CN112527547A - 一种基于自动卷积神经网络的机械智能故障预测方法 - Google Patents

一种基于自动卷积神经网络的机械智能故障预测方法 Download PDF

Info

Publication number
CN112527547A
CN112527547A CN202011496477.5A CN202011496477A CN112527547A CN 112527547 A CN112527547 A CN 112527547A CN 202011496477 A CN202011496477 A CN 202011496477A CN 112527547 A CN112527547 A CN 112527547A
Authority
CN
China
Prior art keywords
network
training
convolutional neural
neural network
cnn
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011496477.5A
Other languages
English (en)
Other versions
CN112527547B (zh
Inventor
文龙
李新宇
高亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Geosciences
Huazhong University of Science and Technology
Original Assignee
China University of Geosciences
Huazhong University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China University of Geosciences, Huazhong University of Science and Technology filed Critical China University of Geosciences
Priority to CN202011496477.5A priority Critical patent/CN112527547B/zh
Publication of CN112527547A publication Critical patent/CN112527547A/zh
Application granted granted Critical
Publication of CN112527547B publication Critical patent/CN112527547B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/079—Root cause analysis, i.e. error or fault diagnosis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于自动卷积神经网络的机械智能故障预测方法，获取设备故障信号，并对其进行预处理，得到预处理后的故障信号；构建自动卷积神经网络ACNN故障诊断模型；所述ACNN故障诊断模型包括1组卷积神经网络CNN和1组深度确定性策略梯度网络DDPG；所述卷积神经网络CNN用于设备故障预测，所述深度确定性策略梯度网络DDPG用于实现对所述卷积神经网络CNN的学习率、批量和正则化三个参数进行自动调节；利用预处理后的故障信号训练所述ACNN故障诊断模型，得到训练完成的ACNN故障诊断模型；将所述训练完成的故障诊断模型应用于设备故障诊断。本发明提供的有益效果是：实现了对卷积神经网络参数的自动调节与优化，使得卷积神经网络对故障特征具有良好的提取能力。

