【技术实现步骤摘要】
本专利技术涉及对工业时序数据的故障诊断，特别涉及一种基于pca-ddpm和cnn的小样本条件下故障增强诊断方法。
技术介绍
1、故障诊断在探索测量数据与机器健康状态之间的关系方面发挥着重要作用，这也一直是phm的研究热点。在目前使用广泛的基于深度学习的故障诊断方法中，使用带有故障模式标识的故障数据输入神经网络中进行训练，在具有一定的数据量和数据质量的前提条件下，可以较好地分辨故障数据间的差异性，实现较高准确度的故障数据分类。
2、然而在实际的工业生产中，有效的设备故障数据获取难度较大，而且获取成本比较高昂，因此仅仅使用原始数据进行故障诊断有时难以满足实际使用需求，如何在只有一定量的数据条件下实现尽可能高的故障诊断效果是当前需要解决的重要问题。数据生成方法是目前解决数据不平衡问题的主流方法，目前一类方法为对原始数据进行直接变换实现新数据的生成，比如图像领域的旋转、平移等方法生成新图像；另一类方法为通过学习原始数据的特征和分布形式，通过学习到的分布生成新数据，比如通过神经网络对原始数据进行训练，进而实现原始数据的增广。第二类方法基于数据深层的分布形式生成新数据，相比于第一类方法从理论上说是一种更为优秀的方法，ddpm就属于第二类方法，已经在图像生成领域取得了很好的效果，并广泛应用于各种生成任务，例如图像、语音、3d 形状和图形合成。
3、然而，目前尚未有人利用ddpm针对故障诊断不平衡问题进行故障样本数据增广。
技术实现思路
1、本专利技术提供一种基于pca-d
2、本专利技术实施例提供了一种基于pca-ddpm和cnn的小样本条件下故障增强诊断方法，包括：
3、获取原始故障特征数据，并通过对所述原始故障特征数据进行预处理，得到预处理后的原始故障特征数据；
4、利用主成分分析法pca算法对所述预处理后的原始故障特征数据进行降维处理，得到降维原始故障特征数据，并将所述降维原始故障特征数据输入至去噪扩散概率模型ddpm中进行训练，得到训练好的ddpm模型；
5、利用所述训练好的ddpm模型，采样出新的降维故障特征数据，并利用pca逆变换算法对所述新的降维故障特征数据进行升维处理，得到新的故障特征数据；
6、构建基于卷积神经网络cnn的故障诊断模型，并利用所述预处理后的原始故障特征数据对所述故障诊断模型进行初步训练，得到初步训练好的故障诊断模型；
7、通过将所述预处理后的原始故障特征数据和所述新的故障特征数据进行融合处理，得到增广后的故障样本数据，并将所述增广后的故障样本数据输入至所述初步训练好的故障诊断模型进行增强训练，得到增强训练好的故障诊断模型。
8、优选地，还包括：
9、获取目标设备的故障特征数据，通过将所述目标设备端饿故障特征数据输入至所述增强训练好的故障诊断模型中，得到所述目标设备的故障类型。
10、优选地，所述通过对所述原始故障特征数据进行预处理，得到预处理后的原始故障特征数据包括：
11、通过对所述原始故障特征数据进行拼接处理，得到拼接后的原始故障特征数据；
12、通过对所述拼接后的原始故障特征数据进行标准化处理，得到符合标准正态分布的原始故障特征数据，并将所述符合标准正态分布的原始故障特征数据作为预处理后的原始故障特征数据。
13、优选地，所述降维原始故障特征数据和所述新的降维故障特征数据的特征数目为2的整数幂，使所述降维原始故障特征数据适应所述ddpm模型的输入，保证最后一层上卷积的输出维数=第一层下卷积的输入维数。
14、优选地，所述新的故障特征数据的特征数目与所述原始故障特征数据的特征数目相同。
15、优选地，所述利用pca逆变换算法对所述新的降维故障特征数据进行升维处理，得到新的故障特征数据包括：
16、利用所述pca逆变换算法，其输入为新的降维故障特征数据的特征矩阵，输出为新的故障特征数据的特征矩阵，其包括：
17、新的故障特征数据的特征矩阵=新的降维故障特征数据的特征矩阵×特征向量的转置矩阵+均值矩阵。
18、优选地，所述利用所述训练好的ddpm模型，采样出新的降维故障特征数据包括：
19、分别从每类故障特征数据的通过将利用所述训练好的ddpm模型按照原始样本与生成样本的设置比例进行增广，采样出新的降维故障特征数据。
20、优选地，所述ddpm模型为u-net结构。
21、优选地，所述基于卷积神经网络cnn的故障诊断模型由两个卷积层、两个池化层以及两个全连接层组成。
22、优选地，所述两个卷积层均选用relu激活函数所述两个池化层均使用最大池化法，核尺寸为2；两个全连接层的中间是隐含层，隐含层神经元个数为30，第一个全连接层使用leakyrelu激活函数，第二个全连接层使用softmax激活函数。
23、本专利技术的有益效果如下：
24、（1）ddpm作为一种生成式模型，已被广泛应用于各种生成任务，例如图像、语音、3d形状和图形合成，但是针对ddpm在故障诊断领域的相关研究却非常匮乏，本专利技术提出了一套基于ddpm的小样本条件下故障样本增广生成及故障增强诊断方法；
25、（2）ddpm方法在图像生成领域已经被证明取得了很好的效果。相比于传统数据生成方法，该模型通过学习原始数据的分布并从习得的分布中进行采样，其采样出的样本质量更高，相比于同类型的生成对抗网络（gan），该模型的采样过程更稳定。将ddpm用于生成高质量的故障样本，其效果理论上优于上述其他方法；
26、（3）针对工业过程中时序变量数据的维度存在差异的特点，提出了pca-ddpm方法，将pca用于数据生成前的特征工程，通过合理调整数据的特征维数以适应ddpm的模型输入，该方法有效解决了ddpm无法直接对工业过程时序变量数据进行生成的问题，方法实用性较高；
27、（4）提出了一种ddpm-cnn融合诊断方法，相比于直接运用cnn网络进行故障诊断，所提的融合方法通过ddpm将原始故障数据进行增广后再输入cnn网络进行诊断，诊断精度更高，从而实现故障增强诊断。所提方法能够有效解决真实故障数据匮乏的问题，工程实用性较强。
本文档来自技高网...【技术保护点】
1.一种基于PCA-DDPM和CNN的小样本条件下故障增强诊断方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，还包括：
3.根据权利要求1所述的方法，其特征在于，所述通过对所述原始故障特征数据进行预处理，得到预处理后的原始故障特征数据包括：
4.根据权利要求3所述的方法，其特征在于，所述降维原始故障特征数据和所述新的降维故障特征数据的特征数目为2的整数幂，使所述降维原始故障特征数据适应所述DDPM模型的输入，保证最后一层上卷积的输出维数=第一层下卷积的输入维数。
5.根据权利要求4所述的方法，其特征在于，所述新的故障特征数据的特征数目与所述原始故障特征数据的特征数目相同。
6.根据权利要求5所述的方法，其特征在于，所述利用PCA逆变换算法对所述新的降维故障特征数据进行升维处理，得到新的故障特征数据包括：
7.根据权利要求1所述的方法，其特征在于，所述利用所述训练好的DDPM模型，采样出新的降维故障特征数据包括：
8.根据权利要求7所述的方法，其特征在于，所述DDPM模型为U-n
9.根据权利要求1所述的方法，其特征在于，所述基于卷积神经网络CNN的故障诊断模型由两个卷积层、两个池化层以及两个全连接层组成。
10.根据权利要求9所述的方法，其特征在于，所述两个卷积层均选用ReLU激活函数所述两个池化层均使用最大池化法，核尺寸为2；两个全连接层的中间是隐含层，隐含层神经元个数为30，第一个全连接层使用LeakyReLU激活函数，第二个全连接层使用Softmax激活函数。
...【技术特征摘要】
1.一种基于pca-ddpm和cnn的小样本条件下故障增强诊断方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，还包括：
3.根据权利要求1所述的方法，其特征在于，所述通过对所述原始故障特征数据进行预处理，得到预处理后的原始故障特征数据包括：
4.根据权利要求3所述的方法，其特征在于，所述降维原始故障特征数据和所述新的降维故障特征数据的特征数目为2的整数幂，使所述降维原始故障特征数据适应所述ddpm模型的输入，保证最后一层上卷积的输出维数=第一层下卷积的输入维数。
5.根据权利要求4所述的方法，其特征在于，所述新的故障特征数据的特征数目与所述原始故障特征数据的特征数目相同。
6.根据权利要求5所述的方法，其特征在于，所述利用p...
【专利技术属性】
技术研发人员：程玉杰，王鹏超，顾昊鑫，吕琛，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。