[发明专利]基于LSTM-QDM的不平衡故障诊断方法

说明书

本发明公开了一种基于LSTM‑QDM的不平衡故障诊断方法，首先采集工业设备处理K种故障状态下各个测量设备的测量数据，构建时序数据矩阵，然后通过滑动窗口提取出时序数据样本，然后再对时序数据样本进行故障类型分析得到不平衡故障和普通故障划分，采用所提出的四元组时序数据对构造策略构造四元组时序数据对，构建LSTM‑QDM故障诊断模型，采用四元组时序数据对和其中锚样本的标签对故障诊断模型进行训练，在工业设备运行过程中采集实际运行数据并构建时序数据样本输入LSTM‑QDM故障诊断模型中，得到故障识别结果。本发明通过结合LSTM网络和QDM算法，提升数据不平衡状态下的工业设备故障诊断性能。

技术领域

本发明属于工业设备故障诊断技术领域，更为具体地讲，涉及一种基于LSTM-QDM的不平衡故障诊断方法。

背景技术

随着现代工业和智能制造的快速发展，智能工厂中对关键设备和生产流程的故障诊断对生产安全和经济效益变得越来越重要。为了确保可以准确及时地诊断故障，通常需要从大量传感器信号中挖掘有用的信息。近年来，基于数据驱动的方法因其可以在难以建立特定物理模型地自动化设备或系统中进行有效的过程监控和故障诊断而被大量研究。

虽然基于深度学习的方法在故障诊断领域取得了一定的成绩，但仍然存在许多挑战。充足的、高质量的采集数据是保证基于深度学习的故障诊断方法性能的首要要求。然而在故障诊断领域，由于故障数据特别是严重故障数据的数量非常少，所以经常面临数据严重不平衡的问题。因此，对非平衡数据的处理是基于数据驱动和深度学习的故障诊断方法的关键步骤。当前处理不平衡数据的方法通常是基于过采样策略的，但这些方法不提供额外信息，甚至导致过拟合。随着生成模型的发展，对抗生成网络被广泛应用于不平衡任务。然而，大多数基于数据生成的方法都是两阶段的，生成阶段造成的损失会累积到分类阶段，可能导致分类性能的退化。

数据表示的优化可能是缓解不平衡带来的负面影响的有效途径。由于深度度量学习(Deep Metric Learning,DML)可以有效地对数据进行表征，因此基于DML的故障诊断方法被广泛的研究。DML通过构造合理的数据对和度量损失函数，从原始数据中提取更具表征能力的特征，以此提升故障诊断效果。然而当前基于DML的方法没有考虑从数据对构造和损失函数调整的角度对模型进行优化来改善在不平衡场景中的诊断效果。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于LSTM-QDM的不平衡故障诊断方法，结合LSTM(long short-term memory，长短时记忆)网络和QDM(quadruplet deepmetric learning，四元组深度度量学习)算法，提升数据不平衡状态下的工业设备故障诊断性能。

为实现上述发明目的，本发明基于LSTM-QDM的不平衡故障诊断方法包括以下步骤：

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；