[發明專利]基于長短期記憶和典型相關結合的故障檢測方法及系統

在審

• 申請號: 202010017077.5
• 申請日: 2020-01-08
• 公開（公告）號: CN111260024A
• 公開（公告）日: 2020-06-09
• 發明（設計）人: 陳志文;解長瑞;彭濤;陽春華;彭霞
• 申請（專利權）人: 中南大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06F11/22
• 代理公司: 長沙朕揚知識產權代理事務所(普通合伙) 43213
• 代理人: 楊斌

1.一種基于長短期記憶和典型相關結合的故障檢測方法，其特征在于，包括：

S1：獲取待分析對象的歷史正常運行數據作為輸入集，并獲取每組歷史正常運行數據的對應輸出作為輸出集；

S2：構建對應所述輸入集的第一長短期記憶神經網絡和對應所述輸出集的第二長短期記憶神經網絡；

S3：采用典型相關性方法分析所述第一、第二長短期記憶神經網絡之間的映射關系，根據所述映射關系計算相關性系數；

S4：根據所述相關性系數優化所述第一、第二長短期記憶神經網絡，利用反向傳播算法訓練所述第一、第二長短期記憶神經網絡直至得到符合設定收斂性的第一、第二長短期記憶神經網絡；

S5：將所述第一時間序列訓練集輸入所述符合設定收斂性的第一長短期記憶神經網絡中，將所述第二時間序列訓練集輸入所述符合設定收斂性的第二長短期記憶神經網絡中，利用第一、第二長短期記憶神經網絡輸出層的典型相關性分析二者之間的殘差向量，并根據該殘差向量構建檢測統計量，并根據所述檢測統計量設定檢測閾值；

S6：獲取待分析對象的實時運行數據輸入所述符合收斂性的第一、第二長短期記憶神經網絡以計算得到實時數據的檢測統計量，將實時數據的檢測統計量與所述檢測閾值進行比較，若所述實時數據的檢測統計量超過所述檢測閾值，則視為發生故障。

2.根據權利要求1所述的基于長短期記憶和典型相關結合的故障檢測方法，其特征在于，所述S2具體包括：

根據預設的時間跨度建立所述輸入集的第一時間序列訓練集和所述輸出集的第二時間序列訓練集；

根據所述第一時間序列訓練集構建所述第一長短期記憶神經網絡，根據所述第二時間序列訓練集構建所述第二長短期記憶神經網絡。

3.根據權利要求1或2所述的基于長短期記憶和典型相關結合的故障檢測方法，其特征在于，所述第一長短期記憶神經網絡和所述第二長短期記憶神經網絡的輸出層輸出相同的數據維度。

4.根據權利要求1所述的基于長短期記憶和典型相關結合的故障檢測方法，其特征在于，所述第一長短期記憶神經網絡或所述第二長短期記憶神經網絡包括LSTM層、最大值池化層、Dropout層以及全連接層。

5.根據權利要求1所述的基于長短期記憶和典型相關結合的故障檢測方法，其特征在于，所述S3包括：

S31：將第一長短期記憶網絡輸出的特征數據和第二長短期記憶網絡輸出的特征數據進行歸一化處理，得到歸一化后的特征數據并計算協方差矩陣Σ₁、Σ₂和Σ₁₂：

Σ₁＝E{(i_o1-μ₁)(i_o1-μ₁)^T}

Σ₂＝E{(i_o2-μ₂)(i_o2-μ₂)^T}

Σ₁₂＝E{(i_o1-μ₁)(i_o2-μ₂)^T}

式中，μ₁和μ₂分別為的均值；

S32：利用典型相關性分析尋找線性變換使得和擁有最大的相關性。

6.根據權利要求1所述的基于長短期記憶和典型相關結合的故障檢測方法，其特征在于，所述S4包括：

S41：構建矩陣M并對矩陣M進行奇異值分解如下：

式中，為對角矩陣，其對角元素之和為corr，corr表示線性變換后的兩組數據的相似程度，R為左矩陣，V為右奇異矩陣，T表示矩陣轉置；

S42：第一、第二長短期記憶網絡以最大化相關系數作為優化目標，采用反向傳播算法聯合訓練網絡參數。