基于DTW和小样本学习的故障诊断方法及系统与流程

基于dtw和小样本学习的故障诊断方法及系统
技术领域
1.本发明属于智能故障诊断技术领域，具体涉及缺少充足训练样本的情况下对少量数据进行有效且精准的智能故障诊断技术。


背景技术：

2.近年来，基于深度学习的智能故障诊断技术由于避免了依赖耗时且不可靠的人工分析，提高了故障诊断的效率。然而，这些技术方案需要大量的训练样本，但在实际生产环境中，不同工况下，同一故障的信号也会有很大的区别。这使得故障诊断面临一个极大的挑战：对于各种故障，难以获得充足的样本去训练一个鲁棒性强的分类器。
3.同时对于工程实践来说，获取足够训练样本也意味着较高的时间和技术成本。
4.因此在缺少充足训练样本的情况下，如何获得高效率和高精准度的故障诊断成为目前亟需解决的技术问题。


技术实现要素：

5.本发明要解决的技术问题是：解决缺少充足训练样本的情况下，无法对少量数据进行有效且精准的智能故障诊断的缺陷，提供一种基于dtw和小样本学习的故障诊断方法及系统，可以在缺少充足训练样本的情况下进行高效且高精准度的故障诊断。
6.进一步的，本发明该方法不仅能够衡量给定两个序列的相似程度，且还能对两个序列的延展或压缩有一定的适应性，同时也不要求两序列长度相同。可以充分利用相同或不同类样本对，从只有单个或少量样本中识别出待测样本，从而提高故障诊断的性能。
7.进一步的，不仅可以对预警时的状态参数波形进行诊断，同时也可对该预警的真实性进行判断。
8.进一步的，本发明随着后续机理模型的诊断和人工诊断结果的反馈，历史数据库可以被不断地扩充从而提高精准度和效率，也具有扩展适应性。
9.通过对比实时数据和不同故障类型数据之间的差异，获得高效率和高精准度的故障诊断模型。
10.为解决上述技术问题，本发明采用如下技术方案：
11.一种基于dtw和小样本学习的故障诊断方法，其特征在于包括如下步骤：
12.s1：获取设备正常运转下的状态参数，以及故障情况下的状态参数，构建历史数据库；所述状态参数为振动信号时域波形或频域波形或反应设备运行状态的工艺参数的特征值变化波形；
13.s2：当发生阈值预警时，获取相应报警时间的实时状态参数波形；
14.s3：将该实时波形与历史数据库中的每个波形进行对比，计算实时波形和历史数据库每个波形的相似性距离并打类别标注标签；
15.s4：对计算出的每个相似性距离进行排序，设定阈值k，k为正整数，并将前k个最小的距离中占比最高的类别作为实时状态参数波形的诊断结果。
16.对于实时信号的诊断结果也有可能是其他故障类型或正常类。当实时信号的诊断结果为正常类时，则说明该条报警为误报警，应予以取消报警。
17.上述技术方案中，步骤s1在历史数据库中为所述状态参数设置相应的标注标签，以区别不同状态参数的类型。
18.上述技术方案中，步骤s1故障情况下的状态参数根据故障的种类分别设置多种。
19.上述技术方案中，步骤s1故障情况下的状态参数至少包括不平衡、不对中、松动三种情况。
20.上述技术方案中，步骤s2中，若历史数据库中的状态参数为时域波形，则实时状态参数为预警时间段内的时域波形；若历史数据库中的状态参数为频域波形，则对实时状态参数为预警时间段内的时域波形进行傅里叶变换等操作以获取频域波形；若历史数据库中的状态参数为特征值变化波形，则实时状态参数为预警时间段内的特征值变化数据。
21.上述技术方案中，步骤s3相似性距离的度量方式为dtw算法，具体步骤如下：
22.3.1：将实时状态参数波形和历史数据库中的每个波形同时输入到dtw算法；
23.3.2：通过dtw算法获得两个波形序列的相似性距离；
24.3.3：对每个相似性距离添加历史数据库中相应波形的标注标签。
25.上述技术方案中，步骤s4对相似性距离进行排序并根据设定阈值获取诊断结果的具体步骤如下：
26.4.1：对每个相似性距离按照值的大小进行升序排序，并选出前k个最小的相似性距离；
27.4.2：取出前k个最小相似性距离相应的标注标签，并统计每种标签的个数；
