CN111967364B - 复合故障诊断方法、装置、电子设备和存储介质 - Google Patents
复合故障诊断方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN111967364B CN111967364B CN202010800302.2A CN202010800302A CN111967364B CN 111967364 B CN111967364 B CN 111967364B CN 202010800302 A CN202010800302 A CN 202010800302A CN 111967364 B CN111967364 B CN 111967364B
- Authority
- CN
- China
- Prior art keywords
- sample
- mll
- neural network
- network model
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000002131 composite material Substances 0.000 title claims description 59
- 238000003062 neural network model Methods 0.000 claims abstract description 78
- 238000007781 pre-processing Methods 0.000 claims abstract description 25
- 210000002569 neuron Anatomy 0.000 claims description 92
- 238000004422 calculation algorithm Methods 0.000 claims description 44
- 238000012549 training Methods 0.000 claims description 39
- 238000012360 testing method Methods 0.000 claims description 38
- 230000006870 function Effects 0.000 claims description 34
- 230000006872 improvement Effects 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000009833 condensation Methods 0.000 claims description 5
- 230000005494 condensation Effects 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 5
- 150000001875 compounds Chemical class 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 14
- 230000004913 activation Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000035945 sensitivity Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/021—Gearings
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—Acoustic or vibration analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Acoustics & Sound (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本申请实施例提供一种复合故障诊断方法、装置、电子设备和存储介质，通过获取待检测旋转机械的多路工作状态信号，对多路工作状态信号进行预处理，得到特征信号数据集，根据BP‑MLL神经网络模型对所述特征信号数据集进行分析，确定待检测旋转机械的复合故障类型，实现了对旋转机械的复合故障诊断，提高了复合故障的诊断准确率。
Description
技术领域
本申请实施例涉及机械故障诊断技术，尤其涉及一种复合故障诊断方法、装置、电子设备和存储介质。
背景技术
旋转机械作为各种机械设备中的动力传动装置，在机械设备中的发挥着重要的作用，旋转机械的故障定位是机械设备管理和维护工作的重点。复合故障是与单一故障相对的概念，由于旋转机械复杂的结构和工作环境，当前多结合神经网络的相关算法，进行复合故障定位。
现有技术中，通过采集旋转机械在单一故障和复合故障工况下的振动加速度信号，并设置一定的样本提取参数截断提取若干样本，对于每一个样本，单一故障给定单个标签，复合故障给定多个标签，然后按一定比例将给定标签的样本集随机划分为训练集和测试集，利用Keras搭建深层一维卷积神经网络，设置输出层激活函数为Sigmoid激活函数，设置代价函数为边界损失函数，在不对样本进行任何预处理的情况下，直接将训练集振动数据输入一维卷积神经网络中进行训练，通过Grid Search选取最优模型，并将其应用于测试集上，得到故障状态分类结果。
