CN113642228A - 一种基于CapsNet的未知类型故障预测方法 - Google Patents
一种基于CapsNet的未知类型故障预测方法 Download PDFInfo
- Publication number
- CN113642228A CN113642228A CN202110756467.9A CN202110756467A CN113642228A CN 113642228 A CN113642228 A CN 113642228A CN 202110756467 A CN202110756467 A CN 202110756467A CN 113642228 A CN113642228 A CN 113642228A
- Authority
- CN
- China
- Prior art keywords
- capsule
- vector
- layer
- low
- prediction
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 239000002775 capsule Substances 0.000 claims abstract description 114
- 239000013598 vector Substances 0.000 claims abstract description 96
- 239000011159 matrix material Substances 0.000 claims abstract description 32
- 238000006243 chemical reaction Methods 0.000 claims abstract description 12
- 230000009466 transformation Effects 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 16
- 230000008878 coupling Effects 0.000 claims description 11
- 238000010168 coupling process Methods 0.000 claims description 11
- 238000005859 coupling reaction Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000013526 transfer learning Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 3
- 230000003213 activating effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明的一个实施例公开了一种基于CapsNet的未知类型故障预测方法，包括：S101、确定转换矩阵，低层胶囊利用所述转换矩阵生成相对应的高层胶囊的预测向量
S102、确定动态路由算法，利用动态路由算法将低层胶囊生成的预测向量整合到对其表示同意的高层胶囊；S103、利用所述高层胶囊的预测向量生成高层胶囊的特征向量fi，并选取特征向量fi正则化值中的最大值f；S104、确定超参数阈值λ，将阈值λ与特征向量值f进行比较，当f大于等于阈值λ时，输出特征向量值f；当f小于阈值λ时，则表明出现未知类型向量或故障。本发明改进的CapsNet具有自适应能力和迁移学习能力，在出现未知类型故障时可自适应的调整模型并对未知类型故障进行识别。
Description
技术领域
本发明涉及武器装备故障预测领域。更具体地，涉及一种基于CapsNet的未知类型故障预测方法，计算机设备和计算机可读存储介质。
背景技术
故障预测是检测设备运行状态，提高设备可靠性、保障设备安全运行的一门综合性技术，在工业现代化社会中扮演着重要的角色，但随着计算机技术、物联网、无线通信、电子商务和智能制造的发展，工业设备产品状态和工况数据实时自动采集，使数据收集量以指数方式爆炸式增长，并且数据具有大容量、低价值密度、多样性、时效性等大数据特性，如何有效的处理复杂装备的多维感知信号，让其价值得以体现和合理利用，是当前故障预测领域迫切要思考和解决的问题。
基于深度学习(Deep Learning,DL)的故障预测方法能够端到端的进行故障特征提取、选择和分类识别，但由于该方法自身设计缺陷，其自适应能力和迁移学习能力差，在出现未知类型故障时不能自适应的调整模型输出，需收集数据重新训练模型或借助其他部件才能学习识别未知类型故障。经研究发现，胶囊网络(Capsule Network,CapsNet)作为DL领域最令人兴奋的进展之一，具有依靠自身实现未知类型故障诊断并进行故障预测的潜力，但是其固有分类结构默认每个数据点在不同程度上属于已知类，因此当未知类别的故障发生时，CapsNet模型仅能将其划分为已有的故障类别，限制了它的未知类型故障预测能力，在嘈杂的环境中严重的影响了模型的预测正确率。
发明内容
本发明的目的在于提供一种基于CapsNet的未知类型故障预测方法，计算机设备和计算机可读存储介质。致力于解决现有DL模型自适应能力差，不能依靠自身实现未知类型故障预测以及可解释性差的问题。
