一种集成特征提取和排序因果发现的轴承故障诊断方法

专利主权项内容

1.一种集成特征提取和排序因果发现的轴承故障诊断方法，其特征在于，包括以下诊断步骤：A1、通过时间重分配多同步挤压变换TSST对轴承的故障数据进行特征提取，以获得包含故障变量，以及故障变量观测值的故障样本；A2、引入强化学习，将观测值作为强化学习中的状态，将故障变量作为强化学习中的动作；运行强化学习，智能体依次选择各个动作，以形成对各个故障变量进行排序的动作路径，通过评分函数计算各个动作路径的分数，并选择分数最大的动作路径作为目标路径，该目标路径构成包含故障变量之间的因果关系的有向无环图DAG；A3、将因果效应损失函数加入到ViT网络模型的损失函数队列中，将生成有向无环图DAG的故障样本输入到ViT网络模型中，对ViT网络模型进行训练；利用ViT网络模型中的损失函数更新ViT网络模型，以将ViT网络模型更新成最优轴承故障诊断模型；A4、将待诊断的故障样本输入到最优轴承故障诊断模型中，以预测出该故障样本的故障类型；评分函数具体如下：
其中，表示评分函数，的计算值即为分数；表示第个故障变量的第个观测值；表示故障变量在动作路径中的父节点，即与故障变量相邻的前一个故障变量；/>表示与故障变量似然相关的参数；/>表示参数/>的位数或长度；/>为条件概率，表示在给定故障变量的父节点的情况下，故障变量取第个观测值的概率；表示单个故障变量的观测值总数，也表示故障样本的总数；表示故障变量的总数；RRjxjkPaxjxjxjxjPaxjkmd步骤A2的具体步骤如下：A21、每个故障样本均包含有个故障变量，每个故障变量均含有个观测值，即构成个故障样本；dmm将各个故障变量的观测值均输入到强化学习中，并由×个观测值构成强化学习的状态空间，={, , …, , …, }，其中，表示状态空间中的第1个状态，即由第1个故障变量的个观测值构成的数据集合；表示状态空间中的第2个状态，即由第2个故障变量的个观测值构成的数据集合；表示状态空间中的第个状态，即由第个故障变量的个观测值构成的数据集合；表示状态空间中的第个状态，即由第个故障变量的个观测值构成的数据集合；dmSSs1s2sjsds1ms2msjjjmsdddmA22、将故障变量作为强化学习的动作，并由个故障变量构成强化学习的动作空间，={, , …, , …, }，表示动作空间中的第1个动作，即第1个故障变量；表示动作空间中的第2个动作，即第2个故障变量；表示动作空间中的第个动作，即第个故障变量；表示动作空间中的第个动作，即第个故障变量；dVVv1v2vjvdv1v2vjjjvdddA23、随机选择一个动作，开始运行强化学习，并根据当前动作进行状态转移操作，使智能体遍历动作空间中的所有动作，并通过最大化累计奖励期望策略确定智能体的动作路径；在动作路径中，当前动作的前一动作即为当前动作的父节点；A24、重复执行步骤A23设定次数，获得对应数量的动作路径；通过评分函数计算各个动作路径的分数，并选择其中分数最高的动作路径作为目标路径；各个故障变量在该目标路径中的排序方式构成了包含故障变量之间因果关系的有向无环图DAG。 关注微信公众号马克数据网