[发明专利]一种适用于胀管设备的智能故障诊断方法

权利要求书

1.一种适用于胀管设备的智能故障诊断方法，其特征在于，该方法包括以下步骤：

(1)对胀管设备进行特征分析以明确故障类型，并确定引发故障的关键部件，同时，实时采集所述关键部件的压力数据；

(2)对采集到的原始压力数据进行缺失值清洗，并采用基于聚类的离群点检测找出原始压力数据偏离数据族的误差点并丢弃，以得到整理后的信号数据；

(3)采用小波分析的方式清洗掉所述信号数据中的高频噪声，以得到平滑工作信号数据；

(4)采用零一标准化的方式将所述平滑工作信号数据规约于(0，1)区间内，以优化数据结构，并将得到的信号数据划分为训练集及测试集；

(5)基于Leacky线性整流函数改进的栈式去噪稀疏自动编码器，构建深度神经网络故障诊断模型，采用Softmax函数作为所述深度神经网络故障诊断模型的BP分类器的激活函数；再采用所述训练集对所述深度神经网络故障诊断模型进行训练，并将所述测试集输入到训练好的所述深度神经网络故障诊断模型中，所述深度神经网络故障诊断模型依据所述测试集进行诊断分类以预测故障类型，由此完成对胀管设备的故障诊断；

步骤(2)中采用忽略删除的方式对采集到的原始压力数据进行缺失值处理，再利用基于K-Means聚类的离群点检测找出所述原始压力数据中存在着异常值，即孤立点，数据质量出现了问题会造成这些孤立点的产生，故清除异常点以进一步提升数据质量；其中，孤立点之间的距离公式采用欧几里得距离：

式中，x_ij是个数据点的理想化坐标。

2.如权利要求1所述的适用于胀管设备的智能故障诊断方法，其特征在于：所述栈式去噪稀疏自动编码器在训练过程中，先对原始数据X_n加噪，再让被污染的数据复现为原始数据X_n，以使得提取出的中间特征矢量对噪声环境下数据的特征提取具有鲁棒性。

3.如权利要求1所述的适用于胀管设备的智能故障诊断方法，其特征在于：步骤(5)采用的加噪函数为高斯加噪函数，其表达式为：

式中，σ²I为该噪声的协方差矩阵，σ取0.05；X_n为原始输入数据。

4.如权利要求1所述的适用于胀管设备的智能故障诊断方法，其特征在于：步骤(5)的训练过程中采用特征逐层提取方式，特征逐层提取所采用的权值激活函数为Leaky-ReLU函数。

5.如权利要求4所述的适用于胀管设备的智能故障诊断方法，其特征在于：Leaky-ReLU函数的表达式为：

式中，α为人为经验规定的常数。

6.如权利要求1-5任一项所述的适用于胀管设备的智能故障诊断方法，其特征在于：步骤(4)中，采用零-均值归一化对压力信号数据进行规范化处理。

7.如权利要求6所述的适用于胀管设备的智能故障诊断方法，其特征在于：数据的均值均为0，标准差均为1，Zero-Mean归一化的转化公式为：

式中，是原始数据的均值；σ为原始数据的标准差。

8.如权利要求1-5任一项所述的适用于胀管设备的智能故障诊断方法，其特征在于：采用小波分析的方式对所述信号数据的去噪包括以下步骤：(a)分解原始压力数据；(b)判断压力数据的特点以确定高频阈值；(c)对步骤(b)得到的信号进行重构。