[發明專利]一種融入先驗知識的深度學習故障診斷方法

有效

• 申請號: 202110266124.4
• 申請日: 2021-03-11
• 公開（公告）號: CN112861443B
• 公開（公告）日: 2022-08-30
• 發明（設計）人: 張強;黃挺;楊善林;胡湘洪;王春輝;王遠航;丁小健
• 申請（專利權）人: 合肥工業大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F119/02
• 代理公司: 合肥初航知識產權代理事務所(普通合伙) 34171
• 代理人: 謝永;金娟娟

1.一種融入先驗知識的深度學習故障診斷方法，其包括如下步驟：

步驟S1、數據處理

該步驟中，基于滑窗處理對故障診斷數據集X進行處理，進而獲取類圖片樣本數據集并獲取類圖片樣本數據集的關注矩陣A；

步驟S2，模型架構構建

該步驟中，構建2D-CNN模型對類圖片樣本數據集進行處理進而獲取對應的特征圖F，同時基于面向通道的平均池化和面向通道的最大池化對特征圖F進行處理進而獲取平均池化的輸出P₁和最大池化的輸出P₂，根據關注矩陣A、平均池化的輸出P₁和最大池化的輸出P₂獲取權重矩陣W，使得模型輸出為基于注意力機制的特征圖

每個樣本集對應的關注矩陣為A_ij，A_ij∈R^D×N，關注矩陣A_ij為一0-1矩陣且用于刻畫先驗知識；

通過閾值刻畫獲取每個樣本集的關注矩陣為A_ij；也即，針對第i類故障的第j個樣本集逐個將樣本集中的每個元素的數值在達到足以表征已經發生故障i的閾值時即為1、否則記為0，進而即可獲取對應的關注矩陣為A_ij。

2.根據權利要求1所述的一種融入先驗知識的深度學習故障診斷方法，其特征在于：步驟S1中，X＝{X_i|i＝1,…,M}，X_i∈R^T×N，X_i為第i類故障的多屬性時序數列，X_i用于記載不同時刻不同屬性的數值；M為故障種類總數，T為時間序列的長度，N為屬性的總數。

3.根據權利要求2所述的一種融入先驗知識的深度學習故障診斷方法，其特征在于：步驟S1中，表示第i類故障的第j個樣本集，D為滑窗寬度，λ為滑窗步長，為向上取整運算。

4.根據權利要求3所述的一種融入先驗知識的深度學習故障診斷方法，其特征在于：步驟S2中，基于2D-CNN模型保持處理之后行列數量不變地對所有樣本集進行逐個處理，樣本集的輸出為特征圖F_ij，F_ij＝[F_ij1,…,F_ijK]，K為2D-CNN模型的通道數量。

5.根據權利要求4所述的一種融入先驗知識的深度學習故障診斷方法，其特征在于：步驟S2中，對于樣本集

其平均池化的輸出P_ij1的計算公式為，

其最大池化的輸出P_ij2的計算公式為，

6.根據權利要求5所述的一種融入先驗知識的深度學習故障診斷方法，其特征在于：步驟S2中，對于特征圖F_ij，其權重矩陣W_ij的計算公式為，

Y＝A_ij+P₁+P₂，

其中，W[d,n]表示矩陣W_ij中d行n列的數值，Y[d,n]表示矩陣Y中d行n列的數值。