CN113033786B - 基于时间卷积网络的故障诊断模型构建方法及装置 - Google Patents
基于时间卷积网络的故障诊断模型构建方法及装置 Download PDFInfo
- Publication number
- CN113033786B CN113033786B CN202110555046.XA CN202110555046A CN113033786B CN 113033786 B CN113033786 B CN 113033786B CN 202110555046 A CN202110555046 A CN 202110555046A CN 113033786 B CN113033786 B CN 113033786B
- Authority
- CN
- China
- Prior art keywords
- parameter
- population
- chromosome
- optimal
- fault diagnosis
- 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
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 127
- 238000010276 construction Methods 0.000 title claims abstract description 23
- 210000000349 chromosome Anatomy 0.000 claims abstract description 146
- 238000000034 method Methods 0.000 claims abstract description 109
- 230000002068 genetic effect Effects 0.000 claims abstract description 92
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 49
- 238000012549 training Methods 0.000 claims description 68
- 238000012360 testing method Methods 0.000 claims description 25
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 10
- 230000035772 mutation Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 abstract description 24
- 238000005457 optimization Methods 0.000 description 21
- 230000006870 function Effects 0.000 description 17
- 238000004364 calculation method Methods 0.000 description 9
- 238000004088 simulation Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 108090000623 proteins and genes Proteins 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010494 dissociation reaction Methods 0.000 description 2
- 230000005593 dissociations Effects 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241001391944 Commicarpus scandens Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000004791 biological behavior Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010353 genetic engineering Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- BULVZWIRKLYCBC-UHFFFAOYSA-N phorate Chemical compound CCOP(=S)(OCC)SCSCC BULVZWIRKLYCBC-UHFFFAOYSA-N 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Physiology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提供了一种基于时间卷积网络的故障诊断模型构建方法及装置，首先获取可调参数及对应的参数值搜索空间，然后根据增强型遗传算法的编码规则、可调参数及参数值搜索空间，生成初始种群，并针对于每个参数染色体，基于时间卷积网络的结构，生成与参数染色体对应的初始模型，进一步根据故障诊断数据、初始模型及参数染色体，确定初始模型对应的参数染色体的适应度，再根据参数染色体及对应的适应度及预设的遗传结束条件，确定可调参数的优选参数值，最后基于该优选参数值，生成故障诊断模型。本发明通过将增强型遗传算法应用于时间卷积网络的参数搜索过程，提高了确定故障诊断模型的最优参数的效率，从而提高故障诊断模型的准确度及稳定性。
Description
技术领域
本发明涉及神经网络技术领域，尤其是涉及一种基于时间卷积网络的故障诊断模型构建方法及装置。
背景技术
相关技术中，基于时间卷积网络的故障诊断模型通常采用人工调参方法，以得到较优的模型参数，提高故障诊断模型的准确性。为了实现人工智能故障诊断方法的自主性，可以应用自动调参方法。自动调参方法通常采用网格搜索法和随机搜索法，此外还可以采用贪婪搜索法，该方法是基于梯度下降的离散自动调参法。然而，当搜索空间的维数增加时，网格搜索法的计算量呈指数增长，而随机搜索法的稳定性很难满足实际应用的需求。与网格搜索方法相比，虽然贪婪搜索法的超参数选择策略的随时间的增加而更加稳定，但本质上是线性搜索，计算复杂度显著增加，同时很容易陷入局部最优的僵局。
发明内容
有鉴于此，本发明的目的在于提供一种基于时间卷积网络的故障诊断模型构建方法及装置，以提高故障诊断模型的准确度及稳定性。
第一方面，本发明实施例提供了一种基于时间卷积网络的故障诊断模型构建方法，包括：获取可调参数及对应的参数值搜索空间；根据增强型遗传算法的编码规则、可调参数及对应的参数值搜索空间，生成初始种群；初始种群包括设定数量的参数染色体；针对于每个参数染色体，基于时间卷积网络的结构及参数染色体，生成与参数染色体对应的初始模型；根据预先获取的故障诊断数据、初始模型及参数染色体，确定初始模型对应的参数染色体的适应度；根据参数染色体及对应的适应度及预设的遗传结束条件，确定可调参数的优选参数值；基于可调参数的优选参数值，生成故障诊断模型。
