申请/专利权人：宜宾电子科技大学研究院

申请日：2021-10-25

公开（公告）日：2022-02-25

公开（公告）号：CN114090953A

主分类号：G06F17/16(20060101)

分类号：G06F17/16(20060101);G06K9/62(20220101);G06N3/04(20060101);G06N3/08(20060101)

优先权：

专利状态码：在审-实质审查的生效

法律状态：2022.03.15#实质审查的生效;2022.02.25#公开

摘要：本发明公开了一种基于LSTM‑QDM的不平衡故障诊断方法，首先采集工业设备处理K种故障状态下各个测量设备的测量数据，构建时序数据矩阵，然后通过滑动窗口提取出时序数据样本，然后再对时序数据样本进行故障类型分析得到不平衡故障和普通故障划分，采用所提出的四元组时序数据对构造策略构造四元组时序数据对，构建LSTM‑QDM故障诊断模型，采用四元组时序数据对和其中锚样本的标签对故障诊断模型进行训练，在工业设备运行过程中采集实际运行数据并构建时序数据样本输入LSTM‑QDM故障诊断模型中，得到故障识别结果。本发明通过结合LSTM网络和QDM算法，提升数据不平衡状态下的工业设备故障诊断性能。

主权项：1.一种基于LSTM-QDM的不平衡故障诊断方法，其特征在于，包括以下步骤：S1：工业设备处于不同故障工况下，由预先设置的若干测量设备对工业设备的工作信号进行连续测量，记每个采样时刻得到的测量数据数量为M，记第r个采样时刻的工作信号为其中xrk表示第r个采样时刻的工作信号中的第m个测量数据，m＝1,2,…,M，r＝1,2,…,R，R表示采样次数；根据每个采样时刻时工业设备所处的故障工况为该采样时刻的测量数据标记故障标签yr，其中yr＝1,2,…,K，K表示故障类型数量；然后根据R次采样得到的工作信号构建得到大小为R×M的时序数据矩阵 S2：对时序数据矩阵按行采用长度为L的窗口按照预设步长s滑动提取子矩阵作为时序数据样本，记所得到的时序数据样本数量为表示向上取整，则第d个时序数据样本Xd的表达式如下： 其中，d＝1,2,…,D；然后标记每个时序数据子矩阵的故障标签Yd＝yd-1s+L；S3：根据每个时序数据样本的故障标签对D个时序数据样本进行分类，得到每种故障对应的时序数据样本集合φk，k＝1,2,…,K，然后统计每种故障下时序数据样本的数量，当某种故障的时序数据样本的数量小于预设阈值，则将该故障设置为不平衡故障，否则将该故障设置为普通故障；S4：从D个时序数据样本中随机选择一个时序数据样本作为锚样本，然后根据锚样本选取另外三个时序数据样本构成四元组时序数据对，具体方法如下：当锚样本的故障类型为普通故障，则随机选择一个与锚样本故障类型相同的时序数据样本作为正样本，随机选择一个与锚样本故障类型不相同的时序数据样本作为负样本，从不平衡故障对应的时序数据样本中随机选择一个作为少样本，构成四元组时序数据对；当锚样本的故障类型为不平衡故障，且故障类型中仅有一类为不平衡故障，则随机选择一个与锚样本故障类型相同的时序数据样本作为正样本，随机选择两个与锚样本故障类型不相同的时序数据样本作为负样本和少样本，构成四元组时序数据对；当锚样本的故障类型为不平衡故障，且故障类型中有两类以上不平衡故障，则随机选择一个与锚样本故障类型相同的时序数据样本作为正样本，随机选择一个与锚样本故障类型不相同的时序数据样本作为负样本，随机选择一个与锚样本故障类型不同的不平衡故障的时序数据样本作为少样本，构成四元组时序数据对；重复若干次以上操作，得到若干四元组时序数据对；S5：构建LSTM-QDM故障诊断模型，包括4个LSTM网络分支和一个Softmax层，每个LSTM网络分支包括一个多层LSTM网络和一个全连接层，其中：4个LSTM网络分支分别用于处理四元组时序数据对中的四个时序数据样本，且4个LSTM网络分支中的4个多层LSTM共享参数、4个全连接层共享参数，其中多层LSTM用于提取时序数据样本的特征并输入全连接层，全连接层对所接收的特征进行特征映射后进行输出；Softmax层用于接收锚样本所对应的全连接层的输出特征，处理得到锚样本属于各个故障类型的概率，得到故障诊断结果；S6：将步骤S4得到的各个四元组时序数据对作为LSTM-QDM故障诊断模型的输入，将四元组时序数据对中锚样本的标签作为LSTM-QDM故障诊断模型中Softmax层的期望输出，对LSTM-QDM故障诊断模型进行训练；其中损失函数采用如下方法计算：记每个四元组时序数据对为Pair＝x,xpos,xneg,xminor，其中x表示锚样本，xpos表示正样本，xneg表示负样本，xminor表示少样本，将每个样本经过对应LSTM网络分支处理后得到的特征分别记为p,ppos,pneg,pminor，分别计算锚样本特征p和其他几个特征之间的距离：Dpos＝||p-ppos||2Dneg＝||p-pneg||2Dminor＝||p-pminor||2其中，||||2表示求取二范数；采用如下公式计算正样本损失Lpos：Lpos＝1-fDpos+λposfDpos其中，当锚样本属于不平衡故障时标志参数f＝1，否则标志参数f＝0；λpos为预设的大于1的常数；采用如下公式计算负样本损失Lneg：Lneg＝max0,M1-Dneg采用如下公式计算少样本损失Lminor：Lminor＝max0,M2-Dminor*λminor其中，λminor为预设的大于1的常数，M1是预设的锚样本和负样本之间的期望裕度，M2是预设的锚样本和少样本之间的期望裕度，且M2＞M1；采用以下公式计算得到四元组损失Lquadruplet： 将锚样本由Softmax层得到的概率值中其真实故障标签对应的概率值的相反数作为类损失Lsoftmax；采用如下公式对四元组损失Lquadruplet和分类损失Lsoftmax进行融合，得到每个四元组时序数据对的损失L：L＝βLquadruplet+Lsoftmax其中，β为预设的权重参数；S7：在工业设备运行过程中，由预先设置的若干测量设备对工业设备的工作信号进行连续测量，测量得到当前采样时刻t及前L-1个采样时刻采样得到的测量数据j＝0,1,…,L-1，构成时序数据样本Xt： 将时序数据样本Xt输入LSTM-QDM故障诊断模型中锚样本对应的LSTM网络，根据Softmax层输出的概率得到故障诊断结果。

全文数据：

权利要求：

百度查询： 宜宾电子科技大学研究院 基于LSTM-QDM的不平衡故障诊断方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD