[發(fā)明專利]基于Stacked LSTM的故障診斷方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010115477.X
• 申請(qǐng)日: 2020-02-25
• 公開(kāi)（公告）號(hào): CN111273623B
• 公開(kāi)（公告）日: 2022-10-18
• 發(fā)明（設(shè)計(jì)）人: 凡時(shí)財(cái);張清清;鄒見(jiàn)效;徐紅兵
• 申請(qǐng)（專利權(quán)）人: 電子科技大學(xué)
• 主分類號(hào): G05B19/418
• 分類號(hào): G05B19/418
• 代理公司: 成都行之專利代理事務(wù)所(普通合伙) 51220
• 代理人: 溫利平;陳靚靚

本發(fā)明公開(kāi)了一種基于Stacked LSTM的故障診斷方法，首先采集化工系統(tǒng)在正常狀態(tài)和K種故障狀態(tài)下各個(gè)測(cè)量設(shè)備的測(cè)量數(shù)據(jù)，構(gòu)建得到訓(xùn)練樣本，然后構(gòu)建基于Stacked LSTM的故障診斷模型，包括Stacked LSTM網(wǎng)絡(luò)、全連接層以及softmax層，其中Stacked LSTM網(wǎng)絡(luò)由D層LSTM網(wǎng)絡(luò)疊加得到，采用訓(xùn)練樣本對(duì)故障診斷模型進(jìn)行訓(xùn)練，在化工系統(tǒng)運(yùn)行過(guò)程中采集實(shí)際運(yùn)行數(shù)據(jù)并構(gòu)建輸入序列輸入至基于Stacked LSTM的故障診斷模型中，得到故障識(shí)別結(jié)果。本發(fā)明通過(guò)堆疊多層LSTM網(wǎng)絡(luò)形成Stacked LSTM網(wǎng)絡(luò)，能夠在不同時(shí)間尺度下自動(dòng)提取原始數(shù)據(jù)的動(dòng)態(tài)時(shí)序信息，并且對(duì)于復(fù)雜非線性數(shù)據(jù)具有較強(qiáng)的表達(dá)能力，從而提高故障診斷的準(zhǔn)確率和魯棒性。

技術(shù)領(lǐng)域

本發(fā)明屬于化工過(guò)程故障診斷技術(shù)領(lǐng)域，更為具體地講，涉及一種基于StackedLSTM的故障診斷方法。

背景技術(shù)

目前隨著現(xiàn)代化工過(guò)程的日益龐大和復(fù)雜化，運(yùn)行工況和操作環(huán)境也愈加多變，帶來(lái)企業(yè)生產(chǎn)效率提高的同時(shí)，也使得過(guò)程故障發(fā)生的幾率增大。若在生產(chǎn)過(guò)程中發(fā)生故障，可能會(huì)帶來(lái)巨大的經(jīng)濟(jì)損失甚至人身傷害，所以要保證生產(chǎn)過(guò)程可靠、高效運(yùn)行，需要準(zhǔn)確及時(shí)的診斷故障的技術(shù)。

近年來(lái)，隨著伴隨機(jī)器學(xué)習(xí)、模式識(shí)別、人工智能等的發(fā)展，基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法成為故障技術(shù)研究領(lǐng)域的研究熱點(diǎn)。傳統(tǒng)基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法都是信號(hào)處理技術(shù)和人工智能技術(shù)的結(jié)合，代表性的方法有運(yùn)用主成分分析(PCA)、小波包分解(WPD)、傅里葉變換(FTT)等方法提取特征，然后將提取的特征輸入到分類器中，這樣的分類器主要有支持向量機(jī)(SVM)、多層感知機(jī)(MLP)、人工神經(jīng)網(wǎng)絡(luò)(ANN)等。然而這些方法的模型是淺層結(jié)構(gòu)，在隨著監(jiān)測(cè)數(shù)據(jù)越來(lái)越龐大的情況下會(huì)面臨著維數(shù)災(zāi)難和對(duì)復(fù)雜非線性對(duì)象學(xué)習(xí)能力有限等問(wèn)題；以及傳統(tǒng)的故障診斷技術(shù)往往需要通過(guò)先驗(yàn)知識(shí)和專家意見(jiàn)提取。

而且當(dāng)前化工生產(chǎn)過(guò)程故障的產(chǎn)生以及故障類型是依賴于先前時(shí)刻系統(tǒng)的某個(gè)狀態(tài)，即生產(chǎn)過(guò)程的觀測(cè)信號(hào)具有時(shí)序特性。觀測(cè)信號(hào)之間的時(shí)序關(guān)系是故障診斷的一個(gè)重要信息，如何準(zhǔn)確地提取時(shí)序信息時(shí)提高故障診斷的關(guān)鍵。然而現(xiàn)有的傳統(tǒng)故障診斷技術(shù)沒(méi)有考慮觀測(cè)信號(hào)之間的時(shí)序關(guān)系，并假設(shè)各個(gè)時(shí)刻所采集的信號(hào)是相互獨(dú)立的，難以準(zhǔn)確提取時(shí)序信息。

發(fā)明內(nèi)容

本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供一種基于Stacked LSTM的故障診斷方法，通過(guò)堆疊多層LSTM網(wǎng)絡(luò)形成Stacked LSTM網(wǎng)絡(luò)，能夠在不同時(shí)間尺度下自動(dòng)提取原始數(shù)據(jù)的動(dòng)態(tài)時(shí)序信息，并且對(duì)于復(fù)雜非線性數(shù)據(jù)具有較強(qiáng)的表達(dá)能力，從而提高故障診斷的準(zhǔn)確率和魯棒性。

為實(shí)現(xiàn)上述發(fā)明目的，本發(fā)明基于Stacked LSTM的故障診斷方法包括以下步驟：

S1：采集化工系統(tǒng)在正常狀態(tài)和K種故障狀態(tài)下各個(gè)測(cè)量設(shè)備的測(cè)量數(shù)據(jù)，記第k種運(yùn)行狀態(tài)下采樣時(shí)刻r的數(shù)據(jù)向量其中k＝0表示正常狀態(tài)，k＝1,2,…,K表示故障狀態(tài)序號(hào)，r＝1,2,…,R_k，R_k表示第k種運(yùn)行狀態(tài)的采樣時(shí)刻數(shù)量，表示第k種運(yùn)行狀態(tài)下采樣時(shí)刻r時(shí)第n個(gè)測(cè)量設(shè)備的測(cè)量數(shù)據(jù)，n＝1,2,…,N，N表示測(cè)量設(shè)備數(shù)量；

S2：分別對(duì)每種運(yùn)行狀態(tài)下的測(cè)量數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，得到標(biāo)準(zhǔn)化后的數(shù)據(jù)向量

S3：將每種運(yùn)行狀態(tài)下經(jīng)過(guò)標(biāo)準(zhǔn)化處理的數(shù)據(jù)向量按照采樣時(shí)刻構(gòu)成序列采用長(zhǎng)度為T(mén)的滑動(dòng)窗口對(duì)序列進(jìn)行滑窗處理，提取得到子序列其中h＝1,2,…,H_k，H_k表示第k種運(yùn)行狀態(tài)下所提取到的子序列數(shù)量，表示子序列中第t個(gè)數(shù)據(jù)向量，t＝1,2,…,T；將提取得到的子序列作為輸入序列，所對(duì)應(yīng)的運(yùn)行狀態(tài)序號(hào)k作為輸出，構(gòu)建得到訓(xùn)練樣本；

S4：構(gòu)建基于Stacked LSTM的故障診斷模型，包括Stacked LSTM網(wǎng)絡(luò)、全連接層以及softmax層，其中：