1.一种基于统计约束的SMOTE和自步残差的故障诊断方法,其特征在于,包括:基于SMOTE算法根据样本机组的不平衡数据集得到生成样本数据,根据所述生成样本数据的统计特征对所述生成样本数据进行筛选得到平衡数据集;
基于残差网络得到所述平衡数据集对应的故障类别预测标签,确定所述故障类别预测标签与所述平衡数据集对应的故障类别真实标签之间的损失值;
基于动态自步函数对所述损失值进行更新得到目标函数,并对所述目标函数进行优化,使用优化后的所述目标函数对残差网络进行训练;
将目标机组的运行数据输入训练后的所述残差网络中,得到所述残差网络输出的所述目标机组的故障类别预测标签;
所述动态自步函数f(V,λ)的公式为:
其中,V为长度为n的隐含的权重向量,vi为V中第i维的值,λ为一个控制参数值,反映了当前学习所进行到的阶段,q(t)>1,是一个关于时间t的单调递减函数,用来控制自步学习的学习方案的选择;
q(t)的计算公式为:
其中,Nt与Nmax为预定义的样本序列N中的值,N={[N1,N2,...,Nmax],(对于i
2.根据权利要求1所述的基于统计约束的SMOTE和自步残差的故障诊断方法,其特征在于,所述统计特征包括峰值因子、波形因子、脉冲因子、偏度和峭度中的一种或多种。
3.根据权利要求1所述的基于统计约束的SMOTE和自步残差的故障诊断方法,其特征在于,所述根据所述生成样本数据的统计特征对所述生成样本数据进行筛选,包括:确定每类所述不平衡数据集的每种统计特征的箱线图;
根据每种统计特征的箱线图的下四分位数和上四分位数,确定每种统计特征的上异常值截断点;
根据每种统计特征的箱线图的下四分位数和上四分位数,确定每种统计特征的下异常值截断点;
根据每种统计特征的上异常值截断点和下异常值截断点,确定每种统计特征的约束区域;
在每类所述生成样本数据的统计特征均处于所述统计特征的约束区域的情况下,将所述生成样本数据保留,否则将所述生成样本数据丢弃。
4.根据权利要求1所述的基于统计约束的SMOTE和自步残差的故障诊断方法,其特征在于,所述残差网络依次包括卷积层、批量归一化层、池化层、多个残差块和全连接层;
每个残差块依次包括第一卷积层、第一批量归一化层、Relu激活函数、第二卷积层和第二批量归一化层,每个残差块还包括跳跃连接。
5.根据权利要求1所述的基于统计约束的SMOTE和自步残差的故障诊断方法,其特征在于,基于动态自步函数对所述损失值进行更新得到目标函数为:其中,E为所述目标函数,W表示所述残差网络的参数,n为所述平衡数据集中数据的总条数,V为长度为n的隐含的权重向量,V中第i维的值vi为Xi的权重,λt为第t次迭代中的控制参数值,为所述平衡数据集中第i条数据Xi第t次迭代的故障类别预测标签f(Xi,W)与故障类别真实标签Yi之间的损失值,q(t)>1,是一个关于时间t的单调递减函数,用来控制自步学习的学习方案的选择;
λt的计算公式为:
其中,Lsort由第t次迭代中n条数据对应的损失值L=[l1,l2…ln]进行升序排序得到,l1为第1条数据对应的损失值,l2为第2条数据对应的损失值,ln为第n条数据对应的损失值,为Lsort中第Nt个损失值。
6.根据权利要求5所述的基于统计约束的SMOTE和自步残差的故障诊断方法,其特征在于,vi的更新公式为:其中,yi为样本标签。
7.一种基于统计约束的SMOTE和自步残差的故障诊断装置,其特征在于,包括:生成模块,用于基于SMOTE算法根据样本机组的不平衡数据集得到生成样本数据,根据所述生成样本数据的统计特征对所述生成样本数据进行筛选得到平衡数据集;
构建模块,用于基于残差网络得到所述平衡数据集对应的故障类别预测标签,确定所述故障类别预测标签与所述平衡数据集对应的故障类别真实标签之间的损失值;
训练模块,用于基于动态自步函数对所述损失值进行更新得到目标函数,并对所述目标函数进行优化,使用优化后的所述目标函数对残差网络进行训练;
诊断模块,用于将目标机组的运行数据输入训练后的所述残差网络中,得到所述残差网络输出的所述目标机组的故障类别预测标签;
所述动态自步函数f(V,λ)的公式为:
其中,V为长度为n的隐含的权重向量,vi为V中第i维的值,λ为一个控制参数值,反映了当前学习所进行到的阶段,q(t)>1,是一个关于时间t的单调递减函数,用来控制自步学习的学习方案的选择;
q(t)的计算公式为:
其中,Nt与Nmax为预定义的样本序列N中的值,N={[N1,N2,...,Nmax],(对于i