Description

一种基于自动卷积神经网络的机械智能故障预测方法
技术领域
本发明涉及故障预测领域，尤其涉及一种基于自动卷积神经网络的机械智能故障预测方法。
背景技术
随着装备智能化程度的提高，基于知识的故障诊断方法，又称为数据驱动的故障诊断方法，逐渐得到了大量学者的研究，并在大量装备上取得了大量的应用效果，如轴承、航空发动机、大型风力发电机等。
深度学习是数据驱动的故障诊断方法中的核心，主要用于对设备信号的分析与处理，实现对设备异常状态的挖掘与预测。然而，以深度学习为代表的数据驱动故障诊断方法的性能直接依赖于超参数的选择。虽然经过大量试验，在各类应用中形成了大量默认超参数，但是默认超参数远远不能保证设备在故障诊断上面的性能。
以卷积神经网络是一种常用的深度学习方法，并在设备故障诊断领域中取得了大量的研究成果。卷积神经网络最重要的三个参数(学习率、批量、正则化值)的合理选择，将直接影响到卷积神经网络对故障特征的提取效果，进而降低故障诊断模型的预测精度和泛化能力。同时，现有技术中，对以上三个参数的选择，往往靠人工经验或者反复实验进行调制，需要耗费大量的人工精力，且具有不确定性。
发明内容
有鉴于此，为了解决现有技术中的不足，的主要内容本发明提出一种针对上述三个超参数的选择与优化方法。本发明实际要解决的技术问题是：如何对卷积神经网络最重要的三个参数学习率、批量、正则化值进行合理选择，提高卷积神经网络在故障诊断中的预测精度。
本发明提供的一种基于自动卷积神经网络的机械智能故障预测方法，具体包括以下步骤：
S101：获取设备故障信号，并对其进行预处理，得到预处理后的故障信号；
S102：构建自动卷积神经网络ACNN故障诊断模型；所述ACNN故障诊断模型包括1组卷积神经网络CNN和1组深度确定性策略梯度网络DDPG；所述卷积神经网络CNN用于设备故障预测，所述深度确定性策略梯度网络DDPG用于实现对所述卷积神经网络CNN的学习率、批量和正则化三个参数进行自动调节；
S103：利用预处理后的故障信号训练所述ACNN故障诊断模型，得到训练完成的ACNN故障诊断模型；
S104：将所述训练完成的故障诊断模型应用于设备故障诊断。
进一步地，步骤S101具体为：
截取设备故障信号中的时序振动信号，并采用S变换对所述振动信号进行视频分析，得到时频图的二维矩阵，所述时频图二维矩阵即为预处理后的故障信号。
进一步地，步骤S102中，所述ACNN故障诊断模型的状态为st，行为为at，奖励为rt；其中t为训练ACNN故障诊断模型时的步长序号；st表示在第t步训练过程中，所述卷积神经网络CNN的状态特征；rt表示在第t步训练过程中ACNN故障诊断模型的奖励值；at表示在第t步训练过程中所述深度确定性策略梯度网络DDPG的行为；所述at为一个三维组，具体at＝(at,1,at,2,at,3)，其中at,1、at,2、at,3分别用于控制所述卷积神经网络CNN的学习率、批量和正则化值。
进一步地，状态st为所述卷积神经网络CNN的连续M个训练损失的误差，即st＝(losst-M,losst-M+1,…,losst-1)。
进一步地，步骤S102中，所述卷积神经网络CNN的结构包括：12个卷积层、2个全连接层和1个Softmax分类器，分别为La1～La12、FC1～FC2和FC3；其中FC1和FC2均采用L2正则化项。
进一步地，所述深度确定性策略梯度网络DDPG，包括行为者网络Actor和评价者网络Critic；
所述行为者网络Actor，包括输入层Input-A、长短期记忆网络LSTM-A、全连接层FC-A1和全连接层FC-A2；
所述评价者网络Critic，包括输入层Input-C1、长短期记忆网络LSTM-C、输入层Input-C2、连接层Con-C、全连接层FC-C1和全连接层FC-C2。
进一步地，所述行为者网络Actor的输入层Input-A接收所述卷积神经网络CNN的状态特征st，所述行为者网络Actor的输出为at，即卷积神经网络CNN的学习率、批量和正则化值；所述评价者网络Critic的输入层Input-C1和输入层Input-C2分别接收所述卷积神经网络CNN的状态特征st和所述行为者网络Actor的输出at，所述评价者网络Critic的输出为预测的奖励
Figure BDA0002842308120000031
所述评价者网络Critic根据预测的奖励
Figure BDA0002842308120000032
实现对状态特征st和行为at的组合评价。
进一步地，步骤S103中，利用预处理后的故障信号训练所述ACNN故障诊断模型，包括所述卷积神经网络CNN的迭代训练和所述深度确定性策略梯度网络DDPG的迭代训练；
所述卷积神经网络CNN迭代训练的具体过程为：
S201：所述卷积神经网络CNN训练行为结果at，解算得其在第t步训练过程中需要设置的学习率、批量和正则化值；
S202：根据第t步训练过程中的所述学习率、批量和正则化值，利用预处理后的故障信号继续训练所述卷积神经网络CNN，得到第t步的训练误差losst，并将误差losst进行数学变换得到奖励值rt+1，将st、at、rt+1、st+1存储至经验数据集D中；
