一种基于深度自编码器与特征优化的电机故障诊断方法技术

本发明专利技术提出了一种基于深度自编码器与域不变特征提取的可迁移电机故障诊断方法，首先，采用双树复小波包变换对电机振动信号进行信号处理与混合域特征提取。其次，提出一种基于重要性得分与域间差异度量的域不变特征选取方法，选取具有高故障分辨能力与域不变特性的特征。然后，采用选取的域不变特征对深度自动编码器(源模型)进行预训练以增强深度特征的故障表征能力。将源模型的参数迁移至结构相同的目标模型，并使用目标域的正常状态特征数据微调目标模型。最后，采用微调后的目标模型对目标域故障进行分类。本发明专利技术所提出的方法可以明显提高跨域故障诊断准确度，在实际工业场景中具有更强的可用性、稳定性和优势。稳定性和优势。稳定性和优势。

【技术实现步骤摘要】
一种基于深度自编码器与特征优化的电机故障诊断方法


[0001]本专利技术涉及故障诊断领域，尤其涉及一种基于深度自编码器与特征优化的电机故障诊断方法。

技术介绍

[0002]随着现代化工业的快速发展，电机等旋转机械朝着集成化和复杂化的趋势发展，同时工作条件也较为复杂恶劣，因此设备故障率较高，某个部件的故障通常会导致其他部件故障，甚至会造成巨大的人员与经济损失。因此，针对实际工业场景研究电机的智能故障诊断方法具有重要现实意义。
[0003]近年来，智能故障诊断领域的研究一般包括基于传统机器学习(Traditional MachineLearning，TML)框架、基于深度学习(Deep Learning，DL)的框架和基于迁移学习 (Transfer Learning，TL)的框架。基于TML的框架包括三个步骤：信号处理和特征提取、特征选取和降维、故障分类。目前电机智能故障诊断的分析信号大多来自于电机的振动信号，且一般使用时频分析方法进行信号处理和特征提取，此方法可以有效地帮助提取故障特征，但所得到的高维特征集往往包含干扰和冗余特征。因此，特征选取和降维是故障模式分类之前的关键步骤。基于TML的框架的主要局限性在于当诊断模型对不同的工况和机器进行故障诊断时，严重依赖于专家知识，因此基于DL的框架引入一种自动挖掘隐藏特征能力的深度学习算法，在智能故障诊断领域得到了广泛的研究。但大多数基于DL的框架存在局限性：训练集与测试集同分布的前提使得模型泛化能力不足；需要大量标记数据，标记数据不足时，诊断时将出现过拟合现象，导致诊断准确率下降。针对上述局限性，基于TL框架的领域自适应作为最近开发的新技术，已成为研究热点，其目标是使用标记的源域和未标记的目标域来进行跨域学习，以实现目标域的理想故障分类。目前深度迁移模型在旋转机械的跨域故障诊断中取得了许多成功的应用，但如何提高深层特征的故障表征能力以及诊断模型应用于不同工况下的稳定性仍然是一项具有挑战性的任务。针对这个问题，本文提出了一种变工况下基于深度自动编码器(Deep Auto
‑
encoder,DAE)和域不变特征选择的可迁移电机故障诊断方法(TFDD)。旨在利用少量训练样本，对源模型进行训练并进行目标模型的迁移学习，以实现变工况下电机的智能故障诊断，并提高模型的泛化能力。