结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，上述可调参数包括多个子参数；针对于每个子参数，参数值搜索空间包括子参数对应的多个待选参数值；根据增强型遗传算法的编码规则、可调参数及对应的参数值搜索空间，生成初始种群的步骤，包括：针对于每个子参数，基于增强型遗传算法的编码规则及子参数对应的待选参数值，生成待选参数值对应的二进制字符串；随机选取每个子参数对应的一个二进制字符串，生成设定数量的参数染色体；参数染色体包括按照预设顺序连接的各个子参数的待选参数值对应的二进制字符串；将设定数量的参数染色体确定为初始种群。
结合第一方面的第一种可能的实施方式，本发明实施例提供了第一方面的第二种可能的实施方式，其中，上述子参数包括网络结构参数或训练参数；网络结构参数对应的参数值搜索空间包括多个第一待选参数值；训练参数包括对应的参数值搜索空间包括多个第二待选参数值；基于增强型遗传算法的编码规则及子参数对应的待选参数值，生成待选参数值对应的二进制字符串的步骤，包括：当子参数为网络结构参数时，基于增强型遗传算法的编码规则及网络结构参数的第一待选参数值，生成第一待选参数值对应的二进制字符串；当子参数为训练参数时，基于增强型遗传算法的编码规则及训练参数的第二待选参数值，生成第二待选参数值对应的二进制字符串。
结合第一方面的第二种可能的实施方式，本发明实施例提供了第一方面的第三种可能的实施方式，其中，上述网络结构参数包括卷积核大小、残差块个数及隐含层通道数；训练参数包括丢包率及批大小。
结合第一方面的第二种可能的实施方式，本发明实施例提供了第一方面的第四种可能的实施方式，其中，基于时间卷积网络的结构及参数染色体，生成与参数染色体对应的初始模型的步骤，包括：对参数染色体进行解码，得到参数染色体对应的第一待选参数值及第二待选参数值；按照预设的时间卷积网络的拓扑结构，生成与参数染色体对应的初始模型；其中，初始模型的网络结构参数与第一待选参数值相匹配。
结合第一方面的第四种可能的实施方式，本发明实施例提供了第一方面的第五种可能的实施方式，其中，根据预先获取的故障诊断数据、初始模型及参数染色体，确定初始模型对应的参数染色体的适应度的步骤，包括：基于预先获取的故障诊断数据，得到故障诊断训练集及故障诊断测试集；基于训练参数对应的第二待选参数值，通过故障诊断训练集对初始模型进行训练，得到训练集损失；通过故障诊断测试集，对训练好的初始模型进行测试，得到测试集损失；基于训练集损失及测试集损失，计算得到初始模型对应的参数染色体的适应度。
结合第一方面的第五种可能的实施方式，本发明实施例提供了第一方面的第六种可能的实施方式，其中，根据参数染色体及对应的适应度及预设的遗传结束条件，确定可调参数的优选参数值的步骤，包括：基于参数染色体的适应度，从初始种群中选取设定数量的参数染色体形成父代种群；对父代种群进行遗传操作，得到子代种群；遗传操作包括选择操作、交叉操作、变异操作及精英个体复制操作；子代种群包括设定数量的参数染色体；基于时间卷积网络的结构、子代种群及故障诊断数据，确定子代种群中，每个参数染色体的适应度；将适应度最高的参数染色体确定为子代种群中的最优个体；基于最优个体及预设的遗传结束条件，判断是否停止遗传；如果停止，将最优个体对应的待选参数值确定为可调参数的优选参数值；如果不停止，将子代种群及父代种群合并成为种群；基于种群中，参数染色体的适应度，更新父代种群；父代种群包括设定数量的参数染色体；继续执行对父代种群进行遗传操作，得到子代种群的步骤，直到最优个体满足预设的遗传结束条件。
结合第一方面的第六种可能的实施方式，本发明实施例提供了第一方面的第七种可能的实施方式，其中，上述方法还包括：设置初始值均为零的最优次数变量及遗传次数变量；当对父代种群进行遗传操作时，遗传次数变量加一；当将适应度最高的参数染色体确定为子代种群中的最优个体时，判断当前的最优个体与前一个最优个体对应的待选参数值是否相同；如果相同，最优次数变量加一；如果不同，最优次数变量设置为零；遗传结束条件包括遗传次数变量等于预设的第一次数阈值，或最优次数变量等于预设的第二次数阈值；基于最优个体及预设的遗传结束条件，判断是否停止遗传的步骤，包括：判断当前的最优个体与前一个最优个体对应的待选参数值是否相同；如果相同，最优次数变量加一，判断最优次数变量是否等于第二次数阈值；如果等于第二次数阈值，确定停止遗传；如果不等于第二次数阈值，确定不停止遗传；如果不相同，判断遗传次数变量是否等于第一次数阈值；如果等于第一次数阈值，确定停止遗传；如果不等于第一次数阈值，确定不停止遗传。
第二方面，本发明实施例还提供一种基于时间卷积网络的故障诊断模型构建装置，包括：参数获取模块，用于获取可调参数及对应的参数值搜索空间；种群生成模块，用于根据增强型遗传算法的编码规则、可调参数及对应的参数值搜索空间，生成初始种群；初始种群包括设定数量的参数染色体；初始模型生成模块，用于针对于每个参数染色体，基于时间卷积网络的结构及参数染色体，生成与参数染色体对应的初始模型；适应度确定模块，用于根据预先获取的故障诊断数据、初始模型及参数染色体，确定初始模型对应的参数染色体的适应度；参数值确定模块，用于根据参数染色体及对应的适应度及预设的遗传结束条件，确定可调参数的优选参数值；故障诊断模型生成模块，用于基于可调参数的优选参数值，生成故障诊断模型。
第三方面，本发明实施例还提供一种电子设备，包括处理器和存储器，存储器存储有能够被处理器执行的机器可执行指令，处理器执行机器可执行指令以实现上述方法。
第四方面，本发明实施例还提供一种机器可读存储介质，机器可读存储介质存储有机器可执行指令，机器可执行指令在被处理器调用和执行时，机器可执行指令促使处理器实现上述方法。
本发明实施例带来了以下有益效果：
本发明实施例提供了一种基于时间卷积网络的故障诊断模型构建方法及装置，首先获取可调参数及对应的参数值搜索空间，然后根据增强型遗传算法的编码规则、可调参数及对应的参数值搜索空间，生成初始种群，并针对于每个参数染色体，基于时间卷积网络的结构及参数染色体，生成与参数染色体对应的初始模型，进一步根据预先获取的故障诊断数据、初始模型及参数染色体，确定初始模型对应的参数染色体的适应度，再根据参数染色体及对应的适应度及预设的遗传结束条件，确定可调参数的优选参数值，最后基于可调参数的优选参数值，生成故障诊断模型。该方式通过将增强型遗传算法应用于时间卷积网络的参数搜索过程，提高了确定故障诊断模型的最优参数的效率，从而提高故障诊断模型的准确度及稳定性。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于时间卷积网络的故障诊断模型构建方法的流程图；
图2为本发明实施例提供的一种基于时间卷积网络的故障诊断模型构建方法中，确定可调参数过程的流程图；
图3为本发明实施例提供的一种AutoTCN的构建流程图；
图4为本发明实施例提供的一种TCN故障诊断模型建立过程示意图；
图5为本发明实施例提供的一种TCN故障诊断模型检测的仿真结果示意图；
图6为本发明实施例提供的一种基于时间卷积网络的故障诊断模型构建装置的结构示意图；
