[发明专利]一种基于稀疏表示的BIT间歇故障诊断方法

摘要

本发明公开了一种基于稀疏表示的BIT间歇故障诊断方法。具体方法步骤如下：(1)采集不同设备历史BIT数据，包括正常数据类型、间歇故障数据类型和永久故障数据类型，从每类数据类型中选择70％的数据作为训练样本集合，剩余数据去掉标签作为测试样本集合；(2)利用k奇异值分解学习算法对训练样本集合进行学习训练获,构建过完备字典D；(3)将得到的测试样本集合利用过完备字典D进行稀疏表示，得到稀疏系数；(4)利用稀疏表示分类器将所得稀疏系数进行稀疏重构，得到重构残差；(5)将待测样本归于重构残差最小的类别，即可得到待测BIT数据的诊断结果。本发明能够高效、准确诊断出BIT间歇故障，具有较高的诊断精度，降低了BIT虚警率。 1

主权项

1.一种基于稀疏表示的BIT间歇故障诊断方法，其特征在于，包括以下步骤：

步骤一：采集不同设备历史BIT数据，包括正常数据类型、间歇故障数据类型和永久故障数据类型，从每类数据类型中选择70％的数据作为训练样本集合，剩余数据去掉标签作为测试样本集合；

步骤二：利用K‑SVD学习算法对训练样本集合进行学习训练获得正常字典D₁、间歇故障字典D₂和永久故障字典D₃，将字典D₁、D₂、D₃组合构成过完备字典D；

步骤三：将得到的测试样本集合利用步骤二所得过完备字典D进行稀疏表示，得到稀疏系数；

步骤四：利用稀疏表示分类器(SRC)将步骤三所得稀疏系数进行稀疏重构，得到重构残差；

步骤五：将待测样本归于重构残差最小的类别，即可得到待测BIT数据的诊断结果。

2.根据权利要求1所述的一种基于稀疏表示的BIT间歇故障诊断方法，其特征在于：所述步骤一包括以下步骤：

采集不同设备历史BIT数据，包括正常数据类型、间歇故障数据类型和永久故障数据类型，从每类数据类型中选择70％的数据作为训练样本集合X＝{x₁,x₂,…,x_N}，其中1,2,…,N表示不同BIT数据类型，剩余数据去掉标签作为测试样本集合。为了在稀疏表示中测试样本能够更加容易的被精确重构，在构造字典之前，需要采集大量BIT数据以备训练。

3.根据权利要求1所述的，一种基于稀疏表示的BIT间歇故障诊断方法，其特征在于：所述步骤二包括以下步骤：

31：随机初始化过完备字典D＝{d₁,d₂,…d_K},D∈R^N*K，其中d_K为字典当中的原子，K为原子个数，N为原子长度。按照线性组合的思想，K‑SVD算法的目标函数可写为如下形式：

其中，T₀为稀疏表示系数中非零分量个数的最大值，即最大稀疏度，α_i∈R^K为训练样本的稀疏表示系数向量，为X的解向量集合。

32：对式(1)求解是一个迭代过程，首先假设字典D是固定的，然后利用OMP算法求解训练样本集X在学习字典D上的稀疏系数矩阵α。利用OMP算法求解稀疏系数，将字典中的原子进行正交化处理，加快了收敛速度，使得在有限的迭代次数之后就可以很好地逼近原始信号。

33：得到稀疏系数矩阵α后，在逐列跟新字典D，每次更新仅对字典D中的第k个原子进行更新，其他原子都保持固定不变。这样，式(1)中的就可以重写为：

其中为稀疏系数矩阵α中的第j个行向量；E_k为训练样本集在该字典去除第k个原子后的产生的误差。

由于受零向量的的影响，更新后的中非零向量的位置和数目将发生改变，为了避免此类问题，去掉中的所有零向量，仅保留非零项，再利用SVD更新与d_k。在逐列跟新完成后，将新字典做稀疏分解，并判断是否需要继续迭代，判断条件可以是规定的迭代次数或者重构信号和原始信号之间的误差率。

4.根据权利要求1所述的，一种基于稀疏表示的BIT间歇故障诊断方法，其特征在于：所述步骤三包括以下步骤：

利用过完备字典D对测试样本集合Y进行稀疏分解，即：Y＝Dλ，其中，λ为测试样本集合Y关于过完备字典D的稀疏系数。求解稀疏系数λ的过程可表示为：其中，||·||₁表示l₁范数约束，||·||₂表示l₂范数约束，ε表示残差约束。

5.根据权利要求1所述的，一种基于稀疏表示的BIT间歇故障诊断方法，其特征在于：所述步骤四包括以下步骤：

51：根据求得的稀疏系数对待测样本Y进行稀疏重构