S203：进入第t+1步训练，重复步骤S201～S202直至达到最大的训练步数T为止，停止训练；
所述深度确定性策略梯度网络DDPG的迭代训练通过接收所述经验数据集D进行，具体为：
行为者Actor网络的映射表示为at＝μθ(st)，评价者Critic网络的映射表示为
Figure BDA0002842308120000041
则Critic网络的训练公式如(1)和(2)所示：
Figure BDA0002842308120000042
yt＝rt+1+γQ(st+1,μ(st+1)|ω|θ) (2)
θ为行为者网络Actor的权重，ω为评价者网络Critic的权重；Critic的网络通过最小化公式(1)中的L实现有效的训练，L为训练误差；公式(1)中，采用状态st和行为at预测奖励值；公式(2)中，采用状态st+1和st+1在Actor网络的预测行为μ(st+1)|ω来预测t+1时刻的奖励值；γ为折扣因子；Q(st,at|ω)表示
Figure BDA0002842308120000043
表示在状态st下、选择行为at时，Critic网络的预测值；Q(st+1,μ(st+1)|ω|θ)表示在状态st+1下、行为是Actor网络的预测值μ(st+1)时，Critic网络的预测值；N表示样本总量。
进一步地，步骤S201具体解算过程如式(3)、(4)、(5)所示：
lrt＝(lrmax-lrmin)×at,1+lrmin (3)
bt＝int((bmax-bmin)×at,2+bmin) (4)
lt＝pow(10,(log10lmax-log10lmin)×at,3+log10lmin) (5)
式(3)、(4)、(5)中，lrmax、lrmin分别为学习率的变化上下界，bmax、bmin分别为批量的变化上下界，lmax、lmin分别为正则化值的变化上下界；lrt、bt、lt分别为解算后的学习率、批量和正则化值；pow(A，B)为数学函数，表示A的B次幂。
步骤S202中，奖励值rt+1的计算公式如式(6)所示：
rt+1＝losst-1-losst (6)。
本发明提供的有益效果是：
1)本方法采用CNN故障诊断网络的训练误差，通过构建基于DDPG的状态-行为的映射，实现了对CNN的三个最重要参数的自动调节和优化。其优势为通过自动发现训练过程的信息，能有效挖掘三个参数对性能的影响规律，进而提高了CNN网络在故障诊断中的效果；
2)本方法只需要指定三个参数的上界和下界即可，可有效减轻人工预设参数对CNN故障诊断网络训练效果的影响，同时也减少了CNN故障诊断网络在训练过程中对人工经验的依赖，使其易于使用的同时也提高了算法的适用性和泛化能力；
3)本方法的采用迭代的方式逐次训练CNN网络和DDPG网络，能在迭代过程中同时提升DDPG调节CNN网络的能力和提高CNN故障诊断网络在故障预测上的效果和精度，本方法通过实验验证了本发明在设备故障诊断上的精度有较大提升，预测精度更为准确。
附图说明
图1是本发明一种基于自动卷积神经网络的机械智能故障预测方法流程图；
图2是本发明卷积神经网络训练过程流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地描述。
请参考图1，一种基于自动卷积神经网络的机械智能故障预测方法，包括以下：
S101：获取设备故障信号，并对其进行预处理，得到预处理后的故障信号；
本发明实施例中，采集的设备故障信号以振动信号为主，对采集到的信号片段中截取时序振动信号，并采用S变换方法对振动信号进行时频分析，得到的时频图为2维矩阵。将时频图为224*224维大小，即实现对设备故障信号的预处理。通过对大量故障信号的采集即形成故障数据库，用以训练CNN网络实现对故障的诊断。
在其他一些实施例中，也可采集其他故障信号，这里不进行限制。
S102：构建自动卷积神经网络ACNN故障诊断模型；所述ACNN故障诊断模型包括1组卷积神经网络CNN和1组深度确定性策略梯度网络DDPG；所述卷积神经网络CNN用于设备故障预测，所述深度确定性策略梯度网络DDPG用于实现对所述卷积神经网络CNN的学习率、批量和正则化三个参数进行自动调节，提高CNN在设备故障诊断上的效果；
约定lrmax、lrmin分别为学习率的变化上下界，bmax、bmin分别为批量的变化上下界，lmax、lmin分别为正则化值的变化上下界。
ACNN的训练步的序号为t，第t步中CNN网络的学习率、批量、正则化值分别表示为lrt、bt和lt。
设定初始训练步t＝0，lr0、b0和l0分别为其变化范围的随机值。
所述故障诊断模型的CNN网络结果如表1所示。其中‘Conv(7×7×64)’表示为卷积层，卷积核的大小为7×7，卷积层的深度为；Maxpool(2×2)表示为最大卷积层，卷积核的大小为2×2；FC1～FC2表示为全连接层，其隐含层的节点数分别为2560和512，F3为softmax分类器，实现最终的故障诊断。La1～La12和FC1～FC3均为层名称。其中：
表1CNN网络结构
Figure BDA0002842308120000071
