[发明专利]基于数据驱动增量融合的螺旋式故障诊断方法

摘要

本发明公开了一种基于数据驱动增量融合的螺旋式故障诊断方法，包括下述步骤：采集数据点并划分为正常样本和故障样本；随机抽样得到不同倾斜率的非平衡样本并划分为四组；采用基于划分近邻的重采样方法得到相对平衡的样本；将其输入DAE提取故障特征，存在新增数据时增量合并特征模式，然后输入SVM进行故障诊断；选取既具备信息量又富有代表性的实例，并对有效特征和实例进行动态综合评价；将有效实例集与新增数据合并，重新进行增量学习过程。该方法在充分考虑样本噪声和分布特征的情况下得到利于准确识别故障类型的平衡数据，通过选取特征和实例进行动态评价及增量合并将有效信息保留并传递下去，从而实现了设备故障快速高效的增量学习和分类诊断。

主权项

一种基于数据驱动增量融合的螺旋式故障诊断模型，其特征在于，包括下述步骤：步骤一：对深沟球轴承使用电火花加工技术分别在轴承上对内圈、外圈和滚动体布置了3个故障等级的单点故障，选择电机驱动端振动传感器采集正常状态(N)、内圈故障(IRF)、外圈故障(ORF)和滚动体故障(BF)4种状态下的振动信号，得到多个数据点，使用小波包分解提取振动信号特征，将其按数据所属类别划分为正常样本和故障样本；步骤二：对步骤一中正常样本和故障样本随机抽取不同倾斜率的五个样本，且每个样本中正常样本的数据点多于故障样本中的数据点，所述的五个样本为四个非平衡训练样本和一个测试样本；步骤三：将步骤二中所述的每个训练样本等量划分为四组，其中一组作为训练模型，先加入模型中进行训练，得到新的模型后，再将第二组加入，得到新的模型后，再加入第三组，得到新的模型后，加入第四组，以验证模型的增量学习能力；步骤四：将步骤二中的非平衡样本采用基于划分近邻的重采样方法分别划分为噪声点、边界点和安全点并进行多数类欠采样和少数类过采样，合并得到相对平衡的数据样本；步骤五：将步骤四中所得的平衡数据样本作为去噪自动编码器的输入数据进行故障特征提取，得到有效特征，当存在新增数据时通过模式相似度计算，利用模式增量与合并原则进行特征模式的增量与合并，然后输入SVM分类器中进行轴承故障模式分类诊断，并使用BP算法微调整个分类模型网络中的相关参数，最终得到螺旋式故障诊断模型。