28.4.3：将量最多的标注标签作为实时信号的最终诊断结果。
29.一种基于dtw和小样本学习的故障诊断系统，其特征在于包括：
30.历史数据库，包括设备正常运转下的状态参数，以及故障情况下的状态参数；所述状态参数为振动信号时域波形或频域波形或反应设备运行状态的工艺参数的特征值变化波形；
31.实时状态参数获取单元，用于当发生阈值预警时，获取相应报警时间的实时状态参数波形；
32.相似性距离计算与标注单元，用于将实时状态参数获取单元获取的实时波形与历史数据库中的每个波形进行对比，计算实时波形和历史数据库每个波形的相似性距离并打类别标注标签；
33.相似性距离排序比较单元，用于对计算出的每个相似性距离进行排序，设定阈值k，k为正整数，并将前k个最小的距离中占比最高的类别作为实时状态参数波形的诊断结果。
34.上述技术方案中，相似性距离计算与标注单元采用dtw算法计算相似性距离并进行标签标注，dtw算法的输入为实时状态参数波形和历史数据库中的每个波形，输出为两个波形序列的相似性距离，对每个相似性距离添加历史数据库中相应波形的标注标签。
35.上述技术方案中，相似性距离排序比较单元中，对每个相似性距离按照值的大小进行升序排序，并选出前k个最小的相似性距离；统计前k个最小相似性距离相应的标注标签的个数，将量最多的标注标签作为实时信号的最终诊断结果。
36.上述技术方案中，相似性距离排序比较单元中，对每个相似性距离圆点添加相应的形状或红黄蓝等不同的颜色标记标注标签。
37.本发明中，历史数据库中的状态参数需要有相应的标注标签，以区别不同状态参数的类型(如正常，不平衡、不对中等故障类型)。历史数据库先根据历史记录中的数据进行初始化。随着后续机理模型的诊断和人工诊断结果的反馈，历史数据库可以被不断地扩充。
38.综上，本发明通过小样本学习方法对实时数据和历史数据进行采用动态时间规整算法以计算相似性距离，并根据相似性距离结果对真实数据进行诊断，可以在缺少训练样本的情况下进行高效且高精准度的故障诊断。
39.相对于现有技术来说，本发明有益效果如下：
40.1、对于距离的度量采用了动态时间规整算法，该方法不仅能够衡量给定两个序列的相似程度，且还能对两个序列的延展或压缩有一定的适应性，同时也不要求两序列长度相同。
41.2、本发明基于小样本学习思想，以适应实际情况下缺少足量训练样本的需要。该方法可以充分利用相同或不同类样本对，从只有单个或少量样本中识别出待测样本，从而提高故障诊断的性能。
42.3、本发明采用小样本学习方法，通过与历史数据库中不同类波形进行对比，不仅可以对预警时的状态参数波形进行诊断，同时也可对该预警的真实性进行判断：即当诊断结果为正常波形时，说明该报警为误报警，应该进行过滤。
附图说明
43.下面将结合附图及实施例对本发明作进一步说明，附图中：
44.图1是本发明故障诊断方法的流程图。
45.图2是本发明的诊断效果图。
具体实施方式
46.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
47.实施例1：
48.根据如图1所示的一种基于dtw和小样本学习的故障诊断方法，包括如下步骤：
49.s1：获取设备正常运转下的状态参数，以及不平衡、不对中等其他故障情况下的状态参数，构建历史数据库。
50.其中，状态参数可以是振动信号时域波形或频域波形(如加速度时域信号、加速度频域信号等)，也可为反应设备运行状态的工艺参数的特征值变化波形(如一段时间内的速度有效值、冲击平均值等)。
51.历史数据库中的状态参数需要有相应的标注标签，以区别不同状态参数的类型(如正常，不平衡、不对中等故障类型)。历史数据库先根据历史记录中的数据进行初始化。随着后续机理模型的诊断和人工诊断结果的反馈，历史数据库可以被不断地扩充。
52.s2：当发生阈值预警时，获取相应报警时间的实时状态参数波形，以用来进行诊
断。
53.若历史数据库中的状态参数为时域波形，则实时状态参数为预警时间段内的时域波形；若历史数据库中的状态参数为频域波形，则对实时状态参数为预警时间段内的时域波形进行傅里叶变换等操作以获取频域波形；若历史数据库中的状态参数为特征值变化波形，则实时状态参数为预警时间段内的特征值变化数据。
54.s3：将该实时波形与历史数据库中的每个波形进行对比，计算实时波形和历史数据库每个波形的相似性距离并打标签。
55.优选本发明相似性距离的度量方式为动态时间规整(dtw)算法，具体步骤如下：
56.3.1：将实时波形和历史数据库中的每个波形同时输入到dtw算法；
57.3.2：通过dtw算法获得两个序列的相似性距离；
58.3.3：对每个相似性距离添加历史数据库中相应波形的标注标签。
59.s4：对计算出的每个相似性距离进行排序，设定阈值k(k为正整数)并将前k个最小的距离中占比最高的类别作为实时状态参数波形的诊断结果。
60.对相似性距离进行排序并根据设定阈值获取诊断结果的具体步骤如下：
61.4.1：对每个相似性距离按照值的大小进行升序排序(从小到大排序)，并选出前k个最小的相似性距离；
62.4.2：取出前k个最小相似性距离相应的标注标签，并统计每种标签的个数；
63.4.3：将量最多的标注标签作为实时信号的最终诊断结果。
64.实施例2：
65.为使本发明的目的、技术方案和优点更加清楚明白，下文中将对本发明的具体实施例进行详细说明。
66.基于dtw和小样本学习的故障诊断方法，主要包含以下步骤：
67.s1：获取设备正常运转下的状态参数，以及不平衡、不对中等其他故障情况下的状态参数，构建历史数据库，历史数据库中包含7条不平衡数据，7条不对中数据，12条松动数据和7条正常数据。
68.s2：发生阈值预警时，获取相应报警时间的实时状态参数波形，以用来进行诊断。
69.s3：将该实时波形与历史数据库中的每个波形(共33个)进行对比，计算实时波形和历史数据库中每个波形的相似性距离。其距离的度量方式为动态时间规整(dtw)算法，因此可获得共33个相似性距离，且每个距离都包含有相应的标注标签(如不平衡、不对中、松动或正常)。
70.s4：对计算出的每个相似性距离进行排序，设定阈值k(k为正整数)并将前k个最小的距离中占比最高的类别作为实时状态参数波形的诊断结果。五角星代表实时波形，圆点的相对位置分别代表实时波形和历史数据库中每个波形的相似性距离。
71.对每个相似性距离按照值的大小进行升序排序：圆点距离五角星更近的，其相似性程度越高；距离五角星更远的，其相似性程度越低。
72.对每个相似性距离圆点添加相应的标注标签(形状或红黄蓝等不同的颜色标记)：得到如图2所示的诊断效果图。
73.这种标注标签在本实施例中采用了四个分类标签，根据诊断故障的不同细分，标签也可以为2个或5-9个。均根据实际建立的历史数据库中的故障种类来对应设置。这种对
应并不是要求历史数据库中要有足够的训练数据，而是可以在缺少充足训练样本的情况下，通过对比实时数据和不同故障类型数据之间的差异，获得高效率和高精准度的故障诊断模型。则实际诊断结果就越精确。
74.随着后续机理模型的诊断和人工诊断结果的反馈，历史数据库可以被不断地扩充从而提高精准度和效率，也具有扩展适应性。
75.图2中我们选用了形状标记作为标注标签，每个相似性距离圆圈都由不同的形状标记或颜色标记以区分不同的标签。其中“三角形”标记代表不平衡故障，“十字”代表不对中故障，“五边形”代表松动故障，“圆点”代表正常数据。
76.取出前k个最小相似性距离相应的标注标签，并统计每种标签的个数：如当k＝5时，前5个最小相似性距离为图中黑色圆圈所框住的5个点，且在这5个点中有3个为松动故障(“五边形”)，1个为不平衡故障(“三角形”)，1个为正常数据(“圆点”)。其中数量最多的标注标签即为松动故障(“五边形”)，因此实时信号的最终诊断结果为松动。
77.对于实时信号的诊断结果也有可能是其他故障类型或正常类。当实时信号的诊断结果为正常类时，则说明该条报警为误报警，应予以取消报警。
78.应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。