[發(fā)明專利]基于小波卷積神經(jīng)網(wǎng)絡(luò)的故障診斷方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202011233225.3
• 申請(qǐng)日: 2020-11-06
• 公開(kāi)（公告）號(hào): CN112287862A
• 公開(kāi)（公告）日: 2021-01-29
• 發(fā)明（設(shè)計(jì)）人: 周琨;李欣銅;宋凱
• 申請(qǐng)（專利權(quán)）人: 天津大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62;G06N3/04
• 代理公司: 天津市北洋有限責(zé)任專利代理事務(wù)所 12201
• 代理人: 李素蘭

本發(fā)明公開(kāi)了一種基于小波卷積神經(jīng)網(wǎng)絡(luò)的故障診斷方法，使用CNN算法訓(xùn)練初步診斷模型，將故障分為三類：正常、易于診斷(ETD)和難于診斷(HTD)；通過(guò)堆疊卷積層和池化層以實(shí)現(xiàn)特征提取，最后通過(guò)兩個(gè)全連接層以及softmax實(shí)現(xiàn)故障診斷。與現(xiàn)有技術(shù)相比，本發(fā)明1)開(kāi)發(fā)了多模型診斷框架，減少了模型的計(jì)算量，有助于黑箱過(guò)程監(jiān)控中有價(jià)值的先驗(yàn)知識(shí)的應(yīng)用；2)將矩形卷積核和池化函數(shù)應(yīng)用于化工數(shù)據(jù)中，提高了WCNN的特征提取能力，可推廣到其它工業(yè)數(shù)據(jù)中；3)提高化工生產(chǎn)過(guò)程的故障檢測(cè)與診斷性能，同時(shí)平衡了計(jì)算負(fù)擔(dān)和監(jiān)測(cè)性能。

技術(shù)領(lǐng)域

本發(fā)明涉及化工過(guò)程故障診斷技術(shù)領(lǐng)域，特別是涉及一種異常圖像的檢測(cè)方法。

背景技術(shù)

化工生產(chǎn)過(guò)程中重要零件或設(shè)備的腐蝕，老化，結(jié)垢等變化使化工成為強(qiáng)大的時(shí)變過(guò)程。這種復(fù)雜的非線性和時(shí)變機(jī)制需要復(fù)雜的監(jiān)視方法。

卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于化工過(guò)程之中，充分利用整個(gè)工藝過(guò)程各個(gè)位點(diǎn)的集散控制系統(tǒng)(DCS)數(shù)據(jù)，從而實(shí)現(xiàn)故障診斷。但是現(xiàn)階段的卷積神經(jīng)網(wǎng)絡(luò)(WCNN)，與工業(yè)數(shù)據(jù)結(jié)合不夠緊密，在針對(duì)一些工藝流程更為復(fù)雜的化工過(guò)程，例如化工過(guò)程，會(huì)出現(xiàn)用時(shí)過(guò)長(zhǎng)以及診斷率下降的問(wèn)題。

發(fā)明內(nèi)容

為了改善故障檢測(cè)和診斷(FDD)的性能，同時(shí)平衡故障診斷率和計(jì)算成本的矛盾，本發(fā)明提出了一種基于小波卷積神經(jīng)網(wǎng)絡(luò)的故障診斷方法，動(dòng)態(tài)監(jiān)測(cè)化工生產(chǎn)過(guò)程的故障。

本發(fā)明的一種基于小波卷積神經(jīng)網(wǎng)絡(luò)的故障診斷方法，實(shí)現(xiàn)了基于小波變換的卷積神經(jīng)網(wǎng)絡(luò)多模型動(dòng)態(tài)監(jiān)測(cè)，具體流程包括以下步驟：

步驟1：將收集到的化工數(shù)據(jù)按照設(shè)備進(jìn)行變量篩選，進(jìn)行標(biāo)準(zhǔn)化和矩陣化處理，每一段時(shí)間的變量組成一個(gè)數(shù)據(jù)矩陣，作為小波變換算法和卷積神經(jīng)網(wǎng)絡(luò)CNN的輸入；

步驟2：將化工過(guò)程中的故障狀態(tài)劃分為正常、易于診斷(ETD)故障和難于診斷(HTD)故障三類；

步驟3：將步驟1的數(shù)據(jù)矩陣輸入卷積神經(jīng)網(wǎng)絡(luò)中，在卷積層初始化的矩形卷積核1*2同數(shù)據(jù)矩陣進(jìn)行二維卷積計(jì)算，得到一組新的數(shù)據(jù)矩陣，該數(shù)據(jù)矩陣即特征圖；矩陣卷積核通過(guò)二維卷積過(guò)程實(shí)現(xiàn)變量的特征融合；在此基礎(chǔ)上進(jìn)行多次卷積，并且在每?jī)纱尉矸e后在特征圖上實(shí)現(xiàn)一次池化操作，保留每個(gè)2*1區(qū)域內(nèi)的最大值，將每?jī)蓚€(gè)時(shí)間戳內(nèi)的數(shù)據(jù)通過(guò)池化取一個(gè)最大值，找到了該兩個(gè)時(shí)間戳內(nèi)最具有代表性的特征；

公式如下：

其中，k是沿可變方向構(gòu)造的矩形卷積核，X和Y分別是輸入和輸出矩陣，v是k的列數(shù)，m、n是特征圖內(nèi)的坐標(biāo)；

卷積層輸出表達(dá)式如下：

其中，是第l層的第j個(gè)輸出特征圖，f是激活函數(shù)，M是第j個(gè)卷積層的卷積核的數(shù)目，是第l-1層的第i個(gè)輸入特征圖，K是卷積核，是第j個(gè)濾波器的偏差；

通過(guò)兩個(gè)全連接層來(lái)實(shí)現(xiàn)分類過(guò)程，該過(guò)程描述如下：

將上述過(guò)程得到的特征圖轉(zhuǎn)化為一維的向量，通過(guò)和每個(gè)神經(jīng)元的權(quán)重相乘，并同偏置相加，實(shí)現(xiàn)特征變換，最后再通過(guò)一個(gè)激活函數(shù)變換，實(shí)現(xiàn)非線性變換過(guò)程；最后一層的激活函數(shù)為softmax，最后輸出的類別是分別標(biāo)注正常、ETD故障以及HTD故障的數(shù)據(jù)，Softmax將模型的輸出轉(zhuǎn)化為每一類的概率計(jì)算結(jié)果；

步驟4：將標(biāo)注類別為HTD的數(shù)據(jù)輸入小波變換模型中，通過(guò)小波變換函數(shù)進(jìn)行特征分解；公式如下：

其中，n表示離散信號(hào)的第n個(gè)點(diǎn)，c_jk是一組小波系數(shù)，T是離散時(shí)間，是小波在j^th尺度上偏移了時(shí)間τ，a₀＝2是二進(jìn)小波變換；