CN112861443B - 一种融入先验知识的深度学习故障诊断方法 - Google Patents

一种融入先验知识的深度学习故障诊断方法 Download PDF

Info

Publication number
CN112861443B
CN112861443B CN202110266124.4A CN202110266124A CN112861443B CN 112861443 B CN112861443 B CN 112861443B CN 202110266124 A CN202110266124 A CN 202110266124A CN 112861443 B CN112861443 B CN 112861443B
Authority
CN
China
Prior art keywords
fault
matrix
deep learning
feature map
output
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.)
Active
Application number
CN202110266124.4A
Other languages
English (en)
Other versions
CN112861443A (zh
Inventor
张强
黄挺
杨善林
胡湘洪
王春辉
王远航
丁小健
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.)
Hefei University of Technology
Original Assignee
Hefei University of 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 Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202110266124.4A priority Critical patent/CN112861443B/zh
Publication of CN112861443A publication Critical patent/CN112861443A/zh
Priority to PCT/CN2021/126687 priority patent/WO2022188425A1/zh
Application granted granted Critical
Publication of CN112861443B publication Critical patent/CN112861443B/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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Image Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及故障诊断技术领域，具体地说，涉及一种融入先验知识的深度学习故障诊断方法。其包括如下步骤：步骤S1、数据处理；该步骤中，基于滑窗处理对故障诊断数据集X进行处理，进而获取类图片样本数据集
Figure DDA0002972345930000011
并获取类图片样本数据集
Figure DDA0002972345930000012
的关注矩阵A；步骤S2，模型架构构建；该步骤中，构建2D‑CNN模型对类图片样本数据集
Figure DDA0002972345930000013
进行处理进而获取对应的特征图F，同时基于面向通道的平均池化和面向通道的最大池化对特征图F进行处理进而获取平均池化的输出P1和最大池化的输出P2，根据关注矩阵A、平均池化的输出P1和最大池化的输出P2获取权重矩阵W，使得模型输出为基于注意力机制的特征图
Figure DDA0002972345930000014
Figure DDA0002972345930000015
本发明能够较佳地将先验知识融入至深度学习技术中。

Description

一种融入先验知识的深度学习故障诊断方法
技术领域
本发明涉及故障诊断技术领域，具体地说，涉及一种融入先验知识的深度学习故障诊断方法。
背景技术
传感器技术的发展使得企业能够便捷、经济、快速地收集到故障数据。由于深度学习技术从故障数据中提取可预测性特征的优越性，其在故障诊断上的应用取得了显著效果。
基于深度学习的故障诊断方法主要有以下几个步骤：
1)数据采集：通过传感器技术，采集实际生产过程的故障数据；
2)数据预处理：对采集到的原始数据进行补充、增强、清洗、变换等操作，以此提高数据质量并使其适用于深度学习方法的输入要求；
3)模型架构构建：针对问题特点，设计深度学习模型架构；
4)模型训练：使用经过预处理的训练集，采用反向传播算法对模型进行训练；
5)模型测试：使用经过预处理的测试集，基于FDR和FPR指标对模型进行测试；如果测试结果达到要求则转入6)；如果测试结果未达到要求则转入3)；
6)故障诊断：完成测试的模型可以对新的数据样本进行预测，通过预测结果能够判断该数据样本的状态(是否为故障；如果为故障，属于哪类故障)。
现有的具体的深度学习故障诊断方法通常是对上述6个步骤的具体化，在上述步骤中，影响深度学习故障诊断方法性能的主要有步骤1)、步骤2)和步骤3)。步骤1)中得到数据的质量直接影响最终模型的性能；步骤2)中合适的预处理方法能够进一步提升数据质量；步骤3)中设计的模型架构需要适用于具体问题，如果设计不合理，则可能出现过拟合或欠拟合的问题。
目前，基于深度学习技术的故障诊断方法存在如下两个问题：
1)在实际中，系统不允许在故障状态下持续运行，因此收集到故障数据的量一般不会很大；然而，深度学习技术高度依赖于数据量的大小，这使得深度学习技术很难应用到实际场景的故障诊断；
2)为了保证故障诊断结果的可靠性，一般要求故障诊断方法是可解释的。然而，深度学习是一类“黑盒”技术，它的可解释性很低，这同样制约了深度学习技术在故障诊断上的应用。
发明内容
本发明提供了一种融入先验知识的深度学习故障诊断方法，其能够克服现有技术的某种或某些缺陷。
根据本发明的一种融入先验知识的深度学习故障诊断方法，其包括如下步骤：
步骤S1、数据处理
该步骤中，基于滑窗处理对故障诊断数据集X进行处理，进而获取类图片样本数据集
Figure BDA0002972345910000021
并获取类图片样本数据集
Figure BDA0002972345910000022
的关注矩阵A；
步骤S2，模型架构构建
该步骤中，构建2D-CNN模型对类图片样本数据集
Figure BDA0002972345910000023
进行处理进而获取对应的特征图F，同时基于面向通道的平均池化和面向通道的最大池化对特征图F进行处理进而获取平均池化的输出P1和最大池化的输出P2，根据关注矩阵A、平均池化的输出P1和最大池化的输出P2获取权重矩阵W，使得模型输出为基于注意力机制的特征图
Figure BDA0002972345910000024
Figure BDA0002972345910000025
本发明中，通过构建关注矩阵A能够较佳地将先验知识融入至所构建的模型中，从而使得本发明中的方法能够有针对性的从数据中提取可预测的特征，也即能够较佳地从较小的数据量中获取较有效的信息，从而能够较佳地提升故障诊断的准确性，且能够较佳地适用于小数据量的应用场景。此外，由于先验知识的融入能够较佳提升整个模型的可解释性，故而能够较佳地提升故障诊断的可靠性。
作为优选，步骤S1中，X＝{Xi|i＝1，…，M}，Xi∈RT×N，Xi为第i类故障的多属性时序数列，Xi用于记载不同时刻不同属性的数值；M为故障种类总数，T为时间序列的长度，N为属性的总数。本本发明中，能够针对每种不同的故障种类，均建立相应的数据集Xi，该数据集能够从自实际生产中的数据获取，从而能够较佳地便于后续对模型的建立、训练以及测试。
作为优选，步骤S1中，
Figure BDA0002972345910000031
Figure BDA0002972345910000032
表示第i类故障的第j个样本集，D为滑窗宽度，λ为滑窗步长，
Figure BDA0002972345910000033
为向上取整运算。由于本本发明中采用2D-CNN作为基础的深度学习架构，而本本发明中的故障诊断数据集X为多属性时序数据，故其不能直接作为2D-CNN的输入，通过对其进行滑窗处理，即可较佳地将故障诊断数据集X转换成类图片数据，从而能够较佳地实现向2D-CNN的输入。
作为优选，每个样本集
Figure BDA0002972345910000034
对应的关注矩阵为Aij，Aij∈RD×N，关注矩阵Aij为一0-1矩阵且用于刻画先验知识。从而能够较佳地将实现先验知识的刻画。
作为优选，通过阈值刻画获取每个样本集
Figure BDA0002972345910000035