为达到上述目的，本发明采用下述技术方案：
第一方面，本发明提供一种基于CapsNet的未知类型故障预测方法，包括：
S101、确定转换矩阵，低层胶囊利用所述转换矩阵生成相对应的高层胶囊的预测向量
；
S102、确定动态路由算法，利用动态路由算法将低层胶囊生成的预测向量整合到对其表示同意的高层胶囊；
S103、利用所述高层胶囊的预测向量生成高层胶囊的特征向量fi，并选取特征向量fi正则化值中的最大值f；
S104、确定超参数阈值λ，将阈值λ与特征向量值f进行比较，当f大于等于阈值λ时，输出特征向量值f；当f小于阈值λ时，则表明出现未知类型向量或故障。
在一个具体实施例中，所述步骤S101之前还包括：
输入CapsNet模型，进行故障特征提取，进一步生成低层胶囊。
在一个具体实施例中，
所述转化矩阵的参数是在CapsNet模型训练过程中获得的，转换矩阵的参数数量为：K·H·n·c，其中K表示低层胶囊数量，H表示高层胶囊数量，n表示低层胶囊输出向量的维度，c表示高层胶囊输出矢量的维度。
在一个具体实施例中，
高层胶囊j的预测向量
是由低层胶囊i的特征向量μi乘以转换矩阵Wij得到的；
其中，μi为低层胶囊i的特征向量，维数为n×1；Wij表示该低层胶囊i相对于高层胶囊j的转换矩阵，维数为c×n；
的维数为c×1。
在一个具体实施例中，所述S102包括
所述高层胶囊接收来自低层胶囊的多个预测向量，动态路由算法测量低层胶囊预测之间的一致性，当多个预测一致时，对应的高层胶囊将被激活，然后所有预测向量μi经过迭代的动态路由过程被加权发送给该高层胶囊。
在一个具体实施例中，
所述特征向量fi的权重使用耦合系数ci|j表示，ci|j的值通过迭代的动态路由算法更新。
在一个具体实施例中，
所述阈值λ的上限为fi正则化值中的最小值。
第二方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请第一方面提供的方法。
第三方面，本发明还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本申请第一方面提供的方法。
本发明的有益效果如下：
本发明提供了一种基于CapsNet的未知类型故障预测方法，可有效处理复杂装备的多维状态感知信号，实现装备故障的精确感知。本发明改进的CapsNet具有自适应能力和迁移学习能力，在出现未知类型故障时可自适应的调整模型并对未知类型故障进行识别。在CapsNet具有良好的故障预测潜力的前提下，本发明通过引入一个阈值λ改变其固有分类结构，当未知类别的故障发生时具备故障预测能力。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，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示出根据本发明一个实施例的基于CapsNet的未知类型故障预测方法流程图。
图2示出根据本发明一个实施例的转换矩阵的作用示意图。
图3示出根据本发明一个实施例的动态路由算法示意图。
图4示出根据本发明一个实施例的训练CapsNet模型以确定阈值λ的流程图。
图5示出根据本发明一个实施例的验证改进后的CapsNet故障分类器图。
图6示出适于用来实现本申请实施例的计算机设备的结构示意图。
具体实施方式
为使本发明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详细描述。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。
第一实施例，如图1所示，本发明的一个实施例公开了一种基于CapsNet的未知类型故障预测方法，包括：输入CapsNet模型，进行故障特征提取，进一步生成低层胶囊；
S101、确定转换矩阵，低层胶囊利用所述转换矩阵生成相对应的高层胶囊的预测向量
在一个具体实施例中，转换矩阵是CapsNet模型特有的重要结构，可以根据低层特征的存在及姿态预测出相应的高层特征的存在及姿态，是CapsNet能依靠自身实现故障预测的重要理论基础，所述转化矩阵的参数是在CapsNet模型训练过程中获得的，转换矩阵的参数数量为：K·H·n·c，其中K表示低层胶囊数量，H表示高层胶囊数量，n表示低层胶囊输出向量的维度，c表示高层胶囊输出矢量的维度。
在本实施例中，所述高层胶囊j的预测向量
是由低层胶囊i的特征向量μi乘以转换矩阵Wij得到的；其中，μi为低层胶囊i的特征向量，维数为n×1；Wij表示该低层胶囊i相对于高层胶囊j的转换矩阵，维数为c×n；
的维数为c×1。
S102、确定动态路由算法，利用动态路由算法将低层胶囊生成的预测向量整合到对其表示同意的高层胶囊；
在一个具体实施例中，所述S102具体包括：所述高层胶囊接收来自低层胶囊的多个预测向量，动态路由算法测量低层胶囊预测之间的一致性，当多个预测一致时，对应的高层胶囊将被激活，然后所有预测向量μi经过迭代的动态路由过程被加权发送给该高层胶囊。
S103、利用所述高层胶囊的预测向量生成高层胶囊的特征向量fi，并选取特征向量fi正则化值中的最大值f；其中，特征向量fi正则化值中的最大值f也可以称为特征向量值f。
在一个具体实施例中，所述特征向量fi的权重使用耦合系数ci|j表示，ci|j的值通过迭代的动态路由算法更新，使每个低层预测向量
