[发明专利]基于数据驱动增量融合的螺旋式故障诊断方法

说明书

本发明公开了一种基于数据驱动增量融合的螺旋式故障诊断方法，包括下述步骤：采集数据点并划分为正常样本和故障样本；随机抽样得到不同倾斜率的非平衡样本并划分为四组；采用基于划分近邻的重采样方法得到相对平衡的样本；将其输入DAE提取故障特征，存在新增数据时增量合并特征模式，然后输入SVM进行故障诊断；选取既具备信息量又富有代表性的实例，并对有效特征和实例进行动态综合评价；将有效实例集与新增数据合并，重新进行增量学习过程。该方法在充分考虑样本噪声和分布特征的情况下得到利于准确识别故障类型的平衡数据，通过选取特征和实例进行动态评价及增量合并将有效信息保留并传递下去，从而实现了设备故障快速高效的增量学习和分类诊断。

技术领域

本发明涉及轴承设备故障诊断技术领域，尤其涉及一种基于数据驱动增量融合的螺旋式故障诊断方法。

背景技术

智能设备多应用于工业、航空、国防等重要领域，其故障后果相对严重。近年来，智能制造作为工业4.0的核心内容逐渐发展成为一个重要研究领域。同时，随着工业物联网的发展，大型设备在生产过程中不断涌现出海量运行数据，通过运行数据快速高效地分析提取故障信息，并对故障类型进行有效诊断和预测，成为智能制造领域的研究热点。

随着信息技术与智能技术的深度融合，设备生产过程中的运行数据获取变得更为容易，使得基于数据驱动的机器学习方法广泛应用于故障诊断领域，其中包括神经网络、支持向量机、贝叶斯和决策树等，都取得了较好的研究成果。文章 [袁圃等.改进的基于遗传优化BP神经网络的电网故障诊断[J].电力系统及其自动化学报,2017,29(1):118-122.]提出一种改进的基于遗传优化BP神经网络对电网进行故障诊断；文章[李赢等.基于模糊聚类和完全二叉树支持向量机的变压器故障诊断[J].电工技术学报,2016 31(4):64-70.]提出基于模糊聚类和完全二叉树支持向量机的故障诊断模型在电力变压器故障诊断中获得较高诊断准确率；文章[肖红军等.面向污水处理的动态变分贝叶斯混合因子故障诊断[J].控制理论与应用,2016 33(11):1519-1526.]结合动态数据特性的基础上提出了一种基于变分贝叶斯混合因子的动态故障诊断方法对污水生化处理过程中的传感器故障进行诊断；文章[王江宇等.基于PCA-DT的多联机制冷剂充注量故障诊断[J].华中科技大学学报(自然科学版),2016 44(7):1-4.]基于主成分分析－决策树(PCA-DT) 算法用于多联机的制冷剂充注量故障检测与诊断。但是，面对海量的新增状态数据，传统的机器学习方法需要将新增数据与原有数据合并重新训练整个模型，增加了计算复杂度和存储空间。更重要的是设备的状态和属性会随时间变化而发生改变，新增数据的潜在信息对设备当前状态和未来运行趋势有更重要的价值。因此，如何有效利用实时呈指数型增长的新增数据修正已有模型，成为当前急需解决的问题。增量学习即在保存大部分已经学习到知识的同时，不断地从新数据中学习新的知识。目前，已有多种增量学习模型，文章[唐明珠等.基于ICSVM的风电机组齿轮箱故障诊断[J].计算机工程与应用,2016,52(14):232-236.]是基于增量代价敏感支持向量机的风电机组齿轮箱故障诊断方法，建立以误分类代价最小化为目标的代价敏感支持向量机故障诊断模型；文章[尹刚等.自适应集成极限学习机在故障诊断中的应用[J].振动、测试与诊断,2013,33(5):897-901.]提出自适应集成极限学习机进行故障诊断，在线调整集成输出中子网络的投票权值以及网络输入权值和节点偏置；文章[胡银辉等.大规模InfiniBand网络自学习的故障诊断方法[J].计算机应用,2015,35(11):3092-3096.]在引入了特征选取策略和增量学习策略的基础上，提出了一种面向大规模IB网络增量学习的故障诊断方法 IL_Bayes，在天河2真实的网络环境下进行诊断。这些增量学习模型在已有文献中都起到了减轻计算量、提高准确率、有效节约时间成本的作用。但在故障诊断领域，增量生成的数据流具有海量、非平稳、高噪声等特点，故障增量之间具有强关联性，且与原有数据具有强因果性，如不加以处理将会严重影响诊断效果。以上这些因素阻碍了传统增量学习方法在故障诊断领域的进一步应用。

发明内容