现有技术的方案虽然能够实现对复合故障的诊断，然而，现有技术中对复合故障仅通过给多个标签进行区分，而没有考虑到多个故障之间的关联关系，因此，在采用现有技术中的模型对旋转机械进行复合故障诊断时，存在准确率不高的问题。
发明内容
本申请提供一种复合故障诊断方法、装置、电子设备和存储介质，以解决现有技术中存在的诊断准确率不高的问题。
第一方面，本申请实施例提供一种复合故障诊断方法，包括：
获取待检测旋转机械的多路工作状态信号；
对所述多路工作状态信号进行预处理，得到特征信号数据集；
根据反向传播多标签学习BP-MLL神经网络模型对所述特征信号数据集进行分析，确定所述待检测旋转机械的复合故障类型。
可选地，所述BP-MLL神经网络模型是根据BP-MLL改进算法训练得到的，所述BP-MLL改进算法用于根据与样本相关的标签集合的值和与样本无关的标签集合的值，确定距离函数：
其中， i表示样本序号，k表示相关标签的样本序号，l表示不相关标签的样本序号，/>表示相关标签位置输出层神经元的输出值，/>表示不相关标签位置输出层神经元的输出值，Yi表示与样本相关的标签集合，/>表示与样本无关的标签集合，|Yi|表示与样本相关的标签集合的值，/>表示与样本无关的标签集合的值，fdistance表示距离函数。
可选地，所述BP-MLL改进算法用于通过误差函数：
调整神经网络的权重值，其中，E表示误差，I表示样本数据集的对数，β表示正则化系数，Vtd表示第t个隐含层神经元与第d个输入层神经元之间的权重值，Wst表示第s个输出层神经元与第t个隐含层神经元之间的权重值，N表示输入层神经元的个数，M表示隐含层神经元的个数，J表示输出层神经元的个数。
可选地，所述根据反向传播多标签学习BP-MLL神经网络模型对所述特征信号数据集进行分析，确定所述待检测旋转机械的复合故障类型之前，所述方法还包括：
获取训练样本集和测试样本集，所述训练样本集和所述测试样本集中的数据是对预先采集的旋转机械的工作状态信号进行预处理得到的；
利用BP-MLL改进算法对所述训练样本集进行训练，得到初始神经网络模型；
根据测试样本集对所述初始神经网络模型进行测试，得到所述BP-MLL神经网络模型。
可选地，所述对所述多路工作状态信号进行预处理，得到特征信号数据集，包括：
对所述多路工作状态信号的时域和频域进行特征提取，得到所述多路工作状态信号的时频域特征参数集；
根据所述时频域特征参数集，通过凝聚度评估算法构造所述特征信号数据集。
第二方面，本申请实施例提供一种复合故障诊断装置，包括：
获取模块，用于获取待检测旋转机械的多路工作状态信号；
处理模块，用于对所述多路工作状态信号进行预处理，得到特征信号数据集；根据反向传播多标签学习BP-MLL神经网络模型对所述特征信号数据集进行分析，确定所述待检测旋转机械的复合故障类型，所述BP-MLL神经网络模型是根据BP-MLL改进算法训练得到的。
可选地，所述BP-MLL神经网络模型是根据BP-MLL改进算法训练得到的，所述BP-MLL改进算法用于根据与样本相关的标签集合的值和与样本无关的标签集合的值，确定距离函数：
其中， i表示样本序号，k表示相关标签的样本序号，l表示不相关标签的样本序号，/>表示相关标签位置输出层神经元的输出值，/>表示不相关标签位置输出层神经元的输出值，Yi表示与样本相关的标签集合，/>表示与样本无关的标签集合，|Yi|表示与样本相关的标签集合的值，/>表示与样本无关的标签集合的值，fdistance表示距离函数；
所述BP-MLL改进算法用于通过误差函数：
调整神经网络的权重值，其中，E表示误差，I表示样本数据集的对数，β表示正则化系数，Vtd表示第t个隐含层神经元与第d个输入层神经元之间的权重值，Wst表示第s个输出层神经元与第t个隐含层神经元之间的权重值，N表示输入层神经元的个数，M表示隐含层神经元的个数，J表示输出层神经元的个数。
可选地，所述获取模块，还用于获取训练样本集和测试样本集，所述训练样本集和所述测试样本集中的数据是对预先采集的旋转机械的工作状态信号进行预处理得到的；
所述处理模块，还用于利用BP-MLL改进算法对所述训练样本集进行训练，得到初始神经网络模型；根据测试样本集对所述初始神经网络模型进行测试，得到所述BP-MLL神经网络模型。
第三方面，本申请实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一方面所述的复合故障诊断方法。
第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面所述的复合故障诊断方法。
本申请实施例提供的复合故障诊断方法、装置、电子设备和存储介质，通过获取待检测旋转机械的多路工作状态信号，对多路工作状态信号进行预处理，得到特征信号数据集，根据BP-MLL神经网络模型对所述特征信号数据集进行分析，确定待检测旋转机械的复合故障类型，实现了对旋转机械的复合故障诊断，由于本申请中BP-MLL神经网络模型是根据BP-MLL改进算法训练得到的，不仅保留了标签之间的相关性(BP-MLL算法的特性)，还通过改进误差公式，使BP-MLL神经网络模型适用于多情况下复合故障的诊断(包括全标记和空标记的情况)，极大地提高了复合故障的诊断准确率。
附图说明
图1为本申请实施例一提供的复合故障诊断方法的流程示意图；
图2为本申请实施例提供的三层神经网络结构的示意图；
图3为本申请实施例一提供的进行复合故障诊断的逻辑流程示意；
图4为本申请实施例二提供的复合故障诊断方法的流程示意图；
图5为本申请实施例二提供的BP-MLL神经网络模型的训练逻辑示意图；
图6为本申请实施例三提供的误差值随轮次的变化情况的示意图；
图7为本申请实施例三提供的BP-MLL神经网络模型的分类结果示意图；
