[发明专利]一种基于ESA和堆叠胶囊自编码器的离心泵故障诊断方法

权利要求书

1.一种基于ESA和堆叠胶囊自编码器的离心泵故障诊断方法，其特征在于：所述离心泵故障诊断方法包括如下步骤：

步骤1：数据的选择与处理：使用电特征分析技术(ESA)选择电信号作为故障诊断输入数据并归一化处理，采用主元分析(PCA)分析不同故障信号在故障诊断中的贡献率，证实电特征分析技术(ESA)选择的正确性，将选择的故障信号转为灰度图像；

步骤2：建立和训练堆叠胶囊自编码器模型的PCAE：将步骤1中的灰度图像训练集数据提取像素后输入PCAE；

步骤3：建立和训练堆叠胶囊自编码器模型的OCAE：将训练完成的PCAE提取的特征图输入OCAE进行分类；

步骤4：使用测试集验证故障诊断模型准确性；

其中：

所述步骤2具体包括如下步骤：

步骤2.1：将图像像素输入PCAE的CNN编码器，编码器将图像划分为部分并推断不同部分的特征图，将CNN编码器提取出的特征图输入基于自注意力池化的全局平均池，降低划分的部分胶囊数量，将池化层输出输入全连接层，根据部分胶囊存在概率d_m判定该部分胶囊是否存在，若部分胶囊被判定存在，则使用PCAE的仿射变换解码器将部分胶囊变换到图像的模板T_m，

其中，为仿射变换后的模板；

步骤2.2：部分胶囊图像全部变换完成后，使用d_m和预测模板之间的混合概率：

其中，为图像模板的混合概率，使其得到最优的划分部分与推断特征图的性能；

所述步骤2.1中的所述特征图包括一个六维姿势x_m、一个部分胶囊存在概率d_m∈[0,1]和一个表示部分遮挡关系和部分颜色的特殊标识z_m∈R，表示为：

x_1:M,d_1:M,z_1:M＝h^enc(y)

其中，h^enc(y)为CNN编码器；

所述步骤2.2中，计算重构混合图像与原始图像的似然性的目标函数为：

其中，y是原始图像，为混合概率，为仿射变换到模板的新部分，c_m为预测部分的颜色；

所述步骤3具体包括如下步骤：

步骤3.1：将训练完成的PCAE提取的特征图输入OCAE的基于自下而上注意力机制的SetTransfer编码器，根据输出稀疏激活少量对象胶囊：

OV_1:K,c_1:K,a_1:K＝h^caps(x_1:M)

其中，编码器输出的OV_1:K是对象胶囊-观众仿射矩阵，c_1:K是输出的特征向量，a_1:K是不同对象胶囊的存在概率，h^caps是Set Transfer编码器；

步骤3.2：根据a_1:K稀疏激活少量对象胶囊，对象胶囊使用多层感知器解码器从c_1:K中预测出n个候选部分以及它们的参数：

其中，解码器输出的OP_k,1:N是对象胶囊-部分胶囊仿射矩阵，a_k,1:N是候选部分的条件概率，λ_k,1:N是相关的标量标准差，是对象胶囊的MLP解码器；

步骤3.3：根据候选部分生成一个独立的混合预测部分，并计算混合部分与原始部分的似然性，原始部分和混合部分似然度的目标函数为：

其中，a_k为对象胶囊的存在概率，a_k,m为对象胶囊的候选部分存在概率，d_m为部分胶囊存在概率，x_m为部分的姿势，p(x_1:M,d_1:M)是原始部分与混合部分的似然度；

步骤3.4：根据部分似然性判定部分是否属于激活的对象胶囊，如不是传递给下一个对象胶囊，通过最大化混合部分与原始部分的似然性，训练对象胶囊，使其拥有最高的分类精度；

所述步骤1中从离心泵选择的故障信号为：提取离心泵在间隙处磨损、出口处有少量沉积物、入口处有沉积物、出口的磨料磨损、叶轮刀片损坏、叶轮气蚀六种故障状态下的扬程、出口速度、入口速度、离心泵转矩、与离心泵相连的电机转矩的五个故障信号。