本申請(qǐng)涉及設(shè)備故障診斷，尤其涉及一種基于機(jī)器學(xué)習(xí)的故障診斷方法、系統(tǒng)、介質(zhì)及設(shè)備。

背景技術(shù)：

1、隨著工業(yè)自動(dòng)化和智能化水平的不斷提升，設(shè)備的可靠性和穩(wěn)定性對(duì)于保障生產(chǎn)效率和質(zhì)量變得越來(lái)越重要。然而，現(xiàn)實(shí)中的設(shè)備運(yùn)行環(huán)境復(fù)雜多變，設(shè)備本身也可能因?yàn)椴牧掀?、操作不?dāng)、維護(hù)不足等多種因素而出現(xiàn)故障。因此，故障診斷技術(shù)應(yīng)運(yùn)而生。

2、目前，傳統(tǒng)的故障診斷方法主要依靠人工經(jīng)驗(yàn)和簡(jiǎn)單的數(shù)據(jù)分析進(jìn)行，這不僅耗時(shí)耗力，而且難以應(yīng)對(duì)大規(guī)模和復(fù)雜系統(tǒng)的故障診斷需求。

3、在此背景下，機(jī)器學(xué)習(xí)技術(shù)因其在數(shù)據(jù)處理和模式識(shí)別方面的強(qiáng)大能力而被引入到設(shè)備故障診斷領(lǐng)域。通過(guò)學(xué)習(xí)歷史數(shù)據(jù)中的故障特征和正常運(yùn)行模式，機(jī)器學(xué)習(xí)模型能夠自動(dòng)識(shí)別潛在的故障信號(hào)，從而實(shí)現(xiàn)早期故障預(yù)測(cè)和精準(zhǔn)故障定位。這種方法不僅可以大大提高故障診斷的效率和準(zhǔn)確率，還能為預(yù)防性維護(hù)提供數(shù)據(jù)支持，進(jìn)而提升設(shè)備的運(yùn)行效率和安全性。

4、但是，傳統(tǒng)的這種診斷方法在數(shù)據(jù)不足的情況下，難以有效訓(xùn)練出具有良好泛化能力的模型，導(dǎo)致模型訓(xùn)練和驗(yàn)證階段的數(shù)據(jù)集有限，影響故障診斷的準(zhǔn)確性和可靠性。

技術(shù)實(shí)現(xiàn)思路

1、為了解決或者部分解決因訓(xùn)練數(shù)據(jù)導(dǎo)致故障判斷受限的技術(shù)問(wèn)題，本發(fā)明的第一方面，公開一種基于機(jī)器學(xué)習(xí)的故障診斷方法，所述方法包括：

2、采集設(shè)備運(yùn)行時(shí)的傳感器參數(shù)樣本分為訓(xùn)練樣本集和測(cè)試樣本集；其中，一條傳感器參數(shù)樣本中包含多個(gè)種類特征；

3、基于逆向編碼的邏輯森林算法對(duì)所述訓(xùn)練樣本集進(jìn)行數(shù)據(jù)擴(kuò)充，得到擴(kuò)充樣本集；

4、構(gòu)建多層神經(jīng)網(wǎng)絡(luò)作為特征提取模型，采用所述訓(xùn)練樣本集及其擴(kuò)充樣本集對(duì)所述特征提取模型進(jìn)行訓(xùn)練，以及采用生態(tài)系統(tǒng)優(yōu)化算法對(duì)所有神經(jīng)網(wǎng)絡(luò)中的參數(shù)進(jìn)行迭代優(yōu)化；所述參數(shù)包括但不限于是：權(quán)重、偏置；

5、將提取得到的特征輸入到特征降維模型中，進(jìn)行特征降維模型的訓(xùn)練；其中，所述特征降維模型為可自適應(yīng)調(diào)整維度的自編碼神經(jīng)網(wǎng)絡(luò)；

6、將特征降維后的數(shù)據(jù)輸入到分類器中進(jìn)行分類器的訓(xùn)練，得到最終的分類器模型；其中，所述分類器采用極限學(xué)習(xí)機(jī)模型，并在訓(xùn)練過(guò)程中采用交叉式蜜罐優(yōu)化算法調(diào)整極限學(xué)習(xí)機(jī)模型的權(quán)重和偏置；

7、在各模型訓(xùn)練完成后，將待測(cè)設(shè)備數(shù)據(jù)作為輸入，依次通過(guò)訓(xùn)練好的特征提取模型、訓(xùn)練好的特征降維模型、最終的分類器模型進(jìn)行設(shè)備故障診斷。

8、本發(fā)明的第二方面，提供一種基于機(jī)器學(xué)習(xí)的故障診斷系統(tǒng)，所述系統(tǒng)包括：

9、采集模塊，用于采集設(shè)備運(yùn)行時(shí)的傳感器參數(shù)樣本分為訓(xùn)練樣本集和測(cè)試樣本集；其中，一條傳感器參數(shù)樣本中包含多個(gè)種類特征；

