[发明专利]一种压缩机齿轮故障样本扩充方法及系统

说明书

本发明提供一种压缩机齿轮故障样本扩充方法，包括对有限的压缩机齿轮原始故障信号进行集合经验模态分解EEMD处理，计算每个本征模态分量IMF信号的若干时域特征指标，以生成故障特征向量，并以此作为原始样本；利用同故障类别的原始样本进行逆向云计算，建立多维的高斯云模型，且对所建高斯云模型进行正向云计算，生成若干用以表征故障特征向量的云滴并作为仿真样本；将所有仿真样本输入VAE模型进行样本重构，以减小模型输出与原始样本之间的误差为目标，并基于反向传播算法迭代修正VAE模型参数，最终输出与原始样本极为相似的扩充样本，以建立完备的压缩机齿轮故障样本集。实施本发明，解决了现有技术中压缩机齿轮故障样本少的问题。

技术领域

本发明涉及机械设备诊断技术领域，尤其涉及一种压缩机齿轮故障样本扩充方法及系统。

背景技术

压缩机齿轮作为一种将低压气体提升为高压气体的从动流体机械，以压缩→冷凝(放热)→膨胀→蒸发(吸热)的原理实现了制冷循环，是制冷系统的心脏，在气体压缩输送、设备制冷以及石油化工等行业中占有重要地位，是关键设备之一。压缩机齿轮作为压力系统中的核心部分，因长期在高速、重载等复杂多变的工况下运行，必然会出现损伤故障，轻则降低设备的稳定性和可靠性，重则造成重大经济损失或人员伤亡。因此，对压缩机齿轮进行故障诊断，对保证生产的正常运行，提高企业的经济效益都有重要的意义。

针对压缩机齿轮的故障诊断，理论上可以利用各种机器学习算法来实现。然而，实际中采集的故障样本是有限的，而且故障样本集往往高度不平衡，从根本上严重制约了各种机器学习模型在压缩机齿轮故障诊断中的性能。故障样本的不足导致训练出的智能诊断模型泛化能力弱，在工程应用中表现欠佳。因此，针对压缩机齿轮的故障智能诊断，迫切需要的是基于有限故障样本的有效扩充方法。

高斯云模型作为一种定性定量转换的双向认知模型，既可以利用数据集进行逆向云发生器的计算(反变换)，建立高斯云模型以获取描述数据集的数字特征，又可以对所建云模型进行正向云发生器计算(正变换)，快速生成大量的云滴来实现样本生成，从而实现数字特征表示的定性概念与定量的数据集合之间的换转，即内涵与外延之间的相互转换。其中，高斯云模型不仅基于一维，还可以利用多维数据建立多维高斯云模型，或者利用多维高斯云模型生成多维数据。因此，若利用高斯云模型处理有限的压缩机齿轮故障样本，可实现故障样本在数量上的快速扩充。

为训练出智能诊断模型，压缩机齿轮的故障样本通常是振动信号的若干时域特征指标组成的多维特征向量，由于不同类型的故障会使设备产生特定的振动，故障样本中不同特征指标之间必然存在一定的关系，如峭度指标与裕度指标之间的正比例关系，这在智能诊断模型的训练中极为重要。然而，基于高斯云模型(单维或多维)正变换的数据生成，具体上是单维的随机抽样过程，导致生成的仿真样本并不能继承原始样本中不同特征指标之间的关系。云模型生成的仿真样本与原始样本之间存在一定的差异，需要消除差异才能用于训练智能诊断模型。因此，为保证扩充故障样本能有效代替原始故障样本，还需在高斯云模型的基础上添加样本重构的模块。

变分自编码器(Variational Auto-Encoder,VAE)，是在自编码器(Autoencoder,AE)模型上添加了变分处理的深度神经网络结构，由编码器(Encoder)和解码器(Decoder)两个网络组成。VAE的运行过程分为两个阶段：阶段一，把一堆真实样本输入Encoder网络变换成一组标准正态分布的均值和方差；阶段二，利用阶段一中获取的标准正态分布生成一组编码，再输入Decoder网络进行重构，最终输出与真实样本数量相同的新样本，且新样本类似但不同于的真实样本。在VAE的训练过程中，以Encoder中均值与方差的Kullback-Leibler(KL)散度和Decoder中输出样本与真实样本之间的重构误差为目标损失，使用BP算法进行微调，优化Encoder与Decoder的参数，提高整个VAE的性能。因此，若将原始故障样本作为输出目标，将高斯云模型的生成样本输入VAE中进行编码重构，可有效消除仿真与原始样本之间的差异，保证扩充故障样本的真实性。