[發(fā)明專利]基于卷積神經(jīng)網(wǎng)絡(luò)的設(shè)備故障自適應(yīng)上下預(yù)警界生成方法

在審

• 申請?zhí)枺?/td>: 202010418461.6
• 申請日: 2020-05-18
• 公開（公告）號: CN111665066A
• 公開（公告）日: 2020-09-15
• 發(fā)明（設(shè)計）人: 張潔;任杰;汪俊亮;毛新華;魏成廣
• 申請（專利權(quán)）人: 東華大學(xué);北京中麗制機(jī)工程技術(shù)有限公司
• 主分類號: G01M99/00
• 分類號: G01M99/00;G06N3/04
• 代理公司: 上海申匯專利代理有限公司 31001
• 代理人: 徐俊

1.一種基于卷積神經(jīng)網(wǎng)絡(luò)的設(shè)備故障自適應(yīng)上下預(yù)警界生成方法，其特征在于，包括以下步驟：

步驟1、對已知狀況的設(shè)備運(yùn)行過程中的振動信號進(jìn)行采集，并對采集到的信號進(jìn)行采樣，獲得采樣信號：

步驟2、將采樣信號輸入到構(gòu)建好的基于CNN的區(qū)間預(yù)測模型中，輸出上、下界，定義循環(huán)訓(xùn)練次數(shù)，得到訓(xùn)練好的基于CNN的區(qū)間預(yù)測模型，該基于CNN的區(qū)間預(yù)測模型根據(jù)已有歷史數(shù)據(jù)訓(xùn)練出正常運(yùn)行狀態(tài)下的自適應(yīng)上下界區(qū)間，其中：

基于CNN的區(qū)間預(yù)測模型是一個具有雙通道輸出的CNN模型，以時間序列為輸入，輸出上、下界，包括輸入層、輸出層和隱藏層，輸出層設(shè)計有兩個神經(jīng)單元，神經(jīng)單元一與隱藏層相連，為輸出下界y_lower，神經(jīng)單元二為輸出上界y_upper，上界y_upper由下界y_lower基礎(chǔ)上增加固定寬度得到，即有：

y_upper＝y(tǒng)_lower+diff (1)

式(1)中，diff表示上界y_upper與下界y_lower之間的固定寬度；

自適應(yīng)區(qū)間生成模型通過以下步驟生成和優(yōu)化自適應(yīng)上下界區(qū)間：

步驟201、迭代過程中的四種情況，包括：

確定原始訓(xùn)練數(shù)據(jù)的標(biāo)簽，以S＝0表示原始數(shù)據(jù)為正常，S＝1表示原始數(shù)據(jù)為異常；

確定基于CNN的區(qū)間預(yù)測模型對數(shù)據(jù)的診斷標(biāo)簽，以s_temp＝0表示基于CNN的區(qū)間預(yù)測模型判斷為正常，s_temp＝1表示基于CNN的區(qū)間預(yù)測模型判斷為異常；

數(shù)據(jù)序列中的兩種信號狀態(tài)：正常和異常；

定義對于正常數(shù)據(jù)，越接近區(qū)間中心，效果越好；對于異常數(shù)據(jù)，越接近區(qū)間中心，效果越差；以原始訓(xùn)練數(shù)據(jù)的標(biāo)簽S和基于CNN的區(qū)間預(yù)測模型對數(shù)據(jù)的診斷標(biāo)簽s_temp為標(biāo)記，分割成如下表1所示的迭代過程中的四種不同情況：

表1

步驟202、實(shí)時狀態(tài)參數(shù)的計算：

使用基于CNN的區(qū)間預(yù)測模型對數(shù)據(jù)的診斷標(biāo)簽s_temp計算全局損失：

診斷標(biāo)簽s_temp與距離有關(guān)，定義信號值到區(qū)間中心距離dis_center，則有：

dis_center＝y(tǒng)-y_lower+diff/2 (2)

式(2)表示真實(shí)信號到上、下界中間距離，式(2)中，y表示基于CNN的區(qū)間預(yù)測模型輸出信號；

定義信號值到區(qū)間最近邊界的距離dis_bound，則有：

dis_bound＝|dis_center-diff/2| (3)

式(3)表示真實(shí)信號到上、下界最近邊界的距離；

計算診斷標(biāo)簽s_temp，確定s_temp取值由下面的式(4)計算：

步驟203、定義基于代價敏感的損失函數(shù)：

步驟2031、原始數(shù)據(jù)正常的損失函數(shù)為

式中，表示輸出信號到區(qū)間中心的距離，其中i為參與計算并輸出的當(dāng)前樣本個數(shù)；

原始數(shù)據(jù)故障時的損失函數(shù)為

式中，表示輸出信號到區(qū)間最近邊界的距離，其中i為參與計算并輸出的當(dāng)前樣本個數(shù)；

對表1中第四象限所示的原始數(shù)據(jù)異常、基于CNN的區(qū)間預(yù)測模型判斷異常的情況，該情況下的損失函數(shù)定義為：

式中，ε為常數(shù)；

則整體損失函數(shù)J(ω,b)為：

式(5)中，m表示所有樣本參與計算得到的損失函數(shù)值個數(shù)；

步驟2032、對基于CNN的區(qū)間預(yù)測模型設(shè)置誤分代價，誤分代價的存在情況如表2所示：

	temp＝0]]>	temp＝1]]>
S＝0	正常數(shù)據(jù)，預(yù)測正常，無代價	正常數(shù)據(jù)，預(yù)測異常，有代價
S＝1	異常數(shù)據(jù)，預(yù)測正常，有代價	異常數(shù)據(jù)，預(yù)測異常，無代價

表2

對于S＝0、診斷標(biāo)簽s_temp＝1時的誤分代價設(shè)置為：

式中，

引入不平衡率IR；

對于S＝1、診斷標(biāo)簽s_temp＝0時的誤分代價設(shè)置為：

式中，IR表示不平衡率，M_major表示多數(shù)類樣本個數(shù)，即正常數(shù)據(jù)樣本個數(shù)，M_minor表示少數(shù)類樣本個數(shù)，即異常數(shù)據(jù)樣本個數(shù)；

步驟2033、獲得添加了代價敏感的損失函數(shù)J(ω,b)為：

步驟204、誤差反向傳播過程：根據(jù)梯度下降思想對權(quán)重ω及偏置b進(jìn)行更新；

步驟3、對未知狀況的設(shè)備進(jìn)行故障診斷，將實(shí)時采集到的振動信號輸入到已訓(xùn)練好的基于CNN的區(qū)間預(yù)測模型中，判斷實(shí)際輸出是否落入上下界區(qū)間，當(dāng)落入上下界區(qū)間內(nèi)部，即判斷為設(shè)備運(yùn)行正常，當(dāng)落在上下界區(qū)間外部，則判斷為設(shè)備運(yùn)行異常。