图7为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
相关技术中，以时间卷积网络（TCN）作为故障诊断的工具，虽然在与时间序列高度相关的传感器故障诊断问题上有显著的优势，但其准确性和快速性很大程度上依赖于网络结构参数和训练方式的选择。高超声速飞行器相比轴承等模型对传感器故障诊断的精度有着更高的需求，同时在考虑对较高的故障诊断实时性和及时性的要求时，也要进一步的提升模型的精度和诊断速度，希望通调节获取最佳性能的故障诊断模型。
现如今深度学习神经网络的调参工作还主要由技术人员手动完成，而这要求丰富的相关领域知识与专家经验。在故障诊断领域，经常会出现先前从未出现过的故障类型，面对新的故障诊断问题时，缺乏经验的人难以设计出高性能的故障诊断模型。基于TCN的故障诊断方法是端到端的数据驱动方法，这表明其需要海量的训练数据以提取传感器故障信号的特征并拟合特征和故障模型之间的非线性关系。训练数据的丰富性虽然赋予了TCN故障诊断模型极高的诊断性能，但却极大的加重了其训练时间负担。手动调参会使得整体模型寻优时间成倍增加，大大提高了人力和时间成本。由此，亟需提出一种TCN故障诊断最优模型的自动寻优构建方法以实现故障诊断系统的性能和耗时的双赢。
在深度学习领域，AutoML(Machine Learning, ML)的思想一经提出就受到了专家学者的广泛关注。基于全局AutoML方法，本发明提出针对TCN故障诊断模型的网络体系结构搜索方法（NAS，Neural Architecture Search）。该方法的实现包括以下三个步骤： TCN故障诊断模型的可调设计参数选择、可调参数搜索空间设置和优化方法决策。早期，已经有多种自动调参方法被设计提出，并被成功应用在了核心的优化方法决策步骤中。简单的自动调参方法有网格搜索法和随机搜索法。但以上两者具有以下缺点：当搜索空间的维数增加时，前者的计算量呈指数增长，而后者的稳定性很难满足实际应用的需求。贪婪搜索法是梯度下降法的离散参数自动优化方法，与网格搜索方法相比，虽然超参数选择策略的时间复杂度显着增加并且更稳定，但本质上是线性搜索，很容易陷入局部最优的僵局。
基于此，本发明实施例提供的一种基于时间卷积网络的故障诊断模型构建方法及装置，可以应用于各种故障检测场景中。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种基于时间卷积网络的故障诊断模型构建方法进行详细介绍。
本发明实施例提供了一种基于时间卷积网络的故障诊断模型构建方法；如图1所示，该方法包括以下步骤：
步骤S100，获取可调参数及对应的参数值搜索空间。
上述可调参数可以为时间卷积网络的网络结构参数，如卷积核大小、残差块个数及隐含层通道数等；还可以为训练时间卷积网络时的训练参数，如丢包率、批大小等；也可以同时包括网络结构参数和训练参数。采用该方法时，可调参数为多个参数，每个参数可以称为子参数。每个子参数对应于一个参数值搜索空间；针对于每个子参数，参数值搜索空间包括该子参数对应的多个待选参数值。为了便于分类，可以将网络结构参数对应的待选参数值称为第一待选参数值；训练参数对应的待选参数值称为第二待选参数值。
步骤S102，根据增强型遗传算法的编码规则、可调参数及对应的参数值搜索空间，生成初始种群；初始种群包括设定数量的参数染色体。
在具体实现过程中，针对于每个子参数，基于增强型遗传算法的编码规则及子参数对应的待选参数值，生成待选参数值对应的二进制字符串。其中，当子参数为网络结构参数时，基于增强型遗传算法的编码规则及网络结构参数的第一待选参数值，生成第一待选参数值对应的二进制字符串；当子参数为训练参数时，基于增强型遗传算法的编码规则及训练参数的第二待选参数值，生成第二待选参数值对应的二进制字符串。
在生成参数染色体的过程中，随机选取每个子参数对应的一个二进制字符串，生成设定数量的参数染色体，将这些参数染色体的集合确定为初始种群。其中，参数染色体包括按照预设顺序连接的各个子参数的待选参数值对应的二进制字符串。即如果可调参数包括卷积核大小、残差个数及批大小，则参数染色体可以由这三个可调参数的可选参数对应的二进制字符串首尾相连组成。上述设定数量也称为种群规模，可以根据子参数的数量及待选参数值的数量预先确定。
步骤S104，针对于每个参数染色体，基于时间卷积网络的结构及参数染色体，生成与参数染色体对应的初始模型。
首先需要获取参数染色体对应的可调参数的参数值，具体而言，需要对参数染色体进行解码，得到参数染色体对应的第一待选参数值及第二待选参数值，即得到初始模型的网络结构参数的参数值及训练参数的参数值。
然后按照预设的时间卷积网络的拓扑结构，生成与参数染色体对应的初始模型；其中，初始模型的网络结构参数与第一待选参数值相匹配。例如参数染色体对应的卷积核大小为5，残差块个数为5，隐含层通道数为10，则建立的初始模型的卷积核大小为5，残差块个数为5，隐含层通道数为10。
步骤S106，根据预先获取的故障诊断数据、初始模型及参数染色体，确定初始模型对应的参数染色体的适应度。
首先可以基于预先获取的故障诊断数据，得到故障诊断训练集及故障诊断测试集；其中，该故障诊断数据的来源需要与想要建立的故障诊断模型相匹配；如故障诊断模型是用于诊断飞行器的旋转故障时，故障诊断数据应该为飞行器在旋转过程中得到的数据。训练集和测试集的数据可以相同，也可以不同。
然后基于训练参数对应的第二待选参数值，通过故障诊断训练集对初始模型进行训练，得到训练集损失。第二待选参数值为训练参数，如批大小，在训练过程中，遵循该训练参数对初始模型进行训练。训练结束后，通过故障诊断测试集，对训练好的初始模型进行测试，得到测试集损失。
最后基于训练集损失及测试集损失，计算得到初始模型对应的参数染色体的适应度。通常来说，损失越小，适应度越高。可以建立训练集损失和测试集损失作为自变量的线性方程，然后取倒数得到适应度。
步骤S108，根据参数染色体及对应的适应度及预设的遗传结束条件，确定可调参数的优选参数值。
在具体实现过程中，在遗传代数达到设置的最大遗传代数，或最优个体连续设定代数没有发生改变时，上述方法都会终止，输出最优个体并得到可调参数的最优参数值。与上述情况相对应，可以预先设置初始值均为零的最优次数变量及遗传次数变量；并将遗传结束条件设置为遗传次数变量等于预设的第一次数阈值，或最优次数变量等于预设的第二次数阈值。
如图2，上述步骤S108可以通过以下方式实现：
步骤S200，基于参数染色体的适应度，从初始种群中选取设定数量的参数染色体形成父代种群。该过程中可以采用锦标赛选择策略，对初始种群中的参数染色体进行放回抽样，同时还考虑到“精英保留”策略，得到与初始种群的数量相同的参数染色体，作为父代种群。
步骤S202，对父代种群进行遗传操作，得到子代种群，遗传次数变量加一；遗传操作包括选择操作、交叉操作、变异操作及精英个体复制操作；子代种群包括设定数量的参数染色体，子代种群的规模与父代种群的规模相同。
步骤S204，基于时间卷积网络的结构、子代种群及故障诊断数据，确定子代种群中，每个参数染色体的适应度。该过程与确定初始种群中的参数染色体的适应度的过程相似，区别之处在于，子代种群中的一些参数染色体可能与父代种群中的参数染色体相同，则这些参数染色体的适应度是已知的。仅需通过建立初始模型，并进行模型训练的方式确定除这些参数染色体之外的参数染色体的适应度。
