CN114326638A - 一种多尺度卷积与深度双向gru网络融合性能评估方法 - Google Patents
一种多尺度卷积与深度双向gru网络融合性能评估方法 Download PDFInfo
- Publication number
- CN114326638A CN114326638A CN202111682756.5A CN202111682756A CN114326638A CN 114326638 A CN114326638 A CN 114326638A CN 202111682756 A CN202111682756 A CN 202111682756A CN 114326638 A CN114326638 A CN 114326638A
- Authority
- CN
- China
- Prior art keywords
- layer
- network
- bidirectional gru
- model
- data
- 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
- 230000002457 bidirectional effect Effects 0.000 title claims abstract description 38
- 230000004927 fusion Effects 0.000 title claims abstract description 15
- 238000011156 evaluation Methods 0.000 title description 3
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000003745 diagnosis Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000001311 chemical methods and process Methods 0.000 claims abstract description 15
- 238000004519 manufacturing process Methods 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 238000002372 labelling Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 241000288105 Grus Species 0.000 claims description 2
- 238000004886 process control Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 16
- 238000013135 deep learning Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 239000000571 coke Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 4
- 238000004939 coking Methods 0.000 description 3
- 230000000052 comparative effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000010438 heat treatment Methods 0.000 description 3
- 239000002994 raw material Substances 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于自动化过程控制领域，公开了一种化工过程的多尺度卷积与深度双向GRU网络融合性能评估方法，包括如下步骤：步骤1、以频率
采集工业过程系统变量的运行数据，建立一个含有多变量，多类型故障的数据集，并对其进行数据预处理，在此基础上对故障类型进行编号打标签，设置对应的关系，之后对故障类型和标签划分相应的训练集和测试集；步骤2、构建多尺度卷积与深度双向GRU网络故障诊断模型；步骤3、将数据集按照一定的比例进行划分，并输入到多尺度卷积与深度双向GRU网络模型中进行训练；步骤4、将分割好的测试集输入到训练好的模型中，进行故障识别，输出诊断结果，Softmax回归分类器的输出可以反映模型预测的故障类型。
Description
技术领域
本发明属于自动化过程控制领域，特别涉及到一种化工流程工艺的多尺度卷积与深度双向门控循环网络(MCNN-DBiGRU)融合故障诊断方法。
背景技术
