[发明专利]一种基于概率密度比的数据融合的设备故障诊断方法

说明书

本发明提出一种基于概率密度比的数据融合的设备故障诊断方法，能够提升机械失效程度识别精度。步骤A：将历史特征数据与诊断对象特征数据分为若干区间，分别统计各区间数据所占整个数据集的比例，求二者比例的比值，取此比值作为历史特征数据的相似度权重，融合两部分数据构造训练数据集；步骤B：取训练数据集中一部分数据训练softmax分类器，用另一部分数据验证分类准确度，采用梯度下降法调整模型参数，当误差小于预定阈值或训练次数达到预先设定次数时停止训练，或通过多次交叉验证，训练得到最优分类器；步骤C：将诊断对象特征数据代入softmax分类器得到诊断对象失效状态。

技术领域

本发明属于故障诊断分类领域，涉及到一种基于概率密度比的数据融合的设备故障诊断方法。

背景技术

设备现场故障诊断有利于及时采取措施，避免事故发生，对工业生产、机械运转及设备维修具有重要意义。但是必须要有足够的故障历史数据才能训练出可靠稳定的故障分类模型。但是工业设备受高成本、高运行密度制约，通常无法积累足够故障历史数据。故障数据匮乏成为训练故障模型的关键问题。

现有方法多是根据相同标签数据之间的欧氏距离描述数据点的相似程度，这种方法只关注数据点的相似程度，无法挖掘数据集之间分布的相似程度，而实际过程中，更需要挖掘两个数据集之间的分布相似程度，并且现有方法在构建相似度权重过程中需要使用数据标签，同样受到现有数据标签量少的约束，而无法很好解决数据融合的问题。

发明内容

为了克服机械设备历史故障数据少，失效工况不同的问题，本发明提出一种基于概率密度比的数据融合的设备故障诊断方法，能够提升机械失效程度识别准确精度。

为了实现上述目的，本发明采用以下技术方案：

一种基于概率密度比的数据融合的设备故障诊断方法，包括如下步骤：

步骤A：将历史失效特征数据与诊断对象特征数据分为若干区间，分别统计各区间数据所占整个数据集的比例，求二者比例的比值，取此比值作为数据的相似度权重，融合两部分数据构造训练数据集；

步骤B：取训练数据集中一部分数据训练softmax分类器，用另一部分数据验证分类准确度，采用梯度下降法调整模型参数，当误差降到预定阈值或训练次数达到预先设定次数时停止训练，通过交叉验证，训练得到最优分类器；

步骤C：将诊断对象特征数据代入softmax分类器得到诊断对象故障状态。

进一步的，步骤A中相似度权重求解采用以下方式：

a)设历史失效特征数据为{xo}，诊断对象特征数据为{xn}，将两部分数据进行归一化得到

{Xo}＝{xo-min{xo}}/max{xo}

{Xn}＝{xn-min{xn}}/max{xn}

b)当特征数据是多维特征时，用每个特征点的二范数，即特征的多维空间的向量长度表征大小，按照二范数将特征值划分为N个区间，每个区间长度为Δ＝(max{||Xn||}-min{||Xn||})/N，划分结果为：

Si～{(i-1)Δ,iΔ},i＝1,2...,N

c)统计每个区间特征占所在数据集的概率密度比，即：