【技术实现步骤摘要】
本专利技术涉及故障诊断，尤其涉及一种基于小样本不平衡学习的增强极限学习机故障诊断方法。
技术介绍
1、旋转机械作为大型装备的重要组成部分，结构越来越复杂，规模也越来越庞大。由于长期处于高温高压、高转速、重载荷等恶劣环境连续运行，故障发生在所难免。通常，旋转机械绝大部分时间运行在正常工况，状态监测系统往往能够采集到大量正常状态样本。然而当旋转机械出现故障时，由于企业生产的固有特点，不允许机组在故障状态下持续运行，加之监测数据标注耗时费力，造成难以采集到适量故障样本，致使故障状态下的样本稀缺，并且故障状态样本数目上存在高度的不平衡特性，样本数据集呈现典型的小样本不平衡特性。近年来，旋转机械小样本不平衡下的故障诊断问题受到广泛关注，小样本不平衡下的故障诊断是指利用大量正常状态样本和少量故障样本建立诊断模型，实现对故障样本的准确识别，由此衍生出如下问题：如何在正常状态样本充足、故障状态样本不足，甚至稀缺的情况下，提高对故障样本的诊断能力。
2、现有大多数机器学习方法均是基于平衡样本集设计的，通常在平衡样本集下能够表现出较好的识别性能，但在小样本不平衡数据集下识别性能往往会下降。现有诊断模型处理小样本不平衡数据集时，容易对正常状态样本过学习和故障状态样本欠学习，造成故障状态样本诊断准确率低于正常状态样本诊断准确率，诊断结果往往倾向于正常状态，出现对正常状态样本误诊和故障状态样本漏诊现象。考虑这样一个问题，假设小样本不平衡数据集包含99个正常类别样本和1个故障类别样本，即使诊断模型将所有样本识别为正常样本，依旧能够获得99％的准
技术实现思路
1、本专利技术通过提供一种基于小样本不平衡学习的增强极限学习机故障诊断方法，实现了提升了在小样本不平衡下的故障诊断性能的技术效果。
2、本专利技术提供了一种基于小样本不平衡学习的增强极限学习机故障诊断方法，包括：
3、获取小样本不平衡数据的故障特征集；
4、通过公式从所述小样本不平衡数据的故障特征集中选择出与故障类别c关联性最大的特征ai，将所述特征ai归入特征空间sm-1；其中，d是包含所述小样本不平衡数据的故障特征集在特征和故障类别向量之间互信息值的向量，|s|是特征空间s的维度，i(ai；c)是所述特征ai和所述故障类别c的向量之间的互信息值；
5、通过公式从所述小样本不平衡数据的故障特征集中获取m个敏感特征子集；其中，特征aj为剩余特征空间{s-sm-1}中的特征，i(aj；c)是所述特征aj和所述故障类别c的向量之间的互信息值，i(ai；aj)是所述特征ai和所述特征aj之间的互信息值；
6、基于所述敏感特征子集计算待诊断样本的特征向量x，通过函数得到增强极限学习机的输出；其中，m(x)为所述待诊断样本的特征映射向量，m是所述增强极限学习机的隐含层节点输出矩阵，c是正系数，i是单位矩阵，ws是所述敏感特征子集中样本的权重，t为期望输出矩阵，n是所述敏感特征子集中样本的数量，l是所述增强极限学习机的隐含层节点的数量；
7、通过公式label(x)＝arg max fi(x)，i＝1，...，d，得到所述待诊断样本的故障诊断标签。
8、具体来说，所述获取小样本不平衡数据的故障特征集，包括：
9、采集机械在不同故障状态下的振动信号；
10、利用小波包分解方法获得所述振动信号在不同频带下的分解信号；
11、基于所述振动信号和所述分解信号计算得到故障特征，形成故障特征集；
12、通过预设的小样本不平衡率从所述故障特征集中划分出所述小样本不平衡数据的故障特征集。
13、具体来说，所述i(ai；c)的计算公式为其中，p(x，y)表示所述特征ai和所述故障类别c的向量的联合概率密度函数，p(x)表示所述特征ai的边缘概率密度函数，p(y)表示所述故障类别c的向量的边缘概率密度函数。
14、具体来说，所述i(aj；c)的计算公式为其中，p(z，y)表示所述特征aj和所述故障类别c的向量的联合概率密度函数，p(z)表示所述特征aj的边缘概率密度函数，p(y)表示所述故障类别c的向量的边缘概率密度函数。
15、具体来说，所述i(ai；aj)的计算公式为其中，p(x，z)表示所述特征ai和所述特征aj的联合概率密度函数，p(x)表示所述特征ai的边缘概率密度函数，p(z)表示所述特征aj的边缘概率密度函数。
16、具体来说，所述m(x)的计算公式为m(x)＝[g(<wf⊙w1，x>+b1)g(<wf⊙w2，x>+b2)...g(<wf⊙wl，x>+bl)]；其中，wf＝(wf1，wf2，...，wfn)t为输入特征权重，wj＝(wj1，wj2，...，wjn)t为所述增强极限学习机的第j个隐含层节点的输入权重，j＝1，…，l；n为所述增强极限学习机的输入层神经元个数，bj为所述增强极限学习机的第j个隐含层偏置，g(x)为激活函数sigmoid，wf⊙wj表示wf和wj之间的哈达玛积，<wf⊙w2，x>表示wf⊙w2和所述待诊断样本的特征向量x之间的内积。
17、具体来说，所述其中，ti＝(ti1，ti2，...，tid)t∈rd为第i个输入样本的期望输出，d为所述增强极限学习机的输出层神经元个数。
18、具体来说，所述ws＝diag(ws1，ws2，...，wsn)；其中，wsi＝1/#(ti)，#(ti)表示属于类别ti，i＝1，...，d的样本数目。
19、本专利技术中提供的一个或多个技术方案，至少具有如下技术效果或优点：
20、基于故障样本和敏感特征同时加权的增强极限学习机模型，能够更加准确实现旋转机械在小样本不平衡数据的故障特征集下的故障诊断。具体而言，针对获取的小样本不平衡数据的故障特征集，首先利用最大相关最小冗余方法选取对故障敏感的重要特征，计算各个重要特征的互信息值，依据互信息值构造特征权重矩阵，实现对极限学习机随机权重的加权。其次，根据不平衡样本类别的分布信息，构造样本权重矩阵，实现对小样本输出误差的加权。最后，获取最优输出权重得到增强极限学习机模型，并通过增强极限学习机模型输出待诊断样本的故障类别，实现旋转机械在小样本不平衡下的故障诊断。其中，特征加权通过增强输入层与隐含层中对故障具有较强诊断能力的节点权重，降低输入层与隐含层中对故障具有较弱诊断能力的节点权重，从而调整增强极限学习机模型中输入层和隐含层之间的随机权重，既能够提高模型在小样本不平衡下的诊断性能，又能够克服随机权重给诊断结果带来的不稳定影响。样本加权通过对各个小样本输出误差的加权，平衡了模型学习正常状态样本和故障状态样本的程度，并通过最小本文档来自技高网...
