[發(fā)明專利]基于SAE的檢定故障特征提取方法、裝置、設(shè)備以及介質(zhì)

有效

• 申請?zhí)枺?/td>: 202010534044.8
• 申請日: 2020-06-12
• 公開（公告）號: CN111695631B
• 公開（公告）日: 2023-06-20
• 發(fā)明（設(shè)計）人: 何春平
• 申請（專利權(quán)）人: 澤恩科技有限公司
• 主分類號: G06F18/241
• 分類號: G06F18/241;G06F18/214;G06N3/04;G06N3/084;G05B23/02
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于SAE的檢定故障特征提取方法，其特征在于，包括以下步驟：

S10：獲取用于檢定故障的初始數(shù)據(jù)；

S20：對所述初始數(shù)據(jù)進行預處理，并將所述預處理后對應的數(shù)據(jù)分為樣本集和測試集；

S30：構(gòu)建堆疊自編碼神經(jīng)網(wǎng)絡(luò)；

S40：根據(jù)所述樣本集，對所述堆疊自編碼神經(jīng)網(wǎng)絡(luò)進行預訓練，得到待測試神經(jīng)網(wǎng)絡(luò)，然后根據(jù)測試集，對所述待測試神經(jīng)網(wǎng)絡(luò)并進行網(wǎng)絡(luò)微調(diào)，得到故障特征提取網(wǎng)絡(luò)；

步驟S40包括下述步驟：

S41：所述預訓練過程：將所述樣本集中的數(shù)據(jù)輸入至所述堆疊自編碼神經(jīng)網(wǎng)絡(luò)中，通過所述自編碼器進行無監(jiān)督訓練，然后利用梯度下降算法優(yōu)化softmax分類器的代價函數(shù)，獲得所述堆疊自編碼神經(jīng)網(wǎng)絡(luò)的初始參數(shù)，并將預訓練后對應的所述堆疊自編碼神經(jīng)網(wǎng)絡(luò)作為待測試神經(jīng)網(wǎng)絡(luò)；

S42：所述微調(diào)過程：將所述測試集中的數(shù)據(jù)輸入至所述待測試神經(jīng)網(wǎng)絡(luò)，根據(jù)所述初始參數(shù)，通過循環(huán)前向傳播和反向傳播，不斷更新每層參數(shù)，直至達到最大迭代次數(shù)，然后保存更新后的各層參數(shù)，得到故障提取特征網(wǎng)絡(luò)；

步驟S42包括下述步驟：

S421：將所述測試集中的數(shù)據(jù)輸入至所述待測試神經(jīng)網(wǎng)絡(luò)，對所述待測試神經(jīng)網(wǎng)絡(luò)進行前向傳播，利用所述初始參數(shù)計算每層的激活值，并計算實際輸出與理想輸出間的誤差；

S422：對所述堆疊自編碼神經(jīng)網(wǎng)絡(luò)進行反向傳播，將所述誤差反向傳播至輸入層，并計算每層參數(shù)的梯度，利用梯度下降法更新每層參數(shù)；

S423：循環(huán)所述前向傳播和所述反向傳播，不斷更新每層參數(shù)，直至達到最大迭代次數(shù)，則完成所述待測試神經(jīng)網(wǎng)絡(luò)的微調(diào)，保存更新后的各層參數(shù)，得到故障特征提取網(wǎng)絡(luò)；

S50：通過實時獲取待檢定對象的運行數(shù)據(jù)，將所述運行數(shù)據(jù)輸入至所述故障特征提取網(wǎng)絡(luò)，獲取所述運行數(shù)據(jù)的故障特征。

2.根據(jù)權(quán)利要求1所述的基于SAE的檢定故障特征提取方法，其特征在于，步驟S10中，所述初始數(shù)據(jù)，包括歷史運行數(shù)據(jù)和實時產(chǎn)生的設(shè)備運行數(shù)據(jù)。

3.根據(jù)權(quán)利要求2所述的基于SAE的檢定故障特征提取方法，其特征在于，步驟S20具體包括下述步驟：

S21：對所述歷史運行數(shù)據(jù)和實時產(chǎn)生的所述設(shè)備運行數(shù)據(jù)進行數(shù)據(jù)融合和數(shù)據(jù)清洗，其中所述數(shù)據(jù)清洗包括：去重處理、缺失值處理以及異常值處理；

S22：將所述初始數(shù)據(jù)預處理后對應的數(shù)據(jù)按照預設(shè)的規(guī)則分為樣本集和測試集。

4.根據(jù)權(quán)利要求1所述的基于SAE的檢定故障特征提取方法，其特征在于，步驟S30具體包括下述步驟：

S31：設(shè)置U個自編碼器進行堆疊，得到初級網(wǎng)絡(luò)，其中U為正整數(shù)；

S32：在所述初級網(wǎng)絡(luò)的頂層加上softmax分類器，得到所述堆疊自編碼神經(jīng)網(wǎng)絡(luò)。

5.根據(jù)權(quán)利要求1所述的基于SAE的檢定故障特征提取方法，其特征在于，步驟S41具體包括下述步驟：

S411：將所述樣本集的數(shù)據(jù)輸入至第一個自編碼器進行無監(jiān)督訓練，獲得自編碼網(wǎng)絡(luò)的最佳參數(shù)

和并通過激活函數(shù)計算隱藏層的激活值，將所述激活值作為第一特征；

S412：把所述第一特征輸入至第二個自編碼器并進行無監(jiān)督訓練，獲得最佳參數(shù)和同時計算第二特征；

S413：把所述第二特征輸入至第三個自編碼器，依次訓練，直至第U個自編碼器訓練結(jié)束，獲得最佳參數(shù)

和同時計算第U特征；

S414：把所述第U特征輸入至softmax分類器，并利用梯度下降算法優(yōu)化softmax函數(shù)的代價函數(shù)，獲得最佳分類器參數(shù)θ，完成堆疊自編碼神經(jīng)網(wǎng)絡(luò)的預訓練，并將每層獲得的參數(shù)作為所述堆疊自編碼神經(jīng)網(wǎng)絡(luò)的初始參數(shù)，然后將完成預訓練對應的所述堆疊自編碼神經(jīng)網(wǎng)絡(luò)作為待測試神經(jīng)網(wǎng)絡(luò)。