[发明专利]基于模糊处理的深度学习在液压装备故障诊断中的应用

权利要求书

1.一种基于模糊处理的深度学习在液压装备故障诊断中的应用，其特征在于,包括下述步骤：

(1)引入时间标签和模糊权重对液压设备运行监测数据进行预处理，并将数据预处理后的故障数据分成训练数据集和测试数据集，并对测试数据集进行标签化处理，即对测试数据样本标注具体故障种类；

(2)将训练数据集作为稀疏自编码网络的输入向量进行无监督预训练，对样本数据进行特征提取，得到经自学习后的故障特征向量；

(3)将有标签数据和经自学习后得到的无标签数据作为softmax分类器的输入向量训练softmax分类器，得到完整的ICM模型；

(4)为优化ICM模型的分类准确性，利用BP算法对稀疏自编码在无监督预训练中的相关参数和softmax分类器训练中的相关参数进行全局微调，不断更新相关参数，得到使损失函数值达到最小的最优参数；

(5)基于上述ICM模型实现故障特征的自适应提取和故障状况的智能诊断。

2.根据权利要求1所述的基于模糊处理的深度学习在液压装备故障诊断中的应用，其特征在于所述步骤(1)中数据预处理包括下述步骤：

1)样本特征选取及归一化：使用企业液压设备运行监测数据建立设备监控数据集，从中选取液压设备带时间标签的运行状态数据；将液压设备分A、B两组，选取温度T、压力P、震动S、转速R四个属性作为特征变量来描述液压设备状态，加入时间TS，得到维度为8的特征向量V₁＝{T_A1,T_B1,P_A1,P_B1,S_A1,S_B1,R_A1,R_B1}，得到V₂＝{TS,T_A1,T_B1,P_A1,P_B1,S_A1,S_B1,R_A1,R_B1}；

a.将数据进行标准化处理:

X₀为设备运行状态的原始数据，X_h为设备正常运行的理想值，X_n中n分别为T_A1,T_B1,P_A1,P_B1,S_A1,S_B1,R_A1,R_B1；

b.将标准化的数据样本按比例缩放，使其落在[0,1]区间；

c.模型的输出向量根据故障种类分为以下四种：0代表无故障；1代表故障1；2代表故障2；3代表故障3；

故障种类判定根据分类输出概率值判断，即最大概率值对应的故障种类为当前设备所处的运行状态，当该概率值超过给定阈值时，设备报警应立即停机检修，以免发生严重故障；

2)ZAC白化

模型选取的原始数据集有m个样本，每个样本的维数8，则ZCA白化的过程如下：

a.首先将原始数据集排成一个8×m的数值矩阵然后进行使每个属性均值为零的标准化处理，得到的矩阵记为G；

b.计算G对应的样本协方差矩阵Σ，求出相应的特征值，并按从大到小顺序分别记为γ1，γ2...，γ8，对应的特征向量分别记为u₁，u₂，...，u₈，并记

U＝[u₁，u₂，...，u₈]；

c.左乘UT得到旋转矩阵：

将旋转矩阵属性值具有单位方差：

d.ZAC白化结果：

V1T′=UV1rotT′]]>

矩阵的每一列对应ZCA白化后的样本数据，将转置得到V′₁为后续的数据处理做准备；

3)模糊处理

a.时间标签的处理

采用随机方式选取近12个月内的样本数据，使数据的时间呈现不规律性，对不同日期的状态数据进行权重标记；

TS=TSn-TSc30]]>

时间标签格式为“年-月-日”，TS_n为处理数据时的系统当前时间，TS_c为数据样本采集时间；

对时间的权重处理采取模糊数学理论中的模糊子集权重系数的确定方法，采取专家评语集的方式设定不同距离样本数据的权重：

μ1=0.41TS<10.311≤TS<50.205≤TS<90.089≤TS<120TS≥12]]>

b.确定隶属度函数：

V′₁根据V₂中的TS值得到每条数据在故障诊断中的权重，即得到V₃＝μ₁V′₁；根据模糊理论，因素集为V₃，评判集为Y，权重矩阵K选取梯形分布的隶属函数：

μ(xt)=0xt<axi-ab-aa≤xt≤b1xt>b]]>

其中x值V₃中的特征向量，t为特征向量x的第t(t＝1,2,…,m)个值；a、b的确定根据不同特征的属性来确定；这样便可以得到样本数据中的每个值的权重，从而改进一种故障原因对多种故障状态的模糊对应关系；

c.得到SAE输入向量

V1′经时间标签的处理后得到V₃，V₃经确定隶属度函数处理后得到SAE的输入向量V＝μ(x_t)K^V₃，记为V＝{T_A,T_B,P_A,P_B,S_A,S_B,R_A,R_B}。