面向传感器数据异常的旋转机械智能故障诊断方法及系统
摘要文本
本发明公开一种面向传感器数据异常的旋转机械智能故障诊断方法及系统，涉及机械故障诊断技术领域。首先，本发明引入绝对最近邻方法来验证训练数据集中的非故障异常样本并筛除这类样本数据，进而能够有效降低非故障异常数据对故障诊断的影响；其次，本发明构建了一种预测生成对抗网络，以在数据缺失情况下对数据进行补全；与此同时将L2范数正则化集成到预测生成对抗网络的损失函数中，提高模型的鲁棒性。基于此，该方法能够有效解决传感器数据缺失和异常情况下的旋转机械状态监测和故障诊断。
申请人信息
- 申请人:北京理工大学; 北京理工大学唐山研究院
- 申请人地址:100081 北京市海淀区中关村南大街5号
- 发明人: 北京理工大学; 北京理工大学唐山研究院
专利详细信息
| 项目 | 内容 |
|---|---|
| 专利名称 | 面向传感器数据异常的旋转机械智能故障诊断方法及系统 |
| 专利类型 | 发明授权 |
| 申请号 | CN202311703611.8 |
| 申请日 | 2023/12/13 |
| 公告号 | CN117407784B |
| 公开日 | 2024/3/12 |
| IPC主分类号 | G06F18/2413 |
| 权利人 | 北京理工大学; 北京理工大学唐山研究院 |
| 发明人 | 孔运; 林翠颖; 黄国昱; 韩特; 董明明 |
| 地址 | 北京市海淀区中关村南大街5号; 河北省唐山市路北区建设南路57号 |
专利主权项内容
1.一种面向传感器数据异常的旋转机械智能故障诊断方法，其特征在于，包括：获取不同故障状态下的训练数据集；所述训练数据集包括旋转机械在不同故障状态下的振动数据；采用绝对最近邻方法对所述训练数据集进行数据验证，并基于数据验证结果筛除所述训练数据集中的非故障异常样本，得到筛选数据集；构建预测生成对抗网络，采用筛选数据集对所述预测生成对抗网络进行训练得到训练后的预测生成对抗网络；所述预测生成对抗网络为包括范数正则化损失函数的生成对抗网络；训练后的预测生成对抗网络以振动数据为输入，以估算样本为输出；获取预测数据集；所述预测数据集包括训练预测生成对抗网络过程中得到的不同故障状态下的估算样本；构建故障分类器，并采用所述预测数据集训练所述故障分类器，得到训练好的故障分类器；获取待诊断旋转机械的振动数据，并将待诊断旋转机械的振动数据输入至训练好的预测生成对抗网络中，得到估算样本数据；将所述估算样本数据输入至训练好的故障分类器，得到故障诊断结果；其中，构建预测生成对抗网络，采用筛选数据集对所述预测生成对抗网络进行训练得到训练后的预测生成对抗网络，具体包括：构建第一生成器，并将输入参数输入至所述第一生成器得到生成样本；所述输入参数包括随机噪声、时间窗口和类向量；构建鉴别器，并将所述生成样本和所述筛选数据集输入至所述鉴别器得到鉴别结果；确定第一生成器的损失函数和鉴别器的损失函数，并基于所述第一生成器的损失函数和所述鉴别器的损失函数确定预测生成对抗网络的损失函数；引入范数正则化，基于预测生成对抗网络的损失函数构建训练目标；将所述第一生成器的参数和所述鉴别器的参数作为预测生成对抗网络的初始参数；基于所述训练目标对预测生成对抗网络的初始参数进行优化，直至预测生成对抗网络达到纳什平衡；将达到纳什平衡时第一生成器的输入参数输入至第二生成器中，得到预测样本；融合所述预测样本和所述筛选数据集中的样本得到估算样本。