10、數(shù)據(jù)擴(kuò)充模塊，用于基于逆向編碼的邏輯森林算法對(duì)所述訓(xùn)練樣本集進(jìn)行數(shù)據(jù)擴(kuò)充，得到擴(kuò)充樣本集；

11、構(gòu)建模塊，用于構(gòu)建多層神經(jīng)網(wǎng)絡(luò)作為特征提取模型，采用所述訓(xùn)練樣本集及其擴(kuò)充樣本集對(duì)所述特征提取模型進(jìn)行訓(xùn)練，以及采用生態(tài)系統(tǒng)優(yōu)化算法對(duì)所有神經(jīng)網(wǎng)絡(luò)中的參數(shù)進(jìn)行迭代優(yōu)化；所述參數(shù)包括但不限于是：權(quán)重、偏置；

12、輸入模塊，用于將提取得到的特征輸入到特征降維模型中，進(jìn)行特征降維模型的訓(xùn)練；其中，所述特征降維模型為可自適應(yīng)調(diào)整維度的自編碼神經(jīng)網(wǎng)絡(luò)；

13、分類訓(xùn)練模塊，用于將特征降維后的數(shù)據(jù)輸入到分類器中進(jìn)行分類器的訓(xùn)練，得到最終的分類器模型；其中，所述分類器采用極限學(xué)習(xí)機(jī)模型，并在訓(xùn)練過(guò)程中采用交叉式蜜罐優(yōu)化算法調(diào)整極限學(xué)習(xí)機(jī)模型的權(quán)重和偏置；

14、故障診斷模塊，用于在各模型訓(xùn)練完成后，將待測(cè)設(shè)備數(shù)據(jù)作為輸入，依次通過(guò)訓(xùn)練好的特征提取模型、訓(xùn)練好的特征降維模型、最終的分類器模型進(jìn)行設(shè)備故障診斷。

15、本發(fā)明的第三方面，提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，該程序被處理器執(zhí)行第一方面中任一項(xiàng)所述方法的步驟。

16、本發(fā)明的第四方面，提供一種故障診斷設(shè)備，包括存儲(chǔ)器、處理器及存儲(chǔ)在存儲(chǔ)器上并可在處理器上運(yùn)行的計(jì)算機(jī)程序，其特征在于，所述處理器執(zhí)行所述程序時(shí)實(shí)現(xiàn)第一方面中任一項(xiàng)所述方法的步驟。

17、通過(guò)本發(fā)明的一個(gè)或者多個(gè)技術(shù)方案，本發(fā)明具有以下有益效果或者優(yōu)點(diǎn)：

18、本發(fā)明提供了一種基于機(jī)器學(xué)習(xí)的故障診斷方法、系統(tǒng)、介質(zhì)及設(shè)備，在原有訓(xùn)練數(shù)據(jù)的基礎(chǔ)上，通過(guò)逆向編碼的邏輯森林算法對(duì)所述訓(xùn)練樣本集進(jìn)行數(shù)據(jù)擴(kuò)充，從而解決傳統(tǒng)設(shè)備故障診斷中因數(shù)據(jù)不足導(dǎo)致模型泛化能力弱和精度低的問(wèn)題，確保生成的數(shù)據(jù)樣本與原始數(shù)據(jù)分布相似，提高模型訓(xùn)練的質(zhì)量和效果，確保故障診斷的準(zhǔn)確性和可靠性。

19、進(jìn)一步的，采用基于生態(tài)系統(tǒng)優(yōu)化算法對(duì)特征提取模型中的神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化，模擬生物在自然界中的競(jìng)爭(zhēng)、共生和適應(yīng)變化的生存機(jī)制，從而優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)重和偏置參數(shù)，在保證網(wǎng)絡(luò)性能的同時(shí)避免了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)訓(xùn)練中常見(jiàn)的局部最優(yōu)問(wèn)題。

20、進(jìn)一步的，采用可自適應(yīng)調(diào)整維度的自編碼神經(jīng)網(wǎng)絡(luò)，能夠根據(jù)不同的數(shù)據(jù)集動(dòng)態(tài)調(diào)整，尋找最優(yōu)的特征表示，有效提高了后續(xù)模型訓(xùn)練的效率和效果，優(yōu)化了特征處理的過(guò)程。

21、進(jìn)一步的，提出基于交叉式蜜罐優(yōu)化算法的極限學(xué)習(xí)機(jī)分類方式，通過(guò)模擬蜜罐之間的交叉互動(dòng)，尋找最優(yōu)參數(shù)組合，在全局搜索和局部精細(xì)調(diào)整之間自適應(yīng)切換，有效避免了極限學(xué)習(xí)機(jī)過(guò)擬合和局部最優(yōu)問(wèn)題，提升了設(shè)備故障診斷的精度。