随着现代科学技术的不断进步与发展，化工工业系统的复杂性以及运行成本逐步提高，人们对于该系统的运行效率、安全隐患以及设备性能得到了越来越高的重视。如何快速准确的诊断出工业系统运行过程中的故障类型成为了一个巨大的挑战。故障诊断技术一般分为基于模型、基于信号和基于知识的方法。
基于知识的故障诊断方法也被称为数据驱动的故障诊断。主要是可以通过机器学习或人工智能的技术对大量的历史数据分析之间的依赖关系，然后再利用分类器对其进行分类并做出故障诊断决策。基于知识的定量故障诊断又可分为基于统计分析的数据驱动故障诊断和基于非统计分析的数据驱动故障诊断。基于统计分析的数据驱动故障诊断在面对工业数据中的高维性、非线性数据时，并不能取得令人满意的效果。基于非统计分析的数据驱动故障诊断即为机器学习方法。浅层学习方法是机器学习的第一次兴起，浅层学习主要是人工神经网络利用BP算法从训练样本中学习统计数据规律，然后再对某种未知事件进行模拟预测。相对于传统基于人工规则的系统有着很多优越点。但是由于浅层学习网络层数较低，在面对工业系统高维性、时变性、非线性等特点的大规模数据时，浅层模型不能准确刻画数据分布以及准确诊断故障分类，效果差强人意。
深度学习方法是机器学习的第二次兴起，含有多个隐层的人工神经网络具有更好的特征学习能力，学习得到的特征更有利于样本数据可视化或分类；深度神经网络可以通过逐层初始化来克服在训练上的难度。由于深度学习网络具有多层非线性信息处理单元，可以对化工过程的复杂工况进行建模，再从原始信号中自动进行提取特性，然后预测输出结果。深度学习与浅层学习相比不仅拥有着优异的网络结构，而且在面对大量训练数据时不需要人工干预，只需通过分层结构学习输入数据的特征，并通过调整连接权值来选择最优的机器工作模式，提高了训练效率。不仅如此，深度学习还解决了浅层学习容易过拟合、陷入局部最优、梯度消散以及泛化能力弱等问题，对非线性、间歇性以及动态性等复杂工业过程也具有较好的诊断精度。
化工流程作业是现代工业生产中重要环节。在工厂生产过程中，整个化工工艺是不间断的，相比来说更注重于时序性。一般的循环网络能够提取到某个时刻之前的时空信息，然后与下一个输入进行融合，但是很多模型都忽略了该时刻之后的特征信息，该时刻之后的时空信息也同样能表现出之前的时间特征。一般来说，神经网络随着网络层数的叠加，模型性能会更好。但是在面对故障诊断一维体系结构上，通常情况下单纯的复制上一层的特性来叠加网络，会使模型精度达到饱和，学习能力造成退化。目前基于深度学习的故障诊断方法在工业过程的应用主要存在以下问题：
过程信号中的不同尺度信息提取不够明显；
忽略了过程信号中前向时空特征信息，部分时空信息提取不够；
模型精度易达到饱和，学习能力造成退化。
发明内容
为了解决现有技术中存在的上述技术问题，本发明的目的是针对现有化工工业过程故障诊断方法中存在的问题，提出了一种能够提取多种尺度信号特征，充分利用信号的空间特征特性，泛化能力较强的多尺度卷积神经网络与深度双向GRU网络特征融合的工业过程故障诊断方法。
本发明在传统卷积神经网络的基础上，分别构建多尺度卷积神经网络模块和深度双向GRU网络模块。最后在模型的分类模块中交替加入3个Dropout层和全连接层的方法来提升网络的整体性能。
本发明的具体实施步骤包括：
步骤1、以频率fs采集工业过程系统变量的运行数据，建立一个含有多变量，多类型故障的数据集，并对其进行数据预处理，在此基础上对故障类型进行编号打标签，设置对应的关系，之后对故障类型和标签划分相应的训练集和测试集；
数据预处理是指对数据集进行离差标准化处理(Min-maxnormalization),该方法可以对采集的原始信号数据集进行线性变化，使数据样本落在[0，1]区间，相关转换函数如下：
式中min{·}表示样本数据中的最大值，max{·}表示样本数据中的最小值，xi表示样本数据；
所述对故障样本打标签是指对数据集进行one-hot编码，又称为一位有效编码，其使用N位状态寄存器来对N个故障进行编码，每个故障都有各自独立的寄存器位，且在任意时刻，只有其中一位有效。
步骤2、构建多尺度卷积与深度双向GRU网络故障诊断模型；
多尺度卷积与深度双向GRU网络故障诊断模型由多尺度卷积神经网络模型、深度双向GRU网络模块以及分类模块组成，其中：
在多尺度卷积模块中，采用了三个分支通路一起进行特征提取，在第一层(底层)网络的卷积核大小都设置为1×1。为了实现提取不同的特征，设置第二层(顶层)网络卷积核大小分别为1×1、1×3、1×5。具体的卷积神经网络计算公式如下：
X(l)＝W(l)*Y(l-1)+b(l)
其中X(l)表示第l层输出，l表示第l层卷积，W(l)表示卷积层第l层权重向量，b(l)表示第l层偏置，Y(l)表示第l层输出，
表示所用的激活函数。
多尺度卷积模块中的每一层还都加了一层BN层，这是为了防止训练过程中发生协变量偏移的问题。
β(k)＝E[x(k)]
式中y(k)为BN层输出；x(k)为输入特征；E为输入特征值的均值；Var表示输入特征的方差；γ、β为神经元的参数。
