[发明专利]基于LSTM-QDM的不平衡故障诊断方法

权利要求书

1.一种基于LSTM-QDM的不平衡故障诊断方法，其特征在于，包括以下步骤：

S1：工业设备处于不同故障工况下，由预先设置的若干测量设备对工业设备的工作信号进行连续测量，记每个采样时刻得到的测量数据数量为M，记第r个采样时刻的工作信号为其中x_rk表示第r个采样时刻的工作信号中的第m个测量数据，m＝1,2,…,M，r＝1,2,…,R，R表示采样次数；根据每个采样时刻时工业设备所处的故障工况为该采样时刻的测量数据标记故障标签y_r，其中y_r＝1,2,…,K，K表示故障类型数量；然后根据R次采样得到的工作信号构建得到大小为R×M的时序数据矩阵

S2：对时序数据矩阵按行采用长度为L的窗口按照预设步长s滑动提取子矩阵作为时序数据样本，记所得到的时序数据样本数量为表示向上取整，则第d个时序数据样本X_d的表达式如下：

其中，d＝1,2,…,D；

然后标记每个时序数据子矩阵的故障标签Y_d＝y_(d-1)s+L；

S3：根据每个时序数据样本的故障标签对D个时序数据样本进行分类，得到每种故障对应的时序数据样本集合φ_k，k＝1,2,…,K，然后统计每种故障下时序数据样本的数量，当某种故障的时序数据样本的数量小于预设阈值，则将该故障设置为不平衡故障，否则将该故障设置为普通故障；

S4：从D个时序数据样本中随机选择一个时序数据样本作为锚样本，然后根据锚样本选取另外三个时序数据样本构成四元组时序数据对，具体方法如下：

当锚样本的故障类型为普通故障，则随机选择一个与锚样本故障类型相同的时序数据样本作为正样本，随机选择一个与锚样本故障类型不相同的时序数据样本作为负样本，从不平衡故障对应的时序数据样本中随机选择一个作为少样本，构成四元组时序数据对；

当锚样本的故障类型为不平衡故障，且故障类型中仅有一类为不平衡故障，则随机选择一个与锚样本故障类型相同的时序数据样本作为正样本，随机选择两个与锚样本故障类型不相同的时序数据样本作为负样本和少样本，构成四元组时序数据对；

当锚样本的故障类型为不平衡故障，且故障类型中有两类以上不平衡故障，则随机选择一个与锚样本故障类型相同的时序数据样本作为正样本，随机选择一个与锚样本故障类型不相同的时序数据样本作为负样本，随机选择一个与锚样本故障类型不同的不平衡故障的时序数据样本作为少样本，构成四元组时序数据对；

重复若干次以上操作，得到若干四元组时序数据对；

S5：构建LSTM-QDM故障诊断模型，包括4个LSTM网络分支和一个Softmax层，每个LSTM网络分支包括一个多层LSTM网络和一个全连接层，其中：

4个LSTM网络分支分别用于处理四元组时序数据对中的四个时序数据样本，且4个LSTM网络分支中的4个多层LSTM共享参数、4个全连接层共享参数，其中多层LSTM用于提取时序数据样本的特征并输入全连接层，全连接层对所接收的特征进行特征映射后进行输出；Softmax层用于接收锚样本所对应的全连接层的输出特征，处理得到锚样本属于各个故障类型的概率，得到故障诊断结果；

S6：将步骤S4得到的各个四元组时序数据对作为LSTM-QDM故障诊断模型的输入，将四元组时序数据对中锚样本的标签作为LSTM-QDM故障诊断模型中Softmax层的期望输出，对LSTM-QDM故障诊断模型进行训练；其中损失函数采用如下方法计算：

记每个四元组时序数据对为Pair＝(x,x_pos,x_neg,x_minor)，其中x表示锚样本，x_pos表示正样本，x_neg表示负样本，x_minor表示少样本，将每个样本经过对应LSTM网络分支处理后得到的特征分别记为p,p_pos,p_neg,p_minor，分别计算锚样本特征p和其他几个特征之间的距离：

D_pos＝||p-p_pos||₂

D_neg＝||p-p_neg||₂

D_minor＝||p-p_minor||₂

其中，||||₂表示求取二范数；

采用如下公式计算正样本损失L_pos：

L_pos＝(1-f)D_pos+λ_posfD_pos

其中，当锚样本属于不平衡故障时标志参数f＝1，否则标志参数f＝0；λ_pos为预设的大于1的常数；

采用如下公式计算负样本损失L_neg：

L_neg＝max(0,M₁-D_neg)

采用如下公式计算少样本损失L_minor：

L_minor＝max(0,M₂-D_minor)*λ_minor

其中，λ_minor为预设的大于1的常数，M₁是预设的锚样本和负样本之间的期望裕度，M₂是预设的锚样本和少样本之间的期望裕度，且M₂＞M₁；

采用以下公式计算得到四元组损失L_quadruplet：

将锚样本由Softmax层得到的概率值中其真实故障标签对应的概率值的相反数作为类损失L_softmax；

采用如下公式对四元组损失L_quadruplet和分类损失L_softmax进行融合，得到每个四元组时序数据对的损失L：

L＝βL_quadruplet+L_softmax

其中，β为预设的权重参数；

S7：在工业设备运行过程中，由预先设置的若干测量设备对工业设备的工作信号进行连续测量，测量得到当前采样时刻t及前L-1个采样时刻采样得到的测量数据j＝0,1,…,L-1，构成时序数据样本X_t：

将时序数据样本X_t输入LSTM-QDM故障诊断模型中锚样本对应的LSTM网络，根据Softmax层输出的概率得到故障诊断结果。