DDPG的网络分为行为者(Actor)网络和评价者(Critic)网络。其中Actor和Critic网络的结果如表2所示。其中Actor网络包含输入层(Input)、长短期记忆网络(LSTM-A，隐含层节点数为32)、全连接层(FC-A1，隐含层节点数为16)和全连接层(FC-A2，隐含层节点数为3)；Critic网络包含输入层1(Input-C1)、长短期记忆网络(LSTM-C，隐含层节点数为32)、输入层2(Input-C2)、连接层(Con-C)、全连接层(FC-C1，隐含层节点数为16)和全连接层(FC-C2，隐含层节点数为1)。其中sigmoid表示采用‘sigmoid’作为激活函数。
表2DDPG网络结构
Figure BDA0002842308120000072
Figure BDA0002842308120000081
S103：利用预处理后的故障信号训练所述ACNN故障诊断模型，得到训练完成的ACNN故障诊断模型；
在本发明实施例中，包括两个网络的训练，即所述卷积神经网络CNN的迭代训练和所述深度确定性策略梯度网络DDPG的迭代训练。
所述卷积神经网络CNN的迭代训练如下：
建立ACNN故障诊断模型的状态、行为和奖励的函数表示。
约定ACNN的训练步为t，ACNN故障诊断模型的状态采用st表示，状态st定义为CNN网络的连续M个训练损失误差st＝(losst-M,losst-M+1,…,losst-1)。在本发明中M取5；行为采用at表示，奖励采用rt表示。st用于提取CNN当前时刻的状态特征，DDPG算法以st为输入建立对at行为的函数映射关系，以实现对CNN网络的参数进行调节。由于本发明控制的CNN参数有3个，所以行为也可以表示为三元组at＝(at,1,at,2,at,3)，其中at,1、at,2、at,3分别用于控制学习率、批量、正则化值。将所得的行为解算得到CNN网络的学习率、批量、正则化值，对该CNN网络执行一步训练，并得到在故障诊断数据中的训练误差。将该训练误差losst进行数学变换得到奖励值rt+1。同时该训练步完成，进入时间步t+1，对应的CNN网络的状态为st+1。将st，at，rt+1，st+1存储至经验数据集D中。
请参考图2，图2是本发明卷积神经网络训练过程流程图；上述过程可以总结为：
S201：所述卷积神经网络CNN训练行为结果at，解算得其在第t步训练过程中需要设置的学习率、批量和正则化值；
由Actor网络的FC-A2层可知，行为at＝(at,1,at,2,at,3)的每一维输入均在(0,1)区间内，故对其进行变换，将at,1、at,2、at,3解算为CNN网络训练所需要的学习率、批量、正则化值。
lrt＝(lrmax-lrmin)×at,1+lrmin (1)
bt＝int((bmax-bmin)×at,2+bmin) (2)
lt＝pow(10,(log10lmax-log10lmin)×at,3+log10lmin) (3)
S202：根据第t步训练过程中的所述学习率、批量和正则化值，利用预处理后的故障信号继续训练所述卷积神经网络CNN，得到第t步的训练误差losst，并将误差losst进行数学变换得到奖励值rt+1，将st、at、rt+1、st+1存储至经验数据集D中；
奖励rt+1的定义如公式(4)所示，为训练误差的减少值。
rt+1＝losst-1-losst (4)
S203：进入第t+1步训练，重复步骤S201～S202直至达到最大的训练步数T为止，停止训练；
所述深度确定性策略梯度网络DDPG的迭代训练，通过经验数据集中的状态st、行为at、奖励值rt+1、下一状态st+1提取，训练DDPG网络，以提高其对CNN网络的参数进行调节性能。由于奖励值由故障诊断的训练误差变换而来，所以提高DDPG的训练效果，可以进而提高CNN网络的故障预测精度，由于DDPG网络的训练与CNN的训练是同时的，所以其循环终止条件也为达到最大训练步数T。当然，本领域技术人员也可根据实际情况，设置其他的循环终止条件，比如训练精度达到了要求的预设值等等。
约定θ为Actor的网络权重，ω为Critic的网络权重。Actor的网络映射表示为at＝μθ(st)，Critic的网络映射表示为
Figure BDA0002842308120000091
则Critic网络的训练公式如(5)和(6)所示。Critic的网络通过最小化公式(5)中的L实现有效的训练。
Figure BDA0002842308120000101
yt＝rt+1+γQ(st+1,μ(st+1)|ω|θ) (6)
L为训练误差；公式(5)中，采用状态st和行为at预测奖励值；公式(6)中，采用状态st+1和st+1在Actor网络的预测行为μ(st+1)|ω来预测t+1时刻的奖励值；γ为折扣因子，本发明中取1；Q(st,at|ω)表示
Figure BDA0002842308120000102
表示在状态st下、选择行为at时，Critic网络的预测值；Q(st+1,μ(st+1)|ω|θ)表示在状态st+1下、行为是Actor网络的预测值μ(st+1)时，Critic网络的预测值；N表示样本总量。