的关注矩阵为Aij；也即，针对第i类故障的第j个样本集
Figure BDA0002972345910000036
逐个将样本集
Figure BDA0002972345910000037
中的每个元素的数值在达到足以表征已经发生故障i的阈值时即为1、否则记为0，进而即可获取对应的关注矩阵为Aij。从而能够较佳地实现先验知识的刻画。
作为优选，步骤S2中，基于2D-CNN模型保持处理之后行列数量不变地对所有样本集
Figure BDA0002972345910000038
进行逐个处理，样本集
Figure BDA0002972345910000039
的输出为特征图Fij，Fij＝[Fij1，…，FijK]，K为2D-CNN模型的通道数量。从而能够较佳地实现最终权重矩阵的获取。
作为优选，步骤S2中，对于样本集
Figure BDA00029723459100000310
其平均池化的输出Pij1的计算公式为，
Figure BDA00029723459100000311
其最大池化的输出Pij2的计算公式为，
Figure BDA0002972345910000041
从而能够较佳地获取对应的平均池化和最大池化输出。
作为优选，步骤S2中，对于特征图Fij，其权重矩阵Wij的计算公式为，
Y＝Aij+P1+P2，
Figure BDA0002972345910000042
其中，W[d，n]表示矩阵Wij中d行n列的数值，Y[d，n]表示矩阵Y中d行n列的数值。
通过上述使得，本本发明中所构建的模型，能够较佳地输出融入了先验知识的特征图，进而能够较佳地实现先验知识的融合。
附图说明
图1为实施例1中的深度学习故障诊断方法的系统构架示意图；
图2为实施例1中的深度学习故障诊断方法的数据处理流程示意图；
图3为实施例1中的模型在训练和测试过程中的均方差损失随训练时间的变化图；
图4为实施例1中的模型对测试集进行运算的结果。
具体实施方式
为进一步了解本发明的内容，结合附图和实施例对本发明作详细描述。应当理解的是，实施例仅仅是对本发明进行解释而并非限定。
实施例1
结合图1和2所示，本实施例提供了一种融入先验知识的深度学习故障诊断方法，其包括如下步骤：
步骤S1、数据处理
该步骤中，基于滑窗处理对故障诊断数据集X进行处理，进而获取类图片样本数据集
Figure BDA0002972345910000043
并获取类图片样本数据集
Figure BDA0002972345910000044
的关注矩阵A；
步骤S2，模型架构构建
该步骤中，构建2D-CNN模型对类图片样本数据集
Figure BDA0002972345910000051
进行处理进而获取对应的特征图F，同时基于面向通道的平均池化和面向通道的最大池化对特征图F进行处理进而获取平均池化的输出P1和最大池化的输出P2，根据关注矩阵A、平均池化的输出P1和最大池化的输出P2获取权重矩阵W，使得模型输出为基于注意力机制的特征图
Figure BDA0002972345910000052
Figure BDA0002972345910000053
本实施例中，通过构建关注矩阵A能够较佳地将先验知识融入至所构建的模型中，从而使得本实施例中的方法能够有针对性的从数据中提取可预测的特征，也即能够较佳地从较小的数据量中获取较有效的信息，从而能够较佳地提升故障诊断的准确性，且能够较佳地适用于小数据量的应用场景。此外，由于先验知识的融入能够较佳提升整个模型的可解释性，故而能够较佳地提升故障诊断的可靠性。
此外，本实施例中，所构建的权重矩阵W是由关注矩阵A、平均池化的输出P1和最大池化的输出P2共同构成，也即能够较佳地将先验知识(由关注矩阵A进行表征)，以及池化后提取的特征进行综合考虑，进而使得数据输出结果的可解释性更高。
本实施例的步骤S1中，X＝{Xi|i＝1，…，M}，Xi∈RT×N，Xi为第i类故障的多属性时序数列，Xi用于记载不同时刻不同属性的数值；M为故障种类总数，T为时间序列的长度，N为属性的总数。本实施例中，能够针对每种不同的故障种类，均建立相应的数据集Xi，该数据集能够从自实际生产中的数据获取，从而能够较佳地便于后续对模型的建立、训练以及测试。
本实施例的步骤S1中，
Figure BDA0002972345910000054
Figure BDA0002972345910000055
表示第i类故障的第j个样本集，D为滑窗宽度，λ为滑窗步长，
Figure BDA0002972345910000056
为向上取整运算。由于本实施例中采用2D-CNN作为基础的深度学习架构，而本实施例中的故障诊断数据集X为多属性时序数据，故其不能直接作为2D-CNN的输入，通过对其进行滑窗处理，即可较佳地将故障诊断数据集X转换成类图片数据，从而能够较佳地实现向2D-CNN的输入。