步骤S206，将适应度最高的参数染色体确定为子代种群中的最优个体。
步骤S208，判断当前的最优个体与前一个最优个体对应的待选参数值是否相同；如果相同，执行步骤S210；如果不同，执行步骤S212。
步骤S210，最优次数变量加一。执行步骤S214。
步骤S212，最优次数变量设置为零。执行步骤S218。
步骤S214，判断最优次数变量是否等于第二次数阈值；如果等于第二次数阈值，执行步骤S216；如果不等于第二次数阈值，执行步骤S218。即判断当前的最优个体连续出现次数是否达到第二次数阈值。
步骤S216，将最优个体对应的待选参数值确定为可调参数的优选参数值。
步骤S218，判断遗传次数变量是否等于第一次数阈值；如果等于第一次数阈值，执行步骤S216；如果不等于第一次数阈值，步骤S220。即判断遗传次数是否达到第一次数阈值。
步骤S220，将子代种群及父代种群合并成为种群，执行步骤S222。
步骤S222，基于种群中，参数染色体的适应度，更新父代种群；父代种群包括设定数量的参数染色体，执行步骤S202。接下来重复遗传操作，直至达到预设的遗传代数，或相同的最优个体连续出现次数达到预设次数。
步骤S110，基于可调参数的优选参数值，生成故障诊断模型。
在实现过程中，由于对优选参数值形成的初始模型进行了训练，可以将训练好的对应的时间卷积网络作为故障诊断模型。
本发明实施例提供了一种基于时间卷积网络的故障诊断模型构建方法，首先获取可调参数及对应的参数值搜索空间，然后根据增强型遗传算法的编码规则、可调参数及对应的参数值搜索空间，生成初始种群，并针对于每个参数染色体，基于时间卷积网络的结构及参数染色体，生成与参数染色体对应的初始模型，进一步根据预先获取的故障诊断数据、初始模型及参数染色体，确定初始模型对应的参数染色体的适应度，再根据参数染色体及对应的适应度及预设的遗传结束条件，确定可调参数的优选参数值，最后基于可调参数的优选参数值，生成故障诊断模型。该方法通过将增强型遗传算法应用于时间卷积网络的参数搜索过程，提高了确定故障诊断模型的最优参数的效率，从而提高故障诊断模型的准确度及稳定性。
本发明实施例还提供了另一种基于时间卷积网络的故障诊断模型构建方法，该方法在图1所述方法的基础上实现。
该方法在故障诊断模型构建的过程中，将遗传算法应用于模型参数的搜索过程中。遗传算法（Genetic Algorithm，GA）是一种启发式搜索方法，受生物行为和现象的启发，基于“物竞天择，适者生存”的核心思想选择种群中的最优个体。它被广泛用于解决非凸，非平滑甚至非连续的参数优化问题中。遗传算法不依赖于所求解优化问题的数学模型和内在性质，而是利用其进化特性完成对任意形式的目标函数和约束的优化处理。进化算子的各态历经性使得遗传算法能够非常有效的进行概率意义的全局搜索。 TCN故障诊断模型结构参数组合选择的任务与遗传算法的最佳搜索任务相似，因此选择GA算法作为优化器是合理且优越的。
然而遗传算法中基因不真实反应待求解问题的本质的特点使得种群中的基因不一定相互独立，而传统仅采用选择、交叉和变异进化算子的遗传算法有可能在迭代的过程中淘汰父代中的最优个体，导致遗传算法难以收敛到全局最优解。所以引入“精英保留”策略，进一步提升TCN故障诊断模型结构寻优算法的能力。
TCN故障诊断模型的自主构建方法不仅包括TCN网络本身结构构建，还应包括训练方式的选择，所以可调参数的选取不应只停留在TCN网络拓扑结构上，如该方法选取批大小为可调参数代表对训练方式进行了寻优。
在尽可能减少耗时方面，该方法在自动调参的基础上进一步引入了计算机多进程计算方式，实现了多核并行计算，充分利用硬件资源，大大提升了自动调参的计算效率。
所以，该方法结合仿生优化算法全局优化性能的特点提出全新的TCN故障诊断模型的模型参数自动选择策略，该策略在考虑了TCN可调参数组合选择任务与加强遗传算法最优搜索任务之前的现实性的基础上，在AutoML NAS的启发下，构建性能最优的TCN故障诊断模型。将这种策略框架命名为AutoTCN，通过AutoTCN可以自动获得相同故障下的最优模型参数组合并构建性能最好的TCN故障诊断模型，精准地进行实时故障诊断。
AutoTCN的构建流程如图3所示。其中遗传算法的核心优化步骤体现在：首先，将在多参数的可调参数空间中的代表每一组TCN模型可调参数组合的每一点视为染色体序列。其次，根据编码规则随机生成初始种群，并基于该种群中每个个体染色体对应的可调参数组合构建飞行器TCN传感器故障诊断模型。然后，利用相同训练和测试数据对所构建的模型进行训练和评估，并将网络训练精度和测试精度的多目标化为混合泛化能力评价指标作为优化目标函数。接着得到个体的目标函数值后将其倒数转换为个体适应度，迭代地对种群中所有个体进行独立母体选择、独立母体交叉，独立子体变异和父子种群合并筛选等遗传操作。最后，在迭代结束后，将得到的适应度最高的染色体对应的最佳可调参数组合配置最优飞行器TCN传感器故障诊断模型的可调参数，完成多参数多目标的TCN自主参数寻优模型AutoTCN的构建。
下面对上述方法进行细节说明：
表1
| 可调参数名称 | 参数值搜索空间 |
| 卷积核大小 | {3, 5, 7, 9} |
| 残差块个数 | [4:1:8] |
| 隐含层通道数 | [1:1:25] |
| 丢包率 | [0:0.05:1] |
| 批大小 | {4, 8, 16, 32, 64} |
（1）根据仿真传感器信号数据的维度和数据量特点选择TCN故障诊断模型的可调参数及其取值搜索空间，其设置如表1所示：
表1中[a:k:b]表示取值在以a为最小值，b为最大值，k为间隔距离的离散值集合。其中在确定批大小的搜索空间时，考虑到批大小为1不仅会使梯度更新步骤极易受到离群数据点的影响，导致TCN性能变差，而且会使TCN训练时间大大增加，导致整个优化算法的计算时间过长。同时实现上述方法的电脑GPU（Graphics Processing Unit，图形处理器）为8G，不能支撑128及更大的批大小计算，所以选择批大小的参数值搜索空间为{4, 8, 16,32, 64}。
（2）染色体编码过程：将可调变量集合转换为染色体序列的编码方式采取二进制法编码。设变量
分别表示卷积核大小、丢包率、残差块个数、隐含层通道数和批大小，则根据每个可调参数搜索空间所确定的最小二进制编码规则如表2所示：
表2
在确定了每个可调参数变量的二进制长度后，按照
的编码顺序分别随机生成该可调变量对应编码长度的二进制字符串，然后将多个字符串首尾相接合并成一个染色体序列。重复按照上述方式随机生成N个染色体序列作为个体组成初始种群。
（3）染色体解码过程：按照
的顺序和对应的最小二进制位数将所得染色体序列进行分割，将分割后的二进制数转换为对应的十进制数。对十进制数做取值分析，剔除超出参数搜索空间的非可行解，将可行解视为解码结果。需要特别强调的是，该方法中所设置的可调参数中只有
的二进制空间对应的十进制空间包含其搜索空间，剩下4个可调参数都要经过处理才能支持解码操作，他们的解码转换处理规则在表3中分别列出。
表3