Actor网络的目的J(θ)是选择合适的行为，以最大化奖励值。因此其训练采用链式法则，首先采用Critic网络求奖励对行为的偏导
Figure BDA0002842308120000103
后在Actor网络求行为对Actor网络权重的偏导
Figure BDA0002842308120000104
形成训练公式，如公式(7)所示。
Figure BDA0002842308120000105
为了更好的解释说明，本发明采用数据集对提出的方法进行实施验证，具体如下：
本案例采用的数据集是由凯斯西储大学(CWRU)提供的轴承数据集。本实验采集振动信号，以进一步分析轴承的健康状态。本数据集的设备健康状况包含三种故障类型，分别由滚轮故障(RF)、外环故障(OF)和内环故障(IF)表示，每种故障类型有三种不同的损坏尺寸，损坏尺寸分别为0.18mm、0.36mm和0.54mm。因此，在粗分类中有四种健康状态，在细分类中有十种健康状态，实验数据集在0、1、2、3hp四个负载条件下采集。
本案例将每种损伤大小的故障状态视为一种特定的健康状态，共9种故障状态。故障状态和正常状态组成10种健康状态。将ACNN应用于该数据集的故障诊断，并将五次交叉验证应用于其性能评估。
将ACNN的性能与其他的5种卷积神经网络和2种经典的机器学习方法进行了比较。他们分别为层次卷积神经网络(HCNN)、具有宽第一层核的深卷积神经网络(WDCNN)、带有训练推断的卷积神经网络(TICNN)、残差神经网络(ResNet)、AlexNet网络、支持向量机(SVM)和人工神经网络(ANN)。
表3各方法预测精度
Figure BDA0002842308120000111
总体而言，通过本发明所构思的以上技术方案与现有技术相比，本发明提供的一种基于自动卷积神经网络的设备智能故障预测方法主要具有以下有益效果：
1)本方法采用CNN故障诊断网络的训练误差，通过构建基于DDPG的状态-行为的映射，实现了对CNN的三个最重要参数的自动调节和优化。其优势为通过自动发现训练过程的信息，能有效挖掘三个参数对性能的影响规律，进而提高了CNN网络在故障诊断中的效果。
2)本方法只需要指定三个参数的上界和下界即可，可有效减轻人工预设参数对CNN故障诊断网络训练效果的影响，同时也减少了CNN故障诊断网络在训练过程中对人工经验的依赖，使其易于使用的同时也提高了算法的适用性和泛化能力。
3)本方法的采用迭代的方式逐次训练CNN网络和DDPG网络，能在迭代过程中同时提升DDPG调节CNN网络的能力和提高CNN故障诊断网络在故障预测上的效果和精度，本方法通过实验验证了本发明在设备故障诊断上的精度有较大提升，预测精度更为准确。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于自动卷积神经网络的机械智能故障预测方法，其特征在于：具体包括以下步骤：
S101：获取设备故障信号，并对其进行预处理，得到预处理后的故障信号；
S102：构建自动卷积神经网络ACNN故障诊断模型；所述ACNN故障诊断模型包括1组卷积神经网络CNN和1组深度确定性策略梯度网络DDPG；所述卷积神经网络CNN用于设备故障预测，所述深度确定性策略梯度网络DDPG用于实现对所述卷积神经网络CNN的学习率、批量和正则化三个参数进行自动调节；
S103：利用预处理后的故障信号训练所述ACNN故障诊断模型，得到训练完成的ACNN故障诊断模型；
S104：将所述训练完成的故障诊断模型应用于设备故障诊断。
2.如权利要求1所述的基于自动卷积神经网络的机械智能故障预测方法，其特征在于：
步骤S101具体为：
截取设备故障信号中的时序振动信号，并采用S变换对所述振动信号进行视频分析，得到时频图的二维矩阵，所述时频图二维矩阵即为预处理后的故障信号。
3.如权利要求1所述的基于自动卷积神经网络的机械智能故障预测方法，其特征在于：
步骤S102中，所述ACNN故障诊断模型的状态为st，行为为at，奖励为rt；其中t为训练ACNN故障诊断模型时的步长序号；st表示在第t步训练过程中，所述卷积神经网络CNN的状态特征；rt表示在第t步训练过程中ACNN故障诊断模型的奖励值；at表示在第t步训练过程中所述深度确定性策略梯度网络DDPG的行为；所述at为一个三维组，具体at＝(at,1,at,2,at,3)，其中at,1、at,2、at,3分别用于控制所述卷积神经网络CNN的学习率、批量和正则化值。
4.如权利要求3所述的基于自动卷积神经网络的机械智能故障预测方法，其特征在于：状态st为所述卷积神经网络CNN的连续M个训练损失的误差，即st＝(losst-M,losst-M+1,…,losst-1)。
5.如权利要求1所述的基于自动卷积神经网络的机械智能故障预测方法，其特征在于：步骤S102中，所述卷积神经网络CNN的结构包括：12个卷积层、2个全连接层和1个Softmax分类器，分别为La1～La12、FC1～FC2和FC3；其中FC1和FC2均采用L2正则化项。
