基于半监督学习和残差神经网络的射流风机故障分类方法与流程

本发明涉及地铁射流风机故障分类，尤其涉及基于半监督学习和残差神经网络的射流风机故障分类方法。

背景技术：

1、射流风机是一种开放进、出口的特殊轴流风机，其在密闭的空间中主要起到诱导气、排风的作用，风机一般悬挂在房间顶部或两侧，不占用建筑面积，也不需要另外修建风道，具有效率高、噪音低、运转平稳、维护简便的特点，我们目前探究的地铁射流风机，是一款在地铁隧道内广泛使用的风机，其主要起到地下密闭空间通风、均衡温度的作用。

2、在地铁运行过程中，隧道内的地铁车辆通行时，会产生巨大的震动和声响。这样的震动有可能诱导风机叶片共振，从而导致风机叶片损坏。同时，震动也会导致风机外部的紧固螺栓松动，给风机运行带来安全隐患。当隧道内进入有害动物或是外来人员时，隧道风机也有可能遭到外力击打，从而损坏风机。

3、由于风机在运行过程中，会产生振动信号，故我们在风机关键部位上装载传感器，并探测风机产生的振动信号。依据振动信号产生的波形，来判断风机目前运行的状态，是一种非常有效的方法。

4、梅尔图(mel-spectrogram)是一种新兴的基于连续傅里叶变换的信号二维化方法。在语音领域，梅尔图可以有效地提取出声音信号的特征。梅尔图可以有效提取出基于人类对频率的感知度，是机器学习界常用的方法之一。

5、卷积神经网络(convolutional neural network，cnn)在机器学习-图像处理方面拥有非常高的使用率。且加深深度的卷积神经网络使得深度学习成为一种可能。随着网络越来越深，训练变得越来越难，网络的优化变得越来越难。网络过深时，训练难度大，容易出现“退化”(degradation)问题。因此在普通平坦网络上添加一个短路(shortcut)，构成一个残差块，就生成了残差卷积神经网络。残差卷积神经网络在图像分类问题上展现出了非常高的准确率。

6、在持续部署的情况下，其信号与我们预训练的信号数据会有所偏差，导致我们在分类新数据时，出现分类准确率低的问题。同时，我们在部署后，需要时刻收集产生的数据进行标注。不仅浪费标注时间，其鲁棒性也被大大降低。

技术实现思路

1、本发明的目的是提供使用有梅尔图生成、残差神经网络的训练和自训练架构部署，节约工程师分辨信号的时间，加强分类模型的鲁棒性的基于半监督学习和残差神经网络的射流风机故障分类方法。

2、为了实现上述目的，本发明提供如下技术方案：基于半监督学习和残差神经网络的射流风机故障分类方法，包括以下步骤：

3、s01：利用多个传感器，采集射流风机在不同故障下产生的数据，使用梅尔图的方法二维化，保存为原始已标注数据集；

4、s02：预训练一个收敛的残差卷积神经网络模型；

5、s03：部署上线，持续生成梅尔图并进行故障分类；

6、s04：收集线上产生的梅尔图数据，并使用分布熵对数据进行过滤，合格的数据被送入步骤s05；

7、s05：使用类均衡器对合格的数据进行重均衡，均衡后的数据，将其伪标签一起和原已标记数据连接，形成新的已标记数据；

8、s06：使用新的数据集，对残差神经网络模型进行再训练；

9、s07：训练完成后，将新的残差神经网络模型替换原有的残差神经网络模型，并将原残差神经网络模型存档。

10、作为上述技术方案的进一步描述：

11、所述步骤s01中，采集射流风机在不同故障下产生的数据包括地脚松动轻、地脚松动重、外力冲击和垫片缺失中的一种或多种。

12、作为上述技术方案的进一步描述：

13、所述步骤s01中，梅尔图方法二维化的步骤如下所示：

14、s01.1：在射流风机管外壁内陷管上，斜向上45度处布置两个传感器，并在内陷管的水平方向上再布置两个传感器；

15、s01.2：模拟上述故障类型的故障，并保存原始信号s(t)；

16、s01.3：设定了信号窗口长度nw和滑窗长度nl，通过滑动采样窗口对原始信号数据s进行重叠采样，得到一组信号样本，在第i个窗口，所获得的信号样本为si；

17、s01.4：将每个信号样本切成时长为t的帧的序列，这意味着采样频率sr的信号上，一帧的采样长度n如公式(1.1)：

18、n＝t×sr       (1.1)；

19、s01.5：定义第i个分割样本信号为si(n)，使用离散傅里叶变换公式(1)来计算复数域上的信号谱si(k)，k代表其变换所处频率：

20、

21、s01.6：将复数域上的信号谱依据下公式(2)计算能量谱p：

22、

23、s01.7：依照公式(3)构建一个二维梅尔填充序列h：

24、

25、s01.8：将能量谱p与填充序列h的转置相乘，并使用直方图均衡化方法hist，得到最终的热力图，具体如公式(4)所示，其中eps代表最小值矩阵，保证取对数操作不会出现负无穷的情况：

