【技术实现步骤摘要】
一种基于对比自监督学习的时间序列设备故障诊断方法
[0001]本专利技术涉及机器学习领域，特别是一种基于对比自监督学习的时间序列设备故障诊断方法。
技术介绍
[0002]当前，机械设备已经广泛地应用于能源、交通、冶金、化工、航空等行业，在现代工业和生产中所起到的作用越来越大，并且机械设备的结构正朝重型化、大型化、高速化、精密化、复杂化等方向迅速地发展。机械设备的功能愈加完善，结构越来越复杂，这增加了机械系统发生故障的几率，并且导致对机械设备的健康状态进行监测愈发困难。机械设备一旦发生故障，不仅会导致严重的经济损失，并可能会造成严重的灾难性事故。因此为了避免经济损失，及时有效地对设备进行预测性维护，提高设备的安全性至关重要。
[0003]传统的机器学习方法通过精细的结构设计提取手工制作的特征，然后以数据驱动的方式构建特征与机械健康状态之间的映射关系。特征提取虽然可以取得良好的性能，但其过程仍然依赖于专家知识。深度学习作为机器学习的一个子领域，可以在不进行任何数据预处理的情况下匹配输入和输出之间的高非线性关系，从而获得更...
【技术保护点】
【技术特征摘要】
1.一种基于对比自监督学习的时间序列设备故障诊断方法，其特征在于，包括以下步骤：步骤1、对无标签的输入数据进行预处理，然后进行特征提取并对提取的特征进行聚类，根据聚类结果选择样本实例间正负样本对，并计算实例间聚类对比损失；步骤2、对无标签的输入数据进行数据增强，生成两个不同但相关的视图，根据两个视图的时间对应关系选择正负样本对，并计算实例内时间对比损失；步骤3、基于步骤2的生成视图，通过掩码预测任务选择正负样本对，并计算实例内上下文对比损失；步骤4、基于步骤1计算得到的实例间聚类对比损失、步骤2计算得到的实例内时间对比损失以及步骤3计算得到的实例内上下文对比损失进行求和，作为整个模型的最终损失函数来训练模型；步骤5、使用步骤4得到的预训练模型，利用编码器和分类器得到最终的故障诊断结果。2.根据权利要求1所述的基于对比自监督学习的时间序列设备故障诊断方法，其特征在于，步骤1中所述的对无标签的输入数据进行预处理，具体如下：对数据进行时频域变换，时频域变换采用小波变换、短时傅里叶变换或经验模态分解的方式；步骤1中所述的特征提取，具体如下：特征提取分为基于信号处理的特征和基于模型的特征：基于信号处理的特征包括时域特征和频域特征，其中时域特征包括有效值、峰峰值、直流量、峰值、峰值指标、脉冲指标、裕度指标、峭度指标、偏度系数、波形指标、中心频率、均方频率和均方根频率等，频域特征包括功率谱、包络谱、0.5倍～3倍的频率和4倍～12倍的幅值；基于模型的特征是指数据输入神经网络得到的指定维度的特征表示。3.根据权利要求1所述的基于对比自监督学习的时间序列设备故障诊断方法，其特征在于，步骤1中所述的根据聚类结果选择样本实例间正负样本对，具体如下：聚类后根据簇分配伪标签，一个簇内的样本具有相同的伪标签，不同的簇之间的样本具有不同的伪标签，因此对一个样本实例而言，与其伪标签相同的样本是正样本，与其伪标签不同的样本是负样本。4.根据权利要求1所述的基于对比自监督学习的时间序列设备故障诊断方法，其特征在于，步骤1中所述计算实例间聚类对比损失，具体如下：采用聚类原型来计算对比损失，原型是聚类后每个簇的中心，即簇中所有样本的平均值，正对由一个实例与其相关的原型即实例所在簇的中心组成，负对由实例与不相关的原型即其他簇的中心组成，给定实例z的一个正对(z,p)，聚类对比损失计算公式为：其中，L
C
是指聚类对比损失，p是实例z所在簇的原型，N
P
是实例z的一组负对，p
i
是与实例z不相关的簇的原型，τ
p
和τ
pi
分别是与p、p
i
对应的温度系数。5.根据权利要求1所述的基于对比自监督学习的时间序列设备故障诊断方法，其特征
在于，步骤2中所述的数据增强，具体如下：数据增强是通过对数据...
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。