本發(fā)明涉及軸承設(shè)備故障診斷技術(shù)領(lǐng)域，尤其涉及一種基于增量補(bǔ)償動(dòng)態(tài)自適應(yīng)增強(qiáng)的故障診斷方法。

背景技術(shù)：

“工業(yè)4.0”的核心是智能制造，智能制造是信息技術(shù)和智能技術(shù)的深度融合，是衡量國(guó)家工業(yè)現(xiàn)代化程度的重要標(biāo)志。目前，西方國(guó)家在裝備高端技術(shù)方面仍對(duì)我國(guó)限制出口，突破裝備智能維護(hù)等關(guān)鍵技術(shù)是提高國(guó)際分工層次和話語(yǔ)權(quán)的重要途徑，因此工業(yè)4.0背景下的裝備故障診斷和預(yù)測(cè)成為智能制造領(lǐng)域的研究熱點(diǎn)。

隨著工業(yè)物聯(lián)網(wǎng)和信息技術(shù)的發(fā)展，生產(chǎn)過程中獲得運(yùn)行狀態(tài)數(shù)據(jù)變得越來越容易，使得基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法成為該領(lǐng)域的主流，諸多學(xué)者對(duì)其進(jìn)行了深入的研究，并取得了較好的成果。但近年來，隨著裝備監(jiān)測(cè)群規(guī)模、測(cè)點(diǎn)、采樣頻率大量增加，裝備新產(chǎn)生的監(jiān)測(cè)數(shù)據(jù)大幅增長(zhǎng)。以三一重工遠(yuǎn)程監(jiān)測(cè)系統(tǒng)為例，該系統(tǒng)每天新增數(shù)據(jù)量達(dá)到1000萬條以上。由于新產(chǎn)生的狀態(tài)數(shù)據(jù)規(guī)模甚至已經(jīng)超過原有數(shù)據(jù)規(guī)模，且裝備狀態(tài)隨時(shí)間而變化，新增數(shù)據(jù)的潛在信息對(duì)診斷故障更有價(jià)值，這種情況下僅僅依靠原有故障模式進(jìn)行匹配顯然不合理，因此考慮新增數(shù)據(jù)學(xué)習(xí)的裝備故障診斷知識(shí)挖掘方法成為新的問題焦點(diǎn)。上述問題主要可以通過增量學(xué)習(xí)來解決，即學(xué)習(xí)系統(tǒng)在保存大部分已經(jīng)學(xué)習(xí)到知識(shí)的同時(shí)，可以不斷地從新數(shù)據(jù)中學(xué)習(xí)新的知識(shí)。目前，常用的增量學(xué)習(xí)方法模型有增量式極限學(xué)習(xí)機(jī)、在線增量學(xué)習(xí)支持向量機(jī)、增量學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型等，這些模型都起到了減輕模型計(jì)算量、提高模型準(zhǔn)確率、有效節(jié)約時(shí)間成本的作用。但是，由于近些年先進(jìn)裝備的增量數(shù)據(jù)流具有海量、多源等特性，尤其是由于智能裝備的高可靠性，雖然新產(chǎn)生的狀態(tài)數(shù)據(jù)量巨大，但新生數(shù)據(jù)中故障樣本數(shù)卻不足，并且特征分散。上述傳統(tǒng)方法在處理這類數(shù)據(jù)時(shí)具有一定的局限性，因此如何處理非平衡情況下的海量、多源的增量狀態(tài)信息，并形成動(dòng)態(tài)、準(zhǔn)確的特征知識(shí)是裝備維護(hù)的問題難點(diǎn)。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于：

本發(fā)明提供一種基于增量補(bǔ)償動(dòng)態(tài)自適應(yīng)增強(qiáng)的故障診斷方法，首先利用深度學(xué)習(xí)中的去噪自動(dòng)編碼器算法對(duì)新增數(shù)據(jù)進(jìn)行特征模式提取，然后將新增模式與從歷史數(shù)據(jù)提取的模式進(jìn)行比較，進(jìn)一步提出模式相似度算法、增量主動(dòng)融合算法、權(quán)重補(bǔ)償算法，依據(jù)相似度的不同對(duì)模式的權(quán)重動(dòng)態(tài)調(diào)整。最后，使用svm對(duì)加權(quán)模式進(jìn)行有監(jiān)督分類，并根據(jù)模型誤差以bp算法微調(diào)整個(gè)網(wǎng)絡(luò)參數(shù)。該方法與傳統(tǒng)深度學(xué)習(xí)相比既重視了新生故障模式，又考慮到原有失效模式，從而實(shí)現(xiàn)原有模式和增量模式在深度學(xué)習(xí)中的動(dòng)態(tài)補(bǔ)償調(diào)整。

本發(fā)明所采取的技術(shù)方案為：

一種基于增量補(bǔ)償動(dòng)態(tài)自適應(yīng)增強(qiáng)的故障診斷方法，包括下述步驟：

(1)對(duì)深溝球軸承使用電火花加工技術(shù)分別在軸承上對(duì)內(nèi)圈、外圈和滾動(dòng)體布置了3個(gè)故障等級(jí)的單點(diǎn)故障，故障直徑分別為0.007、0.014、0.021英寸。選擇電機(jī)驅(qū)動(dòng)端振動(dòng)傳感器采集正常狀態(tài)(n)、內(nèi)圈故障(irf)、外圈故障(orf)和滾動(dòng)體故障(bf)等10種狀態(tài)下的振動(dòng)信號(hào)，采樣頻率為12khz，共計(jì)1,341,856個(gè)數(shù)據(jù)點(diǎn)；

(2)對(duì)軸承設(shè)備狀態(tài)數(shù)據(jù)進(jìn)行預(yù)處理，使用小波包分解原始振動(dòng)信號(hào)各頻段的能量值，提取參數(shù)特征作為模型輸入向量。將樣本數(shù)據(jù)隨機(jī)抽樣按比例劃分為訓(xùn)練樣本和測(cè)試樣本，并對(duì)測(cè)試樣本進(jìn)行標(biāo)簽化處理。將訓(xùn)練樣本等量劃分為四組，其中一組用于訓(xùn)練深度學(xué)習(xí)模型，剩余三組分三次添加至已有模型進(jìn)行動(dòng)態(tài)補(bǔ)償增量學(xué)習(xí)；

(3)初始化模型參數(shù)，將用于訓(xùn)練深度學(xué)習(xí)模型的訓(xùn)練樣本加入隨機(jī)噪聲，作為去噪自動(dòng)編碼器的輸入進(jìn)行無監(jiān)督貪婪逐層預(yù)訓(xùn)練，對(duì)樣本數(shù)據(jù)提取故障特征模式，并賦予特征統(tǒng)一的初始權(quán)值；