图8为本申请实施例四提供的复合故障诊断装置的结构示意图；
图9为本申请实施例五提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部结构。
首先，对本申请实施例涉及的名词进行解释：
旋转机械：是指依靠旋转动作完成特定功能的机械，如汽轮机、燃气轮机、压缩机、风机、发电机和发电机等，旋转机械通常由转轴及固定在转轴上的各类盘状零部件，如轴承、齿轮、齿轮箱、叶轮等组成。
复合故障：是指同时发生的两个或多个故障，在旋转机械中如滚珠轴承故障及缺齿、内轴承故障及齿断等。
现有技术在通过多标签对复合故障进行诊断时，仅考虑多个故障的简单叠加，而未考虑多个故障之间的关联关系，因此，现有技术中存在诊断准确率不高的问题。基于现有技术中存在的技术问题，本申请实施例提供一种复合故障诊断方法，基于BP-MLL改进算法，构建BP-MLL神经网络模型，通过对输出层标记的神经元和未标记的神经元取差值进行指数运算，以保留标签之间的相关性，进而捕捉多标记学习的特征，提高了复合故障的诊断准确率，同时，通过改进原有BP-MLL算法中的误差函数，使相关标签神经元的实际输出值与不相关标签为神经元的实际输出值之间的距离尽量大，进一步提高了复合故障的诊断准确率。
实施例一
图1为本申请实施例一提供的复合故障诊断方法的流程示意图，该方法可以由具有复合故障诊断功能的电子设备来执行，如旋转机械管理/控制平台、终端设备等。如图1所示，本实施例的方法具体包括如下步骤：
S110、获取待检测旋转机械的多路工作状态信号。
本步骤中，示例性地，进行复合故障诊断的电子设备可以与多路传感器连接，多路传感器用于测量待检测旋转机械的工作状态信号，如力信号、力矩信号、振动信号等，可以理解的是，该电子设备具有控制多路传感器的功能，能够根据需求获取相应的多路工作状态信号，例如，可以实时获取多路传感器采集的待检测旋转机械的多路工作状态信号，也可以在待检测旋转机械发生故障时获取多路传感器采集的旋转机械的多路工作状态信号。
其中，待检测旋转机械是指需要进行复合故障诊断的旋转机械。
工作状态信号是与旋转机械的机械性能相关的参数，示例性地，多路工作状态信号中可以同时包括力信号、力矩信号、振动信号，并且力信号、力矩信号、振动信号均可以为多路，如多路工作状态信号可以包括2路力信号、3路力矩信号和2路振动信号，具体可根据旋转机械的结构和实际分析需求进行确定。
本实施例中，通过获取待检测旋转机械的多路工作状态信号，进行复合故障的诊断，有利于提高复合故障的诊断准确率。
S120、对多路工作状态信号进行预处理，得到特征信号数据集。
本步骤中，通过对S110中获取到的多路工作状态信息进行预处理，得到满足BP-MLL神经网络模型的输入特征信号数据集。
可选地，示例性地，对多路工作状态信号进行预处理，得到特征信号数据集，可以通过如下步骤实现：
A、依次对每一路工作状态信号的时域和频域进行特征提取，得到多路工作状态信号的时频域特征参数集。
特征提取是影响模型准确度和效率的关键因素，示例性地，本步骤中，在对每一路工作状态信号的时域和频域进行特征提取时，可以通过快速傅里叶变换、小波变换和特征参数计算法相结合的方式进行。
B、根据时频域特征参数集，通过凝聚度评估算法构造特征信号数据集。
本步骤中，根据凝聚度评估算法首先计算每个时频域特征参数的敏感度因子，然后在对敏感度因子进行排序的基础上，选取前d个敏感度因子较大的参数构建敏感向量，得到特征信号数据集。
示例性地，用η表示敏感度因子，通过ν＝sort(η)对敏感度因子进行排序，构建得到特征信号数据集
S130、根据BP-MLL神经网络模型对特征信号数据集进行分析，确定所述待检测旋转机械的复合故障类型。
本步骤中，BP-MLL神经网络模型是预先根据BP-MLL改进算法训练得到的一种神经网络模型，本步骤中，将S120中经过预处理得到的特征信号数据集输入到BP-MLL神经网络模型中，通过BP-MLL神经网络模型对特征信号数据集进行分析，实现特征分类，从而确定待检测旋转机械的复合故障类型。
其中，BP-MLL改进算法是通过改进BP-MLL算法的误差公式得到的，具体地，在BP-MLL算法的原始误差公式中加入正则项，并调整原始误差公式的距离函数。
示例性地，图2为本申请实施例提供的三层神经网络结构的示意图，以图2所示的神经网络结构为例对BP-MLL改进算法实现特征分类的原理加以说明，可以理解的是，当隐含层为两层或多层时，本申请的技术方案也同样适用。
如图2所示的三层神经网络结构，包括一层由d个神经元组成的输入层、一层由t个神经元组成的隐含层和一层由s个神经元组成的输出层，图中空心圆和实心圆表示各层的神经元，a1，a2，……，ad对应输入层神经元，{a1，a2，……，ad}表示输入层神经元的输入值，b1，……，bt对应隐含层神经元，{b1，……，bt}表示隐含层神经元的输出值，c1，……，cs对应输出层神经元，{c1，……，cs}表示输出层神经元的输出值，a0、b0对应偏置神经元，a0表示隐含层的偏置项的值，b0表示输出层的偏置项的值。除偏置神经元外，所有隐含层神经元和输入层神经元之间两两连接，权重值用Vtd表式，例如，V12表示隐含层神经元1与输入层神经元2之间的权重值，所有输出层神经元和隐含层神经元之间两两连接，权重值用Wst表式，例如，W12表示输出层神经元1与隐含层神经元2之间的权重值。
