[發(fā)明專(zhuān)利]一種融入先驗(yàn)知識(shí)的深度學(xué)習(xí)故障診斷方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202110266124.4
• 申請(qǐng)日: 2021-03-11
• 公開(kāi)（公告）號(hào): CN112861443B
• 公開(kāi)（公告）日: 2022-08-30
• 發(fā)明（設(shè)計(jì)）人: 張強(qiáng);黃挺;楊善林;胡湘洪;王春輝;王遠(yuǎn)航;丁小健
• 申請(qǐng)（專(zhuān)利權(quán)）人: 合肥工業(yè)大學(xué)
• 主分類(lèi)號(hào): G06F30/27
• 分類(lèi)號(hào): G06F30/27;G06F119/02
• 代理公司: 合肥初航知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 34171
• 代理人: 謝永;金娟娟

本發(fā)明涉及故障診斷技術(shù)領(lǐng)域，具體地說(shuō)，涉及一種融入先驗(yàn)知識(shí)的深度學(xué)習(xí)故障診斷方法。其包括如下步驟：步驟S1、數(shù)據(jù)處理；該步驟中，基于滑窗處理對(duì)故障診斷數(shù)據(jù)集X進(jìn)行處理，進(jìn)而獲取類(lèi)圖片樣本數(shù)據(jù)集并獲取類(lèi)圖片樣本數(shù)據(jù)集的關(guān)注矩陣A；步驟S2，模型架構(gòu)構(gòu)建；該步驟中，構(gòu)建2D?CNN模型對(duì)類(lèi)圖片樣本數(shù)據(jù)集進(jìn)行處理進(jìn)而獲取對(duì)應(yīng)的特征圖F，同時(shí)基于面向通道的平均池化和面向通道的最大池化對(duì)特征圖F進(jìn)行處理進(jìn)而獲取平均池化的輸出P₁和最大池化的輸出P₂，根據(jù)關(guān)注矩陣A、平均池化的輸出P₁和最大池化的輸出P₂獲取權(quán)重矩陣W，使得模型輸出為基于注意力機(jī)制的特征圖本發(fā)明能夠較佳地將先驗(yàn)知識(shí)融入至深度學(xué)習(xí)技術(shù)中。

技術(shù)領(lǐng)域

本發(fā)明涉及故障診斷技術(shù)領(lǐng)域，具體地說(shuō)，涉及一種融入先驗(yàn)知識(shí)的深度學(xué)習(xí)故障診斷方法。

背景技術(shù)

傳感器技術(shù)的發(fā)展使得企業(yè)能夠便捷、經(jīng)濟(jì)、快速地收集到故障數(shù)據(jù)。由于深度學(xué)習(xí)技術(shù)從故障數(shù)據(jù)中提取可預(yù)測(cè)性特征的優(yōu)越性，其在故障診斷上的應(yīng)用取得了顯著效果。

基于深度學(xué)習(xí)的故障診斷方法主要有以下幾個(gè)步驟：

1)數(shù)據(jù)采集：通過(guò)傳感器技術(shù)，采集實(shí)際生產(chǎn)過(guò)程的故障數(shù)據(jù)；

2)數(shù)據(jù)預(yù)處理：對(duì)采集到的原始數(shù)據(jù)進(jìn)行補(bǔ)充、增強(qiáng)、清洗、變換等操作，以此提高數(shù)據(jù)質(zhì)量并使其適用于深度學(xué)習(xí)方法的輸入要求；

3)模型架構(gòu)構(gòu)建：針對(duì)問(wèn)題特點(diǎn)，設(shè)計(jì)深度學(xué)習(xí)模型架構(gòu)；

4)模型訓(xùn)練：使用經(jīng)過(guò)預(yù)處理的訓(xùn)練集，采用反向傳播算法對(duì)模型進(jìn)行訓(xùn)練；

5)模型測(cè)試：使用經(jīng)過(guò)預(yù)處理的測(cè)試集，基于FDR和FPR指標(biāo)對(duì)模型進(jìn)行測(cè)試；如果測(cè)試結(jié)果達(dá)到要求則轉(zhuǎn)入6)；如果測(cè)試結(jié)果未達(dá)到要求則轉(zhuǎn)入3)；

6)故障診斷：完成測(cè)試的模型可以對(duì)新的數(shù)據(jù)樣本進(jìn)行預(yù)測(cè)，通過(guò)預(yù)測(cè)結(jié)果能夠判斷該數(shù)據(jù)樣本的狀態(tài)(是否為故障；如果為故障，屬于哪類(lèi)故障)。

現(xiàn)有的具體的深度學(xué)習(xí)故障診斷方法通常是對(duì)上述6個(gè)步驟的具體化，在上述步驟中，影響深度學(xué)習(xí)故障診斷方法性能的主要有步驟1)、步驟2)和步驟3)。步驟1)中得到數(shù)據(jù)的質(zhì)量直接影響最終模型的性能；步驟2)中合適的預(yù)處理方法能夠進(jìn)一步提升數(shù)據(jù)質(zhì)量；步驟3)中設(shè)計(jì)的模型架構(gòu)需要適用于具體問(wèn)題，如果設(shè)計(jì)不合理，則可能出現(xiàn)過(guò)擬合或欠擬合的問(wèn)題。

目前，基于深度學(xué)習(xí)技術(shù)的故障診斷方法存在如下兩個(gè)問(wèn)題：

1)在實(shí)際中，系統(tǒng)不允許在故障狀態(tài)下持續(xù)運(yùn)行，因此收集到故障數(shù)據(jù)的量一般不會(huì)很大；然而，深度學(xué)習(xí)技術(shù)高度依賴于數(shù)據(jù)量的大小，這使得深度學(xué)習(xí)技術(shù)很難應(yīng)用到實(shí)際場(chǎng)景的故障診斷；

2)為了保證故障診斷結(jié)果的可靠性，一般要求故障診斷方法是可解釋的。然而，深度學(xué)習(xí)是一類(lèi)“黑盒”技術(shù)，它的可解釋性很低，這同樣制約了深度學(xué)習(xí)技術(shù)在故障診斷上的應(yīng)用。

發(fā)明內(nèi)容

本發(fā)明提供了一種融入先驗(yàn)知識(shí)的深度學(xué)習(xí)故障診斷方法，其能夠克服現(xiàn)有技術(shù)的某種或某些缺陷。

根據(jù)本發(fā)明的一種融入先驗(yàn)知識(shí)的深度學(xué)習(xí)故障診斷方法，其包括如下步驟：

步驟S1、數(shù)據(jù)處理

該步驟中，基于滑窗處理對(duì)故障診斷數(shù)據(jù)集X進(jìn)行處理，進(jìn)而獲取類(lèi)圖片樣本數(shù)據(jù)集并獲取類(lèi)圖片樣本數(shù)據(jù)集的關(guān)注矩陣A；

步驟S2，模型架構(gòu)構(gòu)建