[發明專利]一種基于深度神經網絡的工業過程故障工況診斷方法

有效

• 申請號: 201810965535.0
• 申請日: 2018-08-23
• 公開（公告）號: CN109325417B
• 公開（公告）日: 2021-09-07
• 發明（設計）人: 吳高昌;劉強;柴天佑
• 申請（專利權）人: 東北大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 沈陽東大知識產權代理有限公司 21109
• 代理人: 劉曉嵐

1.一種基于深度神經網絡的工業過程故障工況診斷方法，其特征在于，包括如下步驟：

步驟1：獲取工業生產過程離線故障視頻圖像序列；

步驟2：利用灰度一致性變換對視頻圖像序列V_RGB進行預處理，得到灰度一致性變換后的圖像序列

步驟3：對灰度一致性變換后的視頻圖像序列提取時序梯度圖像V_G＝{G₁,G₂,...,G_N}；

步驟4：利用卷積神經網絡提取多幀時序梯度圖像輸入的空間特征以及短期時序特征；

步驟5：利用循環神經網絡提取時序梯度圖像長期時序特征；

步驟6：根據卷積神經網絡提取多幀時序梯度圖像輸入的空間特征以及短期時序特征，及循 環神經網絡提取時序梯度圖像長期時序特征，離線訓練得到神經網絡的權值與偏置；

步驟7：獲取工業生產過程在線視頻圖像序列；

步驟8：將在視頻圖像序列按照步驟2與步驟3進行處理，并按照步驟4與步驟5進行特征提取，并根據離線訓練得到的神經網絡權值與偏置，計算得到在線視頻圖像序列診斷結果的概率分布P(y_t)；

步驟9：根據概率分布P(y_t)，對在線視頻圖像序列進行工業過程故障工況診斷，并輸出診斷后結果

所述灰度一致性變換：

(1)通過顏色空間映射將RGB空間下的視頻圖像序列V_RGB轉換到Lab空間中V_Lab＝{H₁,H₂,...,H_N}，并利用下列公式進行變換：

其中，L，a，b分別為Lab顏色空間的三個通道，n＝1,2,...,N，μ為對圖像中的所有像素構成的集合取均值，σ為對圖像中的所有像素構成的集合取標準差，為第n幀Lab空間中的第l通道的圖像，為所求的灰度一致性變換后對應在Lab空間下的圖像，H_r為參考圖像，由前N₁幀圖像取平均值獲得；

(2)將從Lab空間變換到RGB空間下，得到

所述利用灰度一致性變換后的視頻序列進行時序梯度圖像提取，用如下公式計算：

其中，G_n表示第n幀時序梯度圖像，f_YUV為將圖像從RGB空間映射到YUV空間的函數，N₂為常數。

2.根據權利要求1所述一種基于深度神經網絡的工業過程故障工況診斷方法，其特征在于，所述利用卷積神經網絡提取多幀時序梯度圖像輸入的空間特征以及短期時序特征過程如下：卷積神經網絡利用每M幀時序梯度圖像G＝{G₁,G₂,...G_M}作為輸入，卷積神經網絡輸入幀數M，即通道數，8≤M≤12，該卷積神經網絡包含6層卷積層，第一層網絡的卷積核為10×11×11×64，輸出大小為64×(w-10)×(h-10)，作為整體網絡的第一層；第二層的卷積核為64×5×5×128，輸出大小為128×(w-14)×(h-14)，作為整體網絡的第二層；第三層的卷積核為128×3×3×128，輸出大小為128×(w-16)×(h-16)，作為整體網絡的第三層；第四層的卷積核為128×3×3×64，輸出大小為64×(w-18)×(h-18)，作為整體網絡的第四層；第五層的卷積核為64×5×5×64，輸出大小為64×(w-22)×(h-22)，作為整體網絡的第五層；第六層的卷積核為64×11×11×64，輸出大小為64×(w-32)×(h-32)，作為整體網絡的第六層；其中，w與h分別為網絡輸入圖像的寬與高，第一層整體網絡至第五層整體網絡后均包括一層ReLu操作。