6.如权利要求2所述的基于自动卷积神经网络的机械智能故障预测方法，其特征在于：
所述深度确定性策略梯度网络DDPG，包括行为者网络Actor和评价者网络Critic；
所述行为者网络Actor，包括输入层Input-A、长短期记忆网络LSTM-A、全连接层FC-A1和全连接层FC-A2；
所述评价者网络Critic，包括输入层Input-C1、长短期记忆网络LSTM-C、输入层Input-C2、连接层Con-C、全连接层FC-C1和全连接层FC-C2。
7.如权利要求5所述的基于自动卷积神经网络的机械智能故障预测方法，其特征在于：
所述行为者网络Actor的输入层Input-A接收所述卷积神经网络CNN的状态特征st，所述行为者网络Actor的输出为at，即卷积神经网络CNN的学习率、批量和正则化值；所述评价者网络Critic的输入层Input-C1和输入层Input-C2分别接收所述卷积神经网络CNN的状态特征st和所述行为者网络Actor的输出at，所述评价者网络Critic的输出为预测的奖励
Figure FDA0002842308110000031
所述评价者网络Critic根据预测的奖励
Figure FDA0002842308110000032
实现对状态特征st和行为at的组合评价。
8.如权利要求4所述的基于自动卷积神经网络的机械智能故障预测方法，其特征在于：步骤S103中，利用预处理后的故障信号训练所述ACNN故障诊断模型，包括所述卷积神经网络CNN的迭代训练和所述深度确定性策略梯度网络DDPG的迭代训练；
所述卷积神经网络CNN迭代训练的具体过程为：
S201：所述卷积神经网络CNN训练行为结果at，解算得其在第t步训练过程中需要设置的学习率、批量和正则化值；
S202：根据第t步训练过程中的所述学习率、批量和正则化值，利用预处理后的故障信号继续训练所述卷积神经网络CNN，得到第t步的训练误差losst，并将误差losst进行数学变换得到奖励值rt+1，将st、at、rt+1、st+1存储至经验数据集D中；
S203：进入第t+1步训练，重复步骤S201～S202直至达到最大的训练步数T为止，停止训练；
所述深度确定性策略梯度网络DDPG的迭代训练通过接收所述经验数据集D进行，具体为：
行为者Actor网络的映射表示为at＝μθ(st)，评价者Critic网络的映射表示为
Figure FDA0002842308110000033
则Critic网络的训练公式如(1)和(2)所示：
Figure FDA0002842308110000034
yt＝rt+1+γQ(st+1,μ(st+1)|ω|θ) (2)
θ为行为者网络Actor的权重，ω为评价者网络Critic的权重；Critic的网络通过最小化公式(1)中的L实现有效的训练，L为训练误差；公式(1)中，采用状态st和行为at预测奖励值；公式(2)中，采用状态st+1和st+1在Actor网络的预测行为μ(st+1)|ω来预测t+1时刻的奖励值；γ为折扣因子；Q(st,at|ω)表示
Figure FDA0002842308110000041
表示在状态st下、选择行为at时，Critic网络的预测值；Q(st+1,μ(st+1)|ω|θ)表示在状态st+1下、行为是Actor网络的预测值μ(st+1)时，Critic网络的预测值；N表示样本总量。
9.如权利要求8所述的基于自动卷积神经网络的机械智能故障预测方法，其特征在于：步骤S201具体解算过程如式(3)、(4)、(5)所示：
lrt＝(lrmax-lrmin)×at,1+lrmin (3)
bt＝int((bmax-bmin)×at,2+bmin) (4)
lt＝pow(10,(log10lmax-log10lmin)×at,3+log10lmin) (5)
式(3)、(4)、(5)中，lrmax、lrmin分别为学习率的变化上下界，bmax、bmin分别为批量的变化上下界，lmax、lmin分别为正则化值的变化上下界；lrt、bt、lt分别为解算后的学习率、批量和正则化值；pow(A，B)为数学函数，表示A的B次幂。
10.如权利要求8所述的基于自动卷积神经网络的机械智能故障预测方法，其特征在于：步骤S202中，奖励值rt+1的计算公式如式(6)所示：
rt+1＝losst-1-losst (6)。
CN202011496477.5A 2020-12-17 2020-12-17 一种基于自动卷积神经网络的机械智能故障预测方法 Active CN112527547B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011496477.5A CN112527547B (zh) 2020-12-17 2020-12-17 一种基于自动卷积神经网络的机械智能故障预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011496477.5A CN112527547B (zh) 2020-12-17 2020-12-17 一种基于自动卷积神经网络的机械智能故障预测方法