在中国专利号为“201811472378.6”的专利中，已经公开了对多属性时序数据进行滑窗处理的方法，故本实施例中不予赘述。
本实施例中，每个样本集
Figure BDA0002972345910000061
对应的关注矩阵为Aij，Aij∈RD×N，关注矩阵Aij为一0-1矩阵且用于刻画先验知识。从而能够较佳地将实现先验知识的刻画。
本实施例中，通过阈值刻画获取每个样本集
Figure BDA0002972345910000062
的关注矩阵为Aij；也即，针对第i类故障的第j个样本集
Figure BDA0002972345910000063
逐个将样本集
Figure BDA0002972345910000064
中的每个元素的数值在达到足以表征已经发生故障i的阈值时即为1、否则记为0，进而即可获取对应的关注矩阵为Aij。从而能够较佳地实现先验知识的刻画。
在本实施例中定义故障诊断的先验知识是一种反应故障发生机理的特性。对于某一系统而言，能够根据理论或经验，在当某个观测变量的值达到(达到或低于)某个阈值，判定该系统发生某类故障。而在判定过程中的这个阈值，即可用来刻画先验知识。
当然，目前现有的如时间序列的时域特性、频域特性、平稳性等先验知识均可用于本实施例中的先验知识的构建。
本实施例中，对于任一关注矩阵为Aij，其仅包含0和1，也即为一0-1矩阵；通过该种构造，能够较佳地刻画出2D-CNN需要关注的数据区域，从而能够较佳地实现先验知识的融入。
本实施例的步骤S2中，基于2D-CNN模型保持处理之后行列数量不变地对所有样本集
Figure BDA0002972345910000065
进行逐个处理，样本集
Figure BDA0002972345910000066
的输出为特征图Fij，Fij＝[Fij1，…，FijK]，K为2D-CNN模型的通道数量。从而能够较佳地实现最终权重矩阵的获取。
本实施例中，2D-CNN模型能够定义其卷积核大小为3*3且步长为1。
本实施例的步骤S2中，对于样本集
Figure BDA0002972345910000067
其平均池化的输出Pij1的计算公式为，
Figure BDA0002972345910000068
其最大池化的输出Pij2的计算公式为，
Figure BDA0002972345910000071
从而能够较佳地获取对应的平均池化和最大池化输出。
本实施例的步骤S2中，对于特征图Fij，其权重矩阵Wij的计算公式为，
Y＝Aij+P1+P2，
Figure BDA0002972345910000072
其中，W[d，n]表示矩阵Wij中d行n列的数值，Y[d，n]表示矩阵Y中d行n列的数值。
通过上述使得，本实施例中所构建的模型，能够较佳地输出融入了先验知识的特征图，进而能够较佳地实现先验知识的融合。
此外，本实施例中，在输出了基于注意力机制的特征图
Figure BDA0002972345910000073
后，能够通过全连接层进行处理，进而获取输出结果，并能够基于常规方法对模型进行训练和测试。
本实施例中，通过先验知识的融入，一方面使得深度学习技术能够有针对性地从数据中提取特征，从而使其适用于小数据量的故障诊断；另一方面使得深度学习的可解释性增高，从而使其适用于可靠性要求较高的故障诊断。
总而言之，本实施例通过融入了先验知识的深度学习技术，解决了故障诊断数据量小、可靠性要求高的问题，从而进一步提升了深度学习技术在故障诊断上的实际应用前景。
为对本实施例中所提出的方法进行验证，本实施例采用田纳西化工过程数据集对本实施例中的方法进行验证。
田纳西化工过程是一个基于真实化工公司操作流程的仿真过程，在田纳西化工过程中，包含41个测量变量和11个操作变量。本实施例中，这52个变量都被用于构建故障诊断模型。田纳西化工过程包含21种类型的故障状态和1个正常状态。对于每一种状态，都有一个训练集和测试集数据，这些数据从52个变量中以每3分钟一个样本的频率被采集。每一个训练集含有500个样本(前20个为正常样本)，每一个测试集含有960个样本(前160个为正常样本)。
在本实施例的验证中，采用专利号为“201811472378.6”的中国专利中公开的方法对完成步骤S1中的数据处理，并设置滑窗宽度为10，滑窗步长为1；从而能够较佳地将相应的数据集转换为类图片数据集。
在本实施例的步骤S1中，能够采用皮尔森相关系数实现对关注矩阵的Aij的获取。具体地：
(1)首先计算每个属性(变量)与每个故障间的皮尔森相关系数；
(2)之后设置一个相关系数的阈值r且0<r<1，任一属性(变量)与某一故障间的皮尔森相关系数超出相关系数的阈值r时，则在诊断该某一故障时对该任一属性(变量)进行关注，否则不予关注；在对某一属性(变量)进行关注时，则相应关注矩阵中的对应元素即为1，否则记为0；
通过此，能够依次获取每个状态(21个故障状态和1个正常状态)下的全属性的关注矩阵；
(3)本实施例中的关注矩阵为Aij为对应样本集
