(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210372271.4 (22)申请日 2022.04.11 (71)申请人 合肥工业大 学 地址 230009 安徽省合肥市包河区屯溪路 193号 (72)发明人 王刚　苏泽容　邵佳颖　张亚楠　 伍章俊　杨敏　褚伟　马敬玲　 卢明凤　贡俊巧　 (74)专利代理 机构 安徽省合肥新 安专利代理有 限责任公司 34101 专利代理师 陆丽莉　何梅生 (51)Int.Cl. G06K 9/00(2022.01) G06V 10/762(2022.01) G06V 10/80(2022.01)G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于特征融合和集成聚类的设备故障 诊断方法 (57)摘要 本发明公开了一种基于特征融合和集成聚 类的设备 故障诊断方法， 其步骤包括： 第一， 采集 数据并进行预处理； 第二， 利用信号处理方法提 取时域、 频域、 时频域特征的统计特征， 同时， 利 用基于双向长短期记忆网络的降噪自编码器提 取深度表 示特征； 第三， 基于 上述特征， 生成多个 特征空间， 并训练基聚类器； 第四， 利用选 择性加 权投票法融合各基聚类器结果， 进行设备故障诊 断。 本发明能够有效融合多类特征， 同时确保设 备故障诊断模 型的稳定性和鲁棒性， 从而提高设 备故障诊断的精度。 权利要求书3页 说明书10页 附图1页 CN 114692694 A 2022.07.01 CN 114692694 A 1.一种基于特 征融合和集成聚类的设备故障诊断方法， 其特 征在于， 包括如下步骤： 步骤1， 采集设备的振动信号并进行预处理， 得到振动数据集记为D＝{x1,x2,..., xi,...,xn}， 其中， 为第i个振动样本， n 为样本数量， m为每 个样本的特 征维数； 步骤2， 利用信号处理方法提取时域、 频域、 时频域的统计特征， 并利用基于双向长短期 记忆网络的降噪自编码器提取深度表征 特征： 步骤2.1， 提取第i个振动样本xi的时域特征， 记为 其中， 表示第i个振动样本xi的第n1种时域特征， N1表示第i个振动样本xi提取的时域特征个 数； 步骤2 .2 ， 利用快速傅里叶变换提取第i个振动样本xi的频域特征 ， 记为 其中， 表示第i个振动样本xi的第n2种频域特征， N2表示第i 个振动样本xi提取的频域特 征个数； 步 骤 2 .3 ， 利 用小 波 包 变 换 提 取 第i 个 振 动样本 xi的 时 频 域 特 征 ， 记为 其中， 表示第i个振动样本xi的第n3种时频域特征， N3表示 第i个振动样本xi提取的时频域特 征个数； 步骤2.4， 构建基于双向长短期记 忆网络的降噪自编码器， 提取深度表示特 征： 所述降噪自编码器包括输入模块、 隐藏模块和输出模块， 其中， 输入模块和输出模块均 由双向长短期记 忆网络构成； 在第i个振动样本xi上加入高斯噪声 得到第i个加噪后的振动样本 其中， m为噪声维数； 将第i个加噪后的振动样本 划分为相同长度的T段， 构成所述输入模块的输入数据向 量 其中， 是输入模块中的双向长 短期记忆网络的第i个前向输入数据， 是输入模块中的双向长短期记忆网络的第i个后 向输入数据； 将 输入到所述输入模块中， 同时经过输入模块的双 向长短期记忆网络的前、 后向隐 藏层， 在时间步T上输出 所述输入 模块的第i个输出 特征向量 其中， 表示输入模块中的双向长 短期记忆网络的第fw个细胞在时间步T上的第i个振动样本 的前向隐藏层输出特征， 表 示输入模块中的双向长短期记忆网络的第bw个细胞在时间步T上 的第i个振动样本的后向 隐藏层输出 特征； 所述隐藏模块由q个隐藏层构成， 且每 个隐藏层有nq个节点； 所述隐 藏 模块 对 第i个输出特征向 量zi进行 编码 ， 得 到 第i个 编码结果 其中， 表示第i个振动 样本在隐藏模块得到的第n4个特征， N4为特征个数；权　利　要　求　书 1/3 页 2 CN 114692694 A 2对 第 i 个 编 码 结 果 进 行 解 码 ， 得 到 输 出 模 块 的 第 i 个 输 入 特 征 向 量 其中， 表示输出模块中的双向长短期 记忆网络的第fw个细胞的第i个振动样本的前向 隐藏层输入特征， 表示输出模块中 的双 向长短期记 忆网络的第bw个细胞的第i个振动样本的后向隐藏层输入特 征； 将第i个输入特征向量z ′i输入到所述输出模块中， 同时经过输出模块中的双向长短期 记忆网络的前、 后向隐藏层后， 在时间步T 上输出所述输出模块的第i个输出特征向量， 并作 为第i个重构的振动样本 其中， 表示所述输出模块中的双向长短期记忆网络的第fw个细胞在时间步T上的第i个振动样 本的前向隐藏层输出特征， 表示所述输出模块中的双向长短期记忆网络的第bw个细胞 在时间步T上的第i个振动样本的后向隐藏层输出 特征； 利用梯度 下降法对所述基于双向长短期记忆网络的降噪自编码器进行训练， 并将达到 最 优 时 所 对 应 的 隐 藏 模 块 的 编 码 结 果 作 为 所 提 取 的 深 度 表 示 特 征 ， 记 为 其中， 表示第i个振动样本xi的第n4种深度表示特 征； 步骤3， 生成多个特 征空间， 分别训练基聚类 器： 将所述时域特征F1、 频域特征F2、 时频域特征F3、 深度表示特征F4组合成多个特征空间； 记为L＝{l1,l2,...,lv,...,lV}， 其中， lv表示组合的第v个特征空间， V表示特征空间的数 量； 基于每个特征空间， 分别利用K均值聚类方法对基聚类器训练， 得到训练后的基聚类器 记为C＝{C(1),C(2),...,C(r),...,C(R)}， 其中， C(r)表示第r个训练后的基聚类器， R表示基聚 类器的数量； 将第r个训练后的基聚类器C(r)的聚类结果表示为 其中， 表示第r个训练后的基聚类 器C(r)聚成的第e个簇， k表示聚成簇的数量； 步骤4， 利用选择性加权投票法融合各训练后的基聚类器的聚类结果用于设备故障诊 断； 步骤4.1， 对齐各基聚类 器： 随机选择一个训练后的基聚类器作为参考基聚类器C(rand)， 对参考基聚类器C(rand)中的 每一个簇， 均在其余R ‑1个训练后的基聚类器所聚成的簇中各选出一个与参考基聚类器C (rand)中的簇的振动样本重叠数量最多的簇， 并将参考基聚类器C(rand)中的簇与所选出的重 叠样本数量最多的簇标记为同一个标记； 从而完成参考基聚类器C(rand)中的所有簇均分别 与 其 它 基 聚 类 器 中 的 各 个 簇 的 标 记 ， 并 得 到 对 齐 后 的 R 个 基 聚 类 器 记 为 其中， 表示第r个对齐后的基聚类 器； 步骤4.2， 利用式(1)得到对齐后的第r个基聚类器 的权重wr， 从而得到对齐后的各 基聚类器的权重w＝{w1,w2,...,wr,...,wR}：权　利　要　求　书 2/3 页 3 CN 114692694 A 3