技术实现思路

[0004]为了提高电机故障诊断方法在实际工业场景的适应性和稳定性，以面对复杂多变的机械工作条件，本专利技术提供一种基于深度自编码器与特征优化的电机故障诊断方法，满足电机故障诊断模型在较少训练数据条件下高诊断准确度的同时，还有优越的跨域诊断性能。
[0005]本专利技术是以如下技术方案实现的：一种基于深度自编码器与特征优化的电机故障诊断方法，具体如下：
[0006]步骤1，采用双树复小波包变换对不同工况下的原始振动信号进行信号处理和统
计特征提取，并构建初始统计特征集；
[0007]步骤2，对步骤1构建的初始统计特征集中的特征进行故障分辨能力及领域不变性评价，选取出可表征电机状态的域不变特征，构建样本的域不变特征子集，
[0008]步骤3，将步骤2得到的源域的域不变特征子集进行源DAE模型训练，获得模型参数，并将参数迁移到目标DAE模型，采用步骤2得到的目标域的正常状态域不变特征子集进行目标模型微调，完成深度迁移自动编码器模型DTAE构建；
[0009]步骤4，测试步骤3构建的深度迁移自动编码器模型DTAE，并输出故障诊断结果。
[0010]优选的，步骤1具体步骤如下：将来自于不同工况的原始振动信号样本分为振动数据集I和振动数据集Ⅱ，其中振动数据集I为源域，其数据集的样本有标签；振动数据集Ⅱ为目标域，其数据集的样本无标签，运用来自源域的已知标签样本对诊断模型进行训练，并使用训练后的模型对目标域进行状态分类。
[0011]优选的，步骤2中具体过程：利用来自源域初始统计特征集的带标签故障特征数据、源域与目标域的正常状态特征数据，采用基于重要性得分和域不变性的域不变特征选取方法对初始统计特征集的特征进行评价，得到域不变特征选择指数RIM，采用排序后的 RIM序列选择来自目标域的初始统计特征集的域不变特征子集。
[0012]优选的，对于步骤1所得到的源域中的带标签故障特征数据，通过基于随机森林的特征重要度评价方法，计算出每一种特征的重要性得分IS，以评估特征的故障分辨能力；分析源域与目标域中单个特征的域间差异度，采用最大平均差异MMD估计同一特征在不同域间的分布差异度MMDS，对于得到的每一特征的IS与MMDS，计算IS与MMDS 的比值，构建域不变特征选取指标RIM，对RIM序列进行降序排序；对于来自目标域原始特征集的无标签特征数据，直接用排序后的RIM序列进行域不变特征选取。
[0013]优选的，基于随机森林的特征重要度评价方法具体步骤如下：
[0014]对于振动数据集I(源域)的N个电机振动信号样本，经过步骤1的信号处理与统计特征提取过程，每个振动信号样本可以获得包含Q种统计特征，可以构成初始统计特征集F＝[f1,f2,
…
,f
N
]T
，其中f
i
＝{f
i1
,f
i2
,
…
f
iQ
},i∈[1,N]表示第i个振动信号样本的Q个统计特征的集合。采用基于RF的特征选取方法，对原始特征集中的每一特征计算其重要性得分 (IS)。RF主要思想是构建决策树(DT)。这里假设一个RF有n
DT
颗决策树构成。
[0015]利用F
j
和它的标签Y构建集合 F
j
为振动数据集I的第j个统计特征集合，y
i
代表电机状态标签，C和N分别代表类别数和样本数。计算S构建的决策树DT
n
的每个节点的基尼指数GI，GI(t)表示DT
n
在节点 t处的GI值，用以量化节点t的不纯度，其定义如下：
[0016][0017]式中，节点t第k类样本的出现概率。特征F
j
的重要性得分IS可由下列公式定义：
[0018][0019]式中，n
DT
可表示为RF中的DT数量，t∈DT
n
表示分裂节点的集合。
[0020]最后，在原始的高维特征集中，可以计算出每种特征的重要性得分IS(j)，得到Q个
特征的IS序列IS＝{IS(1),IS(2),
…
,IS(Q)}，当IS的值越大时，特征的故障分辨能力越大。根据排序后的IS序列可以选择IS值高的特征构建特征子集，从而剔除很多IS小的特征，提高分类性能。