Figure BDA0002972345910000081
的关注矩阵，其根据上述“(2)”中的全属性的关注矩阵，即可较佳地进行获取。
在完成上述之后即可较佳地实现步骤S1。在完成步骤S1后，即可构建2D-CNN模型。
本实施例中构建的2D-CNN模型依次包括输入层、卷积层1(Conv-1#)、池化层1(MaxPool-1)、卷积层2(Conv-2#)、池化层2(MaxPool-2)、注意力机制层1(Atten-1)、卷积层3(Conv-3#)、池化层3(MaxPool-3)、注意力机制层2(Atten-2)、卷积层4(Conv-4#)、池化层4(MaxPool-4)、全连接层(FC-1*)以及输出层(Softmax)。其中，卷积层1(Conv-1#)至池化层4(MaxPool-4)构成特征提取器(Feature extractor)，全连接层(FC-1*)及输出层(Softmax)构成分类器(Classifier)。
本实施例中，所有的卷积层的输出结果均采用批归一化(BN)进行处理，故而能够较佳地加快网络训练。
本实施例中，采用Dropout方法对全连接层(FC-1*)进行处理，故而能够较佳地避免过拟合。其中，神经元的丢弃概率能够设置为p＝0.75。
如表1所示，为本实施例所构建的2D-CNN模型的参数设置。
表1模型参数设置
Figure BDA0002972345910000091
其中，2D-CNN模型的超参数D＝10和r＝0.07，D即为滑窗处理的宽度。故本实施例中的2D-CNN模型能够表达为M(10，0.07)。
结合图2可知，本实施例中的2D-CNN模型在处理数据时，输入层输入的数据能够为样本集
Figure BDA0002972345910000092
依次经过卷积层1(Conv-1#)、池化层1(MaxPool-1)、卷积层2(Conv-2#)及池化层2(MaxPool-2)的处理后能够输出特征图Fij。
本实施例中，注意力机制层1(Atten-1)的输入为池化层2(MaxPool-2)输出特征图以及对应样本集
Figure BDA0002972345910000093
的关注矩阵Aij，在注意力机制层1(Atten-1)中能够对特征图Fij的平均池化的输出、最大池化的输出与关注矩阵Aij进行矩阵相加运算并输出；在卷积层3(Conv-3#)及池化层3(MaxPool-3)中能够对注意力机制层1(Atten-1)的输出进行处理进而输出对应的特征图。
本实施例中，注意力机制层2(Atten-2)的输入为池化层3(MaxPool-3)输出的特征图及对应样本集
Figure BDA0002972345910000094
的关注矩阵Aij，在注意力机制层2(Atten-2)中能够对对应输入特征图的平均池化的输出、最大池化的输出与关注矩阵Aij进行矩阵相加运算并输出；之后经卷积层4(Conv-4#)和池化层4(MaxPool-4)的处理输出融入了先验知识的特征图。
本实例中，经过全连接层(FC-1*)以及输出层(Softmax)的处理，即可较佳地输出所输入数据归属于每个不同状态的概率，进而实现数据的诊断。
本实施例中，在2D-CNN模型搭建完成后，基于Adam算法对其进行训练，并能够设置学习率为0.0001，批次样本的数量为100；同时，能够采用均方差(MSE)损失作为优化目标函数。
训练和测试过程中的均方差损失(MSE loss)随训练时间(Training times)的变化如图3所示，可知，在随训练时间的变化中，训练损失(train_loss)和测试损失(test_loss)最终都收敛为0，这表明没有出现过拟合现象。
采用本实施例中的2D-CNN模型对测试集进行运算的结果如图4所示，可以看出除了少量的故障11的样本(占比0.13％)被错误地预测为故障15，其他所有类别的样本都可以被准确预测，故本实施例方法能够具备较佳的准确率。
此外，本实施例中还给出了本实施例中的算法与现有DL算法、EDBN-2算法、MPLS算法及PCA算法在故障诊断率(FDR)和误报率(FPR)上对比结果。
表2本实施例的模型(M(10，0.07))与其它故障诊断模型的对比
Figure BDA0002972345910000101
Figure BDA0002972345910000111
结合表2可以看出，本实施例的算法不仅在一般类别上实现了显著的FDR和FPR性能改善，而且还可以准确地对先前研究中难以识别的类别(例如故障3，故障9和故障15等)进行分类。这个结果表明，本实施例所提出的模型明显优于其他故障诊断模型。
以上示意性的对本发明及其实施方式进行了描述，该描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。所以，如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。