(4)若無新增故障數(shù)據(jù)樣本加入，則至(5)；若有新增故障數(shù)據(jù)樣本加入，首先針對(duì)新增故障數(shù)據(jù)使用已有模型進(jìn)行故障特征提取，得到新增特征模式。然后使用模式相似度算法計(jì)算新增特征模式中每個(gè)故障特征與原有特征模式的相似度，并根據(jù)增量主動(dòng)融合算法對(duì)新增特征模式進(jìn)行增量合并，采用權(quán)重補(bǔ)償算法進(jìn)行動(dòng)態(tài)加權(quán)，主要過程如下：

a.若新增特征模式相似度值大于閾值β，則表示該特征與已有特征高度相似，使用調(diào)和非線性加權(quán)平均算法將其進(jìn)行合并，并提高特征權(quán)重；

b.若新增特征模式相似度值大于閾值α，且小于閾值β，則表示該特征為隨時(shí)間變化出現(xiàn)的新增特征，將其增量加入特征集，并設(shè)置特征權(quán)重初值；

c.若新增特征模式相似度值小于閾值α，則表示該特征對(duì)已有模式影響較小，可能為無意義的噪聲干擾值，對(duì)其進(jìn)行舍棄處理；

d.若原有特征與所有新增特征模式相似度值均小于閾值α，則表示該特征隨時(shí)間變化出現(xiàn)失效，依據(jù)緩慢降低特征權(quán)重，直至小于閾值α?xí)r，將其從現(xiàn)有模式中刪除；

(5)將有標(biāo)簽故障數(shù)據(jù)和經(jīng)過動(dòng)態(tài)深度學(xué)習(xí)訓(xùn)練加權(quán)的無標(biāo)故障簽數(shù)據(jù)作為輸入向量訓(xùn)練svm分類器進(jìn)行故障分類；

(6)使用bp算法對(duì)整個(gè)模型中的相關(guān)參數(shù)進(jìn)行全局微調(diào)，得到使模型預(yù)訓(xùn)練階段和增量學(xué)習(xí)階段的損失函數(shù)值都達(dá)到最小的最優(yōu)參數(shù)。

(7)基于上述增量補(bǔ)償動(dòng)態(tài)深度學(xué)習(xí)故障診斷模型，將軸承故障振動(dòng)信號(hào)經(jīng)小波包分解得到的故障參數(shù)特征向量作為輸入，能夠在存在增量數(shù)據(jù)的情況下提取新增故障特征并輸出故障模式類型，從而實(shí)現(xiàn)軸承設(shè)備狀態(tài)特征實(shí)時(shí)提取和故障模式可靠分類。

基于上述步驟，基于增量補(bǔ)償動(dòng)態(tài)自適應(yīng)增強(qiáng)的故障診斷方法有效實(shí)現(xiàn)了設(shè)備故障特征的實(shí)時(shí)增量提取，即利用dae模型對(duì)新增數(shù)據(jù)挖掘并提取特征模式，并基于模式相似度算法計(jì)算新增模式與原有模式的相似度值，以增量主動(dòng)融合算法判斷對(duì)新增模式的增量或合并操作。同時(shí)也實(shí)現(xiàn)了設(shè)備故障模式可靠分類，即通過權(quán)重補(bǔ)償算法計(jì)算新增特征的動(dòng)態(tài)補(bǔ)償權(quán)重，與原有特征模式一同輸入分類器中，并調(diào)整模型參數(shù)。實(shí)現(xiàn)針對(duì)不同時(shí)間點(diǎn)的設(shè)備狀態(tài)數(shù)據(jù)賦予動(dòng)態(tài)權(quán)重，以權(quán)重補(bǔ)償?shù)男问皆鰪?qiáng)有效模式和減少失效模式。

其中，步驟(3)中去噪自動(dòng)編碼器無監(jiān)督貪婪逐層預(yù)訓(xùn)練包括下述步驟：

1)給定一個(gè)無標(biāo)簽的n維樣本集x，首先對(duì)其按照qd分布加入隨機(jī)噪聲，使其變成含噪樣本并作為自動(dòng)編碼器模型輸入：

式中，qd為二項(xiàng)隨機(jī)隱藏噪聲。則編碼過程中輸入層和隱含層之間的映射函數(shù)h可定義為：

h＝fθ(x)＝σ(wx+b)

式中σ為編碼網(wǎng)絡(luò)的激活函數(shù)，通常使用sigmoid函數(shù)。θ＝{w,b}為編碼網(wǎng)絡(luò)的參數(shù)集合，其中w為輸入節(jié)點(diǎn)與隱層節(jié)點(diǎn)之間的權(quán)值，b為隱層節(jié)點(diǎn)的偏置。編碼矢量h可通過解碼函數(shù)gθ′變換為x的一種重構(gòu)表示y：

y＝gθ′(h)＝σ(w′h+b′)

式中，σ同樣為激活函數(shù)，θ′＝{w′,b′}為解碼網(wǎng)絡(luò)的參數(shù)集合，其中w′為w的轉(zhuǎn)置即w′＝w^t，b′為偏置。

2)通過最小化x與y之間的重構(gòu)誤差l(x,y)作為目標(biāo)函數(shù)jdae，采用梯度下降法最優(yōu)化參數(shù)θ和θ′，完成整個(gè)網(wǎng)絡(luò)的訓(xùn)練：

上式中的重構(gòu)誤差函數(shù)l(x,y)采用如下交叉熵?fù)p失函數(shù)：

步驟(4)中模式相似度算法包括：

對(duì)于離散分布p和q，kl散度定義為：

其中，p和q分別代表兩個(gè)不同的故障特征模式，p(i)和q(i)代表特征模式p和q中第i個(gè)值，p和q之間的差異性越小，kl散度的值越小。因此根據(jù)上述定義，基于kl散度的模式相似度sim(p,q)計(jì)算公式：

由kl散度的性質(zhì)可知其不具有對(duì)稱性，即dkl(p||q)≠dkl(q||p)，而將其表示為兩個(gè)特征間的相似度時(shí)需要具有對(duì)稱性。為此，對(duì)kl散度進(jìn)行對(duì)稱性修正：

在計(jì)算特征間模式相似度時(shí)，用取代dkl(p||q)，即

由于kl散度基于分布間的相對(duì)熵來計(jì)算其相異程度，而不是通過距離度量，因此可有效區(qū)別幾何距離難以分辨的對(duì)象，優(yōu)于其他基于距離的相似性度量方法，能夠準(zhǔn)確衡量故障模式之間的相似程度。

步驟(4)中的增量主動(dòng)融合算法為：

計(jì)算新增特征模式與原有特征模式的模式相似度時(shí)，選取最大值sim(p,q)max作為該特征的模式相似度值，并根據(jù)以下原則判定新增或合并該特征模式：

使用α代表使兩對(duì)比特征之間相似度有意義的最小相似度閾值，其取值為α＝minsim(fi,fj)，代表現(xiàn)有特征模式中兩兩特征fi與fj之間相似度的最小值。使用β代表特征一般相似與高度相似之間的臨界閾值，其取值為β＝maxsim(fi,fj)，代表現(xiàn)有特征模式中兩兩特征fi與fj之間相似度的最大值?？梢?，相似度閾值α<β，且隨特征模式的增量與合并，閾值α與β動(dòng)態(tài)變化。

