一种早期故障诊断方法及装置
技术领域
本发明涉及故障诊断
技术领域
，具体涉及一种早期故障诊断方法及装置。背景技术
随着时代的发展，生产活动中的自动化程度不断提高，机械设备也向着集成化的方向发展。在工程应用中，一旦机械设备中某个部件在运行中发生故障，就可能对整个生产系统造成巨大影响。因此，在机械设备磨损严重之前，即在故障发生的早期，就对设备的故障进行准确及时的识别，对避免重大灾难性事故发生具有重大意义。
传统使用的如频谱分析、包络分析、小波分析、形态学滤波等方法，在实际应用中，由于多故障源及背景噪声的干扰导致故障特征提取不彻底，造成误判和漏判等情况，对机械设备运行评估不完全。同时，早期故障诊断算法多采用神经网络进行诊断，神经网络虽然有较好的非线性逼近能力，但仍存在收敛速度慢、容易陷入局部极小等问题，且神经网络的故障诊断在多分类效果上不好，导致诊断结果不可靠。
发明内容
本发明提供一种早期故障诊断方法及装置，旨在解决现有技术中存在的故障特征提取不彻底，造成对机械设备运行评估不完全以及在多分类效果上不好，导致诊断结果不可靠的技术问题。
一方面，本发明提供一种早期故障诊断方法，包括：
对待测零件的采样信号进行预处理，并将预处理后的所述采样信号输入至随机共振模型，获得目标信号；
将所述目标信号进行切分，生成训练集和测试集，所述训练集包括多个携带真实标签的第一子目标信号，所述测试集包括多个第二子目标信号；
建立初始特征提取模型，并通过所述训练集对所述初始特征提取模型进行训练，获得目标特征提取模型；
通过所述目标特征提取模型对将所述测试集中的多个第二子目标信号进行特征提取，获得与所述多个第二子目标信号一一对应的多个第二特征向量；
确定目标最小二乘支持向量机故障诊断模型，并通过目标最小二乘支持向量机故障诊断模型对所述多个第二特征向量进行分析，确定所述待测零件是否发生早期故障。
在本发明一种可能的实现方式中，所述对所述采样信号进行预处理包括：
对所述采样信号进行包络解调，获得多尺度噪声；并基于输出信噪比最大原则对所述多尺度噪声进行正交离散小波变换，生成噪声分布为1/f型分布的目标类型噪声。
在本发明一种可能的实现方式中，所述正交离散小波变换为：
式中，Wf(j,k)为所述目标类型噪声；f(t)为所述多尺度噪声的连续功率值；t为采样时刻；为由小波函数ψ(t)经2j整数倍压缩和经二进数2-jk平移而成的函数；j为伸缩因子；k为平移因子。
在本发明一种可能的实现方式中，所述初始特征提取模型包括卷积层、池化层、全连接层以及softmax分类器；所述通过所述训练集对所述初始特征提取模型进行训练，获得目标特征提取模型包括：
将所述训练集中的所述多个第一子目标信号输入至所述初始特征提取模型，通过所述卷积层、所述池化层和所述全连接层提取与所述多个第一子目标信号一一对应的多个第一特征向量；
通过所述softmax分类器对所述多个第一特征向量进行分类，生成与所述多个第一特征向量一一对应的多个预测标签；
根据所述多个预测标签和所述多个真实标签确定所述初始特征提取模型的分类准确率；
根据所述分类准确率确定所述初始特征提取模型是否训练完毕，若训练完毕，则获得所述目标特征提取模型。
在本发明一种可能的实现方式中，所述初始特征提取模型包括模型参数；所述根据所述分类准确率确定所述初始特征提取模型是否训练完毕包括：
判断所述分类准确率是否小于阈值分类准确率；
若所述分类准确率小于所述阈值分类准确率，则调整所述模型参数，并对调整所述模型参数后的所述初始特征提取模型再次进行训练，直至所述训练次数大于阈值训练次数或再次进行训练后的初始特征提取模型的分类准确率大于或等于所述阈值分类准确率，则所述初始特征提取模型训练完毕。
在本发明一种可能的实现方式中，所述确定目标最小二乘支持向量机故障诊断模型包括：
建立初始最小二乘支持向量机故障诊断模型，所述初始最小二乘支持向量机故障诊断模型包括核函数、初始核函数参数以及初始惩罚因子；
通过所述粒子群算法对所述初始核函数参数以及所述初始惩罚因子进行优化，获取目标核函数参数和目标惩罚因子，以确定所述目标最小二乘支持向量机故障诊断模型。
在本发明一种可能的实现方式中，所述核函数为高斯-伊恩径向基函数，高斯-伊恩径向基函数为：
exp(-γ|u-v|2)
式中，γ是自由参数；u和v都是所述第一特征向量；|u-v|是两个第一特征向量之间的距离。
在本发明一种可能的实现方式中，所述通过所述粒子群算法对所述初始核函数参数以及所述初始惩罚因子进行优化，获取目标核函数参数和目标惩罚因子包括：
初始化粒子群中各个粒子向量的初始位置、速度以及迭代次数；
设计适应度函数；
用所述训练集训练所述初始最小二乘支持向量机故障诊断模型，获得与第一特征向量对应的预测诊断标签，并根据所述适应度函数计算每个粒子的适应度值以及全局最优适应度值；