Claims (6)

1.一种融入先验知识的深度学习故障诊断方法，其包括如下步骤：
步骤S1、数据处理
该步骤中，基于滑窗处理对故障诊断数据集X进行处理，进而获取类图片样本数据集
Figure FDA0003760859550000011
并获取类图片样本数据集
Figure FDA0003760859550000012
的关注矩阵A；
步骤S2，模型架构构建
该步骤中，构建2D-CNN模型对类图片样本数据集
Figure FDA0003760859550000013
进行处理进而获取对应的特征图F，同时基于面向通道的平均池化和面向通道的最大池化对特征图F进行处理进而获取平均池化的输出P1和最大池化的输出P2，根据关注矩阵A、平均池化的输出P1和最大池化的输出P2获取权重矩阵W，使得模型输出为基于注意力机制的特征图
Figure FDA0003760859550000014
Figure FDA0003760859550000015
每个样本集
Figure FDA0003760859550000016
对应的关注矩阵为Aij，Aij∈RD×N，关注矩阵Aij为一0-1矩阵且用于刻画先验知识；
通过阈值刻画获取每个样本集
Figure FDA0003760859550000017
的关注矩阵为Aij；也即，针对第i类故障的第j个样本集
Figure FDA0003760859550000018
逐个将样本集
Figure FDA0003760859550000019
中的每个元素的数值在达到足以表征已经发生故障i的阈值时即为1、否则记为0，进而即可获取对应的关注矩阵为Aij。
2.根据权利要求1所述的一种融入先验知识的深度学习故障诊断方法，其特征在于：步骤S1中，X＝{Xi|i＝1,…,M}，Xi∈RT×N，Xi为第i类故障的多属性时序数列，Xi用于记载不同时刻不同属性的数值；M为故障种类总数，T为时间序列的长度，N为属性的总数。
3.根据权利要求2所述的一种融入先验知识的深度学习故障诊断方法，其特征在于：步骤S1中，
Figure FDA00037608595500000110
Figure FDA00037608595500000111
表示第i类故障的第j个样本集，D为滑窗宽度，λ为滑窗步长，
Figure FDA00037608595500000114
为向上取整运算。
4.根据权利要求3所述的一种融入先验知识的深度学习故障诊断方法，其特征在于：步骤S2中，基于2D-CNN模型保持处理之后行列数量不变地对所有样本集
Figure FDA00037608595500000112
进行逐个处理，样本集
Figure FDA00037608595500000113
的输出为特征图Fij，Fij＝[Fij1,…,FijK]，K为2D-CNN模型的通道数量。
5.根据权利要求4所述的一种融入先验知识的深度学习故障诊断方法，其特征在于：步骤S2中，对于样本集
Figure FDA0003760859550000021
其平均池化的输出Pij1的计算公式为，
Figure FDA0003760859550000022
其最大池化的输出Pij2的计算公式为，
Figure FDA0003760859550000023
6.根据权利要求5所述的一种融入先验知识的深度学习故障诊断方法，其特征在于：步骤S2中，对于特征图Fij，其权重矩阵Wij的计算公式为，
Y＝Aij+P1+P2，
Figure FDA0003760859550000024
其中，W[d,n]表示矩阵Wij中d行n列的数值，Y[d,n]表示矩阵Y中d行n列的数值。
CN202110266124.4A 2021-03-11 2021-03-11 一种融入先验知识的深度学习故障诊断方法 Active CN112861443B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110266124.4A CN112861443B (zh) 2021-03-11 2021-03-11 一种融入先验知识的深度学习故障诊断方法
PCT/CN2021/126687 WO2022188425A1 (zh) 2021-03-11 2021-10-27 一种融入先验知识的深度学习故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110266124.4A CN112861443B (zh) 2021-03-11 2021-03-11 一种融入先验知识的深度学习故障诊断方法