【技术保护点】
1.基于小样本不平衡学习的增强极限学习机故障诊断方法，其特征在于，包括：
2.如权利要求1所述的基于小样本不平衡学习的增强极限学习机故障诊断方法，其特征在于，所述获取小样本不平衡数据的故障特征集，包括：
3.如权利要求1所述的基于小样本不平衡学习的增强极限学习机故障诊断方法，其特征在于，所述I(ai；c)的计算公式为其中，p(x，y)表示所述特征ai和所述故障类别c的向量的联合概率密度函数，p(x)表示所述特征ai的边缘概率密度函数，p(y)表示所述故障类别c的向量的边缘概率密度函数。
4.如权利要求1所述的基于小样本不平衡学习的增强极限学习机故障诊断方法，其特征在于，所述I(aj；c)的计算公式为其中，p(z，y)表示所述特征aj和所述故障类别c的向量的联合概率密度函数，p(z)表示所述特征aj的边缘概率密度函数，p(y)表示所述故障类别c的向量的边缘概率密度函数。
5.如权利要求1所述的基于小样本不平衡学习的增强极限学习机故障诊断方法，其特征在于，所述I(ai；aj)的计算公式为其中，p(x，z)表示所述特征ai和所述特征aj的
6.如权利要求1所述的基于小样本不平衡学习的增强极限学习机故障诊断方法，其特征在于，所述m(X)的计算公式为m(X)＝[g(<WF⊙W1，X>+b1) g(<WF⊙W2，X>+b2) ... g(<WF⊙WL，X>+bL)]；其中，WF＝(wf1，wf2，...，wfn)T为输入特征权重，Wj＝(wj1，wj2，...，Wjn)T为所述增强极限学习机的第j个隐含层节点的输入权重，j＝1，…，L；n为所述增强极限学习机的输入层神经元个数，bj为所述增强极限学习机的第j个隐含层偏置，g(x)为激活函数Sigmoid，WF⊙Wj表示WF和Wj之间的哈达玛积，<WF⊙W2，X>表示WF⊙W2和所述待诊断样本的特征向量X之间的内积。
7.如权利要求1所述的基于小样本不平衡学习的增强极限学习机故障诊断方法，其特征在于，所述其中，ti＝(ti1，ti2，...，tid)T∈Rd为第i个输入样本的期望输出，d为所述增强极限学习机的输出层神经元个数。
8.如权利要求1所述的基于小样本不平衡学习的增强极限学习机故障诊断方法，其特征在于，所述Ws＝diag(ws1，ws2，...，wsN)；其中，wsi＝1/#(ti)，#(ti)表示属于类别ti，i＝1，...，d的样本数目。
...【技术特征摘要】
1.基于小样本不平衡学习的增强极限学习机故障诊断方法，其特征在于，包括：
2.如权利要求1所述的基于小样本不平衡学习的增强极限学习机故障诊断方法，其特征在于，所述获取小样本不平衡数据的故障特征集，包括：
3.如权利要求1所述的基于小样本不平衡学习的增强极限学习机故障诊断方法，其特征在于，所述i(ai；c)的计算公式为其中，p(x，y)表示所述特征ai和所述故障类别c的向量的联合概率密度函数，p(x)表示所述特征ai的边缘概率密度函数，p(y)表示所述故障类别c的向量的边缘概率密度函数。
4.如权利要求1所述的基于小样本不平衡学习的增强极限学习机故障诊断方法，其特征在于，所述i(aj；c)的计算公式为其中，p(z，y)表示所述特征aj和所述故障类别c的向量的联合概率密度函数，p(z)表示所述特征aj的边缘概率密度函数，p(y)表示所述故障类别c的向量的边缘概率密度函数。
5.如权利要求1所述的基于小样本不平衡学习的增强极限学习机故障诊断方法，其特征在于，所述i(ai；aj)的计算公式为其中，p(x，z)表示所述特征ai和所述特征aj的联合概率密度函数，p(x)表示所述特征ai的边缘概率密度函数，p(z)表示所述特征aj的边缘概率密度函数。
6.如权利要求1...
【专利技术属性】
技术研发人员：胡勤，张清华，任红卫，吕运容，段志宏，
申请(专利权)人：广东石油化工学院，
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。