买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：西北工业大学

摘要：本发明公开了一种基于改进模糊宽度学习的机电系统边缘端故障诊断方法，属于边缘端机电设备故障诊断应用领域。该方法基于边缘端有限的计算资源，实现故障诊断模型在边缘端进行推理诊断以及模型在线训练更新。针对模型故障诊断精度不高的问题，映射节点层采用Takagi‑Sugeno模糊模型，在宽度学习中引入专家经验，在边缘端实现增强节点的增量学习，提升诊断正确率，实现模型在线训练更新。针对模型超参数选取复杂的问题，使用减法聚类改进的模糊C均值聚类实现对模糊宽度学习的改进，改进模糊宽度学习实现了超参数的自动选择；针对模型增量问题，提出增强节点增量方法，实现模型在线更新，进一步提升诊断正确率；针对边缘端部署机器学习模型困难的问题，基于MatlabCoder工具箱，提出一种边缘端移植部署方案，在STM32单片机上实现宽度学习推理运算。

主权项：1.一种基于改进模糊宽度学习的机电系统边缘端故障诊断方法，其特征在于，包括如下步骤：步骤1：数据处理：对于收集到的故障诊断数据，采取如下子步骤进行处理：子步骤1：数据清洗；子步骤2：数据标准化；子步骤3：数据划分：根据数据集，确定故障类型，选取特征参数，划分训练集和测试集；步骤2：模型建立，包括如下子步骤：子步骤1：建立映射层模型：在Takagi-Sugeno模糊系统，令X＝x1,x2,......,xn，xs＝xs1,xs2,......,xsm，s＝1,2,...,n，假设第i模糊子系统存在Ki条规则，那么有IF-Then规则，即IFxs1isandxs2is……andxsmisThenk＝1,2,…,Ki,那么 其中，为系数，f为函数，；那么，训练样本xs的第i个模糊子系统表示为 其中，此处，取1，由k-means算法直接求得；第i个模糊子系统对所有样本的输出向量表示为Zi＝[Z1i,Z2i,…Zni]3那么n个模糊子系统的输出，即映射层模型为Zn＝[Z1,Z2,…,Zn]4子步骤2：建立增强层模型：每个模糊子系统产生的模糊规则的输出并未被立即汇总为一个值，而是全部被发送到增强层以进行进一步的非线性变换，得到第j个增强层节点的模型为Hj＝ξjZnWhj+βhj5其中ξj表示随机映射，Whj、βhj表示随机权重。那么第m个增强层节点的输出，即增强层模型为Hm＝[H1,H2,…,Hm]6子步骤3：映射层模型去模糊化：为了保留输入特性，将模糊子系统的去模糊化输出 其中，为系数，那么第i模糊子系统去模糊化输出为8，映射层可以表示为9 Fn＝F1,F2,......,Fn9子步骤4：建立输出层模型：映射层模型去模糊化和增强层模型组合在一起，获得最终的模型Y＝Fn+HmWe10令得到 其中Ωi由组成，子步骤5：输出层模型权重求解：利用岭回归的伪逆求解技术，得到权重为W＝DΩ,Hm+Y12其中，DΩ,Hm+＝DΩ,HmTDΩ,Hm-1DΩ,HmT；步骤3：模型改进：利用改进FCM来替代K均值聚类，对FBLS进行改进，实现FBLS对聚类中心个数这个超参数的自动选择，具体的，通过减法聚类得到最佳的聚类中心个数来确定FCM的聚类中心个数，并将减法聚类得到的聚类中心，作为FCM的初始化聚类中心，包括如下子步骤：子步骤1：减法聚类确定聚类中数：在减法聚类中，每个数据点都有可能作为聚类中心，设数据点xj成为聚类中心的可能性为Pj 其中ra表示该数据点的邻域半径，为正的常量，其中xi表示数据点，i＝1,2,...,n，数据点能否成为聚类中心的可能性与其和其他点的距离成反比；取可能性最高的点作为第一个聚类中心，设第一个聚类中心点为可能性为数据点xj成为聚类中心的可能性更新为 其中rb也是正的常量，实际上定义了数据点成为聚类中心可能性显著降低的邻域半径，在其中选择可能性最高的点作为第二个聚类中心继续修正每个数据点成为聚类中心的可能性，重复k次，得到k个聚类中心，减法聚类停止的判断标准为：定义εr和εa，表示被接受为聚类中心的上下限，当时 其中dmin为参数，当λ≥1，为聚类中心；将减法聚类得到的聚类中心作为初始的wi，这里减法聚类得到的聚类中心必须添加一个微小量，因为减法聚类得到的聚类中心在原有数据集上，直接带入下文中会出现被零除的情况；子步骤2：改进聚类方法确定聚类中心：模糊C均值聚类的目标函数为 其中，xjj＝1,2,…,N是需要样本空间数据，μji表示xj对wi的隶属度，且满足m表示模糊指数，本文取m＝2，wii＝1,2,…,c为聚类中心，在模糊C均值聚类中，wi初值通过随机初始化产生，改进模糊C均值聚类的聚类目标就是最小化Jm，首先计算μji； 根据μji，修正聚类中心wi； 计算误差 设置容许误差Emax，当e＜Emax，算法结束，否则从公式17重复上述流程；步骤4：模型增量：当改进模糊宽度学习训练后无法达到理想的性能，则增加新的增强节点来减小损失函数，设增加p个增强节点，Am＝DΩ,Hm和Wm为未增加增强节点前的增强层和权重，Am+1＝[Am|ξZnWhm+1+βhm+1]和Wm+1为增加增强节点后的增强层和权重，Whm+1为新增p个增强节点的权重，那么有 其中当c＝0时，bT＝1+dTd-1dTA+，当c≠0时，bT＝c+；那么，更新后的权重为 步骤5：模型移植：在STM32单片机上实现了基于模糊宽度学习推理运算的智能故障诊断，移植所需子步骤如下：子步骤1：函数封装；因在边缘端执行模型的推理过程，故将模型推理所需运算过程封装为一个函数，输入为训练数据集、模型权重、参数，输出为故障诊断结果；子步骤2：模型生成；利用MATLABCoder工具箱将封装好的函数，生成为生成lib库；建议生成mex文件，执行mex文件验证转译结果，再生成lib库；子步骤3：程序移植；使用KeiluVision5创建工程文件将lib库移植到工程文件中并声明，将Matlab头函数复制到工程文件中并声明；子步骤4：程序编写；在工程文件main.c文件中完成头文件声明，初始化，配置主体程序，根据实际使用需要，添加其他函数或者工程模块；编译烧录程序并在STM32上执行验证；步骤6：故障诊断通过串口将测试数据发送给STM32，在STM32上运行改进模糊宽度学习故障诊断方法，进行故障诊断。

全文数据：

权利要求：

百度查询： 西北工业大学 一种基于改进模糊宽度学习的机电系统边缘端故障诊断方法