基于数据增强和胶囊神经网络的风机故障可迁移诊断方法

技术特征：
1.一种基于数据增强和胶囊神经网络的风机故障可迁移诊断方法，其特征在于，该方法包括如下步骤：s1：对采集到的风机振动信号数据进行预处理，检测并剔除异常值；s2：等距划分信号频带，计算每个风机振动信号样本在子频带上的平均功率谱密度强度值并绘制出时序曲线，选取方差最大的时序曲线所对应的频带为故障最佳特征频率带；s3：计算每个风机振动信号样本在故障最佳特征频率带上的平均功率谱密度强度值，并将其作为训练后的一类支持向量机的输入进行故障退化检测，从而确定故障初始失效发生点；s4：将s1剔除异常值后的风机振动信号根据故障初始失效发生点重新划分为故障数据和正常数据，并打上标签，构建训练数据集；s5：初始化胶囊神经网络的网络超参数，将训练数据集中的一维的振动信号转换为二维信号输入到胶囊神经网络中并进行训练；s6：将目标风机的振动信号数据输入训练好的胶囊神经网络，即可获得诊断结果。2.根据权利要求1所述的基于数据增强和胶囊神经网络的风机故障可迁移诊断方法，其特征在于，所述s1中的异常值剔除过程为：根据拉依达准则对采集到的振动信号数据中存在的异常值进行检测和剔除，拉依达准则的公式如下：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中，x
t
为第t个风机振动信号，代表该段振动信号的平均值，是该段信号的标准差，n表示该段信号内的采样点总数；当数据满足拉依达准则时，该数据会被当作异常值直接删除。3.根据权利要求1所述的基于数据增强和胶囊神经网络的风机故障可迁移诊断方法，其特征在于，所述s2包括以下步骤：s21，对每个振动信号数据求功率谱密度，将时域信号转换到频域上；s22，等距划分振动信号整个频率带，得到若干个子频带；s23，根据下述公式计算每个振动信号在对应子频带上的平均功率谱密度强度值，并按照时间顺序绘制一维时序曲线；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)其中f
khb
和f
klb
分别表示第k个子频带的上限频率值和下限频率值；psd(f)表示频率f对应的功率谱密度值；s24，计算各子频带对应的平均功率谱密度强度曲线的方差值，选取方差最大的子频带作为故障最佳特征频率带。4.根据权利要求1所述的基于数据增强和胶囊神经网络的风机故障可迁移诊断方法，其特征在于，所述的s3包括以下步骤：
s31，构建训练集：将每个振动信号在故障最佳特征频率带上计算得到的平均功率谱密度强度值以及衡量信号本身分布陡缓程度的峭度值作为一类支持向量机模型的输入，训练集包括健康数据和少量故障数据；s32，一类支持向量机模型的目标函数和约束条件如下：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
ꢀꢀ
(4)其中，f表示输入特征空间；ω和ρ分别代表超平面的权重向量以及偏置量；ξ
i
是非零的松弛变量；φ(.)代表核函数；x
i
表示一类支持向量机模型的第i个输入；v为训练集中异常值存在的比例值的上限，v∈(0,1)；通过求解上述优化问题，得到决定超平面的ω和ρ，最终的分类器表达式如下：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)其中x
΄
表示待分类的振动信号；sgn(x)表示符号函数，当x>0时输出1，反之输出0；s33，使用训练好的一类支持向量机模型来判断振动数据是故障还是健康，如果输出为0，表示该数据为故障数据，否则为健康数据，以此来确定故障初始失效发生点。5.根据权利要求1所述的基于数据增强和胶囊神经网络的风机故障可迁移诊断方法，其特征在于，所述s4根据故障初始失效发生点将s1剔除异常值后的风机振动信号重新划分成健康数据和故障数据，并通过下采样的方式平衡两个类别的数据；将相同量级的故障数据和健康数据打包成数据集，并对数据集内的数据进行打乱操作。6.根据权利要求5所述的基于数据增强和胶囊神经网络的风机故障可迁移诊断方法，其特征在于，所述s5中的胶囊神经网络包含三个部分：卷积层、初始胶囊层和故障胶囊层；在卷积层中，一维的振动数据信号被处理成二维数据作为输入，大小为32
×
32，采用的卷积核大小为3
×
3，深度为10，步长为1，同时使用relu激活函数；在初始胶囊层中，采用大小为3
×
3、深度为20、步长为1的卷积核，对得到的特征图进行展平，得到16个20维向量的初级胶囊；故障胶囊层中的输出胶囊个数为2，维度为10，由初始胶囊层的胶囊向量通过动态路由算法以及非线性激活函数得到。7.根据权利要求6所述的基于数据增强和胶囊神经网络的风机故障可迁移诊断方法，其特征在于，所述的动态路由算法过程如下：s51，每个初级胶囊乘以一个独立的权重矩阵来预测每个故障胶囊，计算公式如下；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)其中u
i
为第i个初级胶囊，w
ij
为权值矩阵，表示输入为u
i
时的预测向量；s52，将每个预测向量和对应的耦合系数h
ij
相乘后求和得到故障胶囊层的输入，计算公式如下：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)其中耦合系数h
ij
满足，由softmax函数求出，如下式所示：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)其中b
ij
是先验概率的对数表示，初始值为0；s53，将故障胶囊层的输入q
j
通过非线性激活函数squashing得到故障胶囊层的输出，计算公式如下：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)其中f
s
为非线性函数，确保向量方向不变的情况下将向量长度压缩到0到1之间；s54，通过测量输出向量与预测向量的一致性，并借助该测量的一致性迭代地更新耦合系数，计算公式如公式（10）；然后返回步骤s52进行下一次迭代，经过r次迭代过后获得故障胶囊层的最终输出
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)。

技术总结
本发明公开一种基于数据增强和胶囊神经网络的风机故障可迁移诊断方法，其包括：对采集到的风机振动信号数据预处理，检测并剔除异常值；基于平均功率谱密度提取故障的最佳特征频率带；计算风机振动信号在故障最佳特征频率带上的平均功率谱密度强度值，并将其作为一类支持向量机的输入进行故障退化检测，从而确定故障初始失效发生点；将振动信号根据失效点重新划分为故障和正常数据，并打上标签，构建训练数据集；初始化胶囊神经网络的网络超参数，并进行训练；将新的振动数据信号输入训练后的网络，即可获得诊断结果。本发明通过数据增强有效扩充了故障样本，并基于胶囊神经网络提取的多维丰富特征，提高了模型风机故障诊断的准确性和可迁移性。确性和可迁移性。确性和可迁移性。


技术研发人员：胡伟飞 焦清 赵峰 刘振宇 谭建荣
受保护的技术使用者：浙江大学
技术研发日：2022.06.15
技术公布日：2022/7/15