Publications (2)

Publication Number Publication Date
CN112527547A true CN112527547A (zh) 2021-03-19
CN112527547B CN112527547B (zh) 2022-05-17

Family

ID=75001043

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011496477.5A Active CN112527547B (zh) 2020-12-17 2020-12-17 一种基于自动卷积神经网络的机械智能故障预测方法

Country Status (1)

Country Link
CN (1) CN112527547B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113239980A (zh) * 2021-04-23 2021-08-10 华中科技大学 基于小样本机器学习与超参数优化的水下目标检测方法
CN117728355A (zh) * 2024-02-08 2024-03-19 深圳市艾普希隆科技有限公司 电机变频驱动器自适应保护装置和方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106650919A (zh) * 2016-12-23 2017-05-10 国家电网公司信息通信分公司 一种基于卷积神经网络的信息系统故障诊断方法及装置
CN106781165A (zh) * 2016-11-30 2017-05-31 华中科技大学 一种基于深度传感的室内多摄像头智能联动监控装置
CN107449994A (zh) * 2017-07-04 2017-12-08 国网江苏省电力公司电力科学研究院 基于cnn‑dbn网络的局放故障诊断方法
CN108010016A (zh) * 2017-11-20 2018-05-08 华中科技大学 一种基于卷积神经网络的数据驱动故障诊断方法
CN108334936A (zh) * 2018-01-30 2018-07-27 华中科技大学 基于迁移卷积神经网络的故障预测方法
CN109115501A (zh) * 2018-07-12 2019-01-01 哈尔滨工业大学（威海） 一种基于cnn与svm的民航发动机气路故障诊断方法
CN110555479A (zh) * 2019-09-05 2019-12-10 北京工业大学 基于1dcnn与gru融合的故障特征学习与分类方法
US20190392292A1 (en) * 2018-06-20 2019-12-26 Telefonica, S.A Method and system for optimizing event prediction in data systems
CN111209497A (zh) * 2020-01-05 2020-05-29 西安电子科技大学 基于GAN和Char-CNN的DGA域名检测方法
US20200209109A1 (en) * 2018-12-28 2020-07-02 Shanghai United Imaging Intelligence Co., Ltd. Systems and methods for fault diagnosis

