入ΛX，根据所述代价敏感输入ΛX计算隐藏层的n组随机映射节点Z
n

【专利技术属性】
技术研发人员：刘杰，王冲，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：