【技术实现步骤摘要】
本专利技术属于机器故障诊断领域，具体地说，是涉及一种基于软稀疏投影孤立林的机器故障诊断方法。
技术介绍
1、近年来，故障诊断一直是机器健康管理中倍受关注的一个问题。故障诊断是保证机械设备可靠性的先决条件。机械设备在许多领域都扮演着至关重要的角色，包括航空航天和核能。由于系统的复杂性和非线性因素的影响，频繁的设备故障导致生产停滞，甚至人员伤亡。此外，由于故障的不确定性，状态监测中的故障诊断也比较困难。因此，机械设备的故障诊断是维修的关键。
2、传统意义上，数据驱动的故障诊断通常包括三个阶段：数据采集、数据特征提取和故障分类。深度学习模型由于其强大的特征学习能力和显著的性能而被用于故障诊断。虽然深度学习模型已经成功地应用于故障诊断，但增加隐藏层的大小和训练大型网络是耗时和浪费计算能力的。深度迁移学习可以通过应用从类似任务中学习到的知识来克服这些困难。深度迁移学习有助于深度学习减少其对标记样本的依赖，克服了训练深度架构的难度。
3、深度迁移学习故障诊断一般分为三个阶段：特征提取、网络微调和故障分类。特征提取通常使用无监督的方法来削弱应用程序对标记样本的依赖性。文章表明，软稀疏投影孤立林可以降低计算成本。研究人员发现，有监督的诊断模型需要大量的带有标记的训练数据。此外，获取各种条件下的标记数据和从头开始训练深度架构都是费时费力的。因此，不需要标记数据来训练模型的无监督故障诊断模型是更好的。虽然孤立林算法是一种稳定、高效、方便的无监督算法。但是孤立林有一个固有缺陷，它为算法本身引入的伪影分配了出乎意料的低异常分数，
技术实现思路
1、本专利技术公开了一种基于软稀疏投影孤立林的机器故障诊断方法，主要解决现有机器故障诊断方法中的非目标任务的数据标记时间太长，需要收集大型目标任务数据集，模型精度不高和诊断时间过长的问题。
2、为实现上述目的，本专利技术采用的技术方案如下：
3、一种基于软稀疏投影孤立林的机器故障诊断方法，
4、s1，从许多非目标任务的未标记数据中选择基准数据，构建的无监督孤立林对基准数据进行清理，获得清理后的数据；
5、s2，使用软稀疏随机投影处理数据，生成软稀疏投影孤立林；
6、s3，选择比较数据并形成一个比较样本集；
7、s4，将基准数据与每个比较样本相结合，形成重组数据；
8、s5，使用无监督的软稀疏投影孤立林对重组后的数据中的样本进行评分，并根据评分结果对不同的数据进行标记；
9、s6，利用标记的非目标任务数据对深度模型进行训练，获得成熟的深度模型；
10、s7，使用目标任务的少量标记数据对成熟的深度模型进行微调。
11、s8，在s7中，微调策略不是传统的需要调整深度模型特定层的微调，而是直接进行参数微调。即用少量的标记数据直接训练模型。
12、进一步地，在步骤s1中，基准数据的选择方法如下，假设存在现有非目标任务的数据，每组数据都有b个数据点，将a个非目标任务的数据合并成b×a向量组，表示为：
13、
14、基准数据b在向量组x中选择，表示为：
15、b＝[x11；x21；…；xb1；]
16、矩阵b1是将b划分为i个数据点和j个样本。基准样本b’由b1中的d个样本组成,表示为：
17、b′＝[b1 b2…bd]；d<j
18、其中b1＝[x11；x12；…；x1i]
19、然后通过计算每个样本的k个特征值并将其归一化，得到特征归一化矩阵fjk，表示为：
20、
21、进一步地，在所述步骤s1中，孤立树的构建方法如下：
22、fjk的每一行都是一个样本，由它们形成一个样本集f。首先，从f中随机抽取多个样本作为子样本集f’，并存储在孤立树中。孤立树由任意选择的子样本f’组成，不替换f，接下来，如果f’中的值小于分割值p，它被划分到树的左分支，否则它被划分到右分支。重复上述过程，直到孤立树达到有限的最大深度，或者数据不能再被分割。
23、由多个孤立树组成的集合就叫孤立林。
24、进一步地，在步骤s1中，需要对软稀疏投影孤立林中的样本进行异常评分，评价方式如下：
25、
26、其中
27、h(n)＝ln(n)+∈
28、s(x,n)是由记录数据x的n个样本的训练数据组成的孤立树的异常指数。e(h(x))表示多个孤立树中数据x的平均值，c(n)用于对e(h(x))进行归一化，∈为欧拉常数，等于0.5772156649。
