[发明专利]一种基于半监督式增量学习的工业设备故障诊断系统

权利要求书

1.一种基于半监督式增量学习的工业设备故障诊断系统，其特征在于，包括：故障诊断模块、半监督标记模块和增量更新模块；其中，

所述故障诊断模块读取工业设备的振动信号数据，根据读取的振动信号数据判断工业设备是否处于正常状态，如果出现故障，判断工业设备发生何种故障；

所述半监督标记模块首先判断工业设备的振动信号数据中是否存在未知的故障类别样本，即无标签样本，并对所有无标签样本标记伪标签，最后输出带有伪标签的样本以辅助增量更新模块对故障诊断模块进行更新；

所述增量更新模块使用半监督标记模块输出的伪标签样本对故障诊断模块进行增量地更新；

所述半监督标记模块采用一种基于密度峰值聚类的半监督算法实现对增量更新模块的辅助更新，具体步骤如下：

S3-1:将已知故障类别的样本库中的真实标签样本混合无标签的工业设备监测数据输入基于密度峰值聚类的半监督算法；

S3-2:基于密度峰值聚类的半监督算法首先检测数据中是否存在未知故障类别的样本；

S3-3:如果存在未知故障类别的样本，对其中一部分未知故障类别的样本标注真实标签，将标注的未知故障类别真实标签样本与设备监测数据中未知故障类别的无标签样本输入K均值聚类算法，聚类之后将手动标注的真实标签赋予同一个簇中的无标签样本，作为无标签样本的伪标签；

S3-4:针对已知故障类别的样本，基于密度峰值聚类的半监督算法会根据已知故障类别真实标签样本的信息对已知故障类别的无标签样本标注伪标签；

S3-5:最后半监督标记模块将未知故障类别样本与已知故障类别样本一起输出，这些样本包含小部分的真实标签与大部分的伪标签。

2.根据权利要求1所述的基于半监督式增量学习的工业设备故障诊断系统，其特征在于：所述故障诊断模块基于卷积神经网络构建故障诊断模型，所述故障诊断模型使用卷积神经网络提取工业设备的振动信号数据中的有效特征，通过对振动信号数据中有效特征的分析，判断出工业设备是否发生故障以及发生了何种故障；其中，所述有效数据为将原始振动信号输入，经过卷积神经网络计算操作得到的与故障相关的数值，具体公式如下：

式(1)中，feature为有效特征，w表示卷积核，M表示原始振动信号输入x的通道数，b表示与内核对应的偏置，f表示激活函数，*表示卷积算子，所述原始振动信号即为工业设备的振动信号数据；

基于卷积神经网络的故障诊断算法使用原先保存的已知故障类别的样本进行初始化训练，在训练完成之后，所述故障诊断模型能够诊断已知的设备故障。