根据每个粒子的所述适应度值、所述全局最优适应度值以及历史最优适应度值更新每个粒子的速度和位置；
根据更新后的每个粒子的速度和位置调整所述初始核函数参数以及所述初始惩罚因子；
判断调整所述初始核函数参数以及所述初始惩罚因子的次数是否达到最大迭代次数，若迭代次数未达到最大迭代次数，则再次调整所述初始核函数参数以及所述初始惩罚因子，若迭代次数已达到最大迭代次数，则当前核函数参数和惩罚因子分别为所述目标核函数参数和所述目标惩罚因子。
在本发明一种可能的实现方式中，所述适应度函数为均方误差函数，所述均方误差函数为：
式中，n为所述第一特征向量的个数；yi为所述真实标签；为所述预测诊断标签。
另一方面，本发明提供一种早期故障诊断装置，包括：
一个或多个处理器；
存储器；以及
一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行以实现上述任一项所述的早期故障诊断方法。
另一方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行上述任一项所述的早期故障诊断方法中的步骤。
本发明首先对待测零件的采样信号预处理，然后将预处理后的采样信号输入至随机共振模型，获得信号频谱，通过随机共振效应使得采样信号中的噪声的能量转移到故障特征频率分量上，从而在削弱噪声的同时加强微弱信号，进而实现早期微弱故障特征增强，避免信号提取不彻底，提高故障诊断的可靠性；进一步地，本发明通过确定目标最小二乘支持向量机故障诊断模型，并通过目标最小二乘支持向量机故障诊断模型对多个第二特征向量进行分析，确定待测零件是否发生早期故障，相比于通过神经网络对故障进行诊断，可实现对多种复杂故障种类的识别，进一步提高早期故障诊断的可靠性，降低机械设备运行的风险和经济损失。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的种早期故障诊断方法的一个实施例流程示意图；
图2是本发明实施例提供的生成目标类型噪声的一个实施例流程示意图；
图3是本发明实施例提供的初始特征提取模型的一个实施例结构示意图；
图4是本发明实施例提供的S103的一个实施例流程示意图；
图5是本发明实施例提供的S404的一个实施例流程示意图；
图6是本发明实施例提供的S105的一个实施例流程示意图；
图7是本发明实施例提供的S602的一个实施例流程示意图；
图8是本发明实施例提供的早期故障诊断装置的一个实施例结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本发明提供了一种早期故障诊断方法及装置，以下分别进行详细说明。
如图1所示，为本发明实施例提供的早期故障诊断方法的一个实施例流程示意图，该方法包括：
S101、对待测零件的采样信号进行预处理，并将预处理后的采样信号输入至随机共振模型，获得目标信号；
其中，采样信号可以为加速度信号或振动信号。
S102、将目标信号进行切分，生成训练集和测试集，训练集包括多个携带真实标签的第一子目标信号，测试集包括多个第二子目标信号；
S103、建立初始特征提取模型，并通过训练集对初始特征提取模型进行训练，获得目标特征提取模型；
S104、通过目标特征提取模型对将测试集中的多个第二子目标信号进行特征提取，获得与多个第二子目标信号一一对应的多个第二特征向量；
S105、确定目标最小二乘支持向量机故障诊断模型，并通过目标最小二乘支持向量机故障诊断模型对多个第二特征向量进行分析，确定待测零件是否发生早期故障。
本发明实施例提供的早期故障诊断方法，首先对待测零件的采样信号进行预处理，然后将预处理后的采样信号输入至随机共振模型，获得信号频谱，通过随机共振效应使得采样信号的噪声的能量转移到故障特征频率分量上，从而在削弱噪声的同时加强微弱信号，进而实现早期微弱故障特征增强，避免信号提取不彻底，提高故障诊断的可靠性；进一步地，本发明通过确定目标最小二乘支持向量机故障诊断模型，并通过目标最小二乘支持向量机故障诊断模型对多个第二特征向量进行分析，确定待测零件是否发生早期故障，相比于通过神经网络对故障进行诊断，可实现对多种复杂故障种类的识别，进一步提高早期故障诊断的可靠性，降低机械设备运行的风险和经济损失。
其中，S101中的对采样信号进行预处理，具体为：对采样信号进行包络解调，获得多尺度噪声；并基于输出信噪比最大原则对多尺度噪声进行正交离散小波变换，生成噪声分布为1/f型分布的目标类型噪声。
1/f型噪声相比其它噪声更能诱发随机共振效应，从而可进一步凸显故障特征频率。
如图2所示，可以看出：通过对采样信号进行包络解调，获得多尺度噪声，然后将预处理后生成目标类型噪声输入至随机共振模型，获得信号频谱，信号频谱与采样信号相比，特征明显，有效滤除了随机噪声和脉冲干扰，凸显了强背景噪声下的早期微弱故障特征，达到提高早期故障诊断的准确性的目的。
