[发明专利]基于宽度学习的机电产品系统或设备实时故障诊断方法

说明书

本发明提供一种基于宽度学习的机电产品系统或设备实时故障诊断方法，其在传统宽度学习系统基础上，提供包括损失函数优化，即代价敏感学习、随机失活Dropout和集成学习多种方法，获得改进的宽度学习系统。针对实际监测数据存在不同数据类型、类别严重不平衡等问题，本发明在保障训练和优化效率前提下，将代价权重、失活概率等设置为可调节参数，并仿照装袋算法bagging进行集成学习投票预测最终结果，解决故障诊断中普遍存在的不确定影响及类别不平衡问题；基于改进宽度学习系统训练快速、预测精准且稳定性、鲁棒性高，应用于实时监测复杂系统或设备的健康状态，能够预防故障并提供维修建议。

技术领域

本申请涉及故障诊断领域，具体地涉及针对机电产品系统或设备故障诊断采用宽度学习系统实现对故障状态的实时、精准监测一种故障诊断方法。

背景技术

随着信息科技和人工智能水平的飞速发展，机电产品综合化、智能化程度不断提高的同时，其复杂度和风险系数也大大提升。机电产品在运行过程中各部件联系紧密，极易交叉影响，一个很小的故障就很有可能引起连锁反应，从而导致整个系统的损毁。不仅会带来巨大的经济损失，还有可能危及相关人员的生命安全。因此机电产品系统或设备的状态监测与故障诊断在系统健康与安全管理中显得越来越重要，也逐渐成为研究者关注的焦点。

为确保机电产品安全、平稳运行，现阶段主要采用定期检查保养、更换部件等相对保守的运维策略进行日常保养，但这不仅无法从根本上提高系统的可靠性、鲁棒性，也使得系统的运维成本越来越高。一旦遭遇突发情况如震荡、撞击，或定期检查未能及时发现部件的磨损和老化，系统就很有可能面临极大的风险。同时，定期维护也依赖于维修保障人员的综合素质和能力，这使得系统受人为因素的干扰更甚。因此，精确、稳定的故障诊断技术在机电产品系统运维中的需求越来越迫切，基于此的精准维修、提前维修也备受关注。

当前，可用于故障诊断的方法有很多，如专家系统模型、物理模型、数据驱动模型等。由于复杂系统或设备设计时遵循故障导向安全原则，功能、结构复杂且存在冗余，用专家系统模型、物理模型等传统算法研究其机理非常困难，甚至不可实现。而采用数据驱动模型，则可以避免对设备先验知识的依赖，只需有足够多的相关监测数据和维修数据等，就可以快速廉价地得到故障诊断模型。

数据驱动模型中，深度学习网络是非常常见的算法。其在处理高维数据和建立复杂非线性模型方面具有得天独厚的优势，因此被广泛使用于各种领域。然而，大多数深度学习网络结构复杂且涉及大量超参数，不仅很难调整参数、结构，使得训练过程极度耗时，而且在理论上分析深层结构也变得极其困难。当深度学习系统应用于复杂系统或设备状态监测时，如若发生突然情况常会致使运维环境突变，现有的故障诊断模型不再适用，此时若能及时更新、调整模型结构和参数来契合系统或设备当前的状态，则会有效保障系统和设备的可靠性。

因此，以提高模型训练速度为目的的深度网络及相关方法逐渐引起人们的关注。其中，宽度学习系统(Broad Learning System，BLS)提供了一种替代深度学习网络的新思路，避免了深层次结构的同时，通过增量学习的方式进行网络拓展，极大地提高了模型训练和优化的效率。BLS可以很好地平衡模型精度和效率，其效果在提出后不久便在包括故障诊断在内的各个领域得到了验证。在故障诊断领域，BLS也具有较好的适应性、较快的计算速度和较高的分类精度。但BLS目前大多被用于如转子、轴承等设备的故障诊断，监测数据类型统一且维度较低。当前故障诊断领域对BLS的应用和改进主要偏向于提高分类精度，如与现有的特征提取方法主成分分析法、Hilbert变化相结合等，没有针对故障诊断领域常遇到的类别不平衡问题进行全面考虑。并且，对BLS模型参数和结构稳定性的考虑也比较欠缺。

发明内容