假设数据集有I对多标签样本{(X1,Y1),…,(Xi,Yi)},i＝1,…,I，i表示样本序号，I为大于等于1的正整数，每个Xi是一个d维输入特征向量，对应的输出向量Yi是标签的集合，为区分与Xi相关的标签和不相关的标签，用Yi表示与Xi相关的标签集合，用表示与样本无关的标签集合，相应地，|Yi|表示与样本相关的标签集合的值，/>表示与样本无关的标签集合的值。
将每一层都与下一层完全相连，拥有权重[Vtd,Wst](d＝1,2,…,N；t＝1,2,…,M；s＝1,2,…,J)，其中，N、M、J分别表示输入层神经元、隐含层神经元和输出层神经元的个数，N、M、J均为大于等于1的正整数，d、t、s分别是输入层神经元、隐含层神经元和输出层神经元的序号。
(1)BP-MLL改进算法定义距离函数如下：
其中， 表示相关标签位置输出层神经元的输出值，/>表示不相关标签位置输出层神经元的输出值，|Yi|表示与样本相关的标签集合的值，/>表示与样本无关的标签集合的值，fdistance表示距离函数。
表示当|Yi|＝0(表示所有标签均与样本不相关，即空标签的情况)时，令/>取1，当|Yi|≠0(表示不是空标签的情况)时，令/>等于输出层的输出值/>
表示当/>(表示所有标签均与样本相关，即全标签的情况)时，令/>取-1，当/>(表示不是全标签的情况)，令/>等于输出层的输出值/>
由此可知，如果一个样本没有任何标签标记(空标签)，即|Yi|＝0，即只存在不相关的标签，此时距离函数为：
如果一个样本中标记了所有标签，即即所有标签者是相关的(全标签)，此时距离函数为：
通过距离函数保证标签之间的相关性，使相关标签位置神经元的输出值大于不相关标签位置神经元的输出值，并且通过根据|Yi|和|Yi|对和/>的取值进行分类讨论，使BP-MLL神经网络模型也适用于空标签和全标签的情况，提高了BP-MLL神经网络模型对复合故障的诊断准确率。
(2)BP-MLL改进算法定义如下误差函数：
其中，E表示误差；
β表示正则化系数，即为正则项，正则项用于平衡误差，避免误差值无穷大或无穷小等情况出现；
max(1,|Yi|)表示取1和|Yi|中的较大值，表示取1和/>中的较大值，通过max(1,|Yi|)和/>相乘的值作为第一项的分母，保证了误差公式中第一项的分母不为0，从而使误差公式不仅可以适用于普通的情况，也适用于全标签和空标签的情况，提高了算法的适用性。
在BP-MLL改进算法中，通过上述误差公式4计算输出层输出值和期望值之间的误差值，并根据误差值调整权重[Vtd,Wst]，直到误差值满足预设条件。
(3)权重的更新
令(其中cs表示第s个输出层神经元的输出值，Scs为s个输出层神经元的输出值的加权和，Ei表示i个样本的误差值)，h为激活函数，经推导得出：
其中，h′为激活函数的导数，cl表示不相关标签位置神经元的输出值，ck表示相关标签位置神经元的输出值。
本实施例中，根据以下公式对神经网络的权重值Wst进行更新：
Wst＝Wst+ΔWst 公式6
其中，α为学习率，bt为第t个隐含层神经元的输出值。
需要说明的是，Vtd的更新方式与Wst的更新方式类似，此处不再赘述。
(3)根据如下公式对输出结果进行分类：
其中，ε表示输出值的阈值，res表示标记结果。上述公式表示当输出层的输出值大于阈值ε时，标记为1，当输出层的输出值小于或等于阈值ε时，标记为-1。
本实施例中，通过采集旋转机械的工作状态信号，并根据BP-MLL改进算法对其进行训练，就可以得到BP-MLL神经网络模型，当待检测旋转机械的特征信号数据集输入到BP-MLL神经网络模型时，就可以实现对待检测旋转机械的复合故障类型的诊断。图3为本申请实施例一提供的进行复合故障诊断的逻辑流程示意。
本实施例中，通过获取待检测旋转机械的多路工作状态信号，对多路工作状态信号进行预处理，得到特征信号数据集，根据BP-MLL神经网络模型对所述特征信号数据集进行分析，确定待检测旋转机械的复合故障类型，实现了对旋转机械的复合故障诊断，由于本申请中BP-MLL神经网络模型是根据BP-MLL改进算法训练得到的，不仅保留了标签之间的相关性(BP-MLL算法的特性)，还通过改进误差公式，使BP-MLL神经网络模型适用于多情况下复合故障的诊断(包括全标记和空标记的情况)，极大地提高了复合故障的诊断准确率。
实施例二
上述实施例一中，在根据BP-MLL神经网络模型对所述特征信号数据集进行分析，确定待检测旋转机械的复合故障类型之前，还应包括BP-MLL神经网络模型的构建过程，下面将一个具体的实施例对BP-MLL神经网络模型的构建过程加以描述。
图4为本申请实施例二提供的复合故障诊断方法的流程示意图，如图4所示，本实施例中，构建BP-MLL神经网络模型包括：
S210、获取训练样本集和测试样本集。
本步骤中，训练样本集和测试样本集中的数据是对预先采集的旋转机械的工作状态信号进行预处理得到的，预处理的实现流程和实施例一中对待检测旋转机械的多路工作状态信号的预处理类似，此处不再赘述。
可以理解的是，产生训练样本集和测试样本集的工作状态信号的旋转机械与待检测旋转机械可以相同也可以不同，用于得到训练样本集和测试样本集的旋转机械的工作状态信息是在故障类型已知的情况下采集的。
S220、利用BP-MLL改进算法对训练样本集进行训练，得到初始神经网络模型。
本步骤中，示例性地，利用BP-MLL改进算法对训练样本集进行训练，得到初始神经网络模型可以通过如下步骤实现：
A、确定神经网络的结构、各层神经元的个数和激活函数，初始化各层神经元之间连接的权重值和偏置项的值，并设置权重的更新步长、轮次和误差阈值；
B、执行正向传播过程，根据输入的样本，各层神经元之间连接的权重值、和偏置项的值，根据公式4计算输出层的输出值以及输出值和实际值之间的损失值，即误差，若误差小于预设阈值，则得到初始神经网络模型，训练停止；若误差大于或等于预设阈值，则执行步骤C；
