[发明专利]一种基于属性编码的零样本旋转机械故障诊断方法

说明书

一种基于属性编码的零样本旋转机械故障诊断方法，包括以下步骤：步骤一：确定故障情境的属性描述；步骤二：建立故障情境的属性编码；步骤三：获取旋转机械的多源数据；步骤四：形成旋转机械的多域特征集；步骤五：构建属性编码的特征子集；步骤六：分类器训练；步骤七：零样本故障诊断，实现对未知类别样本的故障诊断。

技术领域

本发明涉及一种旋转机械故障诊断方法，更具体地涉及利用属性编码的方法解决传统基于数据驱动的旋转机械故障诊断方法的零样本问题。

背景技术

旋转机械在工业制造生产中占有重要地位，对其运行状态的监控，并准确高效的对其进行实时故障诊断对保证其稳定运行具有重要意义。

随着机器学习和深度学习的发展，旋转机械的故障诊断逐步趋于一种基于数据驱动的方式，其主要包含运行数据采集、机械状态特征提取、降维和分类器故障判别等步骤。基于数据驱动的故障诊断方法，需要大量均衡的全面的数据去训练模型，从而提高模型的诊断准确率，且仅能对参与训练的相同类别的数据进行诊断判别。但在实际工况中，旋转机械往往是长时间正常运行的，故障的发生是一种小概率事件，这造成了所采集到的数据存在样本不均衡的问题，故障样本的类别和数量均不能满足模型训练的要求，甚至存在某一故障类别的样本数量为零的问题，即旋转机械故障诊断的零样本问题。因此，本领域存在着对于未知故障产生时，即零样本问题发生时，能够有效识别出旋转机械状态，并对其故障进行准确判别的方法的需求。

发明内容

为了解决本领域的上述问题，根据本发明的实施方式提供了一种基于属性编码的零样本旋转机械故障诊断方法。

根据本发明的实施方式提供了一种基于属性编码的零样本旋转机械故障诊断方法，包括以下步骤：

步骤一：确定故障情境的属性描述，归纳旋转机械的所有潜在的故障，并对该故障进行拆解分析，判定故障模式、找出故障原因、界定故障情境，总结整理以上故障的相关信息从而构建故障的属性体系，该属性体系包括不同故障的特有属性和共有属性，进而确定故障情境的属性描述，为后续属性编码提供了支持；

步骤二：建立故障情境的属性编码，针对旋转机械的不同故障进行属性编码，所述不同故障包括已知类别故障和未知类别故障，并采用独热编码对所有类别故障进行编码，从而得到不同故障的0-1码；

步骤三：获取旋转机械的多源数据，通过在旋转机械的不同位置设置传感器，采集旋转机械的振动信号；

步骤四：形成旋转机械的多域特征集，通过域的转换来提取所采集的旋转机械的振动信号的时域特征、频域特征、能量特征和熵特征，从而形成多域特征集；

步骤五：构建属性编码的特征子集，通过基于支持向量机的递归特征消除算法，针对每一维度的0-1码分别进行一次特征选择，选出可区分性强的特征，剔除了无用特征和冗余特征，减小了计算量，降低计算量，最终形成多个特征子集，且每一维度的0-1码均有一个对应的特征子集；

步骤六：分类器训练，分别将每一维度的0-1码所对应的特征子集作为分类器的输入，并将每一维度的0-1码取代样本标签作为分类器的输出进行分类器训练，训练多个分类器，且每一维度的0-1码均对应一个训练好的分类器；

步骤七：零样本故障诊断，针对于未知类别故障的样本数据，按照步骤四针对已知类别故障0-1码各维度特征子集的组成形成未知类别故障样本0-1码各维度的特征子集，并将此特征子集作为已训练好的分类器的输入，最终得到一串由0-1组成的二进制码输出，并将此输出依次与步骤一当中的各类别的0-1码进行基于欧氏距离的判别，最终实现对未知类别样本的故障诊断。