的大部分信息发送给合适的高层胶囊，进行特征融合形成更大和更复杂的高层特征。
S104、确定超参数阈值λ，将阈值λ与特征向量值f进行比较，当f大于等于阈值λ时，输出特征向量值f；当f小于阈值λ时，则表明出现未知类型向量或故障。在本示例中，阈值λ选取在一个恰当的范围时，模型能完美的区分已知与未知故障类别，经多次模型性能验证，所述阈值λ的上限为fi正则化值中的最小值。
在本实施例中，结合附图对本发明的方法进行具体描述。
步骤一，确定转换矩阵，在利用CapsNet进行未知类型故障预测时，首先需要确定转化矩阵，这样由低层胶囊乘以转换矩阵即可得到相对应的高层胶囊的预测向量。转化矩阵的参数是在CapsNet模型训练过程中获得的。转换矩阵的作用方式如图2所示，μi为低层胶囊i的特征向量，维数为n×1；Wij表示该低层胶囊i相对于高层胶囊j的转换矩阵，维数为c×n；高层胶囊j的预测向量
是由低层胶囊i的特征向量μi乘以转换矩阵Wij得到的，
的维数为c×1。图中描述了由低层胶囊检测到的嘴巴的姿态预测到的脸的姿态，也就是说转换矩阵根据低层胶囊检测到的嘴巴(部分，低层次特征)的存在及姿态预测出脸(整体，高层次特征)的存在及姿态，姿态由向量参数表示，存在概率用向量大小表示。
步骤二，确定动态路由算法，高层胶囊接收来自低层的多个预测向量，动态路由算法测量低层胶囊预测之间的一致性，当多个预测一致时，对应的高层胶囊将被激活，然后所有预测向量
经过迭代的动态路由过程被加权发送给该高层胶囊，并形成高层胶囊的特征向量，特征向量的权重使用耦合系数ci|j表示，ci|j的值通过迭代的动态路由算法更新，使每个低层预测向量
的大部分信息发送给合适的高层胶囊，进行特征融合形成更大和更复杂的高层特征。
具体的，动态路由算法的迭代过程如图3所示：其中r表示动态路由的迭代次数；l表示第l层胶囊层；k表示高层胶囊个数；耦合系数ci|j是由迭代的动态路由过程计算得到的，代表低层胶囊i检测到的实体对高层胶囊j隶属程度,是由中间值bij经过soft max函数后形成，使每个低层胶囊相对于所有胶囊的耦合系数之和为1，且ci|j不保存，每次运行模型时都会重新计算；sj是高层胶囊j的对低层预测向量加权后相加融合的结果；vj表示高层胶囊j的综合预测经过squash非线性压缩后的输出(向量的长度代表实体存在的概率，方向表示实例化参数，因此保持方向不变，长度压缩为不超过1)。第7行表示，计算每个低层胶囊相对于每个高层胶囊输出的点积相似性，并根据点积的大小更新每个低层预测向量的耦合系数，使每个低层胶囊的信息发送给对其表示同意的高层胶囊。
cij＝exp(bij)/∑kexp(bik) (1)
vj＝(||sj||/1+||sj||2)·(sj/||sj||) (2)
由图3可以看出，在刚开始的时候，每个预测向量的信息被均匀的发送给各个高层胶囊，用于估计未知的高层特征向量。因为有相似度度量，那么当前形成的高层特征的假设被用于更新预测向量的权值，加权后的预测向量在下一次的动态路由过程中用于估计未知的高层特征向量。这样，经过循环的迭代过程，多个相似的预测向量拥有较大的加权值，它们进行相加融合形成新的高层特征向量。该过程使用的两个至关重要的函数完成耦合系数归一化以及高层特征向量的非线性压缩：
(1)因每个低层胶囊的预测至多属于一个高层胶囊，因此使用soft max函数进行耦合系数归一化，使属于同一低层胶囊的预测向量的耦合系数和小于1，并且使迭代过程中相对较大的耦合系数在归一化的过程中迅速的趋近于1，加速收敛过程；
(2)因每个胶囊特征向量的长度代表该类实例的存在概率，因此采用squash函数，使每个高层特征向量总长度小于1。
由于动态路由算法中的soft max函数使单个数据点在所有类中的隶属度之和为1，这虽然避免了所有隶属度为0的平凡解，但它默认每个数据点在不同程度上属于高层胶囊所代表的类。而且现有CaspNet模型结构仅能使用已存在的高层胶囊作为分类器，且必须输出一个类别作为最终分类结果。因此，当输入是CapsNet模型没有包含的类别时，它依然会输出一个已知故障类作为该未知类型故障的分类结果。基于此，本专利改进CaspNet模型的分类器结构，使其有效处理复杂装备的多维状态感知信号，实现装备故障的精确感知，并在出现未知类型故障时自适应的调整模型以对未知类型故障进行识别。
步骤三：确定超参数阈值λ，通过训练CapsNet模型可以确定阈值λ的值，具体如图4所示。考虑到由于特征矩阵相当于已知故障类别的映射模板，因此当特征属于已知类时，该特征向量具有较大的特征值，并且动态路由算法会将其多个同类的预测向量的大部分信息发送给该类的高层胶囊，因此当输入是已知类别时其特征向量具有较大的正则化值。而当输入是未知类时，特征向量经过转换矩阵后预测向量值相对较小，并且动态路由过程因无法找到与其相似的类，预测向量值会分散的发送给多个高层胶囊，因此输入是未知类时，特征向量具有较小的正则化值。基于以上分析，将模型输出的正则化值fi中的最小值作为阈值λ的上限。
步骤四：改进分类器结构，为了实现未知类型故障预测，在CapsNet最后一层胶囊实现故障特征分类的过程中引入了阈值λ，它的大小对模型的预测性能具有较大影响。改进后的CapsNet故障分类器如图5所示。模型的输入是10个有序的用于分类的特征向量，每个特征向量经过L2正则化，得到10个有序的标量，通过比较10个有序标量的值，选出最大的标量定义为f，将f与阈值λ进行比较，如果特征向量值f大于等于阈值λ,则表明没有未知类型故障出现；如果特征向量值f小于阈值λ,则表明有未知类型故障出现。
