[发明专利]一种工程装备传动系统故障诊断方法及系统

说明书

本发明公开一种工程装备传动系统故障诊断方法及系统，所述方法将目标数据集和辅助数据集的时域信号转换为频域信号；利用深度自动编码器，提取频域信号特征，并作为迁移学习的输入；利用基于实例的迁移提升树算法，每次迭代，改变目标数据集和辅助数据集的权重，并改变目标数据集中故障数据的权重。通过每次迁移提升树迭代得到的分类器及其权重作为最终分类器。所述系统包括时频变换模块、故障信号特征提取模块、故障诊断模块。本发明可以有效提取信号特征，充分利用数据集，并能使故障设备尽可能地被诊断出来，提高了安全性。

技术领域

本发明涉及工程装备传动系统技术领域，具体涉及一种特征信号的分析、深度学习和迁移学习的工程装备传动系统故障诊断方法及系统。

背景技术

对于工程装备传动系统振动数据，良好地表达其特征是故障诊断的关键。靠人工提取特征费时费力，而且对不同的问题需要采用不同的提取方法，很难找到统一的特征提取方法。

当前工程装备传动系统故障诊断是建立在训练数据和测试数据具有相同分布的假设条件下，而实际情况中，由于变工况环境，使得新的故障数据量少，难以训练出一个比较有效的模型；而实验室数据的模型由于其分布与实际工况不同，直接被用于实际工况中效果不好；所以如何利用大量实验室数据帮助训练新的模型成为一个重要问题。

在工业生产中，安全问题是最重要的问题之一，所以对于出现故障的设备要尽可能地检测出来，即便是没有故障的设备被检测成了有故障，也不能把有故障的设备检测成了没有故障。

经检索，公开号为CN107480715A、申请号为CN201710680573.7的中国发明申请，其公开一种液压成形装备的传动装置故障预测模型的建立方法及系统，所述建立方法包括：获取液压成形装备的传动装置的多组原始运行数据；对所述原始运行数据进行预处理，合成新数据样本；基于迭代-支持向量机组合算法，根据所述新数据样本建立传动装置故障预测模型，用于对传动装置的故障情况进行预测。该发明通过对液压成形装备的传动装置的多组原始运行数据进行预处理，解决了液压成形装备的传动装置的运行数据中的存在异常值、数据维度高、数据样本不均衡的问题；此外，基于迭代-支持向量机组合算法，建立传动装置故障预测模型，比单一运用SVM进行预测的预测准确度高，可以降低液压成形装备的传动装置故障的风险和危害。

但上述专利存在以下不足：上述专利虽然用了Adaboost算法集成多个SVM 分类器，但并没有充分利用其他条件下的数据。如果当前数据量不足以训练SVM 分类器时，即训练的多个SVM分类器拟合效果均不理想时，最终将得不到较好的模型，利用这样的模型进行故障预测，安全性仍旧无法得到保证，无法满足工程装备传动系统故障诊断要求。

发明内容

本发明的目的在于针对现有技术的不足，提出一种基于深度学习和迁移学习的工程装备传动系统故障诊断方法及系统，避免了人工提取特征，并且有效地利用实验室数据，为真实工况的故障诊断建立较好的分类器模型，同时尽可能地保证安全。

为达到以上目的，本发明所采用的解决方案是：

根据本发明的第一方面，提供一种工程装备传动系统故障诊断方法，所述方法包括：

对目标数据和辅助数据进行时频变换，将采集到的时域信号变为频域信号；其中：所述目标数据为真实环境下工程装备传动系统对象的振动数据集，所述辅助数据为实验环境下工程装备传动系统对象的振动数据集；

对转换的所述目标数据和所述辅助数据的频域信号，利用深层自动编码器提取故障信号特征；

对所述自动编码器提取的故障信号特征利用迁移学习中的迁移提升树算法，通过每次迁移提升树迭代得到分类器，用于对工程装备传动系统故障进行诊断。

可选地，所述对目标数据和辅助数据进行时频变换，是指：对所述目标数据和所述辅助数据采用快速傅里叶变换的方法进行时频转换。