22、上述說(shuō)明僅是本發(fā)明技術(shù)方案的概述，為了能夠更清楚了解本發(fā)明的技術(shù)手段，而可依照說(shuō)明書的內(nèi)容予以實(shí)施，并且為了讓本發(fā)明的上述和其它目的、特征和優(yōu)點(diǎn)能夠更明顯易懂，以下特舉本發(fā)明的具體實(shí)施方式。

技術(shù)特征：

1.一種基于機(jī)器學(xué)習(xí)的故障診斷方法，其特征在于，所述方法包括：

2.如權(quán)利要求1所述的方法，其特征在于，所述基于逆向編碼的邏輯森林算法對(duì)所述訓(xùn)練樣本集進(jìn)行數(shù)據(jù)擴(kuò)充，得到擴(kuò)充樣本集，具體包括：

3.如權(quán)利要求2所述的方法，其特征在于，所述生成對(duì)應(yīng)的隱空間向量zi′之后，所述方法還包括：

4.如權(quán)利要求1所述的方法，其特征在于，在所述特征提取模型中，包含：輸入層，至少兩個(gè)隱藏層，輸出層；

5.如權(quán)利要求1所述的方法，其特征在于，在所述自編碼神經(jīng)網(wǎng)絡(luò)中，包含第三編碼器和第三解碼器；

6.如權(quán)利要求1所述的方法，其特征在于，所述在訓(xùn)練過(guò)程中采用交叉式蜜罐優(yōu)化算法調(diào)整極限學(xué)習(xí)機(jī)模型的權(quán)重和偏置，具體包括：

7.如權(quán)利要求6所示的方法，其特征在于，所述方法還包括：根據(jù)迭代過(guò)程中的性能改善情況動(dòng)態(tài)調(diào)整探索階段的學(xué)習(xí)率αe和βe：

8.一種基于機(jī)器學(xué)習(xí)的故障診斷系統(tǒng)，其特征在于，所述系統(tǒng)包括：

9.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，其特征在于，該程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)權(quán)利要求1-7任一項(xiàng)所述方法的步驟。

10.一種故障診斷設(shè)備，包括存儲(chǔ)器、處理器及存儲(chǔ)在存儲(chǔ)器上并可在處理器上運(yùn)行的計(jì)算機(jī)程序，其特征在于，所述處理器執(zhí)行所述程序時(shí)實(shí)現(xiàn)權(quán)利要求1-7任一項(xiàng)所述方法的步驟。

技術(shù)總結(jié)
本發(fā)明公開了一種基于機(jī)器學(xué)習(xí)的故障診斷方法、系統(tǒng)、介質(zhì)及設(shè)備，方法包括：采集設(shè)備運(yùn)行時(shí)的傳感器參數(shù)樣本分為訓(xùn)練樣本集和測(cè)試樣本集；其中，一條傳感器參數(shù)樣本中包含多個(gè)種類特征；基于逆向編碼的邏輯森林算法對(duì)訓(xùn)練樣本集進(jìn)行數(shù)據(jù)擴(kuò)充，得到擴(kuò)充樣本集；構(gòu)建多層神經(jīng)網(wǎng)絡(luò)作為特征提取模型，采用訓(xùn)練樣本集及其擴(kuò)充樣本集對(duì)特征提取模型進(jìn)行訓(xùn)練，以及采用生態(tài)系統(tǒng)優(yōu)化算法對(duì)所有神經(jīng)網(wǎng)絡(luò)中的參數(shù)進(jìn)行迭代優(yōu)化；參數(shù)包括但不限于是：權(quán)重、偏置；將提取得到的特征輸入到特征降維模型中，進(jìn)行特征降維模型的訓(xùn)練；其中，特征降維模型為可自適應(yīng)調(diào)整維度的自編碼神經(jīng)網(wǎng)絡(luò)；將特征降維后的數(shù)據(jù)輸入到分類器中進(jìn)行分類器的訓(xùn)練，得到最終的分類器模型；其中，分類器采用極限學(xué)習(xí)機(jī)模型，并在訓(xùn)練過(guò)程中采用交叉式蜜罐優(yōu)化算法調(diào)整極限學(xué)習(xí)機(jī)模型的權(quán)重和偏置；在各模型訓(xùn)練完成后，將待測(cè)設(shè)備數(shù)據(jù)作為輸入，依次通過(guò)訓(xùn)練好的特征提取模型、訓(xùn)練好的特征降維模型、最終的分類器模型進(jìn)行設(shè)備故障診斷。

技術(shù)研發(fā)人員：廖志強(qiáng),王鑫,宋雪瑋,賈寶柱,尹建川
受保護(hù)的技術(shù)使用者：廣東海洋大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/23