[發(fā)明專利]工業(yè)過程的多尺度殘差卷積與LSTM融合性能評(píng)估方法

在審

• 申請?zhí)枺?/td>: 202110278058.2
• 申請日: 2021-03-15
• 公開（公告）號(hào): CN113052218A
• 公開（公告）日: 2021-06-29
• 發(fā)明（設(shè)計(jì)）人: 劉凱;吳鋒;張日東
• 申請（專利權(quán)）人: 杭州電子科技大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/04;G06N3/08
• 代理公司: 杭州浙科專利事務(wù)所(普通合伙) 33213
• 代理人: 楊小凡

本發(fā)明公開了工業(yè)過程的多尺度殘差卷積與LSTM融合性能評(píng)估方法，包括如下步驟：步驟一、采集多類型故障的數(shù)據(jù)集，并對其進(jìn)行數(shù)據(jù)預(yù)處理，在此基礎(chǔ)上對故障類型進(jìn)行編號(hào)打標(biāo)簽，設(shè)置對應(yīng)的關(guān)系，之后對故障類型和標(biāo)簽劃分相應(yīng)的訓(xùn)練集和測試集；步驟二、構(gòu)建多尺度殘差卷積與LSTM網(wǎng)絡(luò)故障診斷模型，包括殘差模塊、多尺度殘差模塊、LSTM模塊以及分類模塊；步驟三、利用訓(xùn)練集訓(xùn)練模型，以故障類型標(biāo)簽作為所述模型的輸出，將輸出標(biāo)簽與真實(shí)標(biāo)簽的交叉熵作為損失函數(shù)，利用優(yōu)化器進(jìn)行反向傳播，更新整個(gè)模型的參數(shù)，優(yōu)化損失函數(shù)；步驟四、將測試集輸入訓(xùn)練好的模型中，進(jìn)行故障識(shí)別，輸出診斷結(jié)果。

技術(shù)領(lǐng)域

本發(fā)明屬于自動(dòng)化過程控制領(lǐng)域，特別涉及到一種工業(yè)工程的多尺度殘差卷積與長短時(shí)記憶網(wǎng)絡(luò)(MRCNN-LSTM)融合故障診斷方法。

背景技術(shù)

現(xiàn)代工業(yè)過程系統(tǒng)是目前社會(huì)生產(chǎn)中必不可少的一種基礎(chǔ)設(shè)備，其對社會(huì)的發(fā)展和進(jìn)步起著至關(guān)重要的作用。為了提高工業(yè)設(shè)備的生產(chǎn)效率和減少資源浪費(fèi)，及時(shí)發(fā)現(xiàn)并診斷出故障的類型就顯得非常的必要。因此，一個(gè)好的工業(yè)過程故障診斷方法對工業(yè)生產(chǎn)具有十分重要的意義。

現(xiàn)代故障診斷技術(shù)的產(chǎn)生對保障工業(yè)過程的生產(chǎn)安全，減少資源浪費(fèi)發(fā)揮了重要的作用，其先后發(fā)展出了基于模型的方法，基于知識(shí)推理的方法和基于數(shù)據(jù)驅(qū)動(dòng)的方法。基于模型的方法和基于知識(shí)推理的方法由于自身的局限性，對當(dāng)前具有高維性、非線性、間歇性以及動(dòng)態(tài)性等特點(diǎn)的復(fù)雜工業(yè)過程數(shù)據(jù)并不能取得令人滿意的結(jié)果。基于數(shù)據(jù)驅(qū)動(dòng)的方法由于局限性較小，只依賴于過往的故障數(shù)據(jù)，因此得到了較好的發(fā)展和應(yīng)用。

基于數(shù)據(jù)驅(qū)動(dòng)的方法可以進(jìn)一步分為基于多元統(tǒng)計(jì)的方法、淺層學(xué)習(xí)方法以及深度學(xué)習(xí)方法。基于多元統(tǒng)計(jì)的方法和淺層學(xué)習(xí)的方法是工業(yè)過程常用的方法之一，但是面對工業(yè)數(shù)據(jù)中的高維性、非線性數(shù)據(jù)時(shí)，并不能取得令人滿意的效果。深度學(xué)習(xí)技術(shù)是在淺層學(xué)習(xí)的基礎(chǔ)上發(fā)展而來，其擺脫了傳統(tǒng)方法需要手工提取特征的繁瑣步驟，能夠端到端自動(dòng)的提取原始數(shù)據(jù)中非線性高維特征，不僅如此，深度學(xué)習(xí)還解決了淺層學(xué)習(xí)容易過擬合、陷入局部最優(yōu)、梯度消散以及泛化能力弱等問題，對非線性、間歇性以及動(dòng)態(tài)性等復(fù)雜工業(yè)過程也具有較好的診斷精度。

深度學(xué)習(xí)相較于傳統(tǒng)方法具有巨大的優(yōu)勢，其利用多隱層的網(wǎng)絡(luò)結(jié)構(gòu)直接對輸入的數(shù)據(jù)樣本進(jìn)行有效分析并提取隱藏的數(shù)據(jù)特征信息，非常適用于大規(guī)模復(fù)雜的工業(yè)過程數(shù)據(jù)，是目前故障診斷領(lǐng)域研究的熱點(diǎn)。但是不可否認(rèn)的是，每種深度學(xué)習(xí)模型都有其自身的優(yōu)缺點(diǎn)，其整體的診斷精度有待進(jìn)一步提高。目前基于深度學(xué)習(xí)的故障診斷方法在工業(yè)過程的應(yīng)用主要存在以下問題：

當(dāng)模型深度達(dá)到一定層數(shù)后，會(huì)發(fā)生模型退化問題；

不能有效的提取數(shù)據(jù)中隱藏的時(shí)序性特征；

不能有效的提取數(shù)據(jù)不同尺寸的特征。

發(fā)明內(nèi)容

為了解決上述問題，需要提供一種能夠克服上述問題的工業(yè)過程故障診斷方法。

本發(fā)明的目的是針對現(xiàn)有工業(yè)過程故障診斷方法中存在的問題，提出了一種能夠有效提取數(shù)據(jù)不同尺寸特征和時(shí)序性特征，并且能避免模型退化的融合多尺度殘差卷積與LSTM網(wǎng)絡(luò)的工業(yè)過程故障診斷方法。

本發(fā)明在傳統(tǒng)卷神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，分別構(gòu)建多尺度卷積神經(jīng)網(wǎng)絡(luò)和LSTM網(wǎng)絡(luò)，并將殘差學(xué)習(xí)嵌入到模型中。整個(gè)模型由殘差模塊、多尺度殘差模塊、LSTM模塊以及分類模塊所組成。

本發(fā)明的具體實(shí)施步驟包括：

步驟一、以頻率f_s采集工業(yè)過程系統(tǒng)變量的運(yùn)行數(shù)據(jù)，建立一個(gè)含有多變量，多類型故障的數(shù)據(jù)集，并對其進(jìn)行數(shù)據(jù)預(yù)處理，在此基礎(chǔ)上對故障類型進(jìn)行編號(hào)打標(biāo)簽，設(shè)置對應(yīng)的關(guān)系，之后對故障類型和標(biāo)簽劃分相應(yīng)的訓(xùn)練集和測試集；