[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

说明书

技术领域

本发明涉及液压装备故障诊断技术领域，尤其涉及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。

背景技术

液压设备作为现代工业中的最主要传动方式之一，是大型机械设备的重要组成部分。现代液压设备多为结构复杂，精密度高的机、电、液一体化设备，设备具有机液耦合、时变性和非线性等特性，由于液压设备工作环境复杂，随机性强，因此，快速、准确的液压设备故障诊断技术可有效实现现代工业的高生产效率。随着人工智能技术的发展，研究人员不断致力于设备故障诊断技术的研究，文章[刘晶等.一种带有风险控制的维修决策方法[J].计算机集成制造系统,2010,16(10):2087-2093.]是基于关联规则提出一种带有风险控制的维修决策方案；文章[古莹奎等.基于主成分分析和支持向量机的滚动轴承故障特征融合分析[J].中国机械工程,2015,26(20):2778-2883.]提出一种基于PCA和SVM的滚动轴承故障特征融合分析；文章[耿朝阳,薛倩倩.神经网络的故障诊断方法研究[J].西安工业大学学报,2015,35(07):527-533.]提出BP神经网络在设备故障诊断中的应用；文章[杨琦,孙玉清.基于SVM的液压设备仿真模型的故障诊断[J].机电设备(技术篇),2015,07:14-17.]是基于SVM的液压设备仿真设备的故障诊断技术；文章[武朝,胡军华,黎申,彭云飞等.基于二级模糊综合评判的液压系统故障诊断方法[J].液压与气动,2013,(05):130-133.]介绍了基于二级模糊评判的液压系统故障诊断方法，提出了一种有效解决故障症状与故障原因模糊对应关系的方法，但其不适用于大规模数据处理。尽管这些方法都在不同方面取得了较好的效果，但随着数据量的不断增长和数据的复杂多样化变化，传统的浅层诊断模型无法满足设备故障预警精确度的需求，因此如何提高基于数据分析的液压设备故障预警准确率成为亟待解决的问题。

发明内容

本发明提供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，首先引入时间标签和模糊权重的方法对数据进行预处理；然后使用稀疏自编码完成样本数据的高层特征提取，并使用Softmax分类器对设备故障状态进行分类诊断来构建ICM模型；最后利用BP算法微调整个网络全局最优参数，实现故障特征的自适应提取和故障状况的智能诊断。

本发明所采取的技术方案是：

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，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；含有时间标签设备数据在数据预处理过程中会根据时间标签使用对应的模糊权重函数进行数据预处理；

(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；利用训练好的ICM模型可有效实现设备故障分类诊断；

(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；这样做的目的是有效避免了参数陷入局部最优的缺点。

(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。设备故障特征的自适应提取，即利用稀疏自编码网络对设备故障进行自学习来得到用于分类的特征向量；

基于上述步骤ICM模型有效实现了设备故障特征的自适应提取，即利用稀疏自编码网络对设备故障进行自学习来得到用于分类的特征向量；同时也实现了设备故障的智能诊断，即ICM模型有效解决了浅层分类器在处理少样本数据是泛化性差的问题，解决了因设备故障症状与故障原因间存在模糊对应关系而导致的分类准确率偏低的问题，并且在一定程度上验证了ICM模型在处理大规模数据时具有一定的优势。

其中，步骤(1)中数据预处理包括下述步骤：