C、执行反向传播过程，根据权重更新公式6和公式7对各层神经元之间连接的权重值进行更新。
D、重复执行步骤B、C，直到达到设定的最大轮次或输出层的输出值与实际值之间的误差小于误差阈值。
S230、根据测试样本集对初始神经网络模型进行测试，得到BP-MLL神经网络模型。
本步骤中，将测试样本集输入到初始神经网络模型中，对初始神经网络模型进行测试，判断初始神经网络模型的输出是否为有效分类，若多次测试结果均为有效分类，则将初始神经网络模型作为BP-MLL神经网络模型，若多次测试结果无法满足有效分类的要求，则根据测试结果对初始神经网络模型进行调整，得到BP-MLL神经网络模型。
具体地，根据S220中最后一轮的权重值，对测试样本集执行正向传播过程，获取测试样本集的预测标签置信度，并得到预测多标签集标示。图5为本申请实施例二提供的BP-MLL神经网络模型的训练逻辑示意图。
本实施例中，通过获取训练样本集和测试样本集，训练样本集和所述测试样本集中的数据是对预先采集的旋转机械的工作状态信号进行预处理得到的，利用BP-MLL改进算法对训练样本集进行训练，得到初始神经网络模型，根据测试样本集对初始神经网络模型进行测试，得到BP-MLL神经网络模型，通过预处理、算法改进和测量，有效保证了BP-MLL神经网络模型的可靠性和准确性，从而有利于提高对旋转机械复合故障的诊断准确率和效率。
实施例三
下面将以具有轴承和齿轮箱的旋转机械的复合故障诊断为例，对BP-MLL神经网络模型的构建及分类效果加以说明。
表1
| 类型 | 数量 |
| 正常(无故障) | 48 |
| 滚珠轴承故障及缺齿 | 48 |
| 外轴承故障及缺齿 | 48 |
| 外轴承故障及齿断 | 48 |
| 内轴承故障及齿断 | 48 |
训练样本集为5种故障类型的240组样本(其中包括48个无故障)，如表1所示。测试样本集同样为5种故障类型的另240组样本。
在训练样本集上采用BP-MLL改进算法训练初始神经网络模型，然后再在测试样本集上检验故障检测的准确性，根据有效分类的情况对初始神经网络模型进行调整，得到BP-MLL神经网络模型。
通过在个人计算机(8G RAM及i5-7200U [email protected])上应用BP-MLL神经网络模型，BP-MLL神经网络模型能够成功分类表1所示的5种多故障，准确率达到100％且总训练时长为55.3102秒。表2为BP-MLL神经网络模型中神经网络结构的配置。表2中学习率α为指数衰减学习率，与学习率初始值α0和轮次相关(epochs)相关，用公式表示为α＝0.95epochs*α0。
表2
| 项目 | 配置 |
| 输入层神经元个数 | 32 |
| 隐含层神经元个数 | 44 |
| 输出层神经元个数 | 5 |
| 学习率(α) | 0.95epochs*α0 |
| 轮次(epochs) | 100 |
图6为本申请实施例三提供的误差值随轮次的变化情况的示意图，由图6可知，误差值随轮次的增多而变小，并且当轮次达到20次时，误差值趋于稳定。
图7为本申请实施例三提供的BP-MLL神经网络模型的分类结果示意图，图7为采用t-分布随机邻域嵌入(t-distributed stochastic neighbor embedding，t-SNE)算法，将BP-MLL神经网络模型的输出结果从5维降到3维后得到的。由图7可知，采用BP-MLL神经网络模型能够实现对复合故障的成功分类。
实施例四
图8为本申请实施四提供的复合故障诊断装置的结构示意图，如图8所示，本实施例中复合故障诊断装置10，包括：
获取模块11和处理模块12。
获取模块11，用于获取待检测旋转机械的多路工作状态信号；
处理模块12，用于对所述多路工作状态信号进行预处理，得到特征信号数据集；根据反向传播多标签学习BP-MLL神经网络模型对所述特征信号数据集进行分析，确定所述待检测旋转机械的复合故障类型，所述BP-MLL神经网络模型是根据BP-MLL改进算法训练得到的。
可选地，所述BP-MLL神经网络模型是根据BP-MLL改进算法训练得到的，所述BP-MLL改进算法用于根据与样本相关的标签集合的值和与样本无关的标签集合的值，确定距离函数：
其中， i表示样本序号，k表示相关标签的样本序号，l表示不相关标签的样本序号，/>表示相关标签位置输出层神经元的输出值，/>表示不相关标签位置输出层神经元的输出值，Yi表示与样本相关的标签集合，/>表示与样本无关的标签集合，|Yi|表示与样本相关的标签集合的值，/>表示与样本无关的标签集合的值，fdistance表示距离函数；
所述BP-MLL改进算法用于通过误差函数：
调整神经网络的权重值，其中，E表示误差，I表示样本数据集的对数，β表示正则化系数，Vtd表示第t个隐含层神经元与第d个输入层神经元之间的权重值，Wst表示第s个输出层神经元与第t个隐含层神经元之间的权重值，N表示输入层神经元的个数，M表示隐含层神经元的个数，J表示输出层神经元的个数。
可选地，所述获取模块11，还用于获取训练样本集和测试样本集，所述训练样本集和所述测试样本集中的数据是对预先采集的旋转机械的工作状态信号进行预处理得到的；
所述处理模块12，还用于利用BP-MLL改进算法对所述训练样本集进行训练，得到初始神经网络模型；根据测试样本集对所述初始神经网络模型进行测试，得到所述BP-MLL神经网络模型。
可选地，所述处理模块12具体用于：
对所述多路工作状态信号的时域和频域进行特征提取，得到所述多路工作状态信号的时频域特征参数集；