不仅如此，为了防止模型训练出现过拟合现象，还在每个卷积网络中引入了L2正则化方法。公式如下：
式中X、y为训练样本和相应标签；w为权重系数；J为目标函数；α为参数，控制正则化的强弱；Ω(w)为惩罚项。
池化层采用最大池化层，防止网络过拟合，提高模型泛化能力，每个最大池化层的处理结果作为下一个卷积层的输入，其运算公式如下：
h＝max(c(t))
式中h表示池化层的输出，c(t)表示输入特征中每个神经元的数值集合，t,表示第t个神经元；
每个卷积神经网络都采用了ReLU激活函数，具体公式如下：
f(x)＝max(0,x)
将提取到的特征数据y1、y2和y3拼接成特征向量y＝[y1,y2,y3]，通过多尺度特征连接模块进行特征融合得到输出特征y，之后输入到深度双向GRU模块。
深度双向GRU模块是由三层双向GRU堆叠而成，同时在每一层网络之后叠加BN层和最大池化层来提高模型泛化能力和降低特征维数，使用tanh函数作为激活函数，具体公式如下：
分类模块由3个全连接层和3个Dropout层交替组成，全连接层将上述网络模型提取到的局部特征进行展平加权后，再输入到Dropout层。Dropout层以概率p随机丢弃网络中的神经元，加强模型的泛化能力，之后将输出结果输入到Softmax分类层。Softmax分类层将输入特征进行分类运算，其计算公式如下：
其中Vi是第i个节点的输出值；从公式可看出，Softmax分类函数具体意思是该某个类的指数与所有类指数和的比值。
步骤3、将数据集按照一定的比例进行划分，并输入到多尺度卷积与深度双向GRU网络模型中进行训练；
将上述划分好的训练集输入到MCNN-DBiGRU模型中进行训练，以故障类型标签作为所述模型的输出，将输出标签与真实标签的交叉熵作为损失函数，利用Nadam优化器进行反向传播，更新整个模型的参数，优化损失函数。
步骤4、将分割好的测试集输入到训练好的模型中，进行故障识别，输出诊断结果，Softmax回归分类器的输出可以反映模型预测的故障类型。
与现有的工业过程故障诊断方法相比，本发明具有以下有益效果：
本发明提出了一种融合多尺度卷积与深度双向GRU网络的工业过程故障诊断模型，该模型克服了单一尺度特征学习易造成部分特征信息不明显问题。其中特征对齐的多尺度卷积网络模块在底层卷积神经网络设置了卷积核大小为1×1，该底层网络特性为感受野小，空间特征细节信息表征能力强。顶层网络设置为1×1、1×3、1×5，该网络感受野大，语义信息表征能力强。所以将二者特征同一进行融合提取，能够获取到不同尺度下的多种信息特征。
本发明提出的深度双向机制，该机制不仅能够使网络模型呈现出过去到未来的正向处理输入特征，也存在了未来到过去的反向处理。而且深度学习这种数据驱动的分类方法只需利用历史数据进行特征提取，确实能够满足这种需求。
本发明提出的模型，一方面卷积神经网络能够提取化工过程中的空间特征，另一方面门控循环单元来提取时间特征。将两个能力不同的神经网络通过串联融合，在面对工业系统中高维性、时变性、非线性等特点的大规模数据时，能够表现出该发明的有效性和优越性。
附图说明
图1为多尺度卷积与深度双向GRU网络模型故障诊断流程图；
图2为多尺度卷积与深度双向GRU网络模型结构图；
图3为实验原始数据二维散点图；
图4为实验数据经过本发明提出的模型分类后的二维散点图；
图5为本发明提出的模型与四个对比模型的准确率曲线；
图6为本发明提出的模型与四个对比模型的loss曲线。
具体实施方式
下面结合附图对本发明所提出方法的具体实施方式进行详细描述。
实施例
工业焦化炉是一种典型的工业过程系统，其是一种立管式加热炉，它对化工原料的深加工具有不可替代的作用，其燃料一般用高压瓦斯气。工作时气体分别从南北两侧进入焦化炉，原料渣油分别从南北两侧送入焦化炉对流室预加热约330℃，然后一起送入分馏塔底，与焦化炉塔顶来的油气接触并传热传质；在此过程中混合油料中较轻的成份蒸发，上升至精馏段进行分离，而原料中蜡油以上馏分与来自焦炭塔顶油气中被冷凝的成份一起流入塔底。约360℃的分馏塔底油经加热炉辐射进料泵分两路送至加热炉辐射室迅速加热至495℃，之后进入焦炭塔进行裂解反应。
本次实例验证中在焦化炉中预先设计了几种常见的不同类型的故障，具体故障情况与标签对应关系如表1所示：
表1。
图1是本发明所提出的融合多尺度卷积与深度双向GRU网络的化工过程故障诊断方法的实施流程图，图2是其具体的结构示意图，其具体包括以下步骤：
步骤1、采集工业焦化炉中8个主要的过程变量的运行数据，建立一个含有8个变量，5种类型故障的数据集，在每个故障状况下采集1850个样本数据，另外采集2000个正常状态样本，从中随机选择1850个样本与故障样本一起构成实验数据。对采集的数据集进行数据预处理，在此基础上对故障类型进行编号打标签，设置对应的关系，之后从中随机抽取80％的样本作为训练集，其余20％样本作为测试集。