具体地，正交离散小波变换为：
式中，Wf(j,k)为目标类型噪声；f(t)为多尺度噪声的连续功率值；t为采样时刻；为由小波函数ψ(t)经2j整数倍压缩和经二进数2-jk平移而成的函数；j为伸缩因子；k为平移因子。
进一步地，输出信噪比SNR为：
式中，Psignal为采样信号的有效功率；Pnoise为噪声信号的有效功率；N为多尺度噪声的离散样本数；x(n)为多尺度噪声的离散功率值。
进一步地，在本发明的一些实施例中，如图3所示，初始特征提取模型包括两个卷积层、一个池化层、一个全连接层以及softmax分类器；如图4所示，S103包括：
S401、将训练集中的多个第一子目标信号输入至初始特征提取模型，通过卷积层、池化层和全连接层提取与多个第一子目标信号一一对应的多个第一特征向量；
S402、通过softmax分类器对多个第一特征向量进行分类，生成与多个第一特征向量一一对应的多个预测标签；
S403、根据多个预测标签和多个真实标签确定初始特征提取模型的分类准确率；
S404、根据分类准确率确定初始特征提取模型是否训练完毕，若训练完毕，则获得目标特征提取模型。
进一步地，初始特征提取模型包括模型参数；如图5所示，在本发明的一些实施例中，S404包括：
S501、判断分类准确率是否小于阈值分类准确率；
S502、若分类准确率小于阈值分类准确率，则调整模型参数，并对调整模型参数后的初始特征提取模型再次进行训练，直至训练次数大于阈值训练次数或再次进行训练后的初始特征提取模型的分类准确率大于或等于阈值分类准确率，则初始特征提取模型训练完毕。
具体地，调整模型参数时可运用小批量梯度下降法对模型参数进行调整。
需要说明的是：初始特征提取模型的损失函数Loss为：
式中，M为类别的数量；pc为预测正确的概率；yc为0或1，预测正确时为1，预测错误时为0。
具体地，在本发明的一些实施例中，M为2，类别分别为“故障”或“健康”。当然，在本发明的一些其他实施例中，M可根据实际情况进行调整。
进一步地，在本发明的一些实施例中，如图6所示，S105包括：
S601、建立初始最小二乘支持向量机(LS-SVM)故障诊断模型，初始最小二乘支持向量机故障诊断模型包括核函数、初始核函数参数以及初始惩罚因子；
S602、通过粒子群算法(PSO)对初始核函数参数以及初始惩罚因子进行优化，获取目标核函数参数和目标惩罚因子，以确定目标最小二乘支持向量机故障诊断模型。
通过使用PSO对初始核函数参数以及初始惩罚因子进行优化，获取目标核函数参数和目标惩罚因子可减少繁琐的参数调整环节，提高优化速度，并且提高目标最小二乘支持向量机故障诊断模型的故障诊断精度。
具体地，在本发明的一些实施例中，核函数为高斯-伊恩径向基函数(RBF)，高斯-伊恩径向基函数为：
exp(-γ|u-v|2)
式中，γ是自由参数；u和v都是第一特征向量；|u-v|是两个第一特征向量之间的距离。
进一步地，在本发明的一些实施例中，如图7所示，S602包括：
S701、初始化粒子群中各个粒子向量的初始位置、速度以及迭代次数；
S702、设计适应度函数；
S703、用训练集训练初始最小二乘支持向量机故障诊断模型，获得与第一特征向量对应的预测诊断标签，并根据适应度函数计算每个粒子的适应度值以及全局最优适应度值；
S704、根据每个粒子的适应度值、全局最优适应度值以及历史最优适应度值更新每个粒子的速度和位置；
S705、根据更新后的每个粒子的速度和位置调整初始核函数参数以及初始惩罚因子；
S706、判断调整初始核函数参数以及初始惩罚因子的次数是否达到最大迭代次数，若迭代次数未达到最大迭代次数，则再次调整初始核函数参数以及初始惩罚因子，若迭代次数已达到最大迭代次数，则当前核函数参数和惩罚因子分别为目标核函数参数和目标惩罚因子。
具体地，适应度函数为均方误差函数，均方误差函数为：
式中，n为第一特征向量的个数；yi为真实标签；为预测诊断标签。
其中，均方误差越小，适应度越好，预测性能越好。
本发明实施例还提供一种早期故障诊断装置，所述早期故障诊断装置包括：
一个或多个处理器；
存储器；以及
一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行上述早期故障诊断方法实施例中任一实施例中所述的早期故障诊断方法中的步骤。
如图8所示，其示出了本发明实施例所涉及的早期故障诊断装置的结构示意图，具体来讲：
该早期故障诊断装置可以包括一个或者一个以上处理核心的处理器801、一个或一个以上计算机可读存储介质的存储器802、电源803和输入单元804等部件。本领域技术人员可以理解，图8中示出的早期故障诊断装置结构并不构成对早期故障诊断装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