Publications (2)

Publication Number Publication Date
CN112861443A CN112861443A (zh) 2021-05-28
CN112861443B true CN112861443B (zh) 2022-08-30

Family

ID=75994172

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110266124.4A Active CN112861443B (zh) 2021-03-11 2021-03-11 一种融入先验知识的深度学习故障诊断方法

Country Status (2)

Country Link
CN (1) CN112861443B (zh)
WO (1) WO2022188425A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112861443B (zh) * 2021-03-11 2022-08-30 合肥工业大学 一种融入先验知识的深度学习故障诊断方法
CN115329493B (zh) * 2022-08-17 2023-07-14 兰州理工大学 一种基于离心泵数字孪生模型的叶轮机械故障检测方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108804677A (zh) * 2018-06-12 2018-11-13 合肥工业大学 结合多层级注意力机制的深度学习问题分类方法及系统
CN109814523A (zh) * 2018-12-04 2019-05-28 合肥工业大学 基于cnn-lstm深度学习方法及多属性时序数据的故障诊断方法
CN110516305A (zh) * 2019-07-26 2019-11-29 西安交通大学 基于注意机制元学习模型的小样本下故障智能诊断方法
CN110569353A (zh) * 2019-07-03 2019-12-13 重庆大学 一种基于注意力机制的Bi-LSTM的标签推荐方法
CN111964908A (zh) * 2020-08-17 2020-11-20 天津大学 一种基于mwdcnn的变工况下轴承故障诊断方法
WO2020244134A1 (zh) * 2019-06-05 2020-12-10 华南理工大学 一种基于多任务特征共享神经网络的智能故障诊断方法
CN112067916A (zh) * 2019-09-20 2020-12-11 武汉理工大学 基于深度学习的时间序列数据智能故障诊断方法
CN112067294A (zh) * 2019-09-20 2020-12-11 宫文峰 基于深度学习的滚动轴承智能故障诊断方法
CN112102283A (zh) * 2020-09-14 2020-12-18 北京航空航天大学 一种基于深度多尺度注意力卷积神经网络的视网膜眼底血管分割方法
CN112284736A (zh) * 2020-10-23 2021-01-29 天津大学 一种基于多通道注意力模块的卷积神经网络故障诊断方法
AU2020103901A4 (en) * 2020-12-04 2021-02-11 Chongqing Normal University Image Semantic Segmentation Method Based on Deep Full Convolutional Network and Conditional Random Field
CN112365480A (zh) * 2020-11-13 2021-02-12 哈尔滨市科佳通用机电股份有限公司 制动夹钳装置闸片丢失故障识别方法
CN112381164A (zh) * 2020-11-20 2021-02-19 北京航空航天大学杭州创新研究院 一种基于多分支注意力机制的超声图像分类方法和装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110120020A (zh) * 2019-04-30 2019-08-13 西北工业大学 一种基于多尺度空洞残差注意力网络的sar图像去噪方法
WO2020250236A1 (en) * 2019-06-14 2020-12-17 Telefonaktiebolaget Lm Ericsson (Publ) Understanding deep learning models
CN112861443B (zh) * 2021-03-11 2022-08-30 合肥工业大学 一种融入先验知识的深度学习故障诊断方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108804677A (zh) * 2018-06-12 2018-11-13 合肥工业大学 结合多层级注意力机制的深度学习问题分类方法及系统
CN109814523A (zh) * 2018-12-04 2019-05-28 合肥工业大学 基于cnn-lstm深度学习方法及多属性时序数据的故障诊断方法
WO2020244134A1 (zh) * 2019-06-05 2020-12-10 华南理工大学 一种基于多任务特征共享神经网络的智能故障诊断方法
CN110569353A (zh) * 2019-07-03 2019-12-13 重庆大学 一种基于注意力机制的Bi-LSTM的标签推荐方法
CN110516305A (zh) * 2019-07-26 2019-11-29 西安交通大学 基于注意机制元学习模型的小样本下故障智能诊断方法
CN112067916A (zh) * 2019-09-20 2020-12-11 武汉理工大学 基于深度学习的时间序列数据智能故障诊断方法
CN112067294A (zh) * 2019-09-20 2020-12-11 宫文峰 基于深度学习的滚动轴承智能故障诊断方法
CN111964908A (zh) * 2020-08-17 2020-11-20 天津大学 一种基于mwdcnn的变工况下轴承故障诊断方法
CN112102283A (zh) * 2020-09-14 2020-12-18 北京航空航天大学 一种基于深度多尺度注意力卷积神经网络的视网膜眼底血管分割方法
CN112284736A (zh) * 2020-10-23 2021-01-29 天津大学 一种基于多通道注意力模块的卷积神经网络故障诊断方法
CN112365480A (zh) * 2020-11-13 2021-02-12 哈尔滨市科佳通用机电股份有限公司 制动夹钳装置闸片丢失故障识别方法
CN112381164A (zh) * 2020-11-20 2021-02-19 北京航空航天大学杭州创新研究院 一种基于多分支注意力机制的超声图像分类方法和装置
AU2020103901A4 (en) * 2020-12-04 2021-02-11 Chongqing Normal University Image Semantic Segmentation Method Based on Deep Full Convolutional Network and Conditional Random Field

