【技術實現(xiàn)步驟摘要】
本專利技術涉及機器裝備智能運維，更具體的說是涉及基于擴散過程二階矩度量的傳動系統(tǒng)低質少樣本診斷方法。
技術介紹
1、隨著工業(yè)與信息技術的結合日益密切，現(xiàn)代機械裝備正朝著自動化、智能化、精密化的方向發(fā)展。其中，機械傳動系統(tǒng)作為機械裝備的重要子系統(tǒng)，廣泛應用于交通設施、電力能源、機械制造等領域，其健康狀況直接影響機械裝備的安全性和可靠性，一旦發(fā)生故障，就有可能導致經濟損失，甚至人員傷亡。近年來，因機械傳動系統(tǒng)故障造成的事故時有發(fā)生，為了預防故障發(fā)生，采取合適的維護措施，需要對傳動系統(tǒng)全面地進行監(jiān)測和診斷。
2、基于深度學習網絡的智能診斷方法憑借其出色的端到端識別能力得到了廣泛研究，推動了機械傳動系統(tǒng)從“定期維修”向“預見性維修”轉變。然而，基于深度學習的智能診斷方法通常依賴大量的訓練樣本，缺少訓練樣本會導致嚴重的過擬合，進而影響診斷性能。在機械傳動系統(tǒng)運維中，難以獲得足夠的帶標簽故障樣本。此外，工作人員缺乏專業(yè)知識、信息傳達錯誤和人為疏忽不可避免地導致錯誤標簽出現(xiàn)，這給故障診斷模型的工程應用帶來了巨大挑戰(zhàn)。在小樣本約束下的傳動系統(tǒng)智能故障診斷問題上，現(xiàn)有方法在訓練網絡時只考慮特征的邊緣分布來評估樣本相似性，忽略了不同特征之間的關聯(lián)性，并且錯誤標簽會導致網絡的診斷性能顯著下降。
3、因此，如何提升智能故障診斷算法的診斷精度，成為本領域技術人員亟需解決的技術問題。
技術實現(xiàn)思路
1、有鑒于此，本專利技術提供了基于擴散過程二階矩度量的傳動系統(tǒng)低質少樣本診斷方法，能夠有
2、為了實現(xiàn)上述目的，本專利技術采用如下技術方案：
3、基于擴散過程二階矩度量的傳動系統(tǒng)低質少樣本診斷方法，包括以下步驟：
4、獲取含錯誤標簽的機電復合傳動系統(tǒng)故障診斷數(shù)據(jù)集d，從中隨機抽取樣本得到核樣本構造集s和網絡參數(shù)更新集q；
5、基于特征提取器對核樣本構造集s和網絡參數(shù)更新集q中的每個樣本進行多維特征提取，并計算樣本特征向量的權重和擴散過程二階矩度量矩陣；
6、基于樣本特征向量的權重和擴散過程二階矩度量矩陣計算核樣本構造集s中的每一種健康類別的核樣本p；
7、基于分類器計算網絡參數(shù)更新集q中樣本特征向量的擴散過程二階矩度量矩陣與各種健康類別核樣本p之間的相似度，根據(jù)相似度計算網絡參數(shù)更新集q中樣本所屬的健康類別概率；
8、構建能衰減異常值影響的損失函數(shù)，在該損失函數(shù)的指導下，對特征提取器和分類器進行迭代訓練。
9、進一步的，數(shù)據(jù)集d內部的樣本表示形式為{(x0,y0),(x1,y1)…(xn,yn)}，其中，任一樣本表示樣本的多源傳感器數(shù)據(jù)，l表示時間維度，c表示通道維度，ya表示對應的標簽；xa為時間序列，表示為{x1,x2,…,xl}，其中，時間序列中的任一值表示為xb,c表示信號的第c個通道的b時刻的數(shù)據(jù)。
10、進一步的，從數(shù)據(jù)集d中隨機選取n種健康類別，在每一種健康類別中隨機選取k個樣本組成核樣本構造集s；從數(shù)據(jù)集d中選擇與核樣本構造集s相同健康類別的若干額外樣本，組成網絡參數(shù)更新集q，網絡參數(shù)更新集q中的樣本與核樣本構造集s中的樣本不重疊。
