基于零试学习和潜在空间编码的旋转机械故障诊断方法

1.本发明涉及旋转机械故障诊断技术领域，尤其是基于零试学习和潜在空间编码的旋转机械故障诊断方法。


背景技术：

2.进入21世纪以来，机械设备的使用促进了国民经济的发展，而且为生产生活带来极大便利。目前，机械设备朝着智能化、精密化发展，然而由于零部件之间的相关性，一个微小的故障可能引起严重的后果，造成巨大的人力物力的损失。
3.在实际环境中，机械故障诊断又面临巨大的挑战。由于机械设备在高温、高压等恶劣环境下工作，机械负载会发生变化，而且数据类型丰富，但单一数据类型少，增加了检测故障的难度。同时，由于设备监测周期长、监测点多，会得到海量数据，但海量数据中寻找有用的数据又为机械故障诊断增加了难度。另外，由于系统中各部件间的关联性，一个微小故障可能引起连锁反应，导致整个设备瘫痪甚至导致人员伤亡，因此，及时、准确地诊断设备潜在故障已成为学术界和工业界的一个重要课题。
4.针对故障数据稀缺问题，研究者曾在实验室里模拟故障样本，但模拟故障样本难以与真实数据相比较。面对实际问题，学者们旨在希望通过极少样本的训练实现故障诊断。为了解决实际问题，我们通过使用极少样本学习的方式，建立一个检测未知故障类型的模型结构，实现机械设备对未知样本的检测。因此，本发明主要针对样本较少的情况，实现对未知故障的诊断研究。


技术实现要素：

5.本发明需要解决的技术问题是提供基于零试学习和潜在空间编码的旋转机械故障诊断方法，在较少样本的条件下实现对旋转机械的智能故障诊断，并检测机械运行状况。
6.为解决上述技术问题，本发明所采用的技术方案是：基于零试学习和潜在空间编码的旋转机械故障诊断方法，包括如下步骤：
7.s1、采集旋转机械信号：获取实验需要的正常数据样本、自然损害的数据样本和人为故障的数据样本，将采集到的所有样本整合成一个完整的数据集，并将该数据集划分为训练集、验证集和测试集；
8.s2、数据预处理及特征提取：对训练集、验证集和测试集分别进行预处理，然后对预处理后的数据进行特征提取；
9.s3、建立基于零试学习的潜在空间编码模型，从训练集和验证集中提取的视觉特征均用表示，将视觉特征送入潜在空间编码模型中，由标注数据的惩罚函数来训练整个模型，找到潜在空间编码模型的最优解矩阵ui，最优解矩阵ui是使输入矩阵和恢复矩阵之间差异最小时的编码矩阵，如果找到最优解矩阵ui，则用测试集进行测试并保存相关参数，否则调整超参数，优化模型，直到找出最优解矩阵ui；
10.s4、训练完成后，将测试集中的数据送入训练好的潜在空间编码模型中，验证性能
效果，若检测效果好，则为最终结果，否则继续调整超参数继续训练，直到得到最优模型。
11.本发明技术方案的进一步改进在于：所述步骤s2中数据预处理过程中采用小波变换得到时频谱图，具体过程为：首先将单个数据样本剪切成长度为1024的序列，然后使用小波变换得到同一大小的时频谱图，最后对经过预处理的数据分类保存。
12.本发明技术方案的进一步改进在于：所述步骤s2中数据样本进行特征处理过程中采用alexnet网络进行特征提取，并将经过alexnet进行特征提取后的结果送入步骤s3中建立的潜在空间编码模型中训练。
13.本发明技术方案的进一步改进在于：所述步骤s3中在潜在空间编码的模型中经过特征提取的样本输入为xi∈x1(i＝1,2,......,n)，xi是指数据集中人为故障的数据样本中第i个数据样本的视觉特征矩阵，在编码过程中，编码器结构对输入向量xi进行映射，得到编码后的向量c，向量c表示为输入向量xi和编码矩阵的乘积，表示为在译码过程中，译码器结构对向量c进行映射，得到重构矩阵过程中，译码器结构对向量c进行映射，得到重构矩阵是对输入信号的近似，因此，向量c表示为译码矩阵vi和重构矩阵的乘积，表示为
14.本发明技术方案的进一步改进在于：所述步骤s3中寻找潜在空间编码模型的最优解矩阵ui过程中，惩罚函数满足以下公式：
[0015][0016]
其中，λ是平衡两项的参数，是重构矩阵和输入矩阵的重构误差，是由输入矩阵导出的码向量c和之间的误差，由于编码-解码框架是对称结构，因此编码矩阵和解码矩阵是对称的，有ui＝vi。
[0017]
本发明技术方案的进一步改进在于：所述步骤s3中潜在空间编码模型训练过程中，当得到最小化的误差函数时，计算得出ui的最优解矩阵为：
[0018][0019]
当将公式(1)中的ui替换为ui的最优解矩阵之后，公式(1)的惩罚函数表示为：
[0020][0021]
tr[
·
]表示矩阵的迹，公式(3)中是常数，求解l(xi,c,ui)的最小值，即求解的最大值，因此，得出以下公式：
[0022][0023]
s.t.cc
t
＝1，
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0024]
用c
t
代替c，公式(4)可以写作：
[0025]
l(xi,c)＝tr[c
t
δic]s.t.cc
t
＝1，
ꢀꢀꢀꢀꢀꢀꢀ
(5)
[0026]
其中，
[0027]
本发明技术方案的进一步改进在于：所述步骤s4中潜在空间编码模型训练完成后
进行测试，在测试样本过程中，类原型由训练中的可见类的类原型经过加权得到，每类的类原型用si表示，i＝1,
…
,n；因此，测试集中不可见的类原型由已知类的类原型的加权和构成表达式为：
[0028]au
＝αs1 .... γsn,α ... γ＝1，
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0029]
通过计算视觉特征与未知类原型之间的相似度，在这个过程中，将类原型编码到视觉空间中，在视觉空间中执行零试学习，有：
[0030][0031]
其中，l(x
t
)返回测试实例x
t
的标签，是第j个不可见类的类原型aj在视觉空间中的投影向量。
[0032]
由于采用了上述技术方案，本发明取得的技术进步是：
[0033]
1、本发明采用零试学习下的潜在空间编码的方法进行旋转机械的故障诊断，通过利用编码—解码模型的思路，构造基于零试学习下的潜在空间矩阵准确快速的进行未知数据的智能机械故障诊断；
[0034]
2、本发明提出了一种零试学习的新方法——潜在空间编码模型。零试学习：通过学习少量样本的先验知识，将不同条件下的数据样本联系起来，最终实现对测试类中未知故障的诊断。而潜在空间编码模型通过隐式学习的方式将不同模式联系起来，进行视觉和语义信息的交互，并共享潜在空间信息。最终通过学习不同样本特征之间的相关性，对测试样本进行诊断。该方法一个更重要的优势是，该模型的编码—解码结构是对称的，减少了参数的优化，而且通过使用训练集中已知类的视觉特征引导形成测试集未知类的视觉特征，提高模型泛化能力。本发明将零试学习和潜在空间编码结合进行故障诊断，集合了两者的优势，提高了故障诊断的性能；
[0035]
3、本发明采用零试学习下的潜在空间编码的方法对旋转机械进行故障诊断，在需要少量已知数据的情况下，对未知数据进行故障诊断，不仅减轻了深度学习方法对大量数据的依赖，实现了对未知故障的检测。最重要的是对已标注的数据进行了合理利用，可以对机械设备进行实时监测，防止潜在危险发生，并且预测准确率较高，减少了财力物力在该方面的损耗。
附图说明
[0036]
图1是本发明的总体框架路线图；
[0037]
图2是整个模型的技术路线图；
[0038]
图3是特征提取模块的网络结构。
具体实施方式
[0039]
下面结合实施例对本发明做进一步详细说明：
[0040]
如图1～图3所示，基于潜在空间编码的旋转机械故障诊断方法，包括如下步骤：
[0041]
s1、获取实验需要的正常数据样本、自然损害的数据样本和人为故障的数据样本，将采集到的所有样本整合成一个完整的数据集，并将该数据集划分为训练集、验证集和测试集。
[0042]
s2、对数据进行规范化处理，主要是使用小波变换得到时频谱图。在进行小波变换之前，首先需要确定单个样本的长度问题，经过实验对比，发现将数据截成1024的长度时，效果较好。因此预处理过程中，首先将数据样本剪切成长度为1024的序列。然后使用小波变换得到同一大小的时频谱图，最后对经过预处理的数据分类保存。对数据样本进行特征处理过程中，使用cnn经典模型alexnet网络进行特征提取，该网络结构共有8层，前面5层是卷积层，后面3层是全连接层，最后由全连接层的输出输入到基于零试学习下的潜在空间编码模型进行处理。前两个卷积层的结构为卷积—》relu—》maxpool—》bn，分别使用96个大小为11
×
11和256个大小为5
×
5的卷积核，卷积时移动步长分别为4和1，在网络进行最大池化操作时，池化运算的尺寸为3
×
3，步长为2。在第三个和第四个卷积块结构为卷积—》relu，均使用384个尺寸为3
×
3的卷积核，做了same padding,使得卷积后的图像大小不变。最后第五个卷积块的结构为卷积—》relu—》maxpool，其中256个尺寸为3
×
3的卷积核，做了same padding,使得卷积后的图像大小不变，最后的池化尺寸为3
×
3，步长为2。最后使用两层结构为全连接—》relu—》dropout和一层只有全连接的结构输出经过alexnet之后的结果送入潜在空间编码模型中训练。
[0043]
s3、在潜在空间编码的模型中经过特征提取的样本输入为xi∈x1(i＝1,2,......,n)，xi是指数据集中人为故障的数据样本中第i个数据样本的视觉特征矩阵，在编码过程中，编码器结构对输入向量xi进行映射，得到编码后的向量c，向量c可以表示为输入向量xi和编码矩阵的乘积，即在译码过程中，译码器结构对向量c进行映射，得到重构矩阵它是对输入信号的近似，因此，向量c可以表示为译码矩阵vi和重构矩阵的乘积，表示为寻找潜在空间编码模型的最优解矩阵ui过程中，惩罚函数满足以下公式：
[0044][0045]
其中，λ是平衡两项的参数，是重构矩阵和输入矩阵的重构误差，是由输入矩阵导出的码向量c和之间的误差。由于编码-解码框架是对称结构，因此编码矩阵和解码矩阵是对称的，可以使用相同的参数表示，有ui＝vi，这样做的目的主要是使输入矩阵的恢复性更高。ui是需要确定的参数。
[0046]
当得到最小化的误差函数时，计算得出ui的最优解矩阵为：
[0047][0048]
当将公式(1)中的ui替换为ui的最优解矩阵之后，公式(1)的惩罚函数表示为：
[0049][0050]
tr[
·
]表示矩阵的迹，公式(3)中是常数，求解l(xi,c,ui)的最小值，即求解的最大值，因此，得出以下公式：
[0051]
[0052]
s.t.cc
t
＝1，
ꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0053]
用c
t
代替c，公式(4)可以写作：
[0054]
l(xi,c)＝tr[c
t
δic]s.t.cc
t
＝1，
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0055]
其中，
[0056]
s4、潜在空间编码模型训练完成后进行测试，在测试样本过程中，由于测试样本是未知的，而类原型由训练中的可见类的类原型经过加权得到，每类的类原型用si表示，i＝1,
…
,n；因此，测试集中不可见的类原型由已知类的类原型的加权和构成表达式为：
[0057]au
＝αs1 .... γsn,α ... γ＝1，
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0058]
在测试阶段，利用学习的编码矩阵和解码矩阵对未知实例进行分类。通过计算视觉特征与未知类原型之间的相似度，在这个过程中，将类原型编码到视觉空间中，在视觉空间中执行零试学习，有：
[0059][0060]
其中，l(x
t
)返回测试实例x
t
的标签，是第j个不可见类的类原型aj在视觉空间中的投影向量。