根据所述时频域特征参数集，通过凝聚度评估算法构造所述特征信号数据集。
本申请实施例所提供的复合故障诊断装置可执行本申请任意方法实施例所提供的复合故障诊断方法，具备执行方法相应的功能模块和有益效果。本实施例的实现原理和技术效果与上述方法实施例类似，此处不再一一赘述。
实施例五
图9为本申请实施例五提供的一种电子设备的结构示意图，如图9所示，该电子设备20包括存储器21、处理器22及存储在存储器上并可在处理器上运行的计算机程序；电子设备20处理器22的数量可以是一个或多个，图9中以一个处理器22为例；电子设备20中的的处理器22、存储器21可以通过总线或其他方式连接，图9中以通过总线连接为例。
存储器21作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本申请实施例中的获取模块11和处理模块12对应的程序指令/模块。处理器22通过运行存储在存储器21中的软件程序、指令以及模块，从而执行设备/终端/服务器的各种功能应用以及数据处理，即实现上述的复合故障诊断方法。
存储器21可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器21可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器21可进一步包括相对于处理器22远程设置的存储器，这些远程存储器可以通过网络连接至设备/终端/服务器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
实施例六
本申请实施例D还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在由计算机处理器执行时用于执行一种复合故障诊断方法，该方法包括：
获取待检测旋转机械的多路工作状态信号；
对所述多路工作状态信号进行预处理，得到特征信号数据集；
根据反向传播多标签学习BP-MLL神经网络模型对所述特征信号数据集进行分析，确定所述待检测旋转机械的复合故障类型，所述BP-MLL神经网络模型是根据BP-MLL改进算法训练得到的。
当然，本申请实施例所提供的一种包计算机可读存储介质，其计算机程序不限于如上所述的方法操作，还可以执行本申请任意实施例所提供的复合故障诊断方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本申请可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述的方法。
值得注意的是，上述搜索装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。
注意，上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解，本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由所附的权利要求范围决定。
Claims (7)
1.一种复合故障诊断方法，其特征在于，包括：
获取待检测旋转机械的多路工作状态信号；
对所述多路工作状态信号进行预处理，得到特征信号数据集；
根据反向传播多标签学习BP-MLL神经网络模型对所述特征信号数据集进行分析，确定所述待检测旋转机械的复合故障类型；
所述BP-MLL神经网络模型是根据BP-MLL改进算法训练得到的，所述BP-MLL改进算法用于根据与样本相关的标签集合的值和与样本无关的标签集合的值，确定距离函数：
其中，i表示样本序号，k表示相关标签的样本序号，l表示不相关标签的样本序号，/>表示相关标签位置输出层神经元的输出值，/>表示不相关标签位置输出层神经元的输出值，Yi表示与样本相关的标签集合，/>表示与样本无关的标签集合，|Yi|表示与样本相关的标签集合的值，/>表示与样本无关的标签集合的值，fdistance表示距离函数；
所述BP-MLL改进算法用于通过误差函数：
调整神经网络的权重值，其中，E表示误差，I表示样本数据集的对数，β表示正则化系数，Vtd表示第t个隐含层神经元与第d个输入层神经元之间的权重值，Wst表示第s个输出层神经元与第t个隐含层神经元之间的权重值，N表示输入层神经元的个数，M表示隐含层神经元的个数，J表示输出层神经元的个数。
2.根据权利要求1所述的方法，其特征在于，所述根据反向传播多标签学习BP-MLL神经网络模型对所述特征信号数据集进行分析，确定所述待检测旋转机械的复合故障类型之前，所述方法还包括：
获取训练样本集和测试样本集，所述训练样本集和所述测试样本集中的数据是对预先采集的旋转机械的工作状态信号进行预处理得到的；
利用BP-MLL改进算法对所述训练样本集进行训练，得到初始神经网络模型；
根据测试样本集对所述初始神经网络模型进行测试，得到所述BP-MLL神经网络模型。
3.根据权利要求1所述的方法，其特征在于，所述对所述多路工作状态信号进行预处理，得到特征信号数据集，包括：
对所述多路工作状态信号的时域和频域进行特征提取，得到所述多路工作状态信号的时频域特征参数集；
根据所述时频域特征参数集，通过凝聚度评估算法构造所述特征信号数据集。
4.一种复合故障诊断装置，其特征在于，包括：
获取模块，用于获取待检测旋转机械的多路工作状态信号；
处理模块，用于对所述多路工作状态信号进行预处理，得到特征信号数据集；根据反向传播多标签学习BP-MLL神经网络模型对所述特征信号数据集进行分析，确定所述待检测旋转机械的复合故障类型；