1)若β<sim(p,q)max，則表示新增特征與原有模式中的特征高度相似，可對(duì)其使用調(diào)和非線性加權(quán)平均法進(jìn)行合并；

2)若α<sim(p,q)max<β，則表示新增特征與已有特征均相異，不能使用與已有特征合并的方式代替新增特征，所以將該特征增量加入原有模式；

3)若sim(p,q)max<α，則表示新增特征與已有特征的相似度低于最小閾值，代表該新增特征為無意義的噪聲干擾值，對(duì)其舍棄處理。

上述原則1)中提到的調(diào)和非線性加權(quán)平均法中加權(quán)調(diào)和平均數(shù)計(jì)算公式為：

其中：為加權(quán)調(diào)和平均組合估計(jì)值，xi為第i個(gè)特征，n為特征總數(shù)，wi為第i個(gè)特征的組合加權(quán)系數(shù)，且滿足約束條件：

且預(yù)測(cè)誤差e為：

其中，x為特征實(shí)際取值，則以預(yù)測(cè)誤差平方和最小解決最優(yōu)化問題：

利用拉格朗日乘子法在最小二乘原理下求解得最優(yōu)權(quán)重向量及目標(biāo)函數(shù)最小值，實(shí)現(xiàn)新增模式與原有模式的合并。

步驟(4)中的權(quán)重動(dòng)態(tài)補(bǔ)償算法為：

根據(jù)新增模式增量與合并原則，計(jì)算其動(dòng)態(tài)補(bǔ)償權(quán)重，用以衡量該特征模式隨時(shí)間變化的重要性改變程度，以權(quán)重補(bǔ)償?shù)男问竭_(dá)到增強(qiáng)有效模式和減少失效模式的作用。由于新增特征與已有特征的相似度能夠在一定程度上反映該新增模式對(duì)當(dāng)前模型的重要性，所以對(duì)模式相似度值使用下式歸一化處理：

其中，minsim(p,q)表示所有模式相似度中的最小值，maxsim(p,q)表示所有模式相似度中的最大值。

對(duì)原則1)中高度相似的特征模式采取合并操作，該類模式說明其隨設(shè)備狀態(tài)變化的過程中頻繁出現(xiàn)，具有較重要的作用，應(yīng)當(dāng)升高其權(quán)重以增強(qiáng)有效模式。其動(dòng)態(tài)權(quán)重計(jì)算方法如下，其中特征相似度越大表示該特征在模式中的作用越大：

wi+1＝wi+sim(p,q)norm

其中，第i+1次對(duì)原有特征p進(jìn)行合并操作時(shí)賦予的權(quán)重為第i次合并權(quán)重與原有特征p和新增特征q的相似度相加，初次合并時(shí)i＝0，w0為初始權(quán)值，設(shè)置為原有特征模式中兩兩特征之間的最大相似度maxsim(p,q)。

對(duì)原則2)中已增量加入原有模式的特征采取新增操作，該類模式說明其為隨狀態(tài)數(shù)據(jù)變化新出現(xiàn)的模式，需要為其賦予初始權(quán)值，計(jì)算方法如下，其中特征相似度恰好能夠表示其在當(dāng)前模型中的重要程度：

w0＝sim(p,q)norm

對(duì)于原則3)中舍棄的新增模式不予考慮，但原有模式中存在與所有新增特征相似度均小于閾值α的情況，這表明其沒有出現(xiàn)在新增模式中，該特征可能隨狀態(tài)數(shù)據(jù)變化逐漸失效，因此采用下式緩慢降低其權(quán)重。當(dāng)經(jīng)過多次增量學(xué)習(xí)迭代之后，對(duì)于一直未出現(xiàn)的特征其權(quán)重將會(huì)逐漸減小直至小于閾值α?xí)r，表明該特征已變?yōu)闊o效特征，需將其從現(xiàn)有模式中刪除。

wi+1＝wi-sim(p,q)norm

其中，第i+1次未在新增模式中出現(xiàn)的特征p的權(quán)重為第i次未出現(xiàn)時(shí)權(quán)重與其相似度做差，特征p初次未出現(xiàn)時(shí)i＝0，w0為初始權(quán)值，同樣設(shè)置為原有特征模式中兩兩特征之間的最大相似度maxsim(p,q)。

最后將加權(quán)新增特征模式與原有特征模式一同輸入分類器中，并調(diào)整模型參數(shù)完成基于增量補(bǔ)償動(dòng)態(tài)自適應(yīng)增強(qiáng)的故障診斷過程。

隨著工業(yè)物聯(lián)網(wǎng)和信息技術(shù)的發(fā)展，生產(chǎn)過程中獲得運(yùn)行狀態(tài)數(shù)據(jù)變得越來越容易，使得基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法成為該領(lǐng)域的主流，諸多學(xué)者對(duì)其進(jìn)行了深入的研究，并取得了較好的成果。但近年來，隨著裝備監(jiān)測(cè)群規(guī)模、測(cè)點(diǎn)、采樣頻率大量增加，裝備狀態(tài)新產(chǎn)生監(jiān)測(cè)數(shù)據(jù)大幅增長(zhǎng)。以三一重工遠(yuǎn)程監(jiān)測(cè)系統(tǒng)為例，該系統(tǒng)每天新增數(shù)據(jù)量達(dá)到1000萬條以上。由于裝備狀態(tài)隨時(shí)間而變化，新增數(shù)據(jù)的挖掘模式對(duì)診斷故障更有價(jià)值，且新產(chǎn)生的裝備狀態(tài)數(shù)據(jù)規(guī)模呈指數(shù)型增長(zhǎng)，甚至已經(jīng)超過原有數(shù)據(jù)規(guī)模，這種情況下僅僅依靠原有故障模式進(jìn)行匹配顯然不合理，因此考慮新增數(shù)據(jù)的裝備故障診斷知識(shí)挖掘新方法成為新的問題焦點(diǎn)。目前，上述問題可以通過兩種方式解決：第一種，合并所有數(shù)據(jù)(原始數(shù)據(jù)+新增數(shù)據(jù))重新訓(xùn)練模型并提取特征值，這種方法需要消耗大量的時(shí)間，因此不適合實(shí)時(shí)性較強(qiáng)的裝備故障預(yù)警與預(yù)測(cè)領(lǐng)域。第二種，增量學(xué)習(xí)，即學(xué)習(xí)系統(tǒng)能不斷地從新樣本中學(xué)習(xí)新的知識(shí)，并能保存大部分以前已經(jīng)學(xué)習(xí)到的知識(shí)。目前常用的增量學(xué)習(xí)方法，如增量式極限學(xué)習(xí)機(jī)(ielm)、在線增量學(xué)習(xí)支持向量機(jī)(oi-svm)、增量學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型(inn)等，在現(xiàn)有文獻(xiàn)中都起到了減輕模型計(jì)算量、提高模型準(zhǔn)確率、有效節(jié)約時(shí)間成本的作用，傳統(tǒng)模型可以高效地解決簡(jiǎn)單情況下或者給予多重限制條件下的增量問題，但在處理海量、多源的增量數(shù)據(jù)流帶來的復(fù)雜問題時(shí)，模型效果不甚理想。因此，如何處理海量、多源的增量狀態(tài)信息，并形成動(dòng)態(tài)、準(zhǔn)確的特征知識(shí)是裝備維護(hù)的問題難點(diǎn)。

