一种自适应触发增量学习的工业物联网设备故障诊断系统

1.本发明涉及一种自适应触发增量学习的工业物联网设备故障诊断系统，属于设备故障诊断领域。


背景技术：

2.近年来，为了满足生产需求，机械设备通常工作在高负荷、高温、高作业率的复杂恶劣环境，机械设备可能发生一定程度的损坏，从而导致一系列不良后果，机械设备稳定、安全运行在工业生产行业中变得越来越重要，因此对机械设备进行故障诊断可以避免不必要的维护成本，降低发生灾难性事故的可能性。随着工业物联网技术的发展与广泛应用，工业领域通过密集的传感器网络积累了海量的设备运行数据，促使基于数据驱动的故障诊断系统成为主流系统。
3.传统数据驱动的故障诊断系统只有在静态数据场景中能够表现出优异的诊断精度与鲁棒性，因此此类系统通常将设备运行数据视为静态数据。然而在复杂工业生产环境中，设备在时变工况条件下产生的是动态的流数据，相较于静态数据，流数据具有规模庞大、动态多变的特点，而传统数据驱动的故障诊断系统缺乏增量学习、实时更新能力，因此难以适应工业流数据场景。


技术实现要素：

4.为解决现有的技术问题，本发明提供一种基于自适应触发增量学习的工业物联网设备故障诊断系统，能够解决目前故障诊断系统中存在的故障诊断模型无法进行增量更新、无法实时更新的问题，旨在有效地在工业流数据中诊断机械设备的故障，避免机械设备出现损坏宕机、系统恶性运转的情况，提高自动化生产的稳定性，保证整个工业系统的长久运行，推动工业制造的进一步发展。
5.本发明中主要采用的技术方案为：
6.一种基于自适应触发增量学习的工业物联网设备故障诊断系统，包括故障诊断模块、概念漂移检测模块和增量更新模块；其中，
7.所述故障诊断模块通过工业物联网传感器监测工业设备运行数据，使用故障诊断模型判断设备是否处于正常状态，如果处于故障状态，判断设备发生何种故障；
8.所述概念漂移检测模块通过时间窗口对设备运行数据进行划分，使用历史数据与当前数据检测数据中是否发生概念漂移现象，若检测到概念漂移，则启动增量更新模块对故障诊断模块进行增量更新；
9.所述增量更新模块使用传感器监测的新数据对故障诊断模块进行增量更新。
10.优选地，所述故障诊断模块采用一维卷积神经网络构建了故障诊断模型，构建基于一维卷积神经网络的故障诊断模型需要预先准备好一定数量设备健康状态与故障状态的运行监测数据，并为数据标注相应的标签，之后使用准备好的数据adam优化器训练故障诊断模型，模型训练完成后即可用于诊断设备故障。
11.所述概念漂移检测模块采用一种基于os-elm的概念漂移检测算法实现对数据的概念漂移检测，具体步骤如下：
12.s3-1：构建时间窗口，并使用时间窗口划分数据，将划分出的当前时间窗口与历史时间窗口中的数据输入算法中；
13.s3-2：使用历史时间窗口中的历史数据初始化在线极限学习机模型，并使用当前时间窗口中的当前数据更新os-elm；
14.s3-3：通过对比历史与当前数据训练得到的模型隐藏层参数之间差异来检测数据中是否发生概念漂移；
15.s3-4：如果检测到出现概念漂移，则启动故障诊断模型的增量更新过程。
16.优选地，所述基于os-elm的概念漂移检测算法，该算法负责对设备运行数据进行划分，并检测数据中是否发生概念漂移过程；该算法的具体计算流程如下：
17.s4-1：设置两个时间窗口tw
hd
与tw
cd
，其中tw
hd
代表历史时间窗口， tw
cd
代表当前时间窗口，时间窗口的长度为l
t
。设初始时tw
hd
中的历史数据定义为表示从时间t＝0开始间隔l
t
的时间长度，即[0,l
t
]时间内采集的数据。初始时tw
cd
中的当前数据定义为表示从时间 t＝l
t
开始间隔l
t
的时间长度，即[l
t
,2l
t
]时间内采集的数据。
[0018]
s4-2：如果未检测到概念漂移，历史时间窗口的右边界向前推移一个时间窗口长度，即时间区间为[0,2l
t
]，当前时间窗口tw
cd
整体向前移动一个时间窗口的长度，即时间区间为[2l
t
,3l
t
]，后续以此类推。如果检测到概念漂移，则更新历史时间窗口tw
hd
，将tw
hd
移动到tw
cd
的前一个时间窗口长度的时刻。
[0019]
s4-3：将历史时间窗口tw
hd
中的数据s1输入os-elm模型中，对于一个具有l个隐藏单元的单隐藏层os-elm，网络模型可以表示为：
[0020][0021]
其中，g(
·
)为激活函数，w＝[w1,
…
,w
l
]
t
和b＝[b1,
…
,b
l
]
t
分别为输入层到隐藏层之间的权重值和偏置值，βi为隐藏层到输出层的权重值。该式可以转化为存在βi，wi和bi，使得
[0022][0023]
上式可以以矩阵形式表示，即：
[0024]
hβ＝t
ꢀꢀꢀ
(4)；
[0025]
其中h为隐藏层输出值矩阵，β为隐藏层到输出层的权重值矩阵。
[0026]
使用s1数据训练os-elm模型可以获得在t0时刻的模型m(t0)，模型参数为β
t0
，该模型被称为基线模型，代表旧数据的数据分布。
[0027]
s4-4：将当前数据时间窗口tw
cd
中的数据s2输入os-elm模型中进行模型更新，因为os-elm只修改了模型输出权重β，所以可以获得t1＝t0 l
t
时刻的模型参数β
t1
，此时训练得出的模型称为m(t1)，代表新数据的数据分布。
[0028]
s4-5：通过计算模型参数β
t0
与β
t1
之间的欧几里得距离可以衡量使用不同时刻数据训练得到的模型参数之间的差异，以此反应流数据中是否发生概念漂移。模型参数差异
的计算公式为：
[0029][0030]
s4-6：设置一个检测阈值th，使得当模型更新前后差异值超过阈值，即d(m(t0),m(t1))》th时即可判断流数据中已发生概念漂移。
[0031]
优选地，所述增量更新模块采用基于遗忘约束的增量学习算法进行增量更新故障诊断模块，具体更新流程如下：
[0032]
s5-1：构建一个旧类别代表性样本数据集d
re
，该数据集为每个类别保存恒定数量的代表性样本；
[0033]
s5-2：保存n个时间窗口的数据sn用于增量更新，该新样本需要携带标签；
[0034]
s5-3：将旧类别代表性样本数据集d
re
中每个旧类别的有标签样本与流数据中新达到的样本一同输入模型中进行增量更新。
[0035]
优选地，所述基于遗忘约束的增量学习算法负责从新输入的设备监测数据中学习知识，对现有的故障诊断模块进行增量更新，以保证故障诊断模块可以适应新的数据，该算法具体为修改故障模型的损失函数；其中，一维卷积神经网络的故障诊断模型原有的损失函数为分类损失函数lc(x)，具体公式如下：
[0036][0037]
其中|c|为故障类别的数量，yi为样本的标签值，pi为通过softmax函数获得的相应类别的概率；
[0038]
在模型原有的损失函数的基础上，添加基于遗忘约束的增量学习损失函数lg(x)，该损失函数的公式为：
[0039][0040]
其中，和分别是原始模型和当前模型提取的归一化特征， lg(x)鼓励当前模型提取的特征与原始模型提取的特征尽可能相似，最终故障诊断模型的损失函数为交叉熵损失函数lc(x)与基于遗忘约束的增量学习损失函数lg(x)的加权和，具体公式为：
[0041]
l(x)＝λld(x) (1-λ)lc(x)
ꢀꢀꢀ
(8)；
[0042]
其中，lg(x)的权重λ设置为动态权重，公式为：
[0043][0044]
其中，|cn|和|co|是每个阶段中新、旧类别样本的数量，λ
base
是每个数据集的固定常数。通常，当新类别数与旧类别数之比增加时，λ会增加，反之则减少。
附图说明
[0045]
图1是本发明的系统组成模块图；
[0046]
图2是本发明的系统架构图。
具体实施方式
[0047]
为了使本技术领域的人员更好地理解本技术中的技术方案，下面对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本技术保护的范围。
[0048]
实验例1：
[0049]
本实施例采用凯斯西储大学公开的轴承数据集与pt700轴承实验平台采集的轴承振动数据，数据集中振动信号采样频率为12khz，负载设置为0 至3hp，轴承健康状态分为正常、内圈故障、外圈故障、滚动故障四种状态。
[0050]
故障诊断模块的流程为：
[0051]
(1)首先选取数据集中每种轴承状态的一部分数据加入旧类别代表性样本集，并使用旧类别样本对故障诊断模型进行初始化；
[0052]
(2)将传感器监测到的工业物联网设备运行数据输入故障诊断模型，进行故障诊断，给出诊断结果；
[0053]
(3)随时间推移，因为设备老化、工作负载变化或者噪声干扰等原因，导致设备监测数据发生概念漂移，需要对故障诊断模型进行增量更新，保证故障诊断模型能够适应数据变化；
[0054]
(4)更新完成的故障诊断模型继续用于故障诊断，直到下次更新。
[0055]
概念漂移检测模块对不断输入的工业物联网设备运行数据进行检测是否发生概念漂移，以触发增量更新过程。概念漂移检测模块的流程如下：
[0056]
(1)构建时间窗口，使用当前时间窗口与历史时间窗口划分数据，将数据输入算法中；
[0057]
(2)使用历史时间窗口中的历史数据初始化在线极限学习机模型，并使用当前时间窗口中的当前数据更新os-elm；
[0058]
(3)通过计算历史与当前数据训练得到的模型隐藏层参数之间欧几里得距离，并对比检测阈值来检测数据中是否发生概念漂移；
[0059]
(4)如果检测到出现概念漂移，则启动故障诊断模型的增量更新过程。
[0060]
增量更新模块收到出现概念漂移的信号之后，开始对故障诊断模块进行增量更新，具体步骤为：
[0061]
(1)保存n个时间窗口的新输入数据sn用于增量更新，判断新样本是否满足更新条件；更新条件为样本的数量是否达到可以更新的数量num、每个类别的数据数量是否相等或者相近，n和num均为预设参数；
[0062]
(2)如果满足以上更新条件，将旧类别代表性样本数据集d
re
中每个旧类别的有标签样本与流数据中新达到的样本一同输入基于遗忘约束的增量学习算法中进行增量更新故障诊断模型；
[0063]
(3)如果不满足更新条件，则进入等待阶段，等待n
extend
个时间窗口以等待满足更新条件。如果一直等待到n
extend
个时间窗口结束，还是不满足更新条件，则直接进入更新，n
extend
为预设参数；
[0064]
(4)在增量更新完故障诊断模块与旧类别代表性样本数据集d
re
之后，增量更新模
块进入等待阶段，等待下一轮的增量更新。
[0065]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。