【技术实现步骤摘要】
本专利技术涉及故障诊断，尤其涉及一种基于诊断混淆的故障再诊断方法及计算机可读存储介质。
技术介绍
1、工业技术、设备的发展进步、更新迭代使得工业过程越来越自动化和复杂化。工业生产系统存在着极高的耦合性和复杂性，系统内出现任何的细小偏差都可能使整个系统瘫痪，引发安全事故。故障检测与诊断技术能够预测工业设备的变化趋势，对工业系统故障的预防起到关键作用。因此在工业生产过程中，为了避免故障导致严重的工业事故，故障诊断技术受到研究者们广泛的重视。
2、在实际的工业过程中，由于不同工序的人员、设备、物料、环境影响皆不相同，因此不同故障信号的诊断难度也不尽相同。在工业故障诊断过程中，尤其是多故障诊断时，往往会有某一种或者几种故障的诊断率明显低于其他故障，误判概率相对其他故障更高。对于某种微小难诊断故障，由于其故障表现与其他一种或几种故障信号表现非常相似，使得该故障的诊断率非常低，在利用深度学习智能方法对其进行故障诊断时，往往容易将其误判，也就是与其他故障产生了混淆，故现有技术中的故障诊断准确率有限，因此需要对现有技术中的故障诊断方法进行改进。
技术实现思路
1、本专利技术所要解决的第一个技术问题是针对上述现有技术，而提供一种能提高故障诊断准确率的基于诊断混淆的故障再诊断方法。
2、本专利技术所要解决的第二个技术问题是提供一种能执行上述基于诊断混淆的故障再诊断方法的计算机可读存储介质。
3、本专利技术解决上述第一个技术问题所采用的技术方案为：一种基于诊断混淆的故
4、s1、获取多个故障信号，并将所有的故障信号分别进行预处理，得到预处理后的故障信号；
5、s2、将预处理后的故障信号组成数据集，并将数据集构建成训练集和测试集；其中训练集中的每个训练样本包括一个预处理后的故障信号和该故障信号对应的故障标签；
6、s3、构建故障再诊断模型，并使用训练集分批次对构建的故障再诊断模型进行训练，得到训练完成后的故障再诊断模型；
7、其中构建的故障再诊断模型包括基础故障诊断模块、故障再诊断模块和特征融合模块，基础故障诊断模块包括依次连接的第一特征提取层和第一特征分类层，故障再诊断模块包括依次连接的第二特征提取层和第二特征分类层；特征融合模块包括依次连接的特征融合层和第三特征分类层；
8、使用某一批次的训练样本对构建的故障再诊断模型进行训练的具体过程为：
9、s3-1、使用当前批次的所有训练样本对基础故障诊断模块进行训练，得到训练完成后的基础故障诊断模块；在当前批次的所有训练样本中筛选出高混淆故障信号，对每个高混淆故障信号分别进行空间域变换，得到高混淆故障图像，使用高混淆故障图像对故障再诊断模块进行训练，得到训练完成后的故障再诊断模块；
10、s3-2、将第一特征提取层的输出结果和第二特征提取层的输出结果均输入到特征融合层中，得到融合后的故障特征，并对融合后的故障特征输入到第三特征分类层中进行分类，得到最后的故障诊断结果，使用每个训练样本中的故障标签和对应的故障诊断结果计算损失函数，以对特征融合模块进行训练，得到训练完成后的特征融合模块；
11、s4、在测试集中选择出一个测试样本，该测试样本为一个预处理后的故障信号，并将测试样本输入到s3中训练完成后的故障再诊断模型中，即得到该测试样本最后的故障诊断结果。
12、优选地，所述s3-1中的高混淆故障信号的筛选方式为：
13、将当前批次的所有训练样本输入到训练完成后的基础故障诊断模块中，得到各个训练样本所对应的故障分类结果，该故障分类结果对应为故障诊断率或假阳率；
14、并按照下述的方式对每个训练样本进行判断：
15、判断当前训练样本所对应的故障诊断率或假阳率是否在预设范围内，如是，则当前训练样本为非高混淆故障信号；如否，则当前训练样本为高混淆故障信号。
16、优选地，所述第一特征提取层的具体结构为：
17、所述第一特征提取层包括依次连接的第一特征提取单元、感受野覆盖单元、第一卷积层和第二卷积层，所述第二卷积层的输出即对应为第一特征提取层的输出端。
18、优选地，所述第二特征提取层的具体结构为：
19、所述第二特征提取层包括依次连接的第二特征提取单元、特征融合单元、第一2d卷积层和第二2d卷积层，所述第二2d卷积层的输出还进行展平处理后，即作为第二特征提取层的输出端。
20、优选地，所述特征融合层的具体结构为：
21、所述特征融合层包括依次连接的瓶颈卷积层和n个网络层；所述瓶颈卷积层用于对合并后的特征进行降维；每个网络层的结构相同，均包括依次连接的m个卷积层和1个最大池化层，n和m均为正整数。
22、优选地，所述第一特征分类层、第二特征分类层和第三特征分类层的结构相同，均包括全局平均池化层和与全局平均池化层连接的全连接层。
23、本专利技术解决上述第二个技术问题所采用的技术方案为：一种计算机可读存储介质，存储有计算机程序，且能被处理器读取并执行，其特征在于：所述计算机程序被处理器执行时实现如上述的基于诊断混淆的故障再诊断方法。
24、与现有技术相比，本专利技术的优点在于：通过基础故障诊断模块对全部样本进行训练，从而对所有故障均有一定的诊断能力；并且将高混淆故障信号进行空间域变换变换后的高混淆故障图像，并通过高混淆故障图像对故障再诊断模块进行训练，从而对高混淆故障有特定的诊断能力；最终将第一特征提取层的输出结果和第二特征提取层的输出结果进行融合，以提升该故障再诊断模型的整体诊断效果。故该故障再诊断方法能对故障进行准确诊断，有效避免了故障混淆，提高了故障诊断的准确率。
本文档来自技高网...【技术保护点】
1.一种基于诊断混淆的故障再诊断方法，其特征在于包括如下步骤：
2.根据权利要求1所述的故障再诊断方法，其特征在于：所述S3-1中的高混淆故障信号的筛选方式为：
3.根据权利要求1或2所述的故障再诊断方法，其特征在于：所述第一特征提取层的具体结构为：
4.根据权利要求3所述的故障再诊断方法，其特征在于：所述第二特征提取层的具体结构为：
5.根据权利要求4所述的故障再诊断方法，其特征在于：所述特征融合层的具体结构为：
6.根据权利要求5所述的故障再诊断方法，其特征在于：所述第一特征分类层、第二特征分类层和第三特征分类层的结构相同，均包括全局平均池化层和与全局平均池化层连接的全连接层。
7.一种计算机可读存储介质，存储有计算机程序，且能被处理器读取并执行，其特征在于：所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的基于诊断混淆的故障再诊断方法。
【技术特征摘要】
1.一种基于诊断混淆的故障再诊断方法，其特征在于包括如下步骤：
2.根据权利要求1所述的故障再诊断方法，其特征在于：所述s3-1中的高混淆故障信号的筛选方式为：
3.根据权利要求1或2所述的故障再诊断方法，其特征在于：所述第一特征提取层的具体结构为：
4.根据权利要求3所述的故障再诊断方法，其特征在于：所述第二特征提取层的具体结构为：
5.根据权利要求4所述的故障再诊...
【专利技术属性】
技术研发人员：章联军，赵伸豪，王晓东，周乾浩，袁剑，余云林，
申请(专利权)人：宁波大学，
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。