处理器801是该早期故障诊断装置的控制中心，利用各种接口和线路连接整个早期故障诊断装置的各个部分，通过运行或执行存储在存储器802内的软件程序和/或模块，以及调用存储在存储器802内的数据，执行早期故障诊断装置的各种功能和处理数据，从而对早期故障诊断装置进行整体监控。可选的，处理器801可包括一个或多个处理核心；优选的，处理器801可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、操作用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器801中。
存储器802可用于存储软件程序以及模块，处理器801通过运行存储在存储器802的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器802可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据早期故障诊断装置的使用所创建的数据等。此外，存储器802可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器802还可以包括存储器控制器，以提供处理器801对存储器802的访问。
早期故障诊断装置还包括给各个部件供电的电源803，优选的，电源803可以通过电源管理系统与处理器801逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源803还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该早期故障诊断装置还可包括输入单元804，该输入单元804可用于接收输入的数字或字符信息，以及产生与操作用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出，早期故障诊断装置还可以包括显示单元等，在此不再赘述。具体在本实施例中，早期故障诊断装置中的处理器801会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器802中，并由处理器801来运行存储在存储器802中的应用程序，从而实现各种功能，如下：
获取待测零件的采样信号，并对所述采样信号进行包络解调，获得多尺度噪声；
对所述多尺度噪声进行预处理，生成目标类型噪声；
将所述目标类型噪声输入至随机共振模型，获得目标信号；
将所述目标信号进行切分，生成训练集和测试集，所述训练集包括多个携带真实标签的第一子目标信号，所述测试集包括多个第二子目标信号；
建立初始特征提取模型，并通过所述训练集对所述初始特征提取模型进行训练，获得目标特征提取模型；
通过所述目标特征提取模型对将所述测试集中的多个第二子目标信号进行特征提取，获得与所述多个第二子目标信号一一对应的多个第二特征向量；
确定目标最小二乘支持向量机故障诊断模型，并通过目标最小二乘支持向量机故障诊断模型对所述多个第二特征向量进行分析，确定所述待测零件是否发生早期故障。
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
为此，本发明实施例提供一种计算机可读存储介质，该存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行本发明实施例所提供的任一种伪随机M阵列的构造方法中的步骤。例如，所述计算机程序被处理器进行加载可以执行如下步骤：
获取待测零件的采样信号，并对所述采样信号进行包络解调，获得多尺度噪声；
对所述多尺度噪声进行预处理，生成目标类型噪声；
将所述目标类型噪声输入至随机共振模型，获得目标信号；
将所述目标信号进行切分，生成训练集和测试集，所述训练集包括多个携带真实标签的第一子目标信号，所述测试集包括多个第二子目标信号；
建立初始特征提取模型，并通过所述训练集对所述初始特征提取模型进行训练，获得目标特征提取模型；
通过所述目标特征提取模型对将所述测试集中的多个第二子目标信号进行特征提取，获得与所述多个第二子目标信号一一对应的多个第二特征向量；
确定目标最小二乘支持向量机故障诊断模型，并通过目标最小二乘支持向量机故障诊断模型对所述多个第二特征向量进行分析，确定所述待测零件是否发生早期故障。
具体实施时，以上各个单元或结构可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元或结构的具体实施可参见前面的方法实施例，在此不再赘述。
以上对本发明所提供的一种早期故障诊断方法及装置进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
