[發明專利]一種基于改進型長短記憶神經網絡的故障診斷方法

在審

• 申請號: 202210584989.X
• 申請日: 2022-05-27
• 公開（公告）號: CN115062759A
• 公開（公告）日: 2022-09-16
• 發明（設計）人: 劉超;薄順濤
• 申請（專利權）人: 江蘇大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06N3/12;G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種基于改進型長短記憶神經網絡的故障診斷方法，構建LSTM網絡模型結構并且利用免疫優勢克隆文化算法對LSTM的學習速率進行參數尋優，得到訓練好的LSTM網絡故障診斷模型，將測試集數據輸入到訓練好的故障診斷模型中，得到對應的故障類型診斷結果；本方法能通過LSTM網絡模型能夠根據工業系統中各設備的測量數據進行故障診斷，且本發明將免疫優勢克隆文化算法用于長短記憶神經網絡的參數優化中，可以避免維度災難，導致陷入局部最優，還可以提高算法的收斂速度和故障診斷的準確性。

技術領域

本發明屬于故障分析技術領域，具體涉及一種基于改進型長短記憶神經網絡的故障診斷方法。

背景技術

近年來，機器學習在指紋識別、文本識別、語音識別、故障診斷等領域應用廣泛，已經達到商業化的需求，其中對設備的故障分析診斷在工業生產過程中變得尤其重要，但在故障的產生大都是具有很強的非線性、高緯度、動態性，且故障樣本數量較少等特征，導致傳統的神經網絡訓練困難，作為機器學習的分支，深度學習可以有效地解決傳統神經網絡訓練困難的問題，對高緯度線性數據具有強大的學習能力。

目前基于深度學習的故障診斷方法有：堆疊自動編碼(Stacked Auto Encoders，SAE)、卷積神經網絡(Convolutional Neural Network，CNN)、循環神經網絡(RecurrentNeural Network，RNN)、長短記憶神經網絡(Long Short-Term Memory Neural Network，LSTM)、深度置信網絡(Deep Belief Network，DBN)。故障分析診斷的關鍵在于有效的獲取、傳遞、處理、再生和利用診斷信息，從而訓練出對診斷對象進行準確的狀態識別和狀態預測能力，即需要數據間的相關時序性。在工業上設備當前運行狀態與之前時刻的運行狀態具有強關聯性，信號與信號之間并不是相關獨立的，而上述幾種方法除了RNN和LSTM其余都忽略了數據間的相關時序性，導致故障診斷效果差。RNN的每一次梯度計算的輸出都依賴于當前時刻和歷史時刻對應的計算結果，導致存在梯度爆炸或者梯度消失問題。與RNN相比，LSTM通過三個門獲得自循環權重的變化，并在模型參數不變的情況下動態改變積分比例，可以很好上述問題。

隨著當代科學技術的發展，工業生產過程系統中自動化水平提高，規模不斷變大，投資的成本也越來越大，其復雜性更是迅速提高，大規模自動化生產系統的高度復雜性迫切需要嚴格把控生產安全問題，并提高系統的可靠性、有效性和穩定性。為此尋找能夠快速、準確的尋找最優參數的各種智能算法并應用在工業過程中變得尤其重要。雖然故障診斷的方法種類繁多，很多方法都有交叉，難以將其絕對劃分到某一類中去，而單一的故障診斷方法總有各自的缺陷，很難滿足理想的故障診斷效果，為此若只采用單一的采用LSTM算法存在維度災難，陷入局部最優，導致故障診斷不準確，所以為進一步提高網絡的更新速度，需要對傳統的LSTM網絡模型進行參數進行優化以控制學習速率。

發明內容

針對現有技術中的不足，本發明提出一種基于改進型長短記憶神經網絡的故障診斷方法，可以有效的解決上述背景技術中的問題。

本發明所采用的技術方案如下：

一種基于改進型長短記憶神經網絡的故障診斷方法，包括以下步驟：

S1、采集工業系統中各設備的測量數據，測量數據包括正常狀態時間序列數據及故障狀態數據，并作為故障診斷分析的樣本數據；

S2、將S1采集后的數據劃分為初始訓練集和測試集；

S3、構建LSTM網絡模型，基于S2中訓練集數據，并利用免疫優勢克隆文化算法對LSTM的學習速率進行參數尋優，

S4、獲取LSTM初始學習速率，并計算誤差，判斷損失函數對應的誤差是否最小，不滿足則繼續計算誤差，直到滿足條件為止；

S5、得到訓練好的LSTM網絡故障診斷模型，將測試集數據輸入到訓練好的故障診斷模型中，得到對應的故障類型診斷結果，實現故障分析。