[發(fā)明專利]基于長短期記憶和典型相關(guān)結(jié)合的故障檢測方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202010017077.5
• 申請日: 2020-01-08
• 公開（公告）號: CN111260024A
• 公開（公告）日: 2020-06-09
• 發(fā)明（設(shè)計）人: 陳志文;解長瑞;彭濤;陽春華;彭霞
• 申請（專利權(quán)）人: 中南大學(xué)
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06F11/22
• 代理公司: 長沙朕揚(yáng)知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 43213
• 代理人: 楊斌

本發(fā)明涉及故障檢測技術(shù)領(lǐng)域，公開了一種基于長短期記憶和典型相關(guān)結(jié)合的故障檢測方法及系統(tǒng)，以充分分析產(chǎn)生故障的動態(tài)和非線性特征，從而實(shí)現(xiàn)故障檢測；該方法包括獲取構(gòu)建對應(yīng)輸入集的第一長短期記憶神經(jīng)網(wǎng)絡(luò)和對應(yīng)輸出集的第二長短期記憶神經(jīng)網(wǎng)絡(luò)；采用典型相關(guān)性方法分析第一、第二長短期記憶神經(jīng)網(wǎng)絡(luò)之間的線性映射關(guān)系，優(yōu)化第一、第二長短期記憶神經(jīng)網(wǎng)絡(luò)；利用第一、第二長短期記憶神經(jīng)網(wǎng)絡(luò)輸出層的典型相關(guān)性分析二者之間的殘差向量，設(shè)定檢測閾值；獲取待分析對象的實(shí)時運(yùn)行數(shù)據(jù)輸入第一、第二長短期記憶神經(jīng)網(wǎng)絡(luò)以計算得到實(shí)時數(shù)據(jù)的檢測統(tǒng)計量，將實(shí)時數(shù)據(jù)的檢測統(tǒng)計量與檢測閾值進(jìn)行比較，從而實(shí)現(xiàn)故障檢測。

技術(shù)領(lǐng)域

本發(fā)明涉及故障檢測技術(shù)領(lǐng)域，尤其涉及一種基于長短期記憶和典型相關(guān)結(jié)合的故障檢測方法及系統(tǒng)。

背景技術(shù)

隨著自動化技術(shù)和系統(tǒng)安全性需求的提高，系統(tǒng)的故障檢測和性能監(jiān)測也變得越來越重要。過去的幾十年里，基于模型的故障檢測方法得到了廣泛的認(rèn)可。但是這類方法的性能依賴于模型的精確性。同時，由于傳感器技術(shù)以及信息技術(shù)的發(fā)展，數(shù)據(jù)的采集變得越來越容易，在這個采集過程中積累了豐富的系統(tǒng)運(yùn)行數(shù)據(jù)。因此，基于數(shù)據(jù)驅(qū)動的過程監(jiān)測和故障檢測技術(shù)，成為了故障檢測領(lǐng)域的一個研究熱點(diǎn)。

目前多采用基于多變量分析，如基于主成分分析法、偏最小二乘方法和典型相關(guān)性分析的故障檢測方法。但是這些方法的分析原理都是通過尋找數(shù)據(jù)集的線性變換，所構(gòu)建的特征無法反映復(fù)雜系統(tǒng)中的動態(tài)和非線性關(guān)系。

發(fā)明內(nèi)容

本發(fā)明目的在于提供一種基于長短期記憶和典型相關(guān)結(jié)合的故障檢測方法及系統(tǒng)，以充分分析產(chǎn)生故障的動態(tài)和非線性特征，從而實(shí)現(xiàn)故障檢測。

為實(shí)現(xiàn)上述目的，本發(fā)明提供了一種基于長短期記憶和典型相關(guān)結(jié)合的故障檢測方法，包括：

S1：獲取待分析對象的歷史正常運(yùn)行數(shù)據(jù)作為輸入集，并獲取每組歷史正常運(yùn)行數(shù)據(jù)的對應(yīng)輸出作為輸出集；

S2：構(gòu)建對應(yīng)所述輸入集的第一長短期記憶神經(jīng)網(wǎng)絡(luò)和對應(yīng)所述輸出集的第二長短期記憶神經(jīng)網(wǎng)絡(luò)；

S3：采用典型相關(guān)性方法分析所述第一、第二長短期記憶神經(jīng)網(wǎng)絡(luò)之間的映射關(guān)系，根據(jù)所述映射關(guān)系計算相關(guān)性系數(shù)；

S4：根據(jù)所述相關(guān)性線性系數(shù)優(yōu)化所述第一、第二長短期記憶神經(jīng)網(wǎng)絡(luò)，利用反向傳播算法訓(xùn)練所述第一、第二長短期記憶神經(jīng)網(wǎng)絡(luò)直至得到符合設(shè)定收斂性的第一、第二長短期記憶神經(jīng)網(wǎng)絡(luò)；

S5：將所述第一時間序列訓(xùn)練集輸入所述符合設(shè)定收斂性的第一長短期記憶神經(jīng)網(wǎng)絡(luò)中，將所述第二時間序列訓(xùn)練集輸入所述符合設(shè)定收斂性的第二長短期記憶神經(jīng)網(wǎng)絡(luò)中，利用第一、第二長短期記憶神經(jīng)網(wǎng)絡(luò)輸出層的典型相關(guān)性分析二者之間的殘差向量，并根據(jù)該殘差向量構(gòu)建檢測統(tǒng)計量，并根據(jù)所述檢測統(tǒng)計量設(shè)定檢測閾值；

S6：獲取待分析對象的實(shí)時運(yùn)行數(shù)據(jù)輸入所述符合收斂性的第一、第二長短期記憶神經(jīng)網(wǎng)絡(luò)以計算得到實(shí)時數(shù)據(jù)的檢測統(tǒng)計量，將實(shí)時數(shù)據(jù)的檢測統(tǒng)計量與所述檢測閾值進(jìn)行比較，若所述實(shí)時數(shù)據(jù)的檢測統(tǒng)計量超過所述檢測閾值，則視為發(fā)生故障。

優(yōu)選地，所述S2具體包括：

根據(jù)預(yù)設(shè)的時間跨度建立所述輸入集的第一時間序列訓(xùn)練集和所述輸出集的第二時間序列訓(xùn)練集；

根據(jù)所述第一時間序列訓(xùn)練集構(gòu)建所述第一長短期記憶神經(jīng)網(wǎng)絡(luò)，根據(jù)所述第二時間序列訓(xùn)練集構(gòu)建所述第二長短期記憶神經(jīng)網(wǎng)絡(luò)。

優(yōu)選地，所述第一長短期記憶神經(jīng)網(wǎng)絡(luò)和所述第二長短期記憶神經(jīng)網(wǎng)絡(luò)的輸出層輸出相同的數(shù)據(jù)維度。

優(yōu)選地，所述第一長短期記憶神經(jīng)網(wǎng)絡(luò)或所述第二長短期記憶神經(jīng)網(wǎng)絡(luò)包括LSTM層、最大值池化層、Dropout層以及全連接層。

優(yōu)選地，所述S3包括：