【技术实现步骤摘要】
多阶段分布校正引导的设备故障诊断方法及装置
[0001]本专利技术涉及深度学习
,尤其是指一种多阶段分布校正引导的设备故障诊断方法、装置及计算机存储介质。
技术介绍
[0002]现有的技术中,设备在工业生产中起到非常重要的作用,其稳定运行对于工业高效生产是至关重要的。然而,设备经常工作在高速、高压等恶劣环境中。旋转设备中的关键部件,如轴承和齿轮,在这种环境下长期工作,容易发生故障。为了避免设备故障造成的财产损失和安全事故,及时的设备健康监测和故障诊断就显得尤为必要。传统的故障诊断技术依赖于人工分析,需要丰富的先验诊断知识。人工分析的低效率和高错误率阻碍了故障诊断技术的发展。为了克服这些局限性,智能故障诊断越来越受到人们的重视。
[0003]近年来,深度学习凭借其强大的数据处理能力在许多领域得到了迅速发展。与传统诊断方法相比,基于深度学习的诊断方法显著提高了诊断效率和准确性,已成为智能故障诊断的主流技术。然而,许多深度学习方法对标记数据的规模极其敏感,只有在有大量标记数据可供训练的前提下,这些方法才能达到令人满意的性能。在实际应用中,收集足够的标记数据(即故障案例)是很困难的,原因如下:大多数情况下,设备都在健康的状态下工作,很少发生故障。因此,健康数据占采集数据的大部分,而故障数据的规模相对较小;设备工作环境复杂,噪声干扰大,工作条件多变。即使是同一故障的数据也可能遵循不同的数据分布。在各种工况下收集和标注故障数据是不现实的。当只有有限的标记数据可以用于模型训练时,深度学习方法的性能会急剧下降,故障诊断 ...
【技术保护点】
【技术特征摘要】
1.一种设备故障诊断方法,其特征在于,包括:采集不同工况下各个健康状态的设备振动信号,并进行快速傅里叶变换,将其转换为频域信号,得到数据集,将数据集划分为不同工况下的基域数据和测试域数据,将所述基域数据全部进行标记,将所述测试域数据按预设比例划分为支持集和查询集,对所述支持集进行标记;将测试域数据输入利用基域数据预训练好的特征提取器中,进行特征提取,得到测试域数据特征,将其进行幂变换,使其符合高斯分布,所述测试域数据特征包括多个查询集特征和多个支持集特征;将经过幂变换的多个查询集特征聚类为多个簇,计算每个经过幂变换的支持集特征与各个簇中心特征的余弦相似度,将其分配给与其余弦相似度最高的簇中心特征所属的簇中,并通过提取各个簇的高斯统计量,以校正对应支持集特征的分布;从校正后的支持集特征分布中进行采样,生成新的标记特征;将所述标记特征和支持集特征输入分类器中进行训练,得到训练好的分类器;将待测设备振动信号输入所述预训练好的特征提取器中,得到待测设备振动信号特征,将其输入所述训练好的分类器中,得到故障诊断结果。2.根据权利要求1所述的设备故障诊断方法,其特征在于,所述幂变换的公式表示为:其中,ε为超参数,x为输入数据,λ为控制分布偏度的超参数,为经过幂变换后的输出。3.根据权利要求1所述的设备故障诊断方法,其特征在于,所述将所述多个查询集特征聚类为多个簇包括:步骤一:初始化簇中心集V={v1,v2,...,v
N
},N表示簇的数量;步骤二:计算经过幂变换的查询集特征x
k
与簇中心v
i
之间的欧氏距离其中,d∈1,2,3...d表示维度,x
k
(d)表示经过幂变换的第k个查询集特征x
k
第d个维度上的数据,v
i
(d)表示第i个簇中心v
i
第d个维度上的数据;步骤三:建立隶属度矩阵其中,c为簇的数量,m∈(1,+∞)为模糊性参数,k=1,2,3...n
q
,n
q
为查询集特征数量;步骤四:对多个经过幂变换的查询集特征进行聚类,得到新的簇中心集V
′
={v
′1,v
′2,...,v
′
N
},其中,为第k个查询集特征属于第i个簇的隶属度,n为查询集特征的数量;
步骤五:计算优化函数步骤六:重复以上步骤二到五,直到满足第一迭代终止条件或达到最大迭代次数所述第一迭代终止条件为其中,δ为误差阈值,表示迭代步数,为迭代步后的特征隶属度,为迭代步后的特征隶属度。4.根据权利要求1所述的设备故障诊断方法,其特征在于,所述计算每个经...
【专利技术属性】
技术研发人员:黄伟国,张骁,王锐,马骏陶,韩时炘,曾冠杰,王俊,丁传仓,廖一,杜贵府,
申请(专利权)人:苏州大学,
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。