【技术实现步骤摘要】
本专利技术涉及故障诊断与智能运维领域，具体为一种基于稀疏滤波和联邦学习的多设备协同诊断方法及系统。
技术介绍
1、随着工业4.0时代的到来，数字化和智能化已经成为全球工业发展的核心动力。轴承和齿轮箱等关键机械组件的性能和可靠性对于确保生产流程的效率和稳定性具有至关重要的作用。然而，在一些高端工业装备中，如风电机组、数控车床、航空发动机等，这些组件往往在高负荷和复杂环境下运行，它们极易发生故障，从而影响全流程的稳定运转。实际工作状态下，机械组件的振动信号中蕴含着丰富的设备运行特征，但是由于数据采集量过大，传统的故障诊断方案，如时频域分析、经验模式分解、小波变换等难以有效地从海量数据中提取出设备的关键故障特征，具有数据利用率低和诊断精度差等问题。如何设计高性能的诊断策略从数据沙漠中挖掘出类分离的故障特征已成为智能运维领域中最为重要的课题。
2、表征学习能够有效地克服传统智能故障诊断方法的不足，该理论基于人工智能技术，使用神经网络从采集的振动信号中自适应地挖掘故障特征，并基于学到的特征训练分类器从而实现故障的智能识别与诊断。相较于基于多层网络的表征学习模型，浅层表征学习网络不依赖于复杂的结构设计，具有损失函数易于优化和特征变换的可解释性强等优点。典型地，如稀疏滤波和自动编码器网络在一些工业装置上获得了较好的诊断效果。然而，现有的故障诊断方案往往是针对特定的单一设备进行设计，而实际的工业现场是同型号的多设备协同工作。由于故障数据不丰富和数据分布差异等问题，单设备训练的诊断模型难以直接地迁移到同型号的其他设备上，面临通用性差和
技术实现思路
1、针对现有技术中存在的问题，本专利技术提供一种基于稀疏滤波和联邦学习的多设备协同诊断方法及系统，为设备的可靠运行提供保障。
2、本专利技术是通过以下技术方案来实现：
3、一种基于稀疏滤波和联邦学习的多设备协同诊断方法，包括以下步骤：
4、步骤1、构建不同设备时域振动信号的训练数据集；
5、步骤2、构建各台设备的个性化网络和自动编码网络，并采用对应设备的训练数据集分别进行训练，获取各设备的个性化故障特征；
6、步骤3、采用联邦学习框架对各设备训练后的自动编码网络进行融合，得到共性网络，根据共性网络得到所有设备的共性故障特征；
7、步骤4、根据共性故障特征和各设备的个性化故障特征训练对应设备的softmax分类器，根据训练后的softmax分类器进行该设备的故障诊断。
8、优选的，步骤1中训练数据集的构建方法如下：
9、采用设备在不同负载状况下，轴承各位置的时域振动信号，建立每天设备的训练数据集，表达式如下：
10、
11、其中，i表示设备序号；xn表示采集的l维振动信号，yn∈rc为l维振动信号对应的故障模式编码，c为轴承的故障类型数。
12、优选的，步骤2所述个性化网络为稀疏滤波网络，其训练方法如下：
13、采用非线性映射将训练数据集中的每一个振动信号映射成其对应的特征表征向量，得到特征映射矩阵；
14、对特征映射矩阵进行归一化处理，根据归一化后的特征映射向量构建稀疏滤波器的损失函数；
15、采用l-bfgs算法优化损失函数获取最优映射矩阵，得到训练后的稀疏滤波网络，根据训练后的稀疏滤波网络提取设备的个性化故障特征。
16、优选的，所述特征映射矩阵的表达式如下：
17、
18、其中，fi为设备i的个性化故障特征集，由个性化的故障特征表征向量fn组成，d为特征表征向量fn的维度，n为训练集中样本的个数；
19、所述稀疏滤波器的损失函数的表达式如下：
20、
21、其中，jsf为稀疏滤波器的损失函数，为fn归一化后的特征表征向量，wf为稀疏滤波器的映射矩阵。
22、优选的，步骤2所述自动编码网络包括编码网络和解码网络；
23、采用训练数据集并基于梯度下降算法对自动编码网络目标函数进行优化，得到最优映射矩阵对，完成自动编码网络的训练。
24、优选的，所述自动编码网络的表达式如下：
25、
26、其中，hn为样本xn的特征映射向量，wh∈rl×m和bh∈rm×1分别为编码网络的权重矩阵和偏置矩阵，m为隐藏层的神经元个数；
27、所述的解码网络模型如下：
28、
29、其中，为样本xn的重构向量，wo∈rm×c和bo∈rc×1分别为解码网络的权重矩阵和偏置矩阵，hn为编码网络的输出。
30、优选的，步骤3中共性网络的表达式如下：
31、