[0021]对于振动数据集I(源域)与振动数据集Ⅱ(目标域)的正常状态特征数据，通过 MMD评估同一特征的在不同域的分布差异，MMD的值作为特征域不变性的量化指标。来自源域和目标域的正常状态特征数据分别定本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度自编码器与特征优化的电机故障诊断方法，其特征在于：具体如下：步骤1，采用双树复小波包变换对不同工况下的原始振动信号进行信号处理和统计特征提取，并构建初始统计特征集；步骤2，对步骤1构建的初始统计特征集中的特征进行故障分辨能力及领域不变性评价，选取出可表征电机状态的域不变特征，构建样本的域不变特征子集，步骤3，将步骤2得到的源域的域不变特征子集进行源DAE模型训练，获得模型参数，并将参数迁移到目标DAE模型，采用步骤2得到的目标域的正常状态域不变特征子集进行目标模型微调，完成深度迁移自动编码器模型DTAE构建；步骤4，测试步骤3构建的深度迁移自动编码器模型DTAE，并输出故障诊断结果。2.根据权利要求1所述的一种基于深度自编码器与特征优化的电机故障诊断方法，其特征在于：步骤1具体步骤如下：将来自于不同工况的原始振动信号样本分为振动数据集Ι和振动数据集Ⅱ，其中振动数据集Ι为源域，其数据集的样本有标签；振动数据集Ⅱ为目标域，其数据集的样本无标签，运用来自源域的已知标签样本对诊断模型进行训练，并使用训练后的模型对目标域进行状态分类。3.根据权利要求2所述的一种基于深度自编码器与特征优化的电机故障诊断方法，其特征在于：步骤2中具体过程：利用来自源域初始统计特征集的带标签故障特征数据、源域与目标域的正常状态特征数据，采用基于重要性得分和域不变性的域不变特征选取方法对初始统计特征集的特征进行评价，得到域不变特征选择指数RIM，采用排序后的RIM序列选择来自目标域的初始统计特征集的域不变特征子集。4.根据权利要求3所述的一种基于深度自编码器与特征优化的电机故障诊断方法，其特征在于：对于步骤1所得到的源域中的带标签故障特征数据，通过基于随机森林的特征重要度评价方法，计算出每一种特征的重要性得分IS，以评估特征的故障分辨能力；分析源域与目标域中单个特征的域间差异度，采用最大平均差异MMD估计同一特征在不同域间的分布差异度MMDS，对于得到的每一特征的IS与MMDS，计算IS与MMDS的比值，构建域不变特征选取指标RIM，对RIM序列进行降序排序；对于来自目标域原始特征集的无标签特征数据，直接用排序后的RIM序列进行域不变特征选取。5.根据权利要求4所述的一种基于深度自编码器与特征优化的电机故障诊断方法，其特征在于：基于随机森林的特征重要度评价方法具体步骤如下：对于源域的N个电机振动信号样本，经过步骤1的信号处理与统计特征提取过程，每个振动信号样本可以获得包含Q种统计特征，可以构成初始统计特征集F＝[f1,f2,
…
,f
N
]
T
，其中表示第i个振动信号样本的Q个统计特征的集合。采用基于RF的特征选取方法，对原始特征集中的每一特征计算其重要性得分IS,RF主要思想是构建决策树DT，假设一个RF有n
DT
颗决策树构成；利用F
j
和它的标签Y构建集合F
j
为振动数据集Ι的第j个统计特征集合，y
i
代表电机状态标签，C和N分别代表类别数和样本数；计算S构建的决策树DT
n
的每个节点的基尼指数GI，GI(t)表示DT
n
在节点t处的GI值，用以量化节点t的不纯度，其定义如下：
式中，节点t第k类样本的出现概率。特征F
j
的重要性得分IS可由下列公式定义：式中，n
DT
可表示为RF中的DT数量，t∈DT
n
表示分裂节点的集合；最后，在原始的高维特征集中，计算出每种特征的重要性得分IS(j)，得到Q个特征的IS序列IS＝{IS(1),IS(2),
…

【专利技术属性】
技术研发人员：卑璐璐，俞啸，厉丹，陈磊，赵文婧，
申请(专利权)人：徐州工程学院，
类型：发明
国别省市：