本发明涉及航空航天，特别涉及一种基于代价敏感学习的螺杆泵非平衡数据故障诊断方法。
背景技术：
1、在航空航天技术领域中，螺杆泵是非常重要的组件，在螺杆泵出现故障时如何判断其是何种模式的故障，以实现螺杆泵的维修及风险预估等具有非常重要的意义。
2、但是由于通常收集到的螺杆泵数据为非平衡数据，因此导致在实现螺杆泵的故障诊断时准确性并不高。
技术实现思路
1、为解决上述问题，本发明提供一种基于代价敏感学习的螺杆泵非平衡数据故障诊断方法。
2、本发明实施例提供了一种基于代价敏感学习的螺杆泵非平衡数据故障诊断方法，包括：
3、构建训练集及测试集，所述训练集及所述测试集中包含不同的螺杆泵振动的非平衡数据；
4、构建resnet结构，基于所述训练集对所述resnet结构进行训练得到resnet故障特征提取模型，并在所述测试集上测试所述resnet故障特征提取模型，基于测试的结果确定各故障模式分别的误分可能性；其中，所述故障模式为所述螺杆泵可能出现的故障所属模式，所述误分可能性表示一故障模式的非平衡数据被错误分为其他故障模式的可能性；
5、在所述resnet故障特征提取模型之后引入代价敏感层，基于各故障模式分别的误分可能性设置所述代价敏感层中各故障模式分别对应的代价敏感参数，基于所述训练集及所述测试集对所述代价敏感层中的代价敏感参数进行更新，得到包含所述resnet故障特征提取模型及所述代价敏感层的故障诊断模型；
6、利用所述故障诊断模型，基于所述螺杆泵的实时振动数据确定相应的故障模式。
7、优选的，基于所述训练集及所述测试集对所述代价敏感层中的代价敏感参数进行更新，包括：
8、采用nsga2算法、基于所述训练集对所述代价敏感层进行训练，得到所述nsga2算法输出的多个非支配解；
9、依次将每个分支配解作为代价矩阵分别代入所述代价敏感层，并在每次代入后在所述测试集上对所述代价敏感层进行测试，确定测试的结果表示所述代价敏感层的性能最优时所代入的非直接解为最终的代价矩阵，并确定代入该最终的代价矩阵的代价敏感层为更新完成的代价敏感层；其中，所述代价矩阵为包含各代价敏感参数的矩阵。
10、优选的，基于各故障模式分别的误分可能性设置所述代价敏感层中各故障模式分别对应的代价敏感参数，包括：
11、将故障模式的误分可能性大于预设可能性时所对应的代价敏感参数设置上限为第一上限值，将故障模式的误分可能性不大于预设可能性时所对应的代价敏感参数设置上限为第二上限值，且所述第一上限值大于所述第二上限值。
12、优选的，基于所述训练集及所述测试集对所述代价敏感层中的代价敏感参数进行更新之前，还包括：
13、将所述代价矩阵中的各代价敏感参数同时减去预设数值；其中，所述预设数值为表示未发生误分的代价。
14、优选的，基于所述训练集及所述测试集对所述代价敏感层中的代价敏感参数进行更新之前，还包括：
15、将所述代价矩阵中的各代价敏感参数设置初始下限为预设下限值，所述预设下限值大于预设的非正常值、且小于所述第一上限值及所述第二上限值。
16、优选的，所述resnet故障特征提取模型由输入端至输出端依次包括第一卷积层、归一化层、第一激活函数层、最大池化层、残差结构、全局平均池化层以及全连接层。
17、优选的，所述残差结构包括第一支路、第二支路及第二激活函数层；所述第一支路包括1x1卷积层，所述第二支路由输入端至输出端依次包括第二卷积层、第一批量规范化层、第三激活函数层、第三卷积层、第二批量规范化层，且第一支路及所述第二支路的输出拼接后输出给所述第二激活函数层，所述第二激活函数层的输出为所述残差结构的输出。
18、优选的，基于所述训练集对所述resnet结构进行训练得到resnet故障特征提取模型，包括：
19、将所述训练集中的数据执行打乱操作，并将所述训练集划分为训练子集及验证子集；