本发明提供了一种基于CapsNet的未知类型故障预测方法，可有效处理复杂装备的多维状态感知信号，实现装备故障的精确感知。本发明改进的CapsNet具有自适应能力和迁移学习能力，在出现未知类型故障时可自适应的调整模型并对未知类型故障进行识别。在CapsNet具有良好的故障预测潜力的前提下，本发明通过引入一个阈值λ改变其固有分类结构，当未知类别的故障发生时具备故障预测能力。
第二实施例
图6示出了本申请的另一个实施例提供的一种计算机设备的结构示意图。图6显示的计算机设备50仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。如图6所示，计算机设备50以通用计算设备的形式表现。计算机设备50的组件可以包括但不限于：一个或者多个处理器或者处理单元500，系统存储器516，连接不同系统组件(包括系统存储器516和处理单元500)的总线501。
总线501表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设50典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备50访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器516可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)504和/或高速缓存存储器506。计算机设备50可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统508可以用于读写不可移动的、非易失性磁介质(图6未显示，通常称为“硬盘驱动器”)。尽管图6中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线501相连。存储器516可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行实施例一的功能。
具有一组(至少一个)程序模块512的程序/实用工具510，可以存储在例如存储器516中，这样的程序模块512包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块512通常执行本申请所描述的实施例中的功能和/或方法。
计算机设备50也可以与一个或多个外部设备70(例如键盘、指向设备、显示器60等)通信，还可与一个或者多个使得用户能与该计算机设备50交互的设备通信，和/或与使得该计算机设备50能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口502进行。并且，计算机设备50还可以通过网络适配器514与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图6所示，网络适配器514通过总线501与计算机设备50的其它模块通信。应当明白，尽管图6中未示出，可以结合计算机设备50使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理器单元500通过运行存储在系统存储器516中的程序，从而执行各种功能应用以及数据处理，例如实现本申请实施例一所提供的一种基于CapsNet的未知类型故障预测方法。
本申请针对目前现有的问题，制定一种适用于CapsNet的未知类型故障预测方法的计算机设备，可有效处理复杂装备的多维状态感知信号，实现装备故障的精确感知。
第三实施例
本申请的另一个实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例一所提供的方法。在实际应用中，所述计算机可读存储介质可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。
计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。可以以一种或多种程序设计语言或其组合来编写用于执行本申请操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (9)
1.一种基于CapsNet的未知类型故障预测方法，其特征在于，包括：
S101、确定转换矩阵，低层胶囊利用所述转换矩阵生成相对应的高层胶囊的预测向量
S102、确定动态路由算法，利用动态路由算法将低层胶囊生成的预测向量整合到对其表示同意的高层胶囊；
S103、利用所述高层胶囊的预测向量生成高层胶囊的特征向量fi，选取特征向量fi正则化值中的最大值f；
S104、确定超参数阈值λ，将阈值λ与特征向量值f进行比较，当f大于等于阈值λ时，输出特征向量值f；当f小于阈值λ时，则表明出现未知类型向量或故障。
2.根据权利要求1所述的方法，其特征在于，所述步骤S101之前还包括：
输入CapsNet模型，进行故障特征提取，进一步生成低层胶囊。
3.根据权利要求1所述的方法，其特征在于，