（4）基于目标函数值的个体适应度计算：首先，作为后续实时故障诊断实现基础的AutoTCN不仅对精度有较高要求，也要求神经网络有较强的泛化能力。所以选取训练集损失l r 和测试集损失l e 以下式计算混合泛化能力评价指标
：
并将其作为目标函数进行优化操作，实现TCN故障诊断模型的多目标优化。其中
和
分别代表对两种损失的关注度且满足
。
在获取目标函数值进行个体适应度计算的过程中，需要运行整个TCN网络模型进行多目标损失值的获取。TCN网络模型在训练伊始进行网络参数初始化时为随机取值方式，其初始值会随着系统时间的变化有所不同，这个特点使得同样的TCN网络结构在相同的数据集与测试环境条件下也难以获得相同的性能。通过设置随机数种子固定随机生成的初始网络参数可以解决TCN网络难以复现的问题，但同时也为网络可调参数的寻优带来了资源浪费和易陷入局部最优值的新问题。
为了使AutoTCN兼顾随机搜索特性与网络易复现性，我们在网络模型训练开始之前添加随机生成随机数种子操作，根据该随机数种子进行网络初始化，并在训练完成后记录个体适应度和随机数种子的关系，以便后续对该训练过程进行复现。以上操作使得最优个体同时包含网络结构信息和训练初始状态信息，从而实现最优的飞行器TCN传感器故障诊断模型的复现，为后面实时故障诊断的实现提供前提和基础。
与普通函数问题的遗传算法参数寻优不同，TCN网络本身需要较长的训练和测试时间，这使得TCN网络可调参数的寻优计算时间成倍数增加。而巨大的时间成本也成为AutoML Network architecture search实现的一大难点。所以我们基于遗传算法保留精英个体的特点，在每次迭代过程中只计算新个体的适应度。又在计算机硬件性能最大的允许条件下采用多进程并行计算每个种群中不同合体对应可调参数值构建的TCN故障诊断模型，最终实现迭代速度的大幅提升。
（5）选择操作：选择的目的是从当前种群中选出适应度较高的精英个体，允许他们有机会作为父代繁殖产生下一代。我们所提出的AutoTCN采用锦标赛选择策略。作为放回抽样，其步骤主要为参赛个体随机抽取、个体适应度排序和精英个体选择，重复多次直至新父代种群规模达到原先种群规模后结束选择。最终得到的N个个体作为后续进行交叉和变异操作的新父代种群。
（6）交叉操作：作为遗传算法中最重要的遗传操作步骤，交叉的核心思想是信息变化和交换，其目的在于得到在一定程度上集合父代种群基因特性的子代个体。可以选择两点交叉操作，其具体步骤为：1、将选择产生的父代种群中的个体进行两两有序配对，即种群的前一半个体和后一半个体进行顺序一一配对。2、产生一组长度为1/2种群数量的[0,1]之前的随机数组，并将数组中的随机数与每一对配对个体一一对应，只有对应随机数小于设置的交叉概率的配对个体继续进行后续的交换操作，反之则停止操作。3、随机选择交叉起点和交叉终点。4、交换两个配对染色体在所设定的两个交叉点之间的部分基因。
（7）变异操作：具有和交叉相同的思想，却是基于单个个体的信息交换。我们选择二进制编码使用的基本位变异算子对父代种群中每个个体染色体进行变异操作。随机等概率选择染色体上不大于最大逆转片段长度的任一片段作为逆转片段，并对其做按位取反，得到变异后的个体染色体。
（8）精英个体复制操作：为了避免最优个体不会因为交叉和变异的遗传操作被破坏，该方法应用了精英保留策略。该策略的思想是，把种群在进化过程中迄今为止出现的最好个体不进行配对交叉而直接复制到新父代中。通过将父代和新子代种群合并成为2N的种群并根据选择算法选取N个个体组成新父代种群实现。
（9）算法终止条件：算法终止条件共有以下两个，且他们之前为或关系：1、遗传代数达到设置的最大遗传代数，2、最优个体连续G1代没有发生改变，上述终止条件只要满足一个就打破循环输出最优个体染色体序列。
其中进行TCN混合泛化能力评价指标的计算时需要运行整个TCN故障诊断网络，下面给出具体的 TCN故障诊断模型及其构建方法。
TCN层由多个残差块组成，每个残差块由两个膨胀-因果TCN基本层组成。其中残差块中的计算可由一系列变换表示：
其中，每个残差网络包含两个膨胀-因果TCN基本层和非线性映射，在个基本层输出后中同时加入了权重归一化（WeightNorm）和Dropout层进行网络正则化。
在因果卷积层中，当前层t时刻的输出值
只与于上一层t时刻及其之前的值
有关，存在
，使两者满足以下映射关系：
考虑膨胀卷积对抓取长时依赖关系造成的卷积核大小限制和线性堆叠层数过多的问题的解决方法，其允许卷积时的输入存在间隔采样，使得TCN用较少的层数完成较大感受野的获取。
进行TCN的故障诊断模型建立主要通过以下4个阶段实现：数据准备、TCN模型准备、TCN模型训练、TCN模型评估。具体操作步骤如下所述：
Step.1 通过仿真或实验获得故障信号时间序列数据。
Step.2 根据已知故障表现时间给定离解故障观测时间窗口长度T，以已知的故障发生时刻tb为基准，向前截取时间间隔合适且长度为T的多组信号数据。
Step.3 将得到的数据通过SMOTE（Synthetic Minority OversamplingTechnique即合成少数类过采样技术）进行数据扩容，其中原始数据与生成数据的比例为Rs。通过数据扩容的操作提前消除小样本对神经网络性能的负面影响。
Step.4用0~J的整数（J为故障种类数）对不同故障状态条件下仿真得到的数据分别进行标记，并按照R t 的比例划分训练集合测试集。记录训练样本数N和每个训练样本对应的序号i。
Step.5 随机给定卷积核大小
（可调参数）、残差块个数
（可调参数）、每个残差块隐含的TCN基本层通道数
（可调参数）。
Step.6 随机给定残差块初始输出
，并对残差块的TCN基本隐含层进行BN初始化，使放缩系数
服从
的正态分布。对神经元进行丢包率（可调参数）为
的丢包操作，随机选择
比例的神经元弃之不用。
Step.7 给定最大迭代次数 E和批大小
（可调参数）。
Step.8 若当前迭代次数为1~E时，循环执行Step.8-Step.13
Step.9 若当前训练的样本序号i为1~N时，循环执行Step.9-Step13。
Step.10 若当前训练的样本在批中序号j为1~
时， 循环执行Step.10-Step.13。
Step.11 初始化梯度g为0，将第
个训练样本输入TCN初始网络模型，并通过TCN基本层提取训练样本的特征输出zt。具体地，由残差块所构建的TCN网络在进行卷积计算时，通过以下公式对待测数据进行特征信息提取：
其中，
表示待测飞行器的故障特征数据，k表示卷积核大小，m表示累计次数因子，f（j）表示ReLU激活函数整流器，f:{1,···,k-1}→R，
，s表示特征数据集合中的一个特征数据，d表示膨胀因子，所述膨胀因子呈指数级增长，
。
Step.12经过TCN网络提取该样本在时间和空间上的特征输出
后，采用Softmax函数作为故障标签的分类器，得到分类层故障概率输出：
式中J为故障种类，
为Softmax层权值参数。选取最大概率值对应的故障标签作为第
个训练样本的诊断标签
。
Step.13 将预测标签和对应的真实标签代入交叉熵损失函数求得损失值，将损失值进行反向传播并根系更新梯度g，将梯度值代入优化函数Adam得到更新的网络参数。将损失值清零以供下一批训练数据计算。
