[发明专利]一种面向少数类识别的多策略联合故障诊断方法

说明书

本发明公开了一种面向少数类识别的多策略联合故障诊断方法，通过对样本数据进行均衡化处理，然后采用均衡的样本数据对构建多策略联合故障诊断模型进行逐级训练，通过构建基于DBN的特征提取器，能够提取多数类样本的深层特征、融合少数类样本的浅层及深层特征，从而提升了少数类故障识别率。本发明从数据、特征及分类器多个层面入手，充分利用深度学习强大的数据表征和特征提取能力，解决因数据类别不平衡所导致的少数类故障识别困难问题，全面提高少数类故障的识别效果。

技术领域

本发明属于工业设备故障诊断技术领域，具体涉及一种面向少数类识别的多策略联合故障诊断方法。

背景技术

随着生产发展和科技进步，现代工业设备的大型化、复杂化大大增加了设备维护的难度与成本。设备磨损老化、运行工况复杂、生产环境动态多变等问题，使得故障不可避免，且故障一旦发生或未被及时修复，“轻者”将影响设备运行性能、生产进度甚至产品质量，“重者”可能导致生产系统瘫痪、人员伤亡等灾难性事故，给企业和社会造成巨大损失。因此，利用深度学习对工业设备的运行状态进行评估与预测，对于实时感知设备健康状况、开展预防性维护以及实现智能诊断、减少故障误判，并最终确保生产的无故障运行具有重要意义。

近年来，机器学习及深度学习已被广泛应用于故障诊断领域并取得了很好的成果。但是，实际工业设备故障数据类别数量存在不平衡性，即不同类别故障数据的数量差别较大，其中，数量少的类别称为少数类，数量多的称为多数类。而现有大多数基于机器学习的诊断方法很少考虑甚至忽略这种不平衡，所以在解决类别不平衡故障诊断问题时面临很大的局限性，例如容易将少数类故障识别为多数类故障，诊断精度明显降低。原因在于：一是少数类故障容易被多数类故障淹没，模型难以找到良好的决策边界；二是少数类故障数据量过少，模型很难学习到足够多的少数类特征

现有提升少数类故障识别率的方法(策略)主要分为两类：一是通过不同的采样技术减少多数类样本数量或者增加少数类样本数量，对数据集进行平衡化处理，从数据层面改善类别不平衡性的影响；二是根据数据集的不平衡程度改进现有分类器或者为少数类样本建立独特的单类分类器，从分类器层面增强模型对少数类样本的关注度，提高少数类识别率。虽然这些方法取得了一定效果，但仍存在以下不足：首先，现有采样技术在平衡数据集时，要么容易引入过多噪声，要么难以增加少数类样本的多样性，导致对少数类识别性能的提升很有限；其次，现有分类器改进方法在提升对少数类关注度的同时，难以兼顾对其它多数类的诊断效果，从而影响整体精度。

发明内容

有鉴于此，本发明提供了一种面向少数类识别的多策略联合故障诊断方法，能够实现对多数类及少数类的故障类别的精确识别。

本发明提供的一种面向少数类识别的多策略联合故障诊断方法，包括以下步骤：

步骤1、将工业故障数据集划分为少数类故障数据集和多数类故障数据集，对所述少数类故障数据集进行过采样得到少数类故障采样数据集；以所述少数类故障采样数据集与多数类故障数据集作为输入，以故障类别作为标签，构建故障诊断训练样本集；

步骤2、构建多策略联合故障诊断模型，所述多策略联合故障诊断模型包括基于DBN的特征提取器和故障分类器；所述特征提取器用于从输入数据中提取故障特征；所述故障分类器根据所述故障特征及输入数据判断输入数据的故障类别；所述特征提取器包含两个并联的全连接神经网络；所述故障分类器为深度堆叠网络；

步骤3、采用所述故障诊断训练样本集完成所述特征提取器的训练；将所述少数类故障采样数据集与多数类故障数据集分别输入训练好的特征提取器，将得到少数类故障特征集合与多数类故障特征集合合并为样本故障特征集；采用所述样本故障特征集完成故障分类器的训练；

步骤4、应用中，将待诊断的工业故障数据输入训练好的多策略联合故障诊断模型中，模型的输出即为所述待诊断的工业故障数据的故障类别。

进一步地，所述步骤1中对所述少数类故障数据集进行过采样得到少数类故障采样数据集，包括以下步骤：