20、对所述resnet结构进行训练，并且在训练过程中的每个训练周期内，基于所述训练子集对所述resnet结构进行训练，再基于所述验证子集对所述resnet结构进行验证，最终得到所述resnet故障特征提取模型。
21、优选的，基于所述训练集对所述resnet结构进行训练得到resnet故障特征提取模型之后，还包括：
22、固定所述resnet故障特征提取模型除指定超参数之外的其他超参数，通过改变所述resnet故障特征提取模型的指定超参数的大小得到不同的模型，在所述测试集上分别测试得到的每个模型，确定性能最优的模型对应指定超参数为所述resnet故障特征提取模型中的指定超参数；其中，所述指定超参数为学习率、迭代轮次或者每次迭代中的批量。
23、优选的，构建训练集及测试集之后，还包括：
24、通过最大最小值归一化方法对所述训练集及所述数据集中的非平衡数据进行归一化处理。
25、本发明的有益效果如下：
26、本发明先构建包含不同的螺杆泵振动非平衡数据的训练集和测试集，利用训练集训练构建的resnet结构得到相应resnet故障特征提取模型后，利用测试集对resnet故障特征提取模型进行测试，得到各种故障模式的误分可能性；在resnet故障特征提取模型之后引入代价敏感层，先基于各种故障模式的误分可能性对代价敏感层中各种故障模式的代价敏感参数进行相应设置，再基于训练集及测试集更新代价敏感层中的代价敏感参数，得到代价敏感的故障诊断模型；在需要时利用故障诊断模型实现螺杆泵的故障诊断。可见，本发明结合非代价敏感的resnet模型及代价敏感的代价敏感层实现螺杆泵的故障诊断，且在两者的结合时，基于前者测试出的不同故障模式的误分可能性设置后者中的相应参数，从而使得在代价敏感层的决策过程中，对输入的振动数据是否属于某种故障模式的判断权重与该种故障模式的误分可能性相匹配，最终构建得到对少数类数据也同样敏感的故障诊断模型，也即本申请能够在保持对多数类数据的高精度诊断的同时提升少数类数据的诊断精度，从而有效提高螺杆泵故障诊断的准确性。
1.一种基于代价敏感学习的螺杆泵非平衡数据故障诊断方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，基于所述训练集及所述测试集对所述代价敏感层中的代价敏感参数进行更新，包括：
3.根据权利要求2所述的方法，其特征在于，基于各故障模式分别的误分可能性设置所述代价敏感层中各故障模式分别对应的代价敏感参数，包括：
4.根据权利要求3所述的方法，其特征在于，基于所述训练集及所述测试集对所述代价敏感层中的代价敏感参数进行更新之前，还包括：
5.根据权利要求4所述的方法，其特征在于，基于所述训练集及所述测试集对所述代价敏感层中的代价敏感参数进行更新之前，还包括：
6.根据权利要求1至5任一项所述的方法，其特征在于，所述resnet故障特征提取模型由输入端至输出端依次包括第一卷积层、归一化层、第一激活函数层、最大池化层、残差结构、全局平均池化层以及全连接层。
7.根据权利要求6所述的方法，其特征在于，所述残差结构包括第一支路、第二支路及第二激活函数层；所述第一支路包括1x1卷积层，所述第二支路由输入端至输出端依次包括第二卷积层、第一批量规范化层、第三激活函数层、第三卷积层、第二批量规范化层，且第一支路及所述第二支路的输出拼接后输出给所述第二激活函数层，所述第二激活函数层的输出为所述残差结构的输出。
8.根据权利要求7所述的方法，其特征在于，基于所述训练集对所述resnet结构进行训练得到resnet故障特征提取模型，包括：
9.根据权利要求8所述的方法，其特征在于，基于所述训练集对所述resnet结构进行训练得到resnet故障特征提取模型之后，还包括：
10.根据权利要求9所述的方法，其特征在于，构建训练集及测试集之后，还包括：