Step.14 将测试集数据输入上述训练好的TCN模型，输出分类标签，根据分类标签和真实标签计算评价指标。
当将上述方法应用于高超声速飞行器实时传感器故障诊断时，首先要通过观察的状态变量的确定对于飞行器进行传感器故障时间序列建模。飞行器主要有5类传感器，其中攻角传感器对飞行状态和外部环境变化最为敏感，较容易发生故障。同时通过实验数据与领域专家的经验知识相结合，考虑故障机理的耦合性，攻角信号能够较准确的反应故障状态下的飞行器姿态信息。在该方法中选取攻角传感器信号作为状态变量，将时序化的状态变量作为TCN网络的输入，可以得到飞行器传感器故障时间序列模型。
在具体实施过程中，考虑4种典型传感器故障模型：恒值偏差故障、增益下降故障、卡死故障和离群数据故障。因为要实现故障诊断功能，所以飞行器正常状态也应纳入考虑范围。
应用于高超声速飞行器实时传感器的故障诊断模型建立过程与上述普式方法略有不同，主要将Step.1和Step.2修改为Step.1 通过对飞行器RCS（雷达散射截面）姿控系统仿真获得攻角的时间序列数据和Step.2 根据仿真时故障表现时间给定离解故障观测时间窗口长度T=0.5s，以仿真时的故障发生时刻tb=3s为基准，向前截取时间间隔为0.15s且长度为0.5s的多组攻角信号数据。Step.3中的Rs取1/3。在Step.4之前添加一步：通过小波包分解对数据进行预处理，并将提取到的能量特征数据与原攻角信号数据进行拼接，对后续TCN的故障特征提取提供机理性指导。Step.4中的J取4，代表故障标签分别代表正常状态和4种典型传感器故障状态； Rt取4，训练样本数N=18000。Step.6中放缩系数
服从（0,0.01）的正态分布。Step.7中的最大迭代次数
设置为10。
实施例TCN故障诊断模型建立过程如图4所示。
实施例的仿真结果如图5所示，可以看到在最大遗传代数Gmax=75,种群个体数为15，G1=40的条件下，自动寻优算法在第35代收敛到全局最优解。此时获得的最优可调参数分别为
，以最优可调参数构建的最优高超声速飞行器传感器TCN故障诊断模型的识别准确率达到100%，交叉熵损失函数值为0.000003，均方误差（MSE）损失函数值为0.02667。为了对比证明，将最优参数组合故障诊断结果与五种其他参数组合的故障诊断结果的交叉熵损失函数收敛曲线一同在图4中绘出，可以看出最优模型的诊断性能优于其他模型。其中参数组合A、B、C、D、E分别为：
整个算法计算时间为51614.4s，比单进程计算和手动调参所用时间缩短了8倍以上。以上实验结果证明了该方法得到的AutoTCN最优模型自动构建方法的有效性和优越性。
对应于上述方法实施例，本发明实施例还提供一种基于时间卷积网络的故障诊断模型构建装置。如图6所示，该装置包括：
参数获取模块600，用于获取可调参数及对应的参数值搜索空间；
种群生成模块602，用于根据增强型遗传算法的编码规则、可调参数及对应的参数值搜索空间，生成初始种群；初始种群包括设定数量的参数染色体；
初始模型生成模块604，用于针对于每个参数染色体，基于时间卷积网络的结构及参数染色体，生成与参数染色体对应的初始模型；
适应度确定模块606，用于根据预先获取的故障诊断数据、初始模型及参数染色体，确定初始模型对应的参数染色体的适应度；
参数值确定模块608，用于根据参数染色体及对应的适应度及预设的遗传结束条件，确定可调参数的优选参数值；
故障诊断模型生成模块610，用于基于可调参数的优选参数值，生成故障诊断模型。
本发明实施例提供的基于时间卷积网络的故障诊断模型构建装置，与上述实施例提供的基于时间卷积网络的故障诊断模型构建方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。
本发明实施例还提供了一种电子设备，参见图7所示，该电子设备包括处理器130和存储器131，该存储器131存储有能够被处理器130执行的机器可执行指令，该处理器130执行机器可执行指令以实现上述基于时间卷积网络的故障诊断模型构建方法。
进一步地，图7所示的电子设备还包括总线132和通信接口133，处理器130、通信接口133和存储器131通过总线132连接。
其中，存储器131可能包含高速随机存取存储器（RAM，Random Access Memory），也可能还包括非不稳定的存储器（non-Volatile memory），例如至少一个磁盘存储器。通过至少一个通信接口133（可以是有线或者无线）实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。总线132可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
处理器130可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器130中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器130可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DigitalSignal Processing，简称DSP)、专用集成电路(Application Specific IntegratedCircuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器131，处理器130读取存储器131中的信息，结合其硬件完成前述实施例的方法的步骤。
本发明实施例还提供了一种机器可读存储介质，该机器可读存储介质存储有机器可执行指令，该机器可执行指令在被处理器调用和执行时，该机器可执行指令促使处理器实现上述基于时间卷积网络的故障诊断模型构建方法，具体实现可参见方法实施例，在此不再赘述。
本发明实施例所提供的基于时间卷积网络的故障诊断模型构建方法、装置和电子设备的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，网关电子设备，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (9)
1.一种基于时间卷积网络的故障诊断模型构建方法，其特征在于，包括：
获取可调参数及对应的参数值搜索空间；
根据增强型遗传算法的编码规则、所述可调参数及对应的参数值搜索空间，生成初始种群；所述初始种群包括设定数量的参数染色体；
针对于每个所述参数染色体，基于时间卷积网络的结构及所述参数染色体，生成与所述参数染色体对应的初始模型；
根据预先获取的故障诊断数据、所述初始模型及所述参数染色体，确定所述初始模型对应的所述参数染色体的适应度；
根据所述参数染色体及对应的适应度及预设的遗传结束条件，确定所述可调参数的优选参数值；
基于所述可调参数的优选参数值，生成故障诊断模型；
所述可调参数包括多个子参数；针对于每个子参数，所述参数值搜索空间包括所述子参数对应的多个待选参数值；
根据增强型遗传算法的编码规则、所述可调参数及对应的参数值搜索空间，生成初始种群的步骤，包括：
针对于每个子参数，基于增强型遗传算法的编码规则及所述子参数对应的待选参数值，生成所述待选参数值对应的二进制字符串；