数据预处理是指对数据集进行离差标准化处理(Min-maxnormalization),该方法可以对采集的原始信号数据集进行线性变化，使数据样本落在[0，1]区间，相关转换函数如下：
式中min{·}表示样本数据中的最大值，max{·}表示样本数据中的最小值，xi表示样本数据。
所述对故障样本打标签是指对数据集进行one-hot编码，又称为一位有效编码，其使用N位状态寄存器来对N个故障进行编码，每个故障都有各自独立的寄存器位，且在任意时刻，只有其中一位有效。
步骤2、构建多尺度卷积与深度双向GRU网络故障诊断模型；
在多尺度模块中，每个卷积神经网络模型设置的激活函数是ReLU，L2正则化参数设置为0.0001，每个卷积层之后都衔接上一层BN层。三个通路的卷积尺度之比分别为1×1：1×1、1×1：1×3和1×1：1×5。并且在每个通路的最后都通过最大池化进行降采样，大小设置为2。深度双向GRU模块中的每个GRU网络都使用tanh激活函数，并且每个网络都设置了0.01大小的Dropout层，L2正则化参数设置为0.0001。三层GRU的单元节点数为64、64、128，并且每个GRU网络之后也都衔接了一层大小为2的最大池化层，这个设置是为了大幅度减少网络中连接的数量从而加快模型运行速度。在最后分类阶段，设置了三层Dropout层和全连接层，其中三层Dropout的参数分别为0.2、0.01、0.0001，三层全连接层的节点大小分别为256、64、6。
步骤3、将划分好的数据集输入到多尺度卷积与深度双向GRU网络模型中进行训练；
将上述划分好的训练集输入到MCNN-DBiGRU模型中进行训练，以故障类型标签作为所述模型的输出，将输出标签与真实标签的交叉熵作为损失函数，利用Adam优化器进行反向传播，更新整个模型的参数，优化损失函数。该优化算法能够沿梯度下降最快的方向快速达到模型的全局最优点，能以较少的网络迭代次数达到最好的训练效果。
步骤四、将分割好的测试集输入到训练好的模型中，进行故障识别，输出诊断结果，Softmax回归分类器的输出可以反映模型预测的故障类型。
为了更好的说明本发明的技术效果，本次实验分别采用CNN、MCNN、MCNN-GRU以及BiGRU作为对比实验。为了实验结果的可对比性，四种对比模型的参数设置基本与本发明相同。
本次实验中采用Keras库和python3.8实现本发明所提出的融合多尺度卷积与深度双向GRU网络模型以及四个对比模型，模型训练时的迭代次数都设置为100，批次大小设置为64，损失函数选择交叉熵损失函数，初始学习率设置为0.001，并且每迭代30次学习率下降十分之一。
本次实验迭代学习30次后，学习率改变之后，五个模型的波动都趋于平缓，也就是在此时，模型之间差距渐渐拉大，后续的70次迭代学习随便波动不大，但是依然有着一定的提升。在损失率曲线上同样能够表现出，经过30次波动迭代学习之后，本发明的损失率也是最低的，最终经过100次迭代学习之后，损失率最终为0.137358。
将5个模型进行模拟实验之后的数据汇入至表2中，本发明的故障诊断方法对5种故障的为平均识别率达到了97.57％，宏平均识别率达到了97.33％，可以看出本发明所有的评价指标都优于其他四个对照模型。以微平均准确率为对比点，本发明相对于实验一CNN模型提高了3％以上，相对于实验二MCNN提高了0.5％以上，相对于实验三MCNN-GRU提高了0.5％以上，相对于实验三BiGRU模型提高了1％以上。该表能够体现出本发明优越性。
表2。
Claims (8)
1.一种化工过程的多尺度卷积与深度双向GRU网络融合性能评估方法，包括如下步骤：
步骤1、以频率fs采集工业过程系统变量的运行数据，建立一个含有多变量，多类型故障的数据集，并对其进行数据预处理，在此基础上对故障类型进行编号打标签，设置对应的关系，之后对故障类型和标签划分相应的训练集和测试集；
步骤2、构建多尺度卷积与深度双向GRU网络故障诊断模型；
步骤3、将数据集按照一定的比例进行划分，并输入到多尺度卷积与深度双向GRU网络模型中进行训练；
步骤4、将分割好的测试集输入到训练好的模型中，进行故障识别，输出诊断结果，Softmax回归分类器的输出可以反映模型预测的故障类型。
2.如权利要求1所述的化工过程的多尺度卷积与深度双向GRU网络融合性能评估方法，其特征在于：步骤1中，所述数据预处理是指对数据集进行离差标准化处理(Min-maxnormalization),该方法可以对采集的原始信号数据集进行线性变化，使数据样本落在[0，1]区间，相关转换函数如下：
式中min{·}表示样本数据中的最大值，max{·}表示样本数据中的最小值，xi表示样本数据。
3.如权利要求2所述的化工过程的多尺度卷积与深度双向GRU网络融合性能评估方法，其特征在于：所述故障类型进行编号打标签是指对数据集进行one-hot编码，使用N位状态寄存器来对N个故障进行编码，每个故障都有各自独立的寄存器位，且在任意时刻，只有其中一位有效。