32、其中，为样本xn经过共性网络的特征映射向量，和分别为共性网络的权重矩阵和偏置矩阵，计算公式如下：
33、
34、其中，m为待诊断的设备台数，为设备i的自动编码器网络的偏置矩阵。
35、优选的，步骤4中训练softmax分类器的方法如下：
36、根据个性化故障特征和共性故障特征，构建带有标签的集成特征集，根据集成特征集并基于梯度下降算法训练softmax分类器。
37、优选的，所述softmax分类器的目标函数表达式如下：
38、
39、其中，1{·}为指示函数，当条件判别为真时输出1，否则为0。θ＝[θ1,θ2,...,θc]t为softmax分类器的回归参数。
40、一种基于稀疏滤波和联邦学习的多设备协同诊断方法的系统，包括，
41、数据采集模块，用于构建不同设备时域振动信号的训练数据集；
42、私有故障特征模块，用于构建各台设备的个性化网络和自动编码网络，并采用对应设备的训练数据集分别进行训练，获取各设备的个性化故障特征；
43、共性故障特征模块，采用联邦学习框架对各设备训练后的自动编码网络进行融合，得到共性网络，根据共性网络得到所有设备的共性故障特征；
44、分类模块，用于根据共性故障特征和各设备的个性化故障特征训练对应设备的softmax分类器，根据训练后的softmax分类器进行该设备的故障诊断。
45、与现有技术相比，本专利技术具有以下有益的技术效果：
46、本专利技术提供了一种基于稀疏滤波和联邦学习的多设备协同诊断方法，由个性化的稀疏滤波模型和共性的联邦自动编码器模型组成；其中稀疏滤波模型考虑了特征表征空间的稀疏性和局部性，能够从原始振动信号中提取出设备的个性化故障特征；共性模型由各设备训练的自动编码器模型联邦融合构成，各设备单独训练的自动编码器蕴含了设备的私有和共有特征，融合后的共性网络可以强化不同设备间共有的故障特征，联邦框架保护了模型训练过程中数据的隐私安全。集成个性化模本文档来自技高网...
【技术保护点】
1.一种基于稀疏滤波和联邦学习的多设备协同诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于稀疏滤波和联邦学习的多设备协同诊断方法，其特征在于，步骤1中训练数据集的构建方法如下：
3.根据权利要求1所述的一种基于稀疏滤波和联邦学习的多设备协同诊断方法，其特征在于，步骤2所述个性化网络为稀疏滤波网络，其训练方法如下：
4.根据权利要求3所述的一种基于稀疏滤波和联邦学习的多设备协同诊断方法，其特征在于，所述特征映射矩阵的表达式如下：
5.根据权利要求1所述的一种基于稀疏滤波和联邦学习的多设备协同诊断方法，其特征在于，步骤2所述自动编码网络包括编码网络和解码网络；
6.根据权利要求5所述的一种基于稀疏滤波和联邦学习的多设备协同诊断方法，其特征在于，所述自动编码网络的表达式如下：
7.根据权利要求1所述的一种基于稀疏滤波和联邦学习的多设备协同诊断方法，其特征在于，步骤3中共性网络的表达式如下：
8.根据权利要求1所述的一种基于稀疏滤波和联邦学习的多设备协同诊断方法，其特征在于，步骤4中
9.根据权利要求1所述的一种基于稀疏滤波和联邦学习的多设备协同诊断方法，其特征在于，所述Softmax分类器的目标函数表达式如下：
10.一种基于稀疏滤波和联邦学习的多设备协同诊断方法的系统，其特征在于，包括，
...【技术特征摘要】
1.一种基于稀疏滤波和联邦学习的多设备协同诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于稀疏滤波和联邦学习的多设备协同诊断方法，其特征在于，步骤1中训练数据集的构建方法如下：
3.根据权利要求1所述的一种基于稀疏滤波和联邦学习的多设备协同诊断方法，其特征在于，步骤2所述个性化网络为稀疏滤波网络，其训练方法如下：
4.根据权利要求3所述的一种基于稀疏滤波和联邦学习的多设备协同诊断方法，其特征在于，所述特征映射矩阵的表达式如下：
5.根据权利要求1所述的一种基于稀疏滤波和联邦学习的多设备协同诊断方法，其特征在于，步骤2所述自动编码网络包括编码网络和解码网络；<...
【专利技术属性】
技术研发人员：杨清宇，宋朋涛，吴宇恒，李东鹤，牧一涵，
申请(专利权)人：西安交通大学，
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。