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A Deep Learning Method for Bearing Fault Diagnosis Based on Time-Frequency Image;JIANYU WANG；ZHENLING MO；HENG ZHANG, AND QIANG MIAO;《IEEE Access》;20191231;第7卷;第42373-42383页 *
基于混合时间序列卷积神经网络的轴承故障诊断;何强等;《组合机床与自动化加工技术》;20200320(第03期);第37-41页 *
结合先验知识的深度Ｑ神经网络算法研究;褚伟，茹琦，任明仑;《合肥工业大学学报》;20190731;第901-905页 *

Also Published As

Publication number Publication date
WO2022188425A1 (zh) 2022-09-15
CN112861443A (zh) 2021-05-28

Similar Documents

Publication Publication Date Title
CN110071913B (zh) 一种基于无监督学习的时间序列异常检测方法
CN111914883B (zh) 一种基于深度融合网络的主轴轴承状态评估方法及装置
CN111340238A (zh) 一种工业系统的故障诊断方法、装置、设备及存储介质
CN109034194B (zh) 基于特征分化的交易欺诈行为深度检测方法
CN112861443B (zh) 一种融入先验知识的深度学习故障诊断方法
CN113642754B (zh) 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法
CN109360120B (zh) 一种基于卷积神经网络的电潜泵井工况智能诊断方法
CN111046961B (zh) 基于双向长短时记忆单元和胶囊网络的故障分类方法
CN112756759B (zh) 点焊机器人工作站故障判定方法
CN108709744B (zh) 一种变负载工况下电机轴承故障诊断方法
CN112765908B (zh) 一种基于图像序列分析的燃气涡轮发动机燃烧室稳定性分析方法
CN112766283B (zh) 一种基于多尺度卷积网络的两相流流型识别方法
CN111079348B (zh) 一种缓变信号检测方法和装置
CN112116002A (zh) 一种检测模型的确定方法、验证方法和装置
CN108596044B (zh) 基于深度卷积神经网络的行人检测方法
CN111369555A (zh) 一种基于深度学习的视频质量诊断方法
CN114818579B (zh) 基于一维卷积长短期记忆网络的模拟电路故障诊断方法
CN113110398B (zh) 基于动态时间归整和图卷积网络的工业过程故障诊断方法
CN112305379A (zh) 一种用于gis绝缘缺陷的模式识别方法及系统
CN116244596A (zh) 基于tcn和注意力机制的工业时序数据异常检测方法
CN115204272A (zh) 基于多采样率数据的工业系统故障诊断方法与设备
CN115457307A (zh) 一种基于改进残差网络的化工过程故障诊断方法
US20240184678A1 (en) Deep Learning Method Integrating Prior Knowledge for Fault Diagnosis
CN113505850A (zh) 基于深度学习的锅炉故障预测方法
CN113723476A (zh) 一种基于融合不定核特征提取的LightGBM变压器故障诊断方法

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