為了解決上述問題，本專利提出一種基于增量補(bǔ)償動(dòng)態(tài)自適應(yīng)增強(qiáng)的故障診斷方法，利用增量計(jì)算補(bǔ)償權(quán)重，并通過判斷增量故障信息是否為有效模式驅(qū)動(dòng)最優(yōu)策略進(jìn)行獎(jiǎng)懲，達(dá)到特征模式自適應(yīng)增強(qiáng)的過程，以期進(jìn)一步提高設(shè)備故障診斷準(zhǔn)確率和模型可解釋性，同時(shí)對(duì)推動(dòng)裝備運(yùn)行大數(shù)據(jù)的挖掘和應(yīng)用有促進(jìn)作用。

一、本發(fā)明方法的理論依據(jù)：

1、小波包變換(waveletpackettransformation，wpt)：能夠?qū)⒃紩r(shí)域振動(dòng)信號(hào)變換為可供分析的頻域信號(hào)，對(duì)原始軸承故障振動(dòng)信號(hào)使用小波包分解各頻段的能量值，能夠獲取合適的參數(shù)特征以區(qū)分不同類別。

2、去噪自動(dòng)編碼器(denoisingautoencoder，簡(jiǎn)稱dae)：dae以自動(dòng)編碼器(autoencoder，ae)為基礎(chǔ)，是一種能夠快速高效提取特征的深度學(xué)習(xí)方法，通過在輸入樣本中加入含有一定統(tǒng)計(jì)特征的噪聲來訓(xùn)練自動(dòng)編碼器，使輸出層估計(jì)出受干擾樣本的原始形式，從而從含噪樣本中獲取更具魯棒性的特征。更加符合設(shè)備所處環(huán)境等復(fù)雜性，設(shè)備狀態(tài)數(shù)據(jù)多含有噪點(diǎn)和信息冗余的特點(diǎn)。

去噪自動(dòng)編碼器先以無監(jiān)督學(xué)習(xí)方式對(duì)深度網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行逐層預(yù)訓(xùn)練提取特征，然后在深度網(wǎng)絡(luò)的最后一層添加一個(gè)分類器用于特征模式分類，并使用監(jiān)督學(xué)習(xí)方式通過反向誤差傳播法對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行微調(diào)，進(jìn)一步優(yōu)化模型訓(xùn)練結(jié)果。

3、kl散度：kl散度基于分布間的相對(duì)熵來計(jì)算其相異程度，可有效區(qū)別幾何距離難以分辨的對(duì)象，優(yōu)于其他基于距離的相似性度量方法，能夠準(zhǔn)確衡量故障模式之間的相似程度，有效提高故障模式間相似性的適用性和準(zhǔn)確性。因此基于kl散度提出模式相似度計(jì)算方法，并對(duì)kl散度進(jìn)行對(duì)稱性修正，使其更加適用于計(jì)算模式間相似度。

4、調(diào)和非線性加權(quán)平均法：通過加權(quán)調(diào)和平均數(shù)計(jì)算多個(gè)特征模式的組合估計(jì)值，并賦予不同的權(quán)重，目標(biāo)使預(yù)測(cè)誤差平方和最小以解決最優(yōu)化問題，利用拉格朗日乘子法在最小二乘原理下求解得最優(yōu)權(quán)重向量及目標(biāo)函數(shù)最小值，實(shí)現(xiàn)新增模式與原有模式的合并。

5、svm分類器：通過非線性映射把樣本空間映射到一個(gè)高維特征空間中，使得在原來樣本空間中非線性可分的問題轉(zhuǎn)化為在特征空間中的線性可分的問題，并利用一個(gè)線性超平面劃分不同類別。

二、基于增量補(bǔ)償動(dòng)態(tài)自適應(yīng)增強(qiáng)的故障診斷方法設(shè)計(jì)：

基于增量補(bǔ)償動(dòng)態(tài)自適應(yīng)增強(qiáng)的故障診斷方法工作原理如下：當(dāng)深度學(xué)習(xí)模型初次獲取數(shù)據(jù)樣本時(shí)，通過上述預(yù)訓(xùn)練和微調(diào)過程構(gòu)建整體深度網(wǎng)絡(luò)結(jié)構(gòu)并提取特征模式。而當(dāng)新增樣本數(shù)據(jù)作為輸入到達(dá)深度學(xué)習(xí)模型時(shí)，需調(diào)用動(dòng)態(tài)補(bǔ)償增量學(xué)習(xí)策略確定增量或合并操作，同時(shí)賦予特征模式動(dòng)態(tài)補(bǔ)償權(quán)重，最后將加權(quán)特征模式輸入頂層svm分類器中進(jìn)行分類，針對(duì)增量學(xué)習(xí)帶來的模型分類誤差微調(diào)整個(gè)網(wǎng)絡(luò)的參數(shù)，使深度學(xué)習(xí)模型能夠動(dòng)態(tài)調(diào)整以適應(yīng)隨時(shí)間變化的狀態(tài)數(shù)據(jù)。

其中，動(dòng)態(tài)補(bǔ)償增量學(xué)習(xí)是基于增量補(bǔ)償動(dòng)態(tài)自適應(yīng)增強(qiáng)的故障診斷方法的關(guān)鍵步驟，能有效解決設(shè)備狀態(tài)數(shù)據(jù)和屬性隨設(shè)備磨損情況變化而引起的特征模式變化的問題，主要由三步構(gòu)成，首先利用dae算法對(duì)增量數(shù)據(jù)進(jìn)行挖掘，獲得新增的特征模式；其次提出一種模式相似度算法，并利用該方法計(jì)算新增模式與原有模式的相似度值；最后，根據(jù)增量主動(dòng)融合算法和權(quán)重補(bǔ)償算法對(duì)新增模式賦予初始值或者帶有權(quán)值的合并至原有模式中。動(dòng)態(tài)補(bǔ)償增量學(xué)習(xí)通過賦予特征模式與相似度相關(guān)聯(lián)的動(dòng)態(tài)補(bǔ)償權(quán)重，使得目前反復(fù)出現(xiàn)的重要特征權(quán)重升高，同時(shí)無用特征權(quán)重逐漸降低直至失效。

1、基于增量補(bǔ)償動(dòng)態(tài)自適應(yīng)增強(qiáng)的故障診斷方法結(jié)構(gòu)

本發(fā)明通過堆疊多層相連的去噪自動(dòng)編碼器構(gòu)成深度網(wǎng)絡(luò)結(jié)構(gòu)，如圖1所示，使低層dae的輸出作為下一個(gè)更高層dae的輸入，以最小化代價(jià)函數(shù)為目標(biāo)，逐層貪婪預(yù)訓(xùn)練各層間系數(shù)。并在深度網(wǎng)絡(luò)結(jié)構(gòu)的頂層添加具有分類功能的輸出層，使用svm作為分類器進(jìn)行有監(jiān)督分類，針對(duì)誤差使用bp算法微調(diào)深度網(wǎng)絡(luò)結(jié)構(gòu)各層參數(shù)，進(jìn)一步優(yōu)化整個(gè)網(wǎng)絡(luò)使達(dá)到全局最優(yōu)。

2、算法具體實(shí)現(xiàn)

基于增量補(bǔ)償動(dòng)態(tài)自適應(yīng)增強(qiáng)的故障診斷方法步驟描述如下，流程圖如圖2所示。

(1)對(duì)軸承設(shè)備狀態(tài)數(shù)據(jù)進(jìn)行預(yù)處理，經(jīng)過小波包變換后提取特征向量用于故障模式分類。將樣本數(shù)據(jù)隨機(jī)抽樣按比例劃分為訓(xùn)練樣本和測(cè)試樣本，并對(duì)測(cè)試樣本進(jìn)行標(biāo)簽化處理。將訓(xùn)練樣本等量劃分為四組，其中一組用于訓(xùn)練深度學(xué)習(xí)模型，剩余三組分三次添加至已有模型進(jìn)行動(dòng)態(tài)補(bǔ)償增量學(xué)習(xí)；

(2)初始化模型參數(shù)，將用于訓(xùn)練深度學(xué)習(xí)模型的訓(xùn)練樣本加入隨機(jī)噪聲，作為去噪自動(dòng)編碼器的輸入進(jìn)行無監(jiān)督貪婪逐層預(yù)訓(xùn)練，對(duì)樣本數(shù)據(jù)提取故障特征模式，并賦予特征統(tǒng)一的初始權(quán)值；

(3)若無新增故障數(shù)據(jù)樣本加入，則至(4)；若有新增故障數(shù)據(jù)樣本加入，首先針對(duì)新增故障數(shù)據(jù)使用已有模型進(jìn)行特征提取，得到新增特征模式。然后使用模式相似度算法計(jì)算新增特征模式中每個(gè)故障特征與原有特征模式的相似度，并根據(jù)以下增量主動(dòng)融合算法對(duì)新增特征模式進(jìn)行增量合并，采用權(quán)重補(bǔ)償算法進(jìn)行動(dòng)態(tài)加權(quán)：

a.若新增特征模式相似度值大于閾值β，則表示該特征與已有特征高度相似，使用調(diào)和非線性加權(quán)平均算法將其進(jìn)行合并，并提高特征權(quán)重；

b.若新增特征模式相似度值大于閾值α，且小于閾值β，則表示該特征為隨時(shí)間變化出現(xiàn)的新增特征，將其增量加入特征集，并設(shè)置特征權(quán)重；

c.若新增特征模式相似度值小于閾值α，則表示該特征對(duì)已有模式影響較小，可能為無意義的噪聲干擾值，對(duì)其進(jìn)行舍棄處理；

d.若原有特征與所有新增特征模式相似度值均小于閾值α，則表示該特征隨時(shí)間變化出現(xiàn)失效，應(yīng)緩慢降低特征權(quán)重，直至小于閾值α?xí)r，將其從現(xiàn)有模式中刪除；

(4)將有標(biāo)簽故障數(shù)據(jù)和經(jīng)過動(dòng)態(tài)深度學(xué)習(xí)訓(xùn)練加權(quán)的無標(biāo)簽故障數(shù)據(jù)作為輸入向量訓(xùn)練svm分類器進(jìn)行故障模式分類；

(5)使用bp算法對(duì)整個(gè)模型中的相關(guān)參數(shù)進(jìn)行全局微調(diào)，得到使模型預(yù)訓(xùn)練階段和增量學(xué)習(xí)階段的損失函數(shù)值都達(dá)到最小的最優(yōu)參數(shù)。

采用上述技術(shù)方案所產(chǎn)生的有益效果在于：

本發(fā)明提出基于增量補(bǔ)償動(dòng)態(tài)自適應(yīng)增強(qiáng)的故障診斷方法，采用動(dòng)態(tài)補(bǔ)償增量學(xué)習(xí)策略將從新增狀態(tài)數(shù)據(jù)深度學(xué)習(xí)提取得到的新增模式增量合并至原有故障模式，并依據(jù)模式在隨時(shí)間變化過程中的重要性改變程度賦予其動(dòng)態(tài)補(bǔ)償權(quán)重，使得加權(quán)特征模式能夠在獲得更加準(zhǔn)確的故障診斷精度的同時(shí)節(jié)約時(shí)間成本，從而實(shí)現(xiàn)原有故障模式和新增故障模式在深度學(xué)習(xí)中的動(dòng)態(tài)調(diào)整。通過試驗(yàn)分析，驗(yàn)證了提出的基于增量補(bǔ)償動(dòng)態(tài)自適應(yīng)增強(qiáng)的故障診斷方法的有效性，使軸承故障診斷效率達(dá)到96.85％，相比其他淺層和無增量深度學(xué)習(xí)方法平均提高了5.43％，能夠?qū)崿F(xiàn)軸承設(shè)備狀態(tài)特征實(shí)時(shí)提取和故障模式可靠分類。

下面結(jié)合附圖和具體實(shí)施方式對(duì)本發(fā)明作進(jìn)一步詳細(xì)的說明。

圖1是本發(fā)明基于動(dòng)態(tài)補(bǔ)償?shù)脑隽繉W(xué)習(xí)過程圖；

圖2是本發(fā)明深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)圖；

圖3是本發(fā)明基于增量補(bǔ)償動(dòng)態(tài)自適應(yīng)增強(qiáng)的故障診斷方法流程圖；

圖4是本發(fā)明具體軸承設(shè)備故障診斷過程圖；

圖5、圖6分別為隱藏節(jié)點(diǎn)數(shù)與重構(gòu)誤差關(guān)系圖和噪聲比重與重構(gòu)誤差關(guān)系圖；

圖7為有無增量數(shù)據(jù)診斷的dae訓(xùn)練精度和訓(xùn)練時(shí)間的模型性能對(duì)比圖；

圖8為五種算法增量數(shù)據(jù)診斷的訓(xùn)練精度和訓(xùn)練時(shí)間的模型性能對(duì)比圖；

具體實(shí)施方式

一種基于增量補(bǔ)償動(dòng)態(tài)自適應(yīng)增強(qiáng)的故障診斷方法，包括下述步驟：

(1)對(duì)深溝球軸承使用電火花加工技術(shù)分別在軸承上對(duì)內(nèi)圈、外圈和滾動(dòng)體布置了3個(gè)故障等級(jí)的單點(diǎn)故障，故障直徑分別為0.007、0.014、0.021英寸。選擇電機(jī)驅(qū)動(dòng)端振動(dòng)傳感器采集正常狀態(tài)(n)、內(nèi)圈故障(irf)、外圈故障(orf)和滾動(dòng)體故障(bf)等10種狀態(tài)下的振動(dòng)信號(hào)，采樣頻率為12khz，共計(jì)1,341,856個(gè)數(shù)據(jù)點(diǎn)；

(2)對(duì)軸承設(shè)備狀態(tài)數(shù)據(jù)進(jìn)行預(yù)處理，使用小波包分解原始振動(dòng)信號(hào)各頻段的能量值，提取參數(shù)特征作為模型輸入向量。將樣本數(shù)據(jù)隨機(jī)抽樣按比例劃分為訓(xùn)練樣本和測(cè)試樣本，并對(duì)測(cè)試樣本進(jìn)行標(biāo)簽化處理。將訓(xùn)練樣本等量劃分為四組，其中一組用于訓(xùn)練深度學(xué)習(xí)模型，剩余三組分三次添加至已有模型進(jìn)行動(dòng)態(tài)補(bǔ)償增量學(xué)習(xí)；

(3)初始化模型參數(shù)，將用于訓(xùn)練深度學(xué)習(xí)模型的訓(xùn)練樣本加入隨機(jī)噪聲，作為去噪自動(dòng)編碼器的輸入進(jìn)行無監(jiān)督貪婪逐層預(yù)訓(xùn)練，對(duì)樣本數(shù)據(jù)提取故障特征模式，并賦予特征統(tǒng)一的初始權(quán)值；

1)給定一個(gè)無標(biāo)簽的n維樣本集x，首先對(duì)其按照qd分布加入隨機(jī)噪聲，使其變成含噪樣本并作為自動(dòng)編碼器模型輸入：

式中，qd為二項(xiàng)隨機(jī)隱藏噪聲。則編碼過程中輸入層和隱含層之間的映射函數(shù)h可定義為：

h＝fθ(x)＝σ(wx+b)

式中σ為編碼網(wǎng)絡(luò)的激活函數(shù)，通常使用sigmoid函數(shù)。θ＝{w,b}為編碼網(wǎng)絡(luò)的參數(shù)集合，其中w為輸入節(jié)點(diǎn)與隱層節(jié)點(diǎn)之間的權(quán)值，b為隱層節(jié)點(diǎn)的偏置。編碼矢量h可通過解碼函數(shù)gθ′變換為x的一種重構(gòu)表示y：

y＝gθ′(h)＝σ(w′h+b′)

式中，σ同樣為激活函數(shù)，θ′＝{w′,b′}為解碼網(wǎng)絡(luò)的參數(shù)集合，其中w′為w的轉(zhuǎn)置即w′＝w^t，b′為偏置。

2)通過最小化x與y之間的重構(gòu)誤差l(x,y)作為目標(biāo)函數(shù)jdae，采用梯度下降法最優(yōu)化參數(shù)θ和θ′，完成整個(gè)網(wǎng)絡(luò)的訓(xùn)練：

上式中的重構(gòu)誤差函數(shù)l(x,y)采用如下交叉熵?fù)p失函數(shù)：

(4)若無新增故障數(shù)據(jù)樣本加入，則至(5)；若有新增故障數(shù)據(jù)樣本加入，首先針對(duì)新增故障數(shù)據(jù)使用已有模型進(jìn)行特征提取，得到新增特征模式。然后使用模式相似度算法計(jì)算新增特征模式中每個(gè)故障特征與原有特征模式的相似度，并根據(jù)增量主動(dòng)融合算法和權(quán)重補(bǔ)償算法對(duì)新增特征模式進(jìn)行增量合并和動(dòng)態(tài)加權(quán)。

1)模式相似度算法包括：

對(duì)于離散分布p和q，kl散度定義為：

其中，p和q分別代表兩個(gè)不同的故障特征模式，p(i)和q(i)代表特征模式p和q中第i個(gè)值，p和q之間的差異性越小，kl散度的值越小。因此根據(jù)上述定義，基于kl散度的模式相似度sim(p,q)計(jì)算公式：

由kl散度的性質(zhì)可知其不具有對(duì)稱性，即dkl(p||q)≠dkl(q||p)，而將其表示為兩個(gè)特征間的相似度時(shí)需要具有對(duì)稱性。為此，對(duì)kl散度進(jìn)行對(duì)稱性修正：

在計(jì)算特征間模式相似度時(shí)，用取代dkl(p||q)，即

由于kl散度基于分布間的相對(duì)熵來計(jì)算其相異程度，而不是通過距離度量，因此可有效區(qū)別幾何距離難以分辨的對(duì)象，優(yōu)于其他基于距離的相似性度量方法，能夠準(zhǔn)確衡量故障模式之間的相似程度。

2)增量主動(dòng)融合算法為：

計(jì)算新增特征模式與原有特征模式的模式相似度，選取最大值sim(p,q)max作為該特征的模式相似度值，并根據(jù)以下原則判定新增或合并該特征模式：

使用α代表使兩對(duì)比特征之間相似度有意義的最小相似度閾值，其取值為α＝minsim(fi,fj)，代表現(xiàn)有特征模式中兩兩特征fi與fj之間相似度的最小值。使用β代表特征一般相似與高度相似之間的臨界閾值，其取值為β＝maxsim(fi,fj)，代表現(xiàn)有特征模式中兩兩特征fi與fj之間相似度的最大值?？梢姡嗨贫乳撝郸?lt;β，且隨特征模式的增量與合并，閾值α與β動(dòng)態(tài)變化。

1)若β<sim(p,q)max，則表示新增特征與原有模式中的特征高度相似，可對(duì)其使用調(diào)和非線性加權(quán)平均法進(jìn)行合并；

2)若α<sim(p,q)max<β，則表示新增特征與已有特征均相異，不能使用與已有特征合并的方式代替新增特征，所以將該特征增量加入原有模式；

3)若sim(p,q)max<α，則表示新增特征與已有特征的相似度低于最小閾值，代表該新增特征為無意義的噪聲干擾值，對(duì)其舍棄處理。

上述原則1)中提到的調(diào)和非線性加權(quán)平均法中加權(quán)調(diào)和平均數(shù)計(jì)算公式為：

其中：為加權(quán)調(diào)和平均組合估計(jì)值，xi為第i個(gè)特征，n為特征總數(shù)，wi為第i個(gè)特征的組合加權(quán)系數(shù)，且滿足約束條件：

且預(yù)測(cè)誤差e為：

其中，x為特征實(shí)際取值，則以預(yù)測(cè)誤差平方和最小解決最優(yōu)化問題：

利用拉格朗日乘子法在最小二乘原理下求解得最優(yōu)權(quán)重向量及目標(biāo)函數(shù)最小值，實(shí)現(xiàn)新增模式與原有模式的合并。

3)權(quán)重補(bǔ)償算法為：

根據(jù)新增模式增量與合并原則，計(jì)算其動(dòng)態(tài)補(bǔ)償權(quán)重，用以衡量該特征模式隨時(shí)間變化的重要性改變程度，以權(quán)重補(bǔ)償?shù)男问竭_(dá)到增強(qiáng)有效模式和減少失效模式的作用。由于新增特征與已有特征的相似度能夠在一定程度上反映該新增模式對(duì)當(dāng)前模型的重要性，所以對(duì)模式相似度值使用下式歸一化處理：

其中，minsim(p,q)表示所有模式相似度中的最小值，maxsim(p,q)表示所有模式相似度中的最大值。

對(duì)原則1)中高度相似的特征模式采取合并操作，該類模式說明其隨設(shè)備狀態(tài)變化的過程中頻繁出現(xiàn)，具有較重要的作用，應(yīng)當(dāng)升高其權(quán)重以增強(qiáng)有效模式。其動(dòng)態(tài)權(quán)重計(jì)算方法如下，其中特征相似度越大表示該特征在模式中的作用越大：

wi+1＝wi+sim(p,q)norm

其中，第i+1次對(duì)原有特征p進(jìn)行合并操作時(shí)賦予的權(quán)重為第i次合并權(quán)重與原有特征p和新增特征q的相似度相加，初次合并時(shí)i＝0，w0為初始權(quán)值，設(shè)置為原有特征模式中兩兩特征之間的最大相似度maxsim(p,q)。

對(duì)原則2)中已增量加入原有模式的特征采取新增操作，該類模式說明其為隨狀態(tài)數(shù)據(jù)變化新出現(xiàn)的模式，需要為其賦予初始權(quán)值，計(jì)算方法如下，其中特征相似度恰好能夠表示其在當(dāng)前模型中的重要程度：

w0＝sim(p,q)norm

對(duì)于原則3)中舍棄的新增模式不予考慮，但原有模式中存在與所有新增特征相似度均小于閾值α的情況，這表明其沒有出現(xiàn)在新增模式中，該特征可能隨狀態(tài)數(shù)據(jù)變化逐漸失效，因此采用下式緩慢降低其權(quán)重。當(dāng)經(jīng)過多次增量學(xué)習(xí)迭代之后，對(duì)于一直未出現(xiàn)的特征其權(quán)重將會(huì)逐漸減小直至小于閾值α?xí)r，表明該特征已變?yōu)闊o效特征，需將其從現(xiàn)有模式中刪除。

wi+1＝wi-sim(p,q)norm

其中，第i+1次未在新增模式中出現(xiàn)的特征p的權(quán)重為第i次未出現(xiàn)時(shí)權(quán)重與其相似度做差，特征p初次未出現(xiàn)時(shí)i＝0，w0為初始權(quán)值，同樣設(shè)置為原有特征模式中兩兩特征之間的最大相似度maxsim(p,q)。

(5)將有標(biāo)簽故障數(shù)據(jù)和經(jīng)過動(dòng)態(tài)深度學(xué)習(xí)訓(xùn)練加權(quán)的無標(biāo)簽故障數(shù)據(jù)作為輸入向量訓(xùn)練svm分類器進(jìn)行故障分類；

(6)使用bp算法對(duì)整個(gè)模型中的相關(guān)參數(shù)進(jìn)行全局微調(diào)，得到使模型預(yù)訓(xùn)練階段和增量學(xué)習(xí)階段的損失函數(shù)值都達(dá)到最小的最優(yōu)參數(shù)。

(7)基于上述增量補(bǔ)償動(dòng)態(tài)深度學(xué)習(xí)故障診斷模型，將軸承故障振動(dòng)信號(hào)經(jīng)小波包分解得到的故障參數(shù)特征向量作為輸入，能夠在存在增量數(shù)據(jù)的情況下提取新增故障特征并輸出故障模式類型，從而實(shí)現(xiàn)軸承設(shè)備狀態(tài)特征實(shí)時(shí)提取和故障模式可靠分類。

基于增量補(bǔ)償動(dòng)態(tài)自適應(yīng)增強(qiáng)的故障診斷方法的試驗(yàn)驗(yàn)證：

1、數(shù)據(jù)描述

實(shí)驗(yàn)數(shù)據(jù)為電氣工程實(shí)驗(yàn)室的軸承故障數(shù)據(jù)，共計(jì)1,341,856個(gè)數(shù)據(jù)點(diǎn)，軸承型號(hào)為6205-2rsjemskf深溝球軸承。使用電火花加工技術(shù)分別在軸承上對(duì)內(nèi)圈、外圈和滾動(dòng)體布置了3個(gè)故障等級(jí)的單點(diǎn)故障，故障直徑分別為0.007、0.014、0.021英寸。選擇電機(jī)驅(qū)動(dòng)端振動(dòng)傳感器采集的正常狀態(tài)(n)、內(nèi)圈故障(irf)、外圈故障(orf)和滾動(dòng)體故障(bf)等10種狀態(tài)下的振動(dòng)信號(hào)，采樣頻率為12khz，并對(duì)原始振動(dòng)信號(hào)使用小波包分解各頻段的能量值，提取合適的參數(shù)特征以區(qū)分不同類別。對(duì)于每一類，隨機(jī)抽樣選取40個(gè)樣例作為訓(xùn)練樣本，10個(gè)樣例作為測(cè)試樣本，其中每個(gè)樣例包含2048個(gè)數(shù)據(jù)點(diǎn)。將訓(xùn)練樣本等量劃分為四組，其中一組用于訓(xùn)練深度學(xué)習(xí)模型，剩余三組分三次添加至已有模型進(jìn)行增量學(xué)習(xí)。具體故障數(shù)據(jù)樣本描述如表1所示。仿真實(shí)驗(yàn)在windows764位系統(tǒng)intel-i5cpu計(jì)算機(jī)r3.2.5平臺(tái)下完成。

表1軸承故障數(shù)據(jù)描述

2、模型結(jié)構(gòu)

1)確定隱藏層數(shù)目

設(shè)置其他模型參數(shù)相同，選取10類狀態(tài)各40組樣本，針對(duì)隱藏層數(shù)目從1-10層增加測(cè)試模型重構(gòu)誤差，實(shí)驗(yàn)結(jié)果如表2所示，當(dāng)隱藏層數(shù)由1層逐漸增加時(shí)，重構(gòu)誤差逐漸減小，直到隱藏層數(shù)增加至4層時(shí)，重構(gòu)誤差出現(xiàn)波動(dòng)增長(zhǎng)的現(xiàn)象，但變化幅度較小，考慮到模型計(jì)算代價(jià)會(huì)隨隱藏層數(shù)增加而急劇上升，因此選取隱藏層數(shù)目為4層。

表2隱藏層數(shù)對(duì)模型重構(gòu)誤差的影響

2)確定隱層節(jié)點(diǎn)數(shù)目

設(shè)置其他模型參數(shù)相同，隱藏層數(shù)目為4層，同樣選取10類狀態(tài)各40組樣本。為了簡(jiǎn)化并使模型符合特征提取的特點(diǎn)，設(shè)置4層節(jié)點(diǎn)個(gè)數(shù)按通過實(shí)驗(yàn)獲得的比例4:3:3:3增加，圖5顯示了隨第一個(gè)隱層的節(jié)點(diǎn)數(shù)增加模型重構(gòu)誤差的變化，其余各隱層節(jié)點(diǎn)數(shù)可用其推算，由圖5可以看出，初始階段模型重構(gòu)誤差隨隱層節(jié)點(diǎn)數(shù)的增加而下降，但當(dāng)隱層節(jié)點(diǎn)數(shù)超過80之后，模型重構(gòu)誤差呈明顯上升趨勢(shì)，因此選取隱層節(jié)點(diǎn)數(shù)目分別為80、60、60、60。

3)確定噪聲比重

模型中dae部分所加入的噪聲比重過多可能會(huì)導(dǎo)致模型損失部分有用信息，圖6顯示了模型重構(gòu)誤差隨噪聲比重增加所產(chǎn)生的變化曲線，從圖中可以看出，當(dāng)加入5％-20％噪聲時(shí)，模型重構(gòu)誤差有明顯的下降趨勢(shì)。而隨著加入噪聲比重逐漸增大，模型重構(gòu)誤差上升，當(dāng)加入的噪聲超過35％時(shí)，模型重構(gòu)誤差增加十分明顯，達(dá)到0.06985。因此加入20％噪聲。

3、結(jié)果分析

將10種不同故障狀態(tài)下的總共400個(gè)訓(xùn)練樣本劃分為四組，分別使用本發(fā)明提出的基于增量補(bǔ)償動(dòng)態(tài)自適應(yīng)增強(qiáng)的故障診斷方法同bp算法、svm、ae、dae方法進(jìn)行增量學(xué)習(xí)對(duì)比，并使用測(cè)試樣本測(cè)試模型診斷效果，記錄10次試驗(yàn)的準(zhǔn)確率和運(yùn)行時(shí)間并求取平均值，對(duì)比結(jié)果如表3所示。

表3故障診斷結(jié)果比較

由表3可得，本發(fā)明所提基于增量補(bǔ)償動(dòng)態(tài)自適應(yīng)增強(qiáng)的故障診斷方法在模型準(zhǔn)確率和運(yùn)行時(shí)間方面基本優(yōu)于其他四種算法，從模型診斷準(zhǔn)確率方面來看，在訓(xùn)練階段達(dá)到96.85％，在測(cè)試階段達(dá)到90.42％，可見提出的基于增量補(bǔ)償動(dòng)態(tài)自適應(yīng)增強(qiáng)的故障診斷方法由于對(duì)增量特征模式進(jìn)行了動(dòng)態(tài)補(bǔ)償加權(quán)，考慮了特征模式隨時(shí)間變化的重要性改變程度，因此使得模型故障診斷精度有了一定程度的提高。從模型運(yùn)行時(shí)間方面來看，除訓(xùn)練時(shí)間由于包含構(gòu)造深度模型所需的時(shí)間開銷因此多于svm算法外，提出的基于增量補(bǔ)償動(dòng)態(tài)自適應(yīng)增強(qiáng)的故障診斷方法在訓(xùn)練時(shí)間和測(cè)試時(shí)間上均優(yōu)于其他算法，因此表明動(dòng)態(tài)補(bǔ)償增量學(xué)習(xí)對(duì)于減輕模型計(jì)算量節(jié)約時(shí)間成本起到了一定作用。圖7所示為所提具有動(dòng)態(tài)補(bǔ)償增量學(xué)習(xí)過程的dae算法同無增量學(xué)習(xí)過程的dae算法的訓(xùn)練精度和訓(xùn)練時(shí)間的對(duì)比圖，可見所提方法的高效性。

針對(duì)每一次添加增量數(shù)據(jù)時(shí)的訓(xùn)練情況進(jìn)行分析，圖8所示為將400個(gè)訓(xùn)練樣本分四組依次加入訓(xùn)練模型時(shí)每一次訓(xùn)練精度和訓(xùn)練時(shí)間的曲線圖，同樣使用bp算法、svm算法和無增量學(xué)習(xí)的ae算法、dae算法與本專利提出的基于增量補(bǔ)償動(dòng)態(tài)自適應(yīng)增強(qiáng)的故障診斷方法進(jìn)行對(duì)比，圖8(a)顯示本專利所提基于增量補(bǔ)償動(dòng)態(tài)自適應(yīng)增強(qiáng)的故障診斷方法的訓(xùn)練精度雖然在初始階段與其他四種算法相差并不明顯，但隨著增量數(shù)據(jù)的逐步加入，其相對(duì)于四種無增量學(xué)習(xí)的算法優(yōu)勢(shì)越來越明顯。圖8(b)顯示所提基于增量補(bǔ)償動(dòng)態(tài)自適應(yīng)增強(qiáng)的故障診斷方法在初始訓(xùn)練時(shí)所需時(shí)間大于svm算法，并基本與ae算法和dae算法持平，這是由于深層網(wǎng)絡(luò)結(jié)構(gòu)的訓(xùn)練較淺層模型來說更為復(fù)雜，但在增量數(shù)據(jù)加入階段可以明顯看到，所提基于增量補(bǔ)償動(dòng)態(tài)自適應(yīng)增強(qiáng)的故障診斷方法所需的訓(xùn)練時(shí)間少于除svm以外的其他三種算法，而svm算法雖然進(jìn)行增量學(xué)習(xí)所需的運(yùn)行時(shí)間很少，但訓(xùn)練精度卻隨增量數(shù)據(jù)的加入大幅下降。

由此可見，本發(fā)明所提基于增量補(bǔ)償動(dòng)態(tài)自適應(yīng)增強(qiáng)的故障診斷方法與無增量學(xué)習(xí)過程的方法相比在模型精度和運(yùn)行時(shí)間方面均具有優(yōu)勢(shì)。所提故障診斷模型通過動(dòng)態(tài)補(bǔ)償增量學(xué)習(xí)對(duì)新增特征模式進(jìn)行增量合并和動(dòng)態(tài)加權(quán)，既能利用已有知識(shí)模式有效減少故障特征模式學(xué)習(xí)時(shí)間，又能利用新增特征加權(quán)顯著提高故障診斷精度，兼顧新增模式與失效模式，滿足軸承故障診斷實(shí)時(shí)變化的需求。

4、結(jié)論

為解決設(shè)備運(yùn)行過程中不同時(shí)間點(diǎn)的狀態(tài)數(shù)據(jù)所包含的特征模式重要性不同的問題，本發(fā)明提出基于增量補(bǔ)償動(dòng)態(tài)自適應(yīng)增強(qiáng)的故障診斷方法，采用動(dòng)態(tài)補(bǔ)償增量學(xué)習(xí)策略，提出模式相似度算法、增量主動(dòng)融合算法、權(quán)重補(bǔ)償算法，從新增狀態(tài)數(shù)據(jù)深度學(xué)習(xí)提取新增模式增量合并至原有故障模式，并依據(jù)模式在隨時(shí)間變化過程中的重要性改變程度賦予其動(dòng)態(tài)補(bǔ)償權(quán)重，使得加權(quán)特征模式能夠在獲得更加準(zhǔn)確的故障診斷精度的同時(shí)，節(jié)約時(shí)間成本，從而實(shí)現(xiàn)原有故障模式和新增故障模式在深度學(xué)習(xí)中的動(dòng)態(tài)調(diào)整。通過試驗(yàn)分析，驗(yàn)證了提出的基于增量補(bǔ)償動(dòng)態(tài)自適應(yīng)增強(qiáng)的故障診斷方法的有效性，使軸承故障診斷效率達(dá)到96.85％，相比其他淺層和無增量深度學(xué)習(xí)方法平均提高了5.43％，能夠?qū)崿F(xiàn)軸承設(shè)備狀態(tài)特征實(shí)時(shí)提取和故障模式可靠分類。主要優(yōu)勢(shì)如下：

(1)提出增量驅(qū)動(dòng)補(bǔ)償模型，尤其是對(duì)模式相似度算法、增量主動(dòng)融合算法等問題進(jìn)行探索，使其形成的特征提取既有利于提高故障模式分類準(zhǔn)確度，又有利于提高分類的可解釋性。

(2)基于權(quán)重動(dòng)態(tài)補(bǔ)償算法，構(gòu)建特征自適應(yīng)增強(qiáng)模型，通過判斷增量故障信息是否為有效模式驅(qū)動(dòng)最優(yōu)策略進(jìn)行獎(jiǎng)懲，以完成模型特征自適應(yīng)增強(qiáng)的過程；

(3)提出了考慮新增數(shù)據(jù)的設(shè)備故障診斷知識(shí)挖掘新方法，以期進(jìn)一步提高設(shè)備故障診斷準(zhǔn)確率和模型可解釋性，同時(shí)對(duì)推動(dòng)裝備運(yùn)行大數(shù)據(jù)的挖掘和應(yīng)用有促進(jìn)作用。