26、spectrum＝hist(20log10(p·ht+eps))          (4)。

27、作为上述技术方案的进一步描述：

28、所述步骤s02中，预训练一个收敛的残差卷积神经网络模型的方法，其步骤具体如下所示：

29、s02.1：将步骤s01中产生的梅尔图数据保存为128×128的灰度图格式，并对数据集进行随机划分，其中70％的数据集作为训练集，20％的数据集作为测试集，10％的数据作为验证集；

30、s02.2：初始化残差卷积神经网络模型，以batch_size作为批量，取学习率为0.001，确定神经网络的全连接层输出为m个(包含1个风机运行正常状态和m-1个故障状态)，训练的优化器取adam优化器，设置epoch组训练批次，汇总上述超参数为

31、θ＝{batch_size,epoch,m,lr＝0.001,optimizer＝adam,lm}，损失函数lm取交叉熵损失(cross-entropy loss)，其计算公式(4.1)如下

32、

33、s02.3：等待其模型收敛，将模型保存为m。

34、作为上述技术方案的进一步描述：

35、所述步骤s03中，持续生成梅尔图并进行故障分类的方法，为设定信号窗口长度nw和采集时间间隔tc，在时间序列上以固定时间间隔进行采样，并遵循步骤s01中的方法生成梅尔灰度图序列：h＝{h1,h2,…,ht}，将梅尔图h传入模型m，其概率向量y来源于模型m的全连接输出m(h)，依据公式(5)，将可能性最大的结果p输出：

36、p＝argmax(y)                    (5)。

37、作为上述技术方案的进一步描述：

38、所述步骤s04中，使用分布熵对数据进行过滤，为将梅尔图h传入模型m，其预测概率向量y来源于模型m的全连接输出m(h)，同时，依据分布熵的公式(5.1)，计算该预测结果的分布熵e：

39、

40、若分布熵e的值越接近0，说明伪标记的可信度越高，最后，设定一个分布熵阈值el，只要其分布熵e小于阈值el，就将预测结果和图片数据保存，送入步骤s05。

41、作为上述技术方案的进一步描述：

42、所述步骤s05中，使用类均衡器对合格的数据进行重均衡，均衡后的数据，将其伪标签一起和原已标记数据连接，其具体步骤如下所示：

43、s05.1：将步骤s04中获取的数据对进行汇总，设图片集为xu，标签集为yu，则生成未标记数据集(xu,yu)，随后，将未标记数据同已标记数据(xr,yr)拼接起来，形成新的数据集(xu+xr,yu+yr)；

44、s05.2：设μl代表调整后的l分类所拥有的数据放缩百分比，σ代表采样频率，则类均衡器遵循公式(6)的准则进行调整，保证不同类间的数据样本数量数量均衡：

45、

46、依据上述规则，将(xu+xr,yu+yr)送入类均衡器，更新为新的已标记数据(xr′,yr′)。

47、作为上述技术方案的进一步描述：

48、所述步骤s06中，使用新的数据集对残差神经网络模型进行再训练，其模型训练超参数同步骤s02.2中θ，使得模型m收敛为m′。

49、作为上述技术方案的进一步描述：

50、所述步骤s07中，将新的残差神经网络模型替换原有的残差神经网络模型并将原残差神经网络模型存档，其为将m′替换m，并将m作存档。

51、在上述技术方案中，本发明提供的基于半监督学习和残差神经网络的射流风机故障分类方法，具有以下有益效果：

52、(1)、本发明使用了梅尔图作为信号二维化的手段，不仅能够准确提取信号中的特征，同时又使得卷积神经网络在一维信号处理中应用成为可能；

53、(2)、本发明提出了一种基于改进半监督学习与残差卷积神经网络的地铁风机故障分类方法，针对线上持续部署过程中，深度残差卷积模型识别率降低的问题进行了方案上的改良，基于自训练的方法，能够使用线上的数据持续对分类模型进行训练，不仅节约了工程师分辨信号的时间，也加强了分类模型的鲁棒性。