本發(fā)明涉及故障診斷領(lǐng)域，特別是涉及一種基于傳感數(shù)據(jù)混合噪聲抑制的裝備零件故障診斷方法、裝置及設(shè)備。

背景技術(shù)：

1、軸承、齒輪、電機(jī)等復(fù)雜裝備關(guān)鍵零件在現(xiàn)代工業(yè)的許多領(lǐng)域都有著廣泛的應(yīng)用。然而，許多零件工作惡劣，導(dǎo)致它們不可避免地出現(xiàn)故障，從而可能引發(fā)嚴(yán)重的事故并造成巨大的損失。因此，對復(fù)雜裝備關(guān)鍵零件進(jìn)行準(zhǔn)確且及時的故障診斷，在發(fā)現(xiàn)早期故障征兆時就及時干預(yù)，對預(yù)防重大事故、保障人身安全等方面都有著重要意義。

2、在學(xué)術(shù)界和工業(yè)界，基于深度學(xué)習(xí)的故障診斷方法受到越來越多的關(guān)注，包括卷積神經(jīng)網(wǎng)絡(luò)(cnn)、循環(huán)神經(jīng)網(wǎng)絡(luò)(rnn)、自編碼器(ae)、深度置信網(wǎng)絡(luò)(dbn)等。然而，由于復(fù)雜裝備工作環(huán)境惡劣，從許多復(fù)雜裝備關(guān)鍵零件采集的數(shù)據(jù)通常含有大量噪聲，降低了數(shù)據(jù)的質(zhì)量。噪聲的干擾導(dǎo)致有價值的故障特征容易被淹沒，深度學(xué)習(xí)的特征提取能力往往會下降，可能無法很好地學(xué)習(xí)故障相關(guān)的特征，導(dǎo)致故障診斷準(zhǔn)確率下降。

3、針對噪聲數(shù)據(jù)問題，現(xiàn)有方法中最具有代表性的是深度殘差收縮網(wǎng)絡(luò)及其多種改進(jìn)模型。然而，由于隨機(jī)噪聲等因素的影響，實(shí)際工業(yè)數(shù)據(jù)中的噪聲分布是不均衡的，導(dǎo)致各樣本的信噪比可能有所不同。絕大多數(shù)現(xiàn)有方法只是實(shí)現(xiàn)了多個固定信噪比下的故障診斷，對于混合噪聲環(huán)境下的故障診斷，噪聲越強(qiáng)的樣本越難以訓(xùn)練，由于各樣本訓(xùn)練難度不同，這些方法難以獲得較高的診斷準(zhǔn)確率。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是提供一種基于傳感數(shù)據(jù)混合噪聲抑制的裝備零件故障診斷方法、裝置及設(shè)備，可提高在混合噪聲環(huán)境下裝備零件故障診斷的準(zhǔn)確率。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供了如下方案：

3、第一方面，本發(fā)明提供了一種基于傳感數(shù)據(jù)混合噪聲抑制的裝備零件故障診斷方法，所述診斷方法包括：

4、獲取裝備零件在不同故障類型下的振動信號；

5、對振動信號進(jìn)行數(shù)據(jù)預(yù)處理，獲得樣本，振動信號對應(yīng)的故障類型作為真實(shí)標(biāo)簽，構(gòu)建訓(xùn)練集和驗證集；

6、利用所述訓(xùn)練集和所述驗證集，使用可遷移adaboost算法和自適應(yīng)代價敏感學(xué)習(xí)方法訓(xùn)練多個深度學(xué)習(xí)模型，獲得多個訓(xùn)練好的深度學(xué)習(xí)模型；

7、利用多個訓(xùn)練好的深度學(xué)習(xí)模型，對裝備的待測零件進(jìn)行故障診斷。

8、可選地，利用所述訓(xùn)練集和所述驗證集，使用可遷移adaboost算法和自適應(yīng)代價敏感學(xué)習(xí)方法訓(xùn)練多個深度學(xué)習(xí)模型，獲得多個訓(xùn)練好的深度學(xué)習(xí)模型，具體包括：

9、構(gòu)建m個相同的深度學(xué)習(xí)模型；

10、初始化訓(xùn)練集中每個樣本的權(quán)重；

11、令m的數(shù)值為1；

12、利用訓(xùn)練集并使用目標(biāo)損失函數(shù)對第m個深度學(xué)習(xí)模型進(jìn)行訓(xùn)練，獲得d個訓(xùn)練后的第m個深度學(xué)習(xí)模型；其中，d個訓(xùn)練后的第m個深度學(xué)習(xí)模型為對第m個深度學(xué)習(xí)模型進(jìn)行d次迭代獲得的，當(dāng)m等于1時，所述損失函數(shù)為交叉熵?fù)p失函數(shù)，當(dāng)m大于1時，所述損失函數(shù)為自適應(yīng)加權(quán)交叉熵?fù)p失函數(shù)，此時訓(xùn)練的迭代次數(shù)少于m等于1時的迭代次數(shù)；

13、利用驗證集對d個訓(xùn)練后的第m個深度學(xué)習(xí)模型進(jìn)行驗證，獲得驗證準(zhǔn)確率最高的訓(xùn)練后的第m個深度學(xué)習(xí)模型，作為第m個訓(xùn)練好的深度學(xué)習(xí)模型；根據(jù)第m個深度學(xué)習(xí)模型驗證準(zhǔn)確率最高時的訓(xùn)練結(jié)果更新訓(xùn)練集中每個樣本的權(quán)重；

14、判斷m的數(shù)值是否小于m，獲得判斷結(jié)果；

15、若所述判斷結(jié)果表示是，則將第m個訓(xùn)練好的深度學(xué)習(xí)模型的參數(shù)遷移至第m+1個深度學(xué)習(xí)模型；令m的數(shù)值增加1，并返回“利用訓(xùn)練集并使用目標(biāo)損失函數(shù)對第m個深度學(xué)習(xí)模型進(jìn)行訓(xùn)練，獲得d個訓(xùn)練后的第m個深度學(xué)習(xí)模型”的步驟；

16、若所述判斷結(jié)果表示否，則輸出m個訓(xùn)練好的深度學(xué)習(xí)模型。

17、可選地，初始化訓(xùn)練集中每個樣本的權(quán)重的公式為：

18、

19、其中，為初始化后的第i個樣本的權(quán)重，n為訓(xùn)練集中樣本的數(shù)量。

20、可選地，所述自適應(yīng)加權(quán)交叉熵?fù)p失函數(shù)為：

21、

22、其中，l(m)為用于訓(xùn)練第m個深度學(xué)習(xí)模型的自適應(yīng)加權(quán)交叉熵?fù)p失，g為訓(xùn)練時設(shè)置的批量大小，sigmoid()為sigmoid函數(shù)，和分別為用于訓(xùn)練第m個深度學(xué)習(xí)模型的第i個樣本的權(quán)重和所有樣本權(quán)重的平均值，yi為第i個樣本的真實(shí)標(biāo)簽，p(m)(xi)為第i個樣本在訓(xùn)練時經(jīng)過第m個深度學(xué)習(xí)模型與softmax操作后得到的結(jié)果。

23、可選地，根據(jù)第m個深度學(xué)習(xí)模型驗證準(zhǔn)確率最高時的訓(xùn)練結(jié)果更新訓(xùn)練集中每個樣本的權(quán)重的公式為：

24、

25、δi＝(a1,a2,···,ab,···,ak),1≤b≤k；

26、

27、其中，為訓(xùn)練第m+1個深度學(xué)習(xí)模型時第i個樣本的權(quán)重，和分別為訓(xùn)練第m個深度學(xué)習(xí)模型時第i個和第j個樣本的權(quán)重，β為穩(wěn)定系數(shù)，k為故障類型的數(shù)量，δi和δj分別為由第i個樣本和第j個樣本的真實(shí)標(biāo)簽得到的類別向量，a1、a2、ab和ak為δi中第1個、第2個、第b個和第k個元素，p(m)(xi)和p(m)(xj)分別為第i個樣本和第j個樣本在訓(xùn)練時經(jīng)過第m個深度學(xué)習(xí)模型與softmax操作后得到的結(jié)果，n為訓(xùn)練集中樣本的數(shù)量。

28、可選地，利用多個訓(xùn)練好的深度學(xué)習(xí)模型，對裝備的待測零件進(jìn)行故障診斷的公式為：

29、

30、其中，c(x)為待測零件的樣本x對應(yīng)的故障診斷結(jié)果，和分別為待測零件的樣本x經(jīng)過第m個訓(xùn)練好的深度學(xué)習(xí)模型與softmax操作后得到的屬于第k類和第k’類的概率，m為訓(xùn)練好的深度學(xué)習(xí)模型的數(shù)量，k為故障類型的數(shù)量。

31、可選地，所述深度學(xué)習(xí)模型為帶有選擇性核卷積模塊與全局參數(shù)化relu的深度殘差收縮網(wǎng)絡(luò)。

32、可選地，所述選擇性核卷積模塊包括第一卷積層、第二卷積層、第一批歸一化層、第二批歸一化層、第一激活函數(shù)模塊、第二激活函數(shù)模塊、第一逐元素相加模塊、全局平均池化層、第一全連接層、第三批歸一化層、第三激活函數(shù)模塊、第二全連接層、第三全連接層、softmax模塊、第一逐通道相乘模塊、第二逐通道相乘模塊和第二逐元素相加模塊；

33、所述第一卷積層與所述第一批歸一化層連接，所述第一批歸一化層與所述第一激活函數(shù)模塊連接；

34、所述第二卷積層與所述第二批歸一化層連接，所述第二批歸一化層與所述第二激活函數(shù)模塊連接；

35、所述第一激活函數(shù)模塊分別與所述第一逐元素相加模塊的第一輸入端和所述第一逐通道相乘模塊的第一輸入端連接；所述第二激活函數(shù)模塊分別與所述第一逐元素相加模塊的第二輸入端和所述第二逐通道相乘模塊的第一輸入端連接；

36、所述第一逐元素相加模塊的輸出端與所述全局平均池化層連接，所述全局平均池化層與所述第一全連接層連接，所述第一全連接層與所述第三批歸一化層連接，所述第三批歸一化層與所述第三激活函數(shù)模塊連接，所述第三激活函數(shù)模塊分別與所述第二全連接層和第三全連接層連接；

37、所述第二全連接層與所述softmax模塊的第一輸入端連接，所述softmax模塊的第一輸出端與所述第一逐通道相乘模塊的第二輸入端連接；

38、所述第三全連接層與所述softmax模塊的第二輸入端連接，所述softmax模塊的第二輸出端與所述第二逐通道相乘模塊的第二輸入端連接；

39、所述第一逐通道相乘模塊的輸出端與所述第二逐元素相加模塊的第一輸入端連接，所述第二逐通道相乘模塊的輸出端與所述第二逐元素相加模塊的第二輸入端連接。

40、第二方面，本發(fā)明提供一種基于傳感數(shù)據(jù)混合噪聲抑制的裝備零件故障診斷裝置，所述診斷裝置應(yīng)用上述的診斷方法，所述診斷裝置包括：

41、信號獲取模塊，用于獲取裝備零件在不同故障類型下的振動信號；

42、數(shù)據(jù)預(yù)處理模塊，用于對振動信號進(jìn)行數(shù)據(jù)預(yù)處理，獲得樣本，振動信號對應(yīng)的故障類型作為真實(shí)標(biāo)簽，構(gòu)建訓(xùn)練集和驗證集；

43、訓(xùn)練模塊，用于利用所述訓(xùn)練集和所述驗證集，使用可遷移adaboost算法和自適應(yīng)代價敏感學(xué)習(xí)方法訓(xùn)練多個深度學(xué)習(xí)模型，獲得多個訓(xùn)練好的深度學(xué)習(xí)模型；

44、診斷模塊，用于利用多個訓(xùn)練好的深度學(xué)習(xí)模型，對裝備的待測零件進(jìn)行故障診斷。

45、第三方面，一種計算機(jī)設(shè)備，包括：存儲器、處理器以及存儲在存儲器上并可在處理器上運(yùn)行的計算機(jī)程序，所述處理器執(zhí)行所述計算機(jī)程序以實(shí)現(xiàn)上述的基于傳感數(shù)據(jù)混合噪聲抑制的裝備零件故障診斷方法。

46、根據(jù)本發(fā)明提供的具體實(shí)施例，本發(fā)明公開了以下技術(shù)效果：

47、本發(fā)明提供了一種基于傳感數(shù)據(jù)混合噪聲抑制的裝備零件故障診斷方法、裝置及設(shè)備。本發(fā)明提供的診斷方法的核心包括可遷移adaboost、自適應(yīng)代價敏感學(xué)習(xí)和帶有選擇性核卷積模塊與全局參數(shù)化relu的深度殘差收縮網(wǎng)絡(luò)，降低了傳感數(shù)據(jù)中混合噪聲對特征學(xué)習(xí)的影響，解決了現(xiàn)有方法中存在的難以很好地實(shí)現(xiàn)混合噪聲環(huán)境下的故障診斷的問題，提高了在混合噪聲環(huán)境下裝備零件故障診斷的準(zhǔn)確率。

48、因為混合噪聲數(shù)據(jù)中各樣本訓(xùn)練難度不同，本發(fā)明通過可遷移adaboost增加難訓(xùn)練樣本的權(quán)重、減小易訓(xùn)練樣本的權(quán)重的原理，進(jìn)行權(quán)重的更新，并提出了自適應(yīng)加權(quán)交叉熵?fù)p失函數(shù)來實(shí)現(xiàn)代價敏感學(xué)習(xí)。通過可遷移adaboost得到的樣本權(quán)重和自適應(yīng)加權(quán)交叉熵?fù)p失函數(shù)使深度學(xué)習(xí)模型能更關(guān)注強(qiáng)噪聲樣本。此外，可遷移adaboost提高了混合噪聲環(huán)境下的診斷性能，訓(xùn)練其它深度學(xué)習(xí)模型的迭代次數(shù)少于訓(xùn)練第1個深度學(xué)習(xí)模型的迭代次數(shù)，減少模型訓(xùn)練時間的同時保證了較好的診斷效果。

49、本發(fā)明提出了帶有選擇性核卷積模塊與全局參數(shù)化relu的深度殘差收縮網(wǎng)絡(luò)，引入了選擇性核卷積模塊，在兩個分支設(shè)置不同的卷積核尺寸，因為大卷積核適合處理強(qiáng)噪聲樣本，小卷積核適合處理弱噪聲樣本，所以選擇性核卷積模塊能有效結(jié)合大小卷積核各自的優(yōu)勢，從而提高混合噪聲環(huán)境下的故障診斷效果。