[发明专利]一种面向少数类识别的多策略联合故障诊断方法

权利要求书

1.一种面向少数类识别的多策略联合故障诊断方法，其特征在于，包括以下步骤：

步骤1、将工业故障数据集划分为少数类故障数据集和多数类故障数据集，对所述少数类故障数据集进行过采样得到少数类故障采样数据集；以所述少数类故障采样数据集与多数类故障数据集作为输入，以故障类别作为标签，构建故障诊断训练样本集；

步骤2、构建多策略联合故障诊断模型，所述多策略联合故障诊断模型包括基于DBN的特征提取器和故障分类器；所述特征提取器用于从输入数据中提取故障特征；所述故障分类器根据所述故障特征及输入数据判断输入数据的故障类别；所述特征提取器包含两个并联的全连接神经网络；所述故障分类器为深度堆叠网络；

步骤3、采用所述故障诊断训练样本集完成所述特征提取器的训练；将所述少数类故障采样数据集与多数类故障数据集分别输入训练好的特征提取器，将得到少数类故障特征集合与多数类故障特征集合合并为样本故障特征集；采用所述样本故障特征集完成故障分类器的训练；

步骤4、应用中，将待诊断的工业故障数据输入训练好的多策略联合故障诊断模型中，模型的输出即为所述待诊断的工业故障数据的故障类别。

2.根据权利要求1所述的方法，其特征在于，所述步骤1中对所述少数类故障数据集进行过采样得到少数类故障采样数据集，包括以下步骤：

计算所述少数类故障数据集中故障数据元素与其余元素之间的欧式距离和，将具有最小欧式距离和的故障数据元素确定为中心元素；由与所述中心元素的欧式距离小于设定值的元素构成中心区域样本集，由不属于所述中心区域样本集的元素构成边界区域样本集；

采用SMOTE算法对所述中心区域样本集进行过采样得到中心区域采样数据集，采用WGAN算法对所述边界区域样本集进行过采样得到边界区域采样数据，由所述中心区域采样数据集与边界区域采样数据构成少数类故障采样数据集。

3.根据权利要求1所述的方法，其特征在于，所述步骤2中的全连接神经网络包含两个级联的隐藏层。

4.根据权利要求3所述的方法，其特征在于，所述步骤2中的所述故障特征包括一个全连接神经网络的第一级隐藏层的输出和第二级隐藏层的输出，及另一个全连接神经网络的第二级隐藏层的输出。

5.根据权利要求1所述的方法，其特征在于，所述步骤2中的所述故障分类器的最后一级堆叠块，采用基于先验分布知识的损失函数J_p，如下式所示：

其中，N为所述故障诊断训练样本集中故障类别的个数；y为标签；1{·}为指示函数，即当条件为真时返回1，否则返回0；j与g均为故障类别的编号；a_j为预测出的样本属于第j类的概率；a_g为预测出的样本属于第g类的概率；w_j为样本属于第j类的先验概率；w_g为样本属于第g类的先验概率。