所述BP-MLL神经网络模型是根据BP-MLL改进算法训练得到的，所述BP-MLL改进算法用于根据与样本相关的标签集合的值和与样本无关的标签集合的值，确定距离函数：
其中，i表示样本序号，k表示相关标签的样本序号，l表示不相关标签的样本序号，/>表示相关标签位置输出层神经元的输出值，/>表示不相关标签位置输出层神经元的输出值，Yi表示与样本相关的标签集合，/>表示与样本无关的标签集合，|Yi|表示与样本相关的标签集合的值，/>表示与样本无关的标签集合的值，fdistance表示距离函数；
所述BP-MLL改进算法用于通过误差函数：
调整神经网络的权重值，其中，E表示误差，I表示样本数据集的对数，β表示正则化系数，Vtd表示第t个隐含层神经元与第d个输入层神经元之间的权重值，Wst表示第s个输出层神经元与第t个隐含层神经元之间的权重值，N表示输入层神经元的个数，M表示隐含层神经元的个数，J表示输出层神经元的个数。
5.根据权利要求4所述的装置，其特征在于，
所述获取模块，还用于获取训练样本集和测试样本集，所述训练样本集和所述测试样本集中的数据是对预先采集的旋转机械的工作状态信号进行预处理得到的；
所述处理模块，还用于利用BP-MLL改进算法对所述训练样本集进行训练，得到初始神经网络模型；根据测试样本集对所述初始神经网络模型进行测试，得到所述BP-MLL神经网络模型。
6.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-3中任一所述的复合故障诊断方法。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-3中任一所述的复合故障诊断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010800302.2A CN111967364B (zh) | 2020-08-11 | 2020-08-11 | 复合故障诊断方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010800302.2A CN111967364B (zh) | 2020-08-11 | 2020-08-11 | 复合故障诊断方法、装置、电子设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111967364A CN111967364A (zh) | 2020-11-20 |
| CN111967364B true CN111967364B (zh) | 2023-11-21 |
Family
ID=73365453
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010800302.2A Active CN111967364B (zh) | 2020-08-11 | 2020-08-11 | 复合故障诊断方法、装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111967364B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113361557A (zh) * | 2020-12-21 | 2021-09-07 | 南京仁智网络科技有限公司 | 基于振动数据的井工煤矿灭火控制的神经网络的训练方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001001344A2 (en) * | 1999-06-26 | 2001-01-04 | Axeon Limited | Neural network for performing real-time channel equalisation |
| CN108664924A (zh) * | 2018-05-10 | 2018-10-16 | 东南大学 | 一种基于卷积神经网络的多标签物体识别方法 |
| CN109635677A (zh) * | 2018-11-23 | 2019-04-16 | 华南理工大学 | 基于多标签分类卷积神经网络的复合故障诊断方法及装置 |
| CN109765054A (zh) * | 2019-01-22 | 2019-05-17 | 上海海事大学 | 一种滚动轴承故障诊断方法 |
| CN110907176A (zh) * | 2019-09-30 | 2020-03-24 | 合肥工业大学 | 一种基于Wasserstein距离的深度对抗迁移网络的故障诊断方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160086185A1 (en) * | 2014-10-15 | 2016-03-24 | Brighterion, Inc. | Method of alerting all financial channels about risk in real-time |
-
2020
- 2020-08-11 CN CN202010800302.2A patent/CN111967364B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001001344A2 (en) * | 1999-06-26 | 2001-01-04 | Axeon Limited | Neural network for performing real-time channel equalisation |
