[发明专利]基于集成增量的动态权重组合的设备故障分类方法

摘要

本发明公开了基于集成增量的动态权重组合的设备故障分类方法，涉及设备故障诊断技术。本发明主要分为以下几个部分：非平衡数据处理、小波去噪与重构、使用经验模式分解进行特征提取、长短期记忆神经网络的搭建、支持向量机模型的搭建、使用支持向量机动态调整长短期记忆神经网络和支持向量机组合模型中各分类器的权重、使用集成增量模型实现快速动态增量学习。基于以上研究，最终提出一种基于集成增量的动态权重组合分类模型，并将该模型应用于滚动轴承设备故障诊断，提高了设备故障诊断的分类准确性。

主权项

1.一种基于集成增量的动态权重组合的设备故障分类方法，其特征在于，包括如下步骤：(1)采集设备运行正常时和故障时的信号数据，使用基于过采样和欠采样融合的数据抽样模型对信号数据进行非平衡处理；(2)针对非平衡处理之后的信号数据，使用小波包去噪，去除信号数据中的噪声点，然后使用小波包重构，将去噪之后的信号数据重构为原始信号；(3)针对步骤(2)重构之后的原始信号，使用极点对称模态分解完成原始信号的特征参数提取，将特征向量作为训练数据集，并将训练数据集划分为多组，一组作为初步训练数据集输入到步骤(4)，剩余组分次作为增量训练集；(4)训练长短期记忆神经网络，将初步训练集映射到输入层，通过LSTM网络训练参数，再输入到softmax输出层得到分类类别的概率分布，在训练次数达到预设值并且代价函数逐步收敛时停止训练；(5)利用初步训练集对多分类支持向量机进行训练；(6)利用新的支持向量机调整步骤(4)和步骤(5)的长短期记忆神经网络和支持向量机组合模型中的权重，完成组合模型的训练；(7)针对增量数据集，先进行步骤(1)‑(3)处理完成特征参数的提取，然后将处理后的特征参数作为测试集放入步骤(6)训练好的组合模型中处理；若输出结果符合预期，则输出，若输出结果不满足预期要求，则利用新增特征参数进行步骤(6)完成权重调整完成集成增量学习。