【技术实现步骤摘要】
基于空间挖掘卷积自编码的动中通卫通设备故障诊断方法
[0001]本专利技术属于机器学习
，具体涉及一种基于空间挖掘卷积自编码的动中通卫通设备故障诊断方法。
技术介绍
[0002]随着通信系统的迅速发展，越来越多的卫通产品投入到工业生产生活之中。如何对这些设备的运行状态进行检测，提早或者及时发现可能的故障，能够有效地避免人员和经济损失。然而，主要功能和基本原理相似，但由于设备类型多样，不同类型的设备具有不同机械结构\业务类型\和适装平台等，不同系统的故障需要用不同的特征来刻画，同类系统的同类故障特征在不同机器上也存在表型差异。此外，即使是完全相同类型的设备，也因运行工况、制造误差等使得机器之间存在差异。设备的组成系统的服役工况、数据衍生机制、数据蕴含特征等差异，导致获取的监测数据集具有高维异构、分布不一等特点，使得跨设备可迁移性检测难以进行，进而影响诊断知识的可迁移性能。因此，亟需建立设备故障智能自适应表征提取方法，实现故障特征自学习和跨设备故障诊断。
[0003]卫通设备服役期内有两种状态，一种动中通，一种静止...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.一种基于空间挖掘卷积自编码的动中通卫通设备故障诊断方法，其特征在于，包括以下步骤：S1：对故障诊断的性能数据和振动序列数据进行移动窗口截取，构建故障诊断训练集和测试集；S2：构建基于振动时间序列输入的两层卷积网络两层池化网络组成的编码器，并构建具有跟编码器对称结构的解码器，卷积自编码器和解码器通过全连接层连接；S3：在所述编码器中引入数据领域类别弱监督信息和领域自适应损失，构建具有可迁移故障特征挖掘特性卷积自编码器；S4：应用S1中获得的训练集和对应的领域类别信息作为弱监督，结合最大均值差异领域自适应损失函数和样本重建损失函数，对S3中构建的可迁移故障特征挖掘卷积自编码器进行训练，获得故障特征提取网络模型；S5：构建具有故障特征提取模块、独特征提取模块、特征连接模块和特征比较和相似度模块的故障特征提取与比较网络；S6：采用S5中的故障特征提取网络和独特征提取网络构成一支特征提取网络分枝，采用共享权值的方式构成两支故障特征/独特征提取网络，对两路输入样本进行特征提取，输入到后续的特征连接与比较模块；S7：采用小样本学习训练方式训练比较网络与S6构成的故障特征/独特征提取网络，获得故障诊断模型，利用所述故障诊断模型进行故障诊断。2.根据权利要求1所述的基于空间挖掘卷积自编码的动中通卫通设备故障诊断方法，其特征在于，S1所述对故障诊断的性能数据和振动序列数据进行移动窗口截取，构建故障诊断训练集和测试集，具体如下：对源域数据和目标域数据的振动序列均采用滚动窗口分割的方式采集预设长度的样本，采用不交叉覆盖的方式进行样本截取；在构建可迁移故障特征挖掘卷积自编码器的训练集时，对每个样本标注数据集来源，标注数据集来源时标注来自源域还是目标域，不标注健康状态；在构建故障特征提取与比较网络的训练集时，对源域的每个样本标注健康状态，对目标域的样本不标注健康状态；所述样本的长度统一为1
×
1024；训练集和测试集的样本结构保持均衡，即各类健康状态的样本数量保持一致。3.根据权利要求1所述的基于空间挖掘卷积自编码的动中通卫通设备故障诊断方法，其特征在于，S2中，编码器和解码器均由两个卷积层和两个池化层构成，每个卷积层采用20个特征卷积核，卷积核尺寸为1
×
3；池化操作采用平均池化，池化窗口尺寸为1
×
2；编码器与解码器之间采用一个全连接层，神经元数为1024；解码器后连接两个全连接层，两个全连接层的神经元数分别为2048和1024；神经元激活函数均采用ReLu，池化层均采用平均池化。4.根据权利要求1所述的基于空间挖掘卷积自编码的动中通卫通设备故障诊断方法，其特征在于，S3中，在编码器和解码器之间的全连接层学习所得的特征表示层进行弱监督损失和领域自适应损失计算；其中，弱监督信息采用样本的领域标注，标注样本来源于源域还是目标域，损失函数采用交叉熵，具体如下：
其中，n
b
表示在批训练时每批训练数据中的样本数量，y
i
技术研发人员：南淑君，于祥，牛南坡，张津瑞，王妍焱，
申请(专利权)人：南京熊猫汉达科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。