所述转化矩阵的参数是在CapsNet模型训练过程中获得的，转换矩阵的参数数量为：K·H·n·c，其中K表示低层胶囊数量，H表示高层胶囊数量，n表示低层胶囊输出向量的维度，c表示高层胶囊输出矢量的维度。
4.根据权利要求3所述的方法，其特征在于，
高层胶囊j的预测向量
是由低层胶囊i的特征向量μi乘以转换矩阵Wij得到的；
其中，μi为低层胶囊i的特征向量，维数为n×1；Wij表示该低层胶囊i相对于高层胶囊j的转换矩阵，维数为c×n；
的维数为c×1。
5.根据权利要求1所述的方法，其特征在于，所述S102包括
所述高层胶囊接收来自低层胶囊的多个预测向量，动态路由算法测量低层胶囊预测之间的一致性，当多个预测一致时，对应的高层胶囊将被激活，然后所有预测向量μi经过迭代的动态路由过程被加权发送给该高层胶囊。
6.根据权利要求1所述的方法，其特征在于，
所述特征向量fi的权重使用耦合系数ci|j表示，ci|j的值通过迭代的动态路由算法更新。
7.根据权利要求1所述的方法，其特征在于，
所述阈值λ的上限为fi正则化值中的最小值。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的方法。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110756467.9A CN113642228A (zh) | 2021-07-05 | 2021-07-05 | 一种基于CapsNet的未知类型故障预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110756467.9A CN113642228A (zh) | 2021-07-05 | 2021-07-05 | 一种基于CapsNet的未知类型故障预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113642228A true CN113642228A (zh) | 2021-11-12 |
Family
ID=78416686
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110756467.9A Pending CN113642228A (zh) | 2021-07-05 | 2021-07-05 | 一种基于CapsNet的未知类型故障预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113642228A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030054324A1 (en) * | 2001-09-05 | 2003-03-20 | Fountain & Associates, Inc. | Training methods for aircraft simulator pilot |
| CN102725619A (zh) * | 2009-06-11 | 2012-10-10 | 伊顿公司 | 混合动力驱动系统中的故障检测和减轻 |
| US20200167557A1 (en) * | 2018-11-28 | 2020-05-28 | Tata Consultancy Services Limited | Digitization of industrial inspection sheets by inferring visual relations |
| CN111626361A (zh) * | 2020-05-28 | 2020-09-04 | 辽宁大学 | 一种改进胶囊网络优化分层卷积的轴承亚健康识别方法 |
| CN112348118A (zh) * | 2020-11-30 | 2021-02-09 | 华平信息技术股份有限公司 | 基于梯度维持的图像分类方法、存储介质及电子设备 |
-
2021
- 2021-07-05 CN CN202110756467.9A patent/CN113642228A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030054324A1 (en) * | 2001-09-05 | 2003-03-20 | Fountain & Associates, Inc. | Training methods for aircraft simulator pilot |
| CN102725619A (zh) * | 2009-06-11 | 2012-10-10 | 伊顿公司 | 混合动力驱动系统中的故障检测和减轻 |
| US20200167557A1 (en) * | 2018-11-28 | 2020-05-28 | Tata Consultancy Services Limited | Digitization of industrial inspection sheets by inferring visual relations |
| CN111626361A (zh) * | 2020-05-28 | 2020-09-04 | 辽宁大学 | 一种改进胶囊网络优化分层卷积的轴承亚健康识别方法 |
| CN112348118A (zh) * | 2020-11-30 | 2021-02-09 | 华平信息技术股份有限公司 | 基于梯度维持的图像分类方法、存储介质及电子设备 |
Non-Patent Citations (6)
| Title |
|---|
| ANQI HE 等: "Deep Variational Autoencoder Classifier for Intelligent Fault Diagnosis Adaptive to Unseen Fault Categories", IEEE TRANSACTIONS ON RELIABILITY, vol. 70, no. 4, 1 July 2021 (2021-07-01), pages 1581 - 1595, XP011890263, DOI: 10.1109/TR.2021.3090310 * |
| JIPU LI 等: "A deep adversarial transfer learning network for machinery emerging fault detection", IEEE SENSORS JOURNAL, vol. 20, no. 15, 1 August 2020 (2020-08-01), pages 8413 - 8422, XP011797277, DOI: 10.1109/JSEN.2020.2975286 * |
| 丁新磊 等: "基于优化神经网络的空调系统未知类型故障诊断", 制冷技术, vol. 38, no. 5, 15 October 2018 (2018-10-15), pages 9 - 13 * |
| 杨平;苏燕辰;张振;: "基于卷积胶囊网络的滚动轴承故障诊断研究", 振动与冲击, vol. 39, no. 04, 28 February 2020 (2020-02-28), pages 55 - 62 * |
| 杨德昌 等: "基于胶囊网络的电力变压器故障诊断", 高电压技术, vol. 47, no. 2, 2 September 2020 (2020-09-02), pages 415 - 425 * |
| 杨德昌 等: "基于胶囊网络的电力变压器故障诊断", 高电压技术, vol. 47, no. 2, 28 February 2021 (2021-02-28), pages 415 - 425 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111145076B (zh) | 数据并行化处理方法、系统、设备及存储介质 | |
| CN110532880B (zh) | 样本筛选及表情识别方法、神经网络、设备及存储介质 | |
| CN104869126A (zh) | 一种网络入侵异常检测方法 | |
| CN112613584A (zh) | 一种故障诊断方法、装置、设备及存储介质 | |
| CN113723618B (zh) | 一种shap的优化方法、设备及介质 | |
| WO2024051655A1 (zh) | 全视野组织学图像的处理方法、装置、介质和电子设备 | |
| CN116560895A (zh) | 用于机械装备的故障诊断方法 | |
| CN112560981A (zh) | 生成对抗模型的训练方法、装置、设备、程序和存储介质 | |
| CN113328908A (zh) | 异常数据的检测方法、装置、计算机设备和存储介质 | |
| CN111028940B (zh) | 肺结节多尺度检测方法、装置、设备及介质 | |
| CN111444802A (zh) | 一种人脸识别方法、装置及智能终端 | |
| CN111816306B (zh) | 一种医学数据处理方法、预测模型的训练方法及装置 | |
| CN113822144A (zh) | 一种目标检测方法、装置、计算机设备和存储介质 | |
| CN116992953A (zh) | 一种模型训练方法、故障诊断方法及装置 | |
| CN113642228A (zh) | 一种基于CapsNet的未知类型故障预测方法 | |
| CN113033817B (zh) | 基于隐空间的ood检测方法、装置、服务器及存储介质 | |
| CN116992937A (zh) | 神经网络模型的修复方法和相关设备 | |
| CN114548254A (zh) | 设备故障分类方法、装置、设备及介质 | |
| JP2022041800A (ja) | 多言語文埋め込みのためのシステム及び方法 | |
| WO2020240770A1 (ja) | 学習装置、推定装置、学習方法、推定方法及びプログラム | |
| CN118158090B (zh) | 云平台宿主机网络链路冗余状态判别方法及装置 | |
| CN113159100B (zh) | 电路故障诊断方法、装置、电子设备和存储介质 | |
| CN118398155B (zh) | 医学报告的生成方法、模型训练方法、系统、设备及介质 | |
| CN114118140B (zh) | 防爆电机轴承多视角智能故障诊断方法及系统 | |
| CN117478434B (zh) | 边缘节点网络流量数据处理方法、装置、设备及介质 |
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 |