11、進一步的，特征提取器由多個一維卷積層構成，對于任一樣本xa，其一維卷積計算如下：
12、
13、其中，d為卷積核的尺寸大?。籧為總通道數(shù)；i和j是求和過程中的變量；w為卷積核的權重；b為偏置量。
14、輸入樣本xa經特征提取器f捕獲到的多維特征表示為其中，表示特征提取器的非線性映射，表示特征提取器中的可學習參數(shù)。
15、進一步的，將提取的多維特征ta輸入至多維相關分布特征提取層，該層用于計算基于相關分布特征的擴散過程二階矩度量矩陣；其中，擴散過程二階矩度量矩陣的計算方式如下：
16、ta具有l(wèi)×c維度，l表示時間維度，c表示通道維度，計算多維特征ta的歐氏空間距離矩陣：
17、
18、其中，表示多維特征ta中第i個特征向量和第j個特征向量之間的歐氏空間距離；
19、計算多維特征ta的擴散過程二階矩度量矩陣：
20、
21、進一步的，對于核樣本構造集s中的健康類別c，其核樣本的計算公式為：
22、
23、其中，pc為核樣本構造集s中健康類別c的核樣本；表示健康類別為c的樣本xa的擴散過程二階矩度量矩陣；為核樣本構造集s中樣本xa的權重。
24、進一步的，核樣本構造集s中樣本xa的權重的計算公式為：
25、
26、其中，表示核樣本構造集s中健康類別c中的樣本xa的擴散過程二階矩度量矩陣相似度之和，其計算方法如下所示：
27、
28、其中，表示核樣本構造集s中健康類別c中樣本xa和xb的擴散過程二階矩度量矩陣相似度。
29、進一步的，核樣本構造集s中健康類別c中兩個不同樣本xa和xb的擴散過程二階矩度量矩陣相似度的計算過程為：
30、通過特征提取器分別提取樣本xa和樣本xb的多維特征ta和tb，并分別計算多維特征ta和tb擴散過程二階矩度量矩陣ma和mb；
31、計算兩個樣本xa和xb的擴散過程二階矩度量矩陣相似度：
32、ρ(ta,tb)＝tr(matmb)
33、其中，tr(·)表示矩陣的跡。
34、進一步的，網絡參數(shù)更新集q中樣本所屬的健康類別概率的計算公式為：
35、
36、其中，p(yi＝c)表示樣本xi屬于健康類別c的概率；表示樣本xi與核樣本構造集s中健康類別c的核樣本pc間的相似度；k為n中的其中一種健康類別k；n為核樣本構造集s中所有的健康類別集合；為樣本xi與健康類別k的核樣本pk間的相似度；
37、
38、其中，mit為網絡參數(shù)更新集q中樣本xi的擴散過程二階矩度量矩陣。
39、進一步的，損失函數(shù)的表達式為：
40、
41、其中，為數(shù)據(jù)xi經特征提取器提取的特征；n為所有健康類別的集合；k為n健康集合的其中一種健康類別；為中樣本xi所對應的標簽健康類別yi的核樣本；pk為健康類別k的核樣本。
42、θi為損失函數(shù)的權重，用于衰減異常值的影響；利用錯誤標簽的離群屬性，衰減錯誤標簽的權重，權重計算方式如下：
43、
44、其中，樣本xi是網絡參數(shù)更新集中任一樣本；yi為樣本xi的健康類別標簽；yj為樣本xj的健康類別標簽；yi＝y(tǒng)j表示樣本xi和樣本xj健康類別標簽相同，即xj是網絡參數(shù)更新集中健康類別標簽yj與yi相同的任一樣本；為樣本xi與其健康類別yi的核樣本的相似度；為樣本xj與其健康類別yj的核樣本的相似度。
<本文檔來自技高網...【技術保護點】