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106781165A (zh) * 2016-11-30 2017-05-31 华中科技大学 一种基于深度传感的室内多摄像头智能联动监控装置
CN106650919A (zh) * 2016-12-23 2017-05-10 国家电网公司信息通信分公司 一种基于卷积神经网络的信息系统故障诊断方法及装置
CN107449994A (zh) * 2017-07-04 2017-12-08 国网江苏省电力公司电力科学研究院 基于cnn‑dbn网络的局放故障诊断方法
CN108010016A (zh) * 2017-11-20 2018-05-08 华中科技大学 一种基于卷积神经网络的数据驱动故障诊断方法
CN108334936A (zh) * 2018-01-30 2018-07-27 华中科技大学 基于迁移卷积神经网络的故障预测方法
US20190392292A1 (en) * 2018-06-20 2019-12-26 Telefonica, S.A Method and system for optimizing event prediction in data systems
CN109115501A (zh) * 2018-07-12 2019-01-01 哈尔滨工业大学（威海） 一种基于cnn与svm的民航发动机气路故障诊断方法
US20200209109A1 (en) * 2018-12-28 2020-07-02 Shanghai United Imaging Intelligence Co., Ltd. Systems and methods for fault diagnosis
CN110555479A (zh) * 2019-09-05 2019-12-10 北京工业大学 基于1dcnn与gru融合的故障特征学习与分类方法
CN111209497A (zh) * 2020-01-05 2020-05-29 西安电子科技大学 基于GAN和Char-CNN的DGA域名检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈志强: "《深度学习在设备故障预测与健康管理中的应用》", 《仪器仪表学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113239980A (zh) * 2021-04-23 2021-08-10 华中科技大学 基于小样本机器学习与超参数优化的水下目标检测方法
CN113239980B (zh) * 2021-04-23 2022-07-05 华中科技大学 基于小样本机器学习与超参数优化的水下目标检测方法
CN117728355A (zh) * 2024-02-08 2024-03-19 深圳市艾普希隆科技有限公司 电机变频驱动器自适应保护装置和方法
CN117728355B (zh) * 2024-02-08 2024-04-16 深圳市艾普希隆科技有限公司 电机变频驱动器自适应保护装置和方法

Also Published As

Publication number Publication date
CN112527547B (zh) 2022-05-17

Similar Documents

Publication Publication Date Title
Liang et al. A novel wind speed prediction strategy based on Bi-LSTM, MOOFADA and transfer learning for centralized control centers
CN112101532B (zh) 一种基于边云协同的自适应多模型驱动设备故障诊断方法
US11042802B2 (en) System and method for hierarchically building predictive analytic models on a dataset
CN106228185A (zh) 一种基于神经网络的通用图像分类识别系统及方法
Jalalkamali Using of hybrid fuzzy models to predict spatiotemporal groundwater quality parameters
WO2019018375A1 (en) NEURONAL ARCHITECTURE RESEARCH FOR CONVOLUTION NEURAL NETWORKS
Poczęta et al. Learning fuzzy cognitive maps using structure optimization genetic algorithm
CN112200373A (zh) 负荷预测模型的训练方法及训练装置、存储介质、设备
EP3719603B1 (en) Action control method and apparatus
CN110473592B (zh) 一种多视角人类协同致死基因预测方法
CN112527547B (zh) 一种基于自动卷积神经网络的机械智能故障预测方法
CN111047078B (zh) 交通特征预测方法、系统及存储介质
CN110689183B (zh) 一种集群光伏功率概率预测方法、系统、介质及电子设备
CN109255469A (zh) 融合栈式自编码器和支持向量回归的洪水预测方法
CN108961460B (zh) 基于稀疏esgp与多目标优化的故障预测方法及装置
Farzad et al. Performance enhancement of rainfall pattern–water level prediction model utilizing self-organizing-map clustering method
CN116561517A (zh) 基于奖励优化深度强化学习不平衡智能故障定量诊断方法
CN112036598A (zh) 一种基于多信息耦合的充电桩使用信息预测方法
CN116432736A (zh) 神经网络模型优化方法、装置及计算设备
CN112651499A (zh) 一种基于蚁群优化算法和层间信息的结构化模型剪枝方法
CN112668797B (zh) 一种长短期交通预测方法
CN114720129A (zh) 一种基于双向gru的滚动轴承剩余寿命预测方法及系统
CN113807005A (zh) 基于改进fpa-dbn的轴承剩余寿命预测方法
Zhao et al. U-net for satellite image segmentation: Improving the weather forecasting
CN116310391B (zh) 一种用于茶叶病害的识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant