【技術實現步驟摘要】
本專利技術涉及智能故障診斷系統，特別是多傳感器數據融合的智能故障診斷系統及其方法。
技術介紹
1、隨著工業4.0時代的到來，智能制造和預測性維護已成為現代工業發展的重要趨勢。在這一背景下，設備故障診斷技術的重要性日益凸顯。傳統的故障診斷方法主要依賴于單一傳感器數據和預設的診斷規則，雖然在一定程度上能夠滿足基本的故障檢測需求，但在面對復雜的工業環境和多樣化的故障類型時，其局限性日益明顯。
2、目前，業界普遍采用的故障診斷方法大多基于振動分析或油液分析等單一數據源。這些方法在處理簡單的故障類型時表現尚可，但在復雜系統中往往難以準確識別故障的根本原因。例如，在大型旋轉設備中，單純依賴振動數據可能會忽視溫度變化、壓力波動等重要信息，導致診斷結果不全面或不準確。此外，這些方法通常采用固定的診斷閾值，缺乧對設備動態工況的適應能力，容易造成誤報或漏報。
3、另一方面，隨著人工智能技術的發展，一些研究者開始嘗試將機器學習算法應用于故障診斷領域。然而，這些方法大多仍局限于單一數據源的分析，未能充分利用多源傳感器數據的互補性。同時，現有的智能診斷系統往往采用"黑盒"模型，診斷結果缺乏可解釋性，難以獲得工程人員的信任和采納。
4、此外，工業設備的工作環境和故障模式都在不斷變化，而大多數現有的診斷系統缺乏自適應學習能力，無法有效應對新出現的故障類型。這導致系統的診斷性能隨時間推移而逐漸降低，需要頻繁的人工干預和更新。
5、面對這些挑戰，亟需能夠綜合利用多源傳感器數據、具備自適應學習能力、同時保證診斷結果可
技術實現思路
1、面對這些挑戰，本專利技術提出了多傳感器數據融合的智能故障診斷系統及其方法。通過創新的系統架構設計和先進的算法應用，本專利技術旨在解決現有技術中存在的數據利用不充分、診斷精度不高、可解釋性差、適應性不足等關鍵問題。
2、本專利技術提出了多傳感器數據融合的智能故障診斷系統，包括：
3、在線診斷模塊和離線訓練模塊，其中：
4、所述在線診斷模塊包括自適應平衡子模塊和原型網絡子模塊，用于實時處理傳感器數據并進行故障診斷；
5、所述離線訓練模塊包括數據預處理子模塊、數據融合子模塊、故障診斷子模塊、數據平衡子模塊和數據解釋性子模塊，用于優化診斷模型；
6、所述自適應平衡子模塊包括注意力單元和數據合成單元，用于動態調整數據權重和生成平衡數據；
7、所述數據預處理子模塊包括數據采集單元和數據清洗單元，用于獲取和預處理多源傳感器數據；
8、所述數據融合子模塊包括數據篩選單元和特征提取單元，用于篩選有效數據并提取特征；
9、所述故障診斷子模塊包括主動學習策略單元，該單元進一步包括數據標注單元、數據預測單元和不確定性評估單元，用于持續優化診斷模型；
10、所述數據解釋性子模塊包括shap值提取單元，用于解釋診斷結果；
11、其中，所述在線診斷模塊和離線訓練模塊通過數據交互形成閉環，實現實時診斷與持續優化。
12、多傳感器數據融合故障診斷方法，包括以下步驟：(a)通過數據預處理子模塊采集并預處理多源傳感器數據；(b)利用數據融合子模塊對預處理后的數據進行特征提取和融合；(c)使用故障診斷子模塊對融合后的特征數據進行診斷學習；(d)通過數據解釋性子模塊對診斷結果進行解釋，并利用不確定性評估單元計算不確定性；(e)基于不確定性評估結果，采集新數據并進行標注，同時使用數據平衡子模塊對數據集進行平衡；(f)更新診斷模型并調整數據集樣本的標簽；(g)重復執行步驟(c)至(f)，直至滿足預設的迭代停止條件；(h)將優化后的模型部署到在線診斷模塊，實現實時故障診斷。
13、優選地，步驟(b)中的特征提取過程采用改進的vgg-19卷積神經網絡，該網絡通過增加網絡深度來獲取更豐富的故障特征信息，具體步驟如下：首先，將預處理后的數值化數據輸入到vgg-19網絡；然后，通過增加的卷積層和池化層提取深層特征；最后，輸出維度為2048×1的特征向量h，其中h＝[h1,h2,…,h2048]t，hi表示第i個特征分量。
14、優選地，步驟(b)中的數據融合過程采用注意力機制輔助的加權融合算法，具體步驟如下：首先，對于兩個特征向量h1與h2,計算融合特征f:f＝σ(w1h1+w2h2+b)，其中，hi表示第i個特征向量，wi表示第i個特征向量的權重矩陣，b表示偏置向量，σ表示激活函數；然后，引入注意力機制，計算注意力權重：αi＝softmax(vttanh(whi+b))，
15、其中，v和w為可學習參數，hi表示第i個特征向量；最后，計算融合特征向量f′:f′＝∑(αihi)，其中，αi表示第i個特征向量的注意力權重；將融合特征向量f′輸入全連接層，得到最終的融合特征向量。
16、優選地，步驟(c)中的診斷學習過程采用支持向量機結合原型網絡進行遷移學習，具體步驟如下：
17、首先，利用多源數據集訓練原型網絡，獲取先驗知識；
18、然后，將源域樣本分配到各自原型，并為目標域樣本分配先驗概率；
19、接著，計算目標域的加權原型，定義源域與目標域之間的相似度：
20、
21、其中，xt表示目標域中的第t個樣例，xs表示源域中的第s個樣例，σ表示高斯核寬度參數隨后，設定相似度閾值θ,對數據集進行相似性篩選；計算數據集d的相似度平均值μ與標準差σ:
22、
23、其中，n表示數據集樣本數；最后，利用余弦相似度距離度量，計算數據自適應平衡權重：
24、
25、其中，cos(xt,xs)表示xt與xs的余弦相似度。
26、優選地，步驟(d)中的不確定性評估過程采用基于信息熵的方法，具體步驟如下：
27、若h(y|x)>θ1,則將樣本標記為不確定集u1；若h(y|x)<θ2,則將樣本標記為不確定集u2；其中，h(y|x)表示給定輸入x時輸出y的條件熵，θ1和θ2表示預設閾值；然后，對不確定集u1和u2,計算其置信度其中，k表示類別數；接著，設置置信度閾值θc,將置信度低于θc的數據標記為待標注數據；最后，對診斷不準確的結果重新計算置信度，若置信度低于，若置信度低于θc，則將其標記為待標注數據。
28、優選地，步驟(e)中的數據平衡過程采用改進的條件生成對抗網絡cgan，具體步驟如下：
29、首先，構建cgan，包括生成器g和判別器d，其損失函數為：
30、lcgan＝ex,y[logd(x,y)]+ex,z[log(1-d(g(z,y),y))]+λex,z,y[∥x-g(z,y)∥1]
31、其中，x表示真實數據，y表示標簽，z表示隨機噪聲，λ表示l1正則化系數，g(z,y)表示生成器生成的數據；
32、然后，訓練生成器g和判別器d，判別器的優化本文檔來自技高網...
【技術保護點】
1.多傳感器數據融合故障診斷系統，其特征在于，包括：
2.根據權利要求1所述的系統的多傳感器數據融合故障診斷方法，其特征在于，包括以下步驟：(a)通過數據預處理子模塊采集并預處理多源傳感器數據；(b)利用數據融合子模塊對預處理后的數據進行特征提取和融合；(c)使用故障診斷子模塊對融合后的特征數據進行診斷學習；(d)通過數據解釋性子模塊對診斷結果進行解釋，并利用不確定性評估單元計算不確定性；(e)基于不確定性評估結果，采集新數據并進行標注，同時使用數據平衡子模塊對數據集進行平衡；(f)更新診斷模型并調整數據集樣本的標簽；(g)重復執行步驟(c)至(f)，直至滿足預設的迭代停止條件；(h)將優化后的模型部署到在線診斷模塊，實現實時故障診斷。
3.根據權利要求2所述的方法，其特征在于，步驟(b)中的特征提取過程采用改進的VGG-19卷積神經網絡，該網絡通過增加網絡深度來獲取更豐富的故障特征信息，具體步驟如下：首先，將預處理后的數值化數據輸入到VGG-19網絡；然后，通過增加的卷積層和池化層提取深層特征；最后，輸出維度為2048×1的特征向量H，其中H＝[h1，h
4.根據權利要求2所述的方法，其特征在于，步驟(b)中的數據融合過程采用注意力機制輔助的加權融合算法，具體步驟如下：首先，對于兩個特征向量H1與H2，計算融合特征F：F＝σ(W1H1+W2H2+b)，其中，Hi表示第i個特征向量，Wi表示第i個特征向量的權重矩陣，b表示偏置向量，σ表示激活函數；然后，引入注意力機制，計算注意力權重：αi＝softmax(vTtanh(WHi+b))，其中，v和W為可學習參數，Hi表示第i個特征向量；最后，計算融合特征向量F′：F′＝∑(αiHi)，其中，αi表示第i個特征向量的注意力權重；將融合特征向量F′輸入全連接層，得到最終的融合特征向量。
5.根據權利要求2所述的方法，其特征在于，步驟(c)中的診斷學習過程采用支持向量機結合原型網絡進行遷移學習，具體步驟如下：
6.根據權利要求2所述的方法，其特征在于，步驟(d)中的不確定性評估過程采用基于信息熵的方法，具體步驟如下：
7.根據權利要求2所述的方法，其特征在于，步驟(e)中的數據平衡過程采用改進的條件生成對抗網絡CGAN，具體步驟如下：
8.根據權利要求2所述的方法，其特征在于，步驟(d)中的數據解釋過程采用改進的SHAP值計算方法，具體步驟如下：
9.根據權利要求2所述的方法，其特征在于，步驟(e)中的主動學習策略包括以下過程：
10.根據權利要求2所述的系統，其特征在于，還包括未知故障診斷功能，其工作過程如下：
...【技術特征摘要】
1.多傳感器數據融合故障診斷系統，其特征在于，包括：
2.根據權利要求1所述的系統的多傳感器數據融合故障診斷方法，其特征在于，包括以下步驟：(a)通過數據預處理子模塊采集并預處理多源傳感器數據；(b)利用數據融合子模塊對預處理后的數據進行特征提取和融合；(c)使用故障診斷子模塊對融合后的特征數據進行診斷學習；(d)通過數據解釋性子模塊對診斷結果進行解釋，并利用不確定性評估單元計算不確定性；(e)基于不確定性評估結果，采集新數據并進行標注，同時使用數據平衡子模塊對數據集進行平衡；(f)更新診斷模型并調整數據集樣本的標簽；(g)重復執行步驟(c)至(f)，直至滿足預設的迭代停止條件；(h)將優化后的模型部署到在線診斷模塊，實現實時故障診斷。
3.根據權利要求2所述的方法，其特征在于，步驟(b)中的特征提取過程采用改進的vgg-19卷積神經網絡，該網絡通過增加網絡深度來獲取更豐富的故障特征信息，具體步驟如下：首先，將預處理后的數值化數據輸入到vgg-19網絡；然后，通過增加的卷積層和池化層提取深層特征；最后，輸出維度為2048×1的特征向量h，其中h＝[h1，h2，...，h2048]t，hi表示第i個特征分量。
4.根據權利要求2所述的方法，其特征在于，步驟(b)中的數據融合過程采用注意力機制輔助的加權融合算法，具體步驟如下：首...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。