1.基于擴散過程二階矩度量的傳動系統(tǒng)低質少樣本診斷方法，其特征在于，包括以下步驟：
2.根據(jù)權利要求1所述的基于擴散過程二階矩度量的傳動系統(tǒng)低質少樣本診斷方法，其特征在于，數(shù)據(jù)集D內部的樣本表示形式為
3.根據(jù)權利要求1所述的基于擴散過程二階矩度量的傳動系統(tǒng)低質少樣本診斷方法，其特征在于，從數(shù)據(jù)集D中隨機選取N種健康類別，在每一種健康類別中隨機選取K個樣本組成核樣本構造集S；從數(shù)據(jù)集D中選擇與核樣本構造集S相同健康類別的若干額外樣本，組成網絡參數(shù)更新集Q，網絡參數(shù)更新集Q中的樣本與核樣本構造集S中的樣本不重疊。
4.根據(jù)權利要求1所述的基于擴散過程二階矩度量的傳動系統(tǒng)低質少樣本診斷方法，其特征在于，特征提取器由多個一維卷積層構成，對于任一樣本Xa，其一維卷積計算如下：
5.根據(jù)權利要求4所述的基于擴散過程二階矩度量的傳動系統(tǒng)低質少樣本診斷方法，其特征在于，將提取的多維特征ta輸入至多維相關分布特征提取層，該層用于計算基于相關分布特征的擴散過程二階矩度量矩陣；其中，擴散過程二階矩度量矩陣的計算方式如下：
6.根據(jù)權利要求1
7.根據(jù)權利要求6所述的基于擴散過程二階矩度量的傳動系統(tǒng)低質少樣本診斷方法，其特征在于，核樣本構造集S中樣本Xa的權重的計算公式為：
8.根據(jù)權利要求7所述的基于擴散過程二階矩度量的傳動系統(tǒng)低質少樣本診斷方法，其特征在于，核樣本構造集S中健康類別c中兩個不同樣本Xa和Xb的擴散過程二階矩度量矩陣相似度的計算過程為：
9.根據(jù)權利要求6所述的基于擴散過程二階矩度量的傳動系統(tǒng)低質少樣本診斷方法，其特征在于，網絡參數(shù)更新集Q中樣本所屬的健康類別概率的計算公式為：
10.根據(jù)權利要求1所述的基于擴散過程二階矩度量的傳動系統(tǒng)低質少樣本診斷方法，其特征在于，損失函數(shù)的表達式為：
...【技術特征摘要】
1.基于擴散過程二階矩度量的傳動系統(tǒng)低質少樣本診斷方法，其特征在于，包括以下步驟：
2.根據(jù)權利要求1所述的基于擴散過程二階矩度量的傳動系統(tǒng)低質少樣本診斷方法，其特征在于，數(shù)據(jù)集d內部的樣本表示形式為
3.根據(jù)權利要求1所述的基于擴散過程二階矩度量的傳動系統(tǒng)低質少樣本診斷方法，其特征在于，從數(shù)據(jù)集d中隨機選取n種健康類別，在每一種健康類別中隨機選取k個樣本組成核樣本構造集s；從數(shù)據(jù)集d中選擇與核樣本構造集s相同健康類別的若干額外樣本，組成網絡參數(shù)更新集q，網絡參數(shù)更新集q中的樣本與核樣本構造集s中的樣本不重疊。
4.根據(jù)權利要求1所述的基于擴散過程二階矩度量的傳動系統(tǒng)低質少樣本診斷方法，其特征在于，特征提取器由多個一維卷積層構成，對于任一樣本xa，其一維卷積計算如下：
5.根據(jù)權利要求4所述的基于擴散過程二階矩度量的傳動系統(tǒng)低質少樣本診斷方法，其特征在于，將提取的多維特征ta輸入至多維相關分布特征提取層，該層用于...
【專利技術屬性】
技術研發(fā)人員：王彪，申澤林，伊梟劍，秦勇，丁奧，
申請(專利權)人：北京交通大學，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。