29、通过获得异常评分，对大于动态阈值u的样本进行异常样本判断，去除掉异常的样本就得到了无干扰数据的参考数据。
30、在步骤s2中，软稀疏投影孤立林的构建方法如下：
31、根据权利要求1中得到的fjk，fjk的每一行都是一个样本，由它们形成一个样本集f，通过随机投影将其转换为g∈rj×l矩阵。该过程可以通过生成一个随机投影矩阵r∈rk×l，然后将其与原始数据矩阵相乘来实现。
32、
33、r的每个值都是独立同分布的，均值为零，方差不变，以保持实例的相对距离。这保证了异常值和异常值的相对分布与原始数据保持相同，这意味着原始空间中的异常值在投影空间中仍然是异常值(异常值相同)。
34、投影矩阵r满足：
35、
36、其中rij是r中的任意值，q∈(1,+∞]是一个超参数，它控制着矩阵的稀疏性。u(0,1)为均匀分布。
37、gjl的每一行都是一个样本，由它们形成一个样本集g。首先，从g中随机抽取多个样本作为子样本集g’，并存储在孤立树中。孤立树由任意选择的子样本g’组成，不替换g，接下来，如果g’满足
38、
39、其中，p为随机截距，为随机斜率，它被划分到树的左分支,否则它被划分到右分支。重复上述过程，直到孤立树达到有限的最大深度，或者数据不能再被分割。
40、由多个孤立树组成的集合就叫孤立林。
41、关于斜率对于一个n维的数据集，为分支切割选择一个随机斜率即可从标准正态分布n(0,1)中随机抽取出的每个坐标。
42、关于截距p，从每个分支点的值范围内的均匀分布中随机抽取。
43、进一步地，在步骤s3中，比较数据c是从向量组x中选择除参考数据以外的数据。样本矩阵c’将c分为i个数据点和j个样本，如下所示：
44、c′＝[c1 c2…cd]
45、其中c1＝[x21；x22；…；x2i]
46、然后将样本矩阵c’划分为s个子样本集s，如下：
47、s＝[s1 s2…ss]
48、其中，s是比较数据的一个子样本。
49、进一步地，在步骤s4中，重组数据的方本文档来自技高网...
【技术保护点】
1.一种基于软稀疏投影孤立林的机器故障诊断方法，其特征在于，
2.根据权利要求1所述的基于软稀疏投影孤立林的机器故障诊断方法，其特征在于，在步骤S1中，基准数据的选择方法如下：
3.根据权利要求2所述的基于软稀疏投影孤立林的机器故障诊断方法，其特征在于，在步骤S1中，孤立树的构建方法如下：
4.根据权利要求3所述的基于软稀疏投影孤立林的机器故障诊断方法，其特征在于，在步骤S1中，需要对软稀疏投影孤立林中的样本进行异常评分，评价方式如下：
5.根据权利要求4所述的基于软稀疏投影孤立林的机器故障诊断方法，其特征在于，在步骤S2中，软稀疏投影孤立林的构建方法如下：
6.根据权利要求5所述的基于软稀疏投影孤立林的机器故障诊断方法，其特征在于，在步骤S3中，比较数据C是从向量组X中选择除参考数据以外的数据；样本矩阵C′将分为i个数据点和j个样本，如下所示：
7.根据权利要求6所述的基于软稀疏投影孤立林的机器故障诊断方法，其特征在于，在步骤S4中，重组数据的方法如下：
8.根据权利要求7所述的基于软稀疏投影孤
...【技术特征摘要】
1.一种基于软稀疏投影孤立林的机器故障诊断方法，其特征在于，
2.根据权利要求1所述的基于软稀疏投影孤立林的机器故障诊断方法，其特征在于，在步骤s1中，基准数据的选择方法如下：
3.根据权利要求2所述的基于软稀疏投影孤立林的机器故障诊断方法，其特征在于，在步骤s1中，孤立树的构建方法如下：
4.根据权利要求3所述的基于软稀疏投影孤立林的机器故障诊断方法，其特征在于，在步骤s1中，需要对软稀疏投影孤立林中的样本进行异常评分，评价方式如下：
5.根据权利要求4所述的基于软稀疏投影孤立林的机器故障诊断方法，其特征在于，在步骤s2中，软稀疏投影孤立林的构建方法如下：
6.根据权利要求5所述的基于软稀疏...
【专利技术属性】
技术研发人员：曹明生，王竣，陈大江，张宇，及宇轩，陈虹良，丁桥隆，
申请(专利权)人：电子科技大学，
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。