[发明专利]基于卷积神经网络代价敏感学习的故障诊断方法及系统

说明书

本公开公开了一种基于卷积神经网络代价敏感学习的故障诊断方法及系统，包括：构建添加代价敏感层的卷积神经网络模型，采用代价敏感学习方法对机械振动训练数据集进行特征学习；所述卷积神经网络模型采用VGG‑11级联两层全连接层，经特征学习后的卷积神经网络模型以VGG‑11对经维度转换的机械振动预分类数据集进行特征提取，将提取的特征输入全连接层进行故障诊断分类。对机械振动数据进行维度转换，转换为应用于卷积神经网络的二维数据；构建添加代价敏感层的卷积神经网络模型，采用代价敏感学习方法进行特征学习，利用卷积神经网络模型直接完成特征提取任务，在不损害多样本类别的分类精度的情况下提高了小样本类别的分类精度。

技术领域

本公开涉及机械设备故障诊断技术领域，特别是涉及一种基于卷积神经网络代价敏感学习的故障诊断方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

目前对故障诊断的研究已经非常广泛，但是仍然存在一些问题。比如轴承周期性的滚动使得故障具有周期性的特征，同时由于某个时间节点发生故障对后续的状态产生影响，不同周期往往还具有相关性等。故障诊断的问题可以归结为一个分类问题，但在分类前需要将获得的机械振动信号转提取为相应的机器学习模型可以使用的特征向量，特征的提取需要先验经验额外的处理，因此故障特征的提取也是故障诊断研究中一直存在的问题。

此外数据不平衡也是其中的一个明显的问题。故障诊断的数据不平衡问题体现在故障数据相对于正常数据偏少，同时不同的故障的发生频率也会有很大的区别，这使得不同类别的故障数据在数量上是差别很大的。由于深度学习是数据驱动的，在各个类别的训练数据有明显的不平衡特征时，训练得到的模型会倾向于把小样本类别的样例错分为多样本的类别，或者小样本的类别会被直接忽略。例如，假设有99％的样例属于正常的类别，有1％的样例属于异常类别，即使把异常类别全部划分为正常的类别，最后评价分类器的分类准确率仍然高达99％。在现实应用中，那些数据量缺乏的、出现频率低的类别往往是最需要重视的类别。

基于此，发明人认为，在故障诊断中，应该考虑故障发生概率相对较低的类别的分类精度，而且现有故障诊断技术中，常规的默认不同类型的数据拥有相同的权重的处理方式，不能够对低频率的类别进行精确分类，往往会出现得到的模型各种指标优秀但实用性却很差的问题。其次，发明人还发现现有技术至少存在数据不平衡、特征提取需要专家经验以及潜在特征挖掘不充分的问题。

发明内容

为了解决上述问题，本公开提出了一种基于卷积神经网络代价敏感学习的故障诊断方法及系统，对机械振动数据进行维度转换，转换为应用于卷积神经网络的二维数据；构建添加代价敏感层的卷积神经网络模型，采用代价敏感学习方法进行特征学习，利用卷积神经网络模型直接完成特征提取任务，在不损害多样本类别的分类精度的情况下提高了小样本类别的分类精度。

为了实现上述目的，本公开采用如下技术方案：

第一方面，本公开提供一种基于卷积神经网络代价敏感学习的故障诊断方法，包括：

构建添加代价敏感层的卷积神经网络模型，采用代价敏感学习方法对机械振动训练数据集进行特征学习；

所述卷积神经网络模型采用VGG-11级联两层全连接层，经特征学习后的卷积神经网络模型以VGG-11对经维度转换的机械振动预分类数据集进行特征提取，将提取的特征输入全连接层进行故障诊断分类。

第二方面，本公开提供一种基于卷积神经网络代价敏感学习的故障诊断系统，包括：

特征学习模块，被配置为构建添加代价敏感层的卷积神经网络模型，采用代价敏感学习方法对机械振动训练数据集进行特征学习；