随机选取每个所述子参数对应的一个二进制字符串，生成设定数量的参数染色体；所述参数染色体包括按照预设顺序连接的各个子参数的待选参数值对应的二进制字符串；
将设定数量的所述参数染色体确定为初始种群；
根据所述参数染色体及对应的适应度及预设的遗传结束条件，确定所述可调参数的优选参数值的步骤，包括：
基于所述参数染色体的适应度，从所述初始种群中选取设定数量的参数染色体形成父代种群；
对所述父代种群进行遗传操作，得到子代种群；所述遗传操作包括选择操作、交叉操作、变异操作及精英个体复制操作；所述子代种群包括设定数量的参数染色体；
基于时间卷积网络的结构、所述子代种群及所述故障诊断数据，确定所述子代种群中，每个参数染色体的适应度；
将所述适应度最高的参数染色体确定为所述子代种群中的最优个体；
基于所述最优个体及预设的遗传结束条件，判断是否停止遗传；
如果停止，将所述最优个体对应的待选参数值确定为所述可调参数的优选参数值；
如果不停止，将所述子代种群及所述父代种群合并成为种群；
基于所述种群中，所述参数染色体的适应度，更新所述父代种群；所述父代种群包括设定数量的参数染色体；
继续执行对所述父代种群进行遗传操作，得到子代种群的步骤，直到所述最优个体满足预设的遗传结束条件。
2.根据权利要求1所述的方法，其特征在于，所述子参数包括网络结构参数或训练参数；所述网络结构参数对应的参数值搜索空间包括多个第一待选参数值；所述训练参数包括对应的参数值搜索空间包括多个第二待选参数值；
基于增强型遗传算法的编码规则及所述子参数对应的待选参数值，生成所述待选参数值对应的二进制字符串的步骤，包括：
当所述子参数为网络结构参数时，基于增强型遗传算法的编码规则及所述网络结构参数的第一待选参数值，生成所述第一待选参数值对应的二进制字符串；
当所述子参数为训练参数时，基于增强型遗传算法的编码规则及所述训练参数的第二待选参数值，生成所述第二待选参数值对应的二进制字符串。
3.根据权利要求2所述的方法，其特征在于，所述网络结构参数包括卷积核大小、残差块个数及隐含层通道数；所述训练参数包括丢包率及批大小。
4.根据权利要求2所述的方法，其特征在于，基于时间卷积网络的结构及所述参数染色体，生成与所述参数染色体对应的初始模型的步骤，包括：
对所述参数染色体进行解码，得到所述参数染色体对应的第一待选参数值及第二待选参数值；
按照预设的时间卷积网络的拓扑结构，生成与所述参数染色体对应的初始模型；其中，所述初始模型的网络结构参数与所述第一待选参数值相匹配。
5.根据权利要求4所述的方法，其特征在于，根据预先获取的故障诊断数据、所述初始模型及所述参数染色体，确定所述初始模型对应的所述参数染色体的适应度的步骤，包括：
基于所述预先获取的故障诊断数据，得到故障诊断训练集及故障诊断测试集；
基于所述训练参数对应的第二待选参数值，通过所述故障诊断训练集对所述初始模型进行训练，得到训练集损失；
通过所述故障诊断测试集，对训练好的所述初始模型进行测试，得到测试集损失；
基于所述训练集损失及所述测试集损失，计算得到所述初始模型对应的所述参数染色体的适应度。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
设置初始值均为零的最优次数变量及遗传次数变量；
当对所述父代种群进行遗传操作时，所述遗传次数变量加一；
当将所述适应度最高的参数染色体确定为所述子代种群中的最优个体时，判断当前的最优个体与前一个最优个体对应的待选参数值是否相同；
如果相同，所述最优次数变量加一；如果不同，所述最优次数变量设置为一；
所述遗传结束条件包括所述遗传次数变量等于预设的第一次数阈值，或所述最优次数变量等于预设的第二次数阈值；
所述基于所述最优个体及预设的遗传结束条件，判断是否停止遗传的步骤，包括：
判断当前的最优个体与前一个最优个体对应的待选参数值是否相同；
如果相同，所述最优次数变量加一，判断所述最优次数变量是否等于所述第二次数阈值；
如果等于所述第二次数阈值，确定停止遗传；如果不等于所述第二次数阈值，确定不停止遗传；
如果不相同，判断所述遗传次数变量是否等于所述第一次数阈值；
如果等于所述第一次数阈值，确定停止遗传；如果不等于所述第一次数阈值，确定不停止遗传。
7.一种基于时间卷积网络的故障诊断模型构建装置，其特征在于，包括：
参数获取模块，用于获取可调参数及对应的参数值搜索空间；
种群生成模块，用于根据增强型遗传算法的编码规则、所述可调参数及对应的参数值搜索空间，生成初始种群；所述初始种群包括设定数量的参数染色体；
初始模型生成模块，用于针对于每个所述参数染色体，基于时间卷积网络的结构及所述参数染色体，生成与所述参数染色体对应的初始模型；
适应度确定模块，用于根据预先获取的故障诊断数据、所述初始模型及所述参数染色体，确定所述初始模型对应的所述参数染色体的适应度；
参数值确定模块，用于根据所述参数染色体及对应的适应度及预设的遗传结束条件，确定所述可调参数的优选参数值；
故障诊断模型生成模块，用于基于所述可调参数的优选参数值，生成故障诊断模型；
所述可调参数包括多个子参数；针对于每个子参数，所述参数值搜索空间包括所述子参数对应的多个待选参数值；
所述种群生成模块还用于：
针对于每个子参数，基于增强型遗传算法的编码规则及所述子参数对应的待选参数值，生成所述待选参数值对应的二进制字符串；
随机选取每个所述子参数对应的一个二进制字符串，生成设定数量的参数染色体；所述参数染色体包括按照预设顺序连接的各个子参数的待选参数值对应的二进制字符串；
将设定数量的所述参数染色体确定为初始种群；
所述参数值确定模块还用于：
基于所述参数染色体的适应度，从所述初始种群中选取设定数量的参数染色体形成父代种群；
对所述父代种群进行遗传操作，得到子代种群；所述遗传操作包括选择操作、交叉操作、变异操作及精英个体复制操作；所述子代种群包括设定数量的参数染色体；
基于时间卷积网络的结构、所述子代种群及所述故障诊断数据，确定所述子代种群中，每个参数染色体的适应度；
将所述适应度最高的参数染色体确定为所述子代种群中的最优个体；
基于所述最优个体及预设的遗传结束条件，判断是否停止遗传；
如果停止，将所述最优个体对应的待选参数值确定为所述可调参数的优选参数值；
如果不停止，将所述子代种群及所述父代种群合并成为种群；
基于所述种群中，所述参数染色体的适应度，更新所述父代种群；所述父代种群包括设定数量的参数染色体；
继续执行对所述父代种群进行遗传操作，得到子代种群的步骤，直到所述最优个体满足预设的遗传结束条件。
8.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的机器可执行指令，所述处理器执行所述机器可执行指令以实现权利要求1-6任一项所述的方法。
