[发明专利]基于动态加权的双模型故障诊断方法

摘要

本发明公开了一种基于动态加权的双模型故障诊断方法，步骤为：选择电机驱动端采集的正常状态以及各种故障状态下的传感器振动信号和故障记录文本；然后分别对传感器振动信号和故障记录文本进行学习，然后使用动态加权组合算法，为子模型赋予权值，将子模型的SVM多分类投票结果相结合，得到最终的分类结果。本发明能够实现通过轴承故障数据和轴承故障文本两方面的共同诊断。既完成了装备运行数据进行非平衡处理、有价值信息提取与分类，又有效结合工人记录的经验性知识进行文本数据挖掘，相比单一诊断模型，本方法可显著提高故障诊断精度，获得更好的性能评价指标，具有较好的理论和应用价值。

主权项

1.一种基于动态加权的双模型故障诊断方法，其特征在于，包括下述步骤：/n步骤1 选择电机驱动端采集的正常状态FT0、磨损状态FT1、疲劳剥落状态FT2、腐蚀状态FT3、断裂状态FT4、胶合状态FT5、压痕状态FT6和保持架损坏状态FT7这8种状态下的传感器振动信号数据点和故障记录文本；/n步骤2 对步骤(1)中得到的传感器振动信号数据点使用小波包分解法进行预处理，将原始振动信号各频段的能量值，提取参数特征作为模型输入向量，同时将预处理后的数据进行非平衡处理，并分成训练数据集和测试数据集，从训练数据集中分别随机抽取5组等量正常样例与5组递减的故障样例合并形成不同训练样本，同时对所述的测试数据集进行标签化处理；/n步骤3 将步骤2中的训练样本输入第一层受限玻尔兹曼机RBM，对深度信念网络DBN中所有RBM进行由第1层到第n-1层的逐层贪婪学习，由ELM算法确定第n-1层到第n层以及第n层到输出层的权重和偏置；/n步骤4 将步骤2中的有标签数据和步骤3中经过DBN训练的无标签数据作为输入向量输入到SVM分类器中；/n步骤5 使用ELM算法对步骤3中DBN网络的参数进行反向微调，DBN训练结束，至此完成对传感器振动信号数据点的处理过程，并得到相应的分类结果，形成数据子模型；/n步骤6 对步骤1中的故障记录文本进行预处理，包括分词、去停用词、中文提取操作，将所得故障词项划分为训练数据集和测试集，将训练数据集文本等分为5组，并对测试集文本进行标签化处理；/n步骤7 运用LDA主题模型对步骤6中的训练数据集的故障词项进行主题表达，将其表示为文档-主题的形式；/n步骤8 将步骤6中的有标签故障文本和步骤7经过文本数据挖掘模型训练的无标签故障文本作为输入向量输入到SVM分类器中，至此完成对故障记录文本的处理过程，并得到相应的分类结果，形成文本子模型；/n步骤9 使用动态加权组合算法，为上述的数据子模型和文本子模型赋予权值，然后将数据子模型和文本子模型的SVM多分类投票结果通过所提动态加权组合公式相结合，得到最终的分类结果。/n