[发明专利]一种基于WSVM和DCAE的涤纶长丝生产的故障诊断方法和系统

说明书

本发明涉及一种基于WSVM和DCAE的涤纶长丝生产的故障诊断方法和系统，方法流程如下：(1)分别训练WSVM模型和DCAE模型得到WSVM分类器和DCAE分类器；(2)将WSVM分类器和DCAE分类器结合；(3)采集多组故障特征参数数据并进行预处理后将其输入到WSVM分类器中确定故障诊断标签(故障、正常和模糊)；(4)将故障诊断标签为故障和模糊的数据输入到DCAE分类器中确定故障类型标签，同时将故障诊断标签为正常的数据对应的故障类型标签记为正常合格后输出；系统包括数据获取模块、WSVM模型训练模块、DCAE模型训练模块和故障诊断初筛模块。本发明结合了传统机器学习和神经网络算法优点的同时结合了有监督学习和无监督学习的优势，显著提升了故障分类的效率和准确度。

技术领域

本发明属于化纤生产故障诊断技术领域，涉及一种基于WSVM和DCAE的涤纶长丝生产的故障诊断方法和系统。

背景技术

随着以涤纶长丝生产为例的现代工业领域自动化、大型化、系统化的发展，工业设备的复杂度和规模与日俱增，设备的安全性问题得到了越来越高的关注度。然而随着机械设备的更新换代，数据采集技术和数据存储技术不断完善，工业设备上采集的故障信号逐渐呈现出“工业大数据”的特点。

传统的故障诊断技术难以处理海量的故障数据，故障处理的效率和准确度都达不到人们的期望值，造成了大量的人力财力浪费。

深度学习算法作为人工智能的分支，因其多隐层网络与自适应的特征提取能力能够挖掘数据更深层次的本质特征，广泛应用于语音识别、图像识别等领域。

神经网络能利用原始信号的所有特征，且不舍弃原始数据信息，相对于传统方法能更精确地刻画故障数据从观测值到故障类别之间复杂的映射关系。然而现有的技术中，仅使用深度自编码网络等深度学习算法，则其需要的计算资源庞大，分类的效率难以达到要求。而仅使用以SVM为代表的传统机器学习算法进行故障诊断，其精度又有待提高。现已提出的应用于旋转机械的轴承故障诊断领域的WSVM-DNN故障诊断方法，受限于DNN网络(深度神经网络)本身在故障类别分类准确度上的限制，要取得进一步的故障诊断效果还有待更深入的研究。

发明内容

针对以上现有技术的问题，本发明设计了一种基于WSVM(加权支持向量机)和DCAE(深度收缩自编码网络)的涤纶长丝生产过程的故障诊断方法及系统，结合了传统机器学习和神经网络算法优点的同时结合了有监督学习和无监督学习的优势，显著提升了故障分类的效率和准确度。该系统可应用于工业大数据环境下涤纶长丝生产过程中的设备故障诊断。

为达到上述目的，本发明采用的技术方案如下：

一种基于WSVM和DCAE的涤纶长丝生产的故障诊断方法，流程如下：

(1)分别训练WSVM(加权支持向量机)模型和DCAE(深度收缩自编码网络)模型得到WSVM分类器和DCAE分类器；

(2)将WSVM分类器和DCAE分类器结合，即将WSVM分类器的部分输出数据作为DCAE分类器的输入数据输入到DCAE的输入层；

(3)采集多组故障特征参数数据并进行预处理后将其输入到WSVM分类器中，由其输出各组故障特征参数数据及其对应的故障诊断标签，故障诊断标签共三类，分别为：故障、正常和模糊，此处可借助python的matplotlib绘图工具做可视化处理，显示出WSVM分类器分类后的数据分布图；

(4)将故障诊断标签为故障和模糊的几组故障特征参数数据输入到DCAE分类器中，由其输出各组故障特征参数数据及其对应的故障类型标签，即WSVM分类器的“模糊”和“故障”数据经DCAE分类器处理后即能区分具体的故障类型标签，同时将故障诊断标签为正常的几组故障特征参数数据对应的故障类型标签记为正常合格后，输出各组故障特征参数数据及其对应的故障类型标签；

训练WSVM模型的过程为：