| CN108664924A (zh) * | 2018-05-10 | 2018-10-16 | 东南大学 | 一种基于卷积神经网络的多标签物体识别方法 |
| CN109635677A (zh) * | 2018-11-23 | 2019-04-16 | 华南理工大学 | 基于多标签分类卷积神经网络的复合故障诊断方法及装置 |
| CN109765054A (zh) * | 2019-01-22 | 2019-05-17 | 上海海事大学 | 一种滚动轴承故障诊断方法 |
| CN110907176A (zh) * | 2019-09-30 | 2020-03-24 | 合肥工业大学 | 一种基于Wasserstein距离的深度对抗迁移网络的故障诊断方法 |
Non-Patent Citations (2)
| Title |
|---|
| An Improved Simultaneous Fault Diagnosis Method based on Cohesion Evaluation and BP-MLL for Rotating Machinery;Yixuan Zhang 等;《2020 IEEE 29th International Symposium on Industrial Electronics (ISIE)》;摘要、第II至IV节 * |
| 基于径向基神经网络和正则化极限学习机的多标签学习模型;单东 等;《模式识别与人工智能》;833-840 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111967364A (zh) | 2020-11-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ragab et al. | Remaining useful life prediction using prognostic methodology based on logical analysis of data and Kaplan–Meier estimation | |
| Sugumaran et al. | Fault diagnosis of roller bearing using fuzzy classifier and histogram features with focus on automatic rule learning | |
| CN109655259A (zh) | 基于深度解耦卷积神经网络的复合故障诊断方法及装置 | |
| CN111709448A (zh) | 一种基于迁移关系网络的机械故障诊断方法 | |
| CN110113226A (zh) | 一种检测设备异常的方法及装置 | |
| CN113111820B (zh) | 基于改进cnn与关系模块的旋转部件故障诊断方法及其装置 | |
| CN112633098B (zh) | 一种旋转机械故障诊断方法、***及存储介质 | |
| RU2011129298A (ru) | Идентификация отказов в авиационном двигателе | |
| CN116450399B (zh) | 微服务***故障诊断及根因定位方法 | |
| EP1960853A1 (en) | Evaluating anomaly for one-class classifiers in machine condition monitoring | |
| CN112465124B (zh) | 孪生深度时空神经网络模型获取/故障诊断方法、装置 | |
| CN116304604B (zh) | 多变量时间序列数据异常检测、模型训练方法和*** | |
| CN111967364B (zh) | 复合故障诊断方法、装置、电子设备和存储介质 | |
| CN114266289A (zh) | 一种复杂装备健康状态评估方法 | |
| CN112729834A (zh) | 一种轴承故障的诊断方法、装置和*** | |
| CN110781612A (zh) | 滚珠丝杠的故障诊断方法、装置、计算机设备和存储介质 | |
| CN110766100A (zh) | 轴承故障诊断模型构建方法、诊断方法及电子设备 | |
| CN112380932A (zh) | 振动信号特征值选择方法及电梯健康状态评估或故障诊断方法 | |
| CN116541771A (zh) | 一种基于多尺度特征融合的非平衡样本轴承故障诊断方法 | |
| CN110808947A (zh) | 一种自动化的脆弱性量化评估方法及*** | |
| CN114186593A (zh) | 噪声条件下轴承故障识别方法、装置、设备和存储介质 | |
| CN113487141A (zh) | 一种多源信息聚类融合的轴承状态评估方法 | |
| CN115658371B (zh) | 基于案例学习与可诊断性分析的诊断算法量化推荐方法 | |
| Lyu et al. | A Novel Fault Diagnosis Method Based on Feature Fusion and Model Agnostic Meta-Learning | |
| CN109474445B (zh) | 一种分布式***根源故障定位方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |