【技术实现步骤摘要】
本专利技术属于机械故障诊断相关，更具体地，涉及一种基于多模型协同决策的机械复合故障诊断方法、系统及介质。
技术介绍
1、在现代化工业生产中，机械设备在机械制造、航空航天、交通运输等领域中均扮演着重要的角色，其稳定运行直接关系到生产安全与效率。现代化智能装备在实际运行过程中，由于材料疲劳、装配不当、润滑失效等因素，易发生各种故障，如轴承损坏、齿轮磨损、转子不平衡等，这些问题不仅会降低设备性能，带来经济损失，甚至会引发重大的安全事故。
2、在实际的工业生产环境中，基于故障机理的诊断虽然在理论上提供了故障根源的深入理解，但面临着模型复杂度高、建模难度大的挑战；基于传统信号处理的诊断方法在特征提取和选择、阈值设定等方面依赖于工程师的经验，缺乏普遍适用性的准则，难以给出故障发展的趋势预测。
3、随着传感器技术和大数据技术的进一步发展，工业上提取的数据样本数量逐渐丰富，基于数据驱动的故障诊断方法有着很好的应用前景。深度学习凭借其自动特征学习和提取的能力、强大的表达能力、自适应能力等在机械故障诊断中得到了广泛的应用。深度学习通过神经网络的多层非线性变换，使其具有高度的表达能力，可以处理复杂的故障信号和模式，从而提高诊断精度，同时深度学习模型是一种端到端的学习模式，即实现从原始输入数据到故障诊断结果的输出，这极大地简化了传统诊断系统中多个独立处理步骤的复杂性，提高了诊断流程的效率。
4、在现有使用深度学习进行故障诊断的技术中，由于单一深度学习模型决策的偶然性，导致部分情况下故障诊断的准确率低；此外，由于深度学
技术实现思路
1、针对现有技术的以上缺陷或改进需求，本专利技术提供了一种基于多模型协同决策的机械复合故障诊断方法、系统及介质，其目的在于，提高设备故障诊断的准确率。
2、为实现上述目的，按照本专利技术的第一方面，提出了一种基于多模型协同决策的机械复合故障诊断方法，包括如下步骤：
3、通过滑动窗口采样将待诊断的设备时序信号扩展为y个样本；
4、将y个样本分别输入预训练好的x个故障检测模型中，每个故障检测模型对每个样本均进行故障检测，共得到x×y个故障检测结果；
5、将故障检测结果对应转化为故障标签，故障检测结果反应样本属于各类故障的概率，故障标签反应故障类别；
6、对任一故障检测模型：输入的y个样本对应有y个故障标签，基于故障标签对应的样本数量，确定模型故障标签；据此得到所有故障检测模型的模型故障标签；
7、在所有模型故障标签中选取出现次数最多的两个模型故障标签作为决策标签，并分别确定两个决策标签对应的故障检测模型数量以及样本数量；
8、若两个决策标签对应的故障检测模型数量之差不小于预设阈值，则以对应故障检测模型数量更多的决策标签作为最终故障标签；否则，以对应样本数量更多的决策标签作为最终故障标签；最终故障标签反应的故障类别即为设备故障类别。
9、作为进一步优选的，将故障检测结果对应转化为故障标签，包括：
10、对任一故障检测结果，根据故障检测结果反应的样本属于各类故障的概率，若概率超过50％，则将对应故障类别保留，从而形成故障标签，故障标签为单故障或复合故障。
11、作为进一步优选的，基于故障标签对应的样本数量，确定模型故障标签，包括：
12、将y个故障标签对应的故障类别均拆分为单故障，并统计对应样本数量；筛选保留所有样本数量大于y/2的单故障，若没有单故障样本数量大于y/2，则保留样本数量最多的单故障；对保留的单故障进行组合构建模型故障标签。
13、作为进一步优选的，在得到所有模型故障标签后，若其中没有超过半数的模型故障标签为同一种复合故障，则将检测出的复合故障视为数个单故障，并将该复合故障对应的样本作为对应单故障的样本，再进行后续决策标签确定。
14、作为进一步优选的，所述故障检测模型共有7个，分别基于tfscl、msrcn、cfspt、cfspt_sd、hfpt、msmcnn_sd、props2构建。
15、作为进一步优选的，预训练x个故障检测模型，包括：获取各故障类别的时序信号，并分别通过滑动窗口采样得到对应样本，从而构建训练集，通过训练集分别训练各故障检测模型。
16、作为进一步优选的，在确定最终故障标签时，若出现两个决策标签对应的故障检测模型数量和样本数量均相同，或两个决策标签对应的样本数量均不到y/2，则通过人工决策最终故障标签。
17、作为进一步优选的，所述时序信号为设备的振动、声音或转速信号。
18、按照本专利技术的第二方面，提供了一种基于多模型协同决策的机械复合故障诊断系统，包括处理器，所述处理器用于执行上述基于多模型协同决策的机械复合故障诊断方法。
19、按照本专利技术的第三方面，提供了计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于多模型协同决策的机械复合故障诊断方法。
20、总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，主要具备以下的技术优点：
21、1.本专利技术设计了一种多样本多模型协同的故障诊断；通过将设备时序信号转化为多样本批量决策和集成，有效提升信息感知的全面性和互补性，显著提升了模型的泛化性能；同时，不同于传统的单模型策略，本专利技术采用多个检测模型协同融合决策，显著降低了单一模型对特定数据的过拟合风险，提高设备故障诊断的准确率。
22、2.本专利技术采用数个轻量化的检测模型，且训练过程不涉及到任何目标域信息，模型使用历史数据训练完成后可直接进行诊断，而无需任何域适应和迁移学习的过程对待测数据进行二次处理，具有较高的实时性。同时可以非常便捷的嵌入到分布式训练框架中，可以采用多个训练设备加速整体训练时间，并减少计算资源消耗。
23、3.本专利技术基于数据驱动深度学习的故障诊断技术，无需复杂的专家知识即可实现端到端诊断，有效解决专家人员流动性大，行业垂域深度业务知识难积淀等问题。
本文档来自技高网...【技术保护点】
1.一种基于多模型协同决策的机械复合故障诊断方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于多模型协同决策的机械复合故障诊断方法，其特征在于，将故障检测结果对应转化为故障标签，包括：
3.如权利要求2所述的基于多模型协同决策的机械复合故障诊断方法，其特征在于，基于故障标签对应的样本数量，确定模型故障标签，包括：
4.如权利要求2所述的基于多模型协同决策的机械复合故障诊断方法，其特征在于，在得到所有模型故障标签后，若其中没有超过半数的模型故障标签为同一种复合故障，则将检测出的复合故障视为数个单故障，并将该复合故障对应的样本作为对应单故障的样本，再进行后续决策标签确定。
5.如权利要求1所述的基于多模型协同决策的机械复合故障诊断方法，其特征在于，所述故障检测模型共有7个，分别基于TFSCL、MSRCN、CFSPT、CFSPT_SD、HFPT、MSMCNN_SD、Props2构建。
6.如权利要求1所述的基于多模型协同决策的机械复合故障诊断方法，其特征在于，预训练X个故障检测模型，包括：获取各故障类别的时序信号，并
7.如权利要求1所述的基于多模型协同决策的机械复合故障诊断方法，其特征在于，在确定最终故障标签时，若出现两个决策标签对应的故障检测模型数量和样本数量均相同，或两个决策标签对应的样本数量均不到Y/2，则通过人工决策最终故障标签。
8.如权利要求1-7任一项所述的基于多模型协同决策的机械复合故障诊断方法，其特征在于，所述时序信号为设备的振动、声音或转速信号。
9.一种基于多模型协同决策的机械复合故障诊断系统，其特征在于，包括处理器，所述处理器用于执行如权利要求1-8任一项所述的基于多模型协同决策的机械复合故障诊断方法。
10.一种计算机可读存储介质，其上存储有计算机程序，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1-8任一项所述的基于多模型协同决策的机械复合故障诊断方法。
...【技术特征摘要】
1.一种基于多模型协同决策的机械复合故障诊断方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于多模型协同决策的机械复合故障诊断方法，其特征在于，将故障检测结果对应转化为故障标签，包括：
3.如权利要求2所述的基于多模型协同决策的机械复合故障诊断方法，其特征在于，基于故障标签对应的样本数量，确定模型故障标签，包括：
4.如权利要求2所述的基于多模型协同决策的机械复合故障诊断方法，其特征在于，在得到所有模型故障标签后，若其中没有超过半数的模型故障标签为同一种复合故障，则将检测出的复合故障视为数个单故障，并将该复合故障对应的样本作为对应单故障的样本，再进行后续决策标签确定。
5.如权利要求1所述的基于多模型协同决策的机械复合故障诊断方法，其特征在于，所述故障检测模型共有7个，分别基于tfscl、msrcn、cfspt、cfspt_sd、hfpt、msmcnn_sd、props2构建。
6.如权利要求1所述的基于多模型协同决策的机械复...
【专利技术属性】
技术研发人员：沈卫明，杨雄飞，何艺鸣，宋文斌，
申请(专利权)人：华中科技大学，
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。