9.一种机器可读存储介质，其特征在于，所述机器可读存储介质存储有机器可执行指令，所述机器可执行指令在被处理器调用和执行时，所述机器可执行指令促使所述处理器实现权利要求1-6任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110555046.XA CN113033786B (zh) | 2021-05-21 | 2021-05-21 | 基于时间卷积网络的故障诊断模型构建方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110555046.XA CN113033786B (zh) | 2021-05-21 | 2021-05-21 | 基于时间卷积网络的故障诊断模型构建方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113033786A CN113033786A (zh) | 2021-06-25 |
| CN113033786B true CN113033786B (zh) | 2021-08-13 |
Family
ID=76455731
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110555046.XA Active CN113033786B (zh) | 2021-05-21 | 2021-05-21 | 基于时间卷积网络的故障诊断模型构建方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113033786B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI771098B (zh) * | 2021-07-08 | 2022-07-11 | 國立陽明交通大學 | 路側單元之雷達系統之狀態之錯誤診斷系統及方法 |
| CN113487247B (zh) * | 2021-09-06 | 2022-02-01 | 阿里巴巴（中国）有限公司 | 数字化生产管理系统、视频处理方法、设备及存储介质 |
| CN114152844A (zh) * | 2021-11-19 | 2022-03-08 | 江苏方天电力技术有限公司 | 一种基于遗传算法优化残差网络模型的电弧检测方法 |
| CN113821985B (zh) * | 2021-11-22 | 2022-02-22 | 中移(上海)信息通信科技有限公司 | 一种交通状态预测方法、装置及电子设备 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5819244A (en) * | 1995-10-02 | 1998-10-06 | Apple Computer, Inc. | Adaptive computing systems, computer readable memories and processes employing hyperlinear chromosomes |
| CN110376892A (zh) * | 2019-07-16 | 2019-10-25 | 东华大学 | 一种飞行器自动校准方法 |
| CN112016251B (zh) * | 2020-09-02 | 2023-01-31 | 哈尔滨工程大学 | 一种核动力装置故障的诊断方法及系统 |
| CN112348124B (zh) * | 2021-01-05 | 2021-04-20 | 北京航空航天大学 | 一种基于数据驱动的微小故障诊断方法及装置 |
| CN112697435B (zh) * | 2021-01-26 | 2022-09-09 | 山西三友和智慧信息技术股份有限公司 | 一种基于改进seld-tcn网络的滚动轴承故障诊断方法 |
-
2021
- 2021-05-21 CN CN202110555046.XA patent/CN113033786B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN113033786A (zh) | 2021-06-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113033786B (zh) | 基于时间卷积网络的故障诊断模型构建方法及装置 | |
| CN108334949B (zh) | 一种基于优化深度卷积神经网络结构快速进化的图像分类器构建方法 | |
| WO2022083624A1 (zh) | 一种模型的获取方法及设备 | |
| WO2022141754A1 (zh) | 一种卷积神经网络通用压缩架构的自动剪枝方法及平台 | |
| CN109214599B (zh) | 一种对复杂网络进行链路预测的方法 | |
| US20200167659A1 (en) | Device and method for training neural network | |
| CN111832101B (zh) | 一种水泥强度预测模型的构建方法及水泥强度预测方法 | |
| CN109214503B (zh) | 基于kpca-la-rbm的输变电工程造价预测方法 | |
| CN108985617B (zh) | 一种基于智能制造的产品生产流程调度方法及系统 | |
| CN112232511B (zh) | 面向多任务的预训练语言模型自动压缩方法及平台 | |
| JP7381814B2 (ja) | マルチタスク向けの予めトレーニング言語モデルの自動圧縮方法及びプラットフォーム | |
| CN111709519B (zh) | 一种深度学习并行计算架构方法及其超参数自动配置优化 | |
| CN110289987B (zh) | 基于表征学习的多智能体系统网络抗攻击能力评估方法 | |
| CN114897085A (zh) | 一种基于封闭子图链路预测的聚类方法及计算机设备 | |
| CN114241267A (zh) | 基于结构熵采样的多目标架构搜索骨质疏松图像识别方法 | |
| CN113762591A (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
| CN115881209B (zh) | 一种rna二级结构预测的处理方法和装置 | |
| CN114997360B (zh) | 神经架构搜索算法的演化参数优化方法、系统及存储介质 | |
| CN114943866B (zh) | 基于进化神经网络结构搜索的图像分类方法 | |
| CN116611504A (zh) | 一种基于进化的神经架构搜索方法 | |
| CN115908909A (zh) | 基于贝叶斯卷积神经网络的进化神经架构搜索方法及系统 | |
| CN110162704B (zh) | 基于多因子遗传算法的多规模关键用户提取方法 | |
| Zhang et al. | Index t-SNE Based on Sobol Sequence Initialized Harris Hawk Optimization Algorithm | |
| CN113704570A (zh) | 基于自监督学习式进化的大规模复杂网络社区检测方法 | |
| CN117422114B (zh) | Ai加速器的优化方法及ai加速器 |
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 |