4.如权利要求3所述的化工过程的多尺度卷积与深度双向GRU网络融合性能评估方法，其特征在于：所述多尺度卷积与深度双向GRU网络故障诊断模型由多尺度卷积神经网络模块、深度双向GRU网络模块以及分类模块组成。
5.如权利要求4所述的化工过程的多尺度卷积与深度双向GRU网络融合性能评估方法，其特征在于：所述多尺度卷积神经网络模块采用了三个分支通路一起进行特征提取，具体的卷积神经网络计算公式如下：
X(l)＝W(l)*Y(l-1)+b(l)
其中X(l)表示第l层输出，l表示第l层卷积，W(l)表示卷积层第l层权重向量，b(l)表示第l层偏置，Y(l)表示第l层输出，
表示所用的激活函数；
多尺度卷积神经网络模块中的每一层增加BN层：
β(k)＝E[x(k)]
式中y(k)为BN层输出；x(k)为输入特征；E为输入特征值的均值；Var表示输入特征的方差；γ、β为神经元的参数；
还在每个卷积网络中引入了L2正则化方法。公式如下：
式中X、y为训练样本和相应标签；w为权重系数；J为目标函数；α为参数，控制正则化的强弱；Ω(w)为惩罚项；
池化层采用最大池化层，每个最大池化层的处理结果作为下一个卷积层的输入，其运算公式如下：
h＝max(c(t))
式中h表示池化层的输出，c(t)表示输入特征中每个神经元的数值集合，t,表示第t个神经元；
每个卷积神经网络都采用了ReLU激活函数，具体公式如下：
f(x)＝max(0,x)
将提取到的特征数据y1、y2和y3拼接成特征向量y＝[y1,y2,y3]，通过多尺度特征连接模块进行特征融合得到输出特征y，之后输入到深度双向GRU模块。
6.如权利要求5所述的化工过程的多尺度卷积与深度双向GRU网络融合性能评估方法，其特征在于：所述深度双向GRU模块是由三层双向GRU堆叠而成，同时在每一层网络之后叠加BN层和最大池化层，使用tanh函数作为激活函数，具体公式如下：
7.如权利要求6所述的化工过程的多尺度卷积与深度双向GRU网络融合性能评估方法，其特征在于：所述分类模块由3个全连接层和3个Dropout层交替组成，全连接层将上述网络模型提取到的局部特征进行展平加权后，再输入到Dropout层；Dropout层以概率p随机丢弃网络中的神经元，之后将输出结果输入到Softmax分类层；Softmax分类层将输入特征进行分类运算，其计算公式如下：
其中Vi是第i个节点的输出值。
8.如权利要求7所述的化工过程的多尺度卷积与深度双向GRU网络融合性能评估方法，其特征在于：步骤3具体为：将上述划分好的训练集输入到MCNN-DBiGRU模型中进行训练，以故障类型标签作为所述模型的输出，将输出标签与真实标签的交叉熵作为损失函数，利用Nadam优化器进行反向传播，更新整个模型的参数，优化损失函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111682756.5A CN114326638A (zh) | 2021-12-30 | 2021-12-30 | 一种多尺度卷积与深度双向gru网络融合性能评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111682756.5A CN114326638A (zh) | 2021-12-30 | 2021-12-30 | 一种多尺度卷积与深度双向gru网络融合性能评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114326638A true CN114326638A (zh) | 2022-04-12 |
Family
ID=81023499
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111682756.5A Pending CN114326638A (zh) | 2021-12-30 | 2021-12-30 | 一种多尺度卷积与深度双向gru网络融合性能评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114326638A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115086006A (zh) * | 2022-06-13 | 2022-09-20 | 安徽工业大学 | 一种基于双向门控逻辑单元的分布式应用程序加密流量分类方法 |
| CN116417146A (zh) * | 2023-04-24 | 2023-07-11 | 南京理工大学 | 基于cnn的个体心肺功能评估系统及其处理方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109655259A (zh) * | 2018-11-23 | 2019-04-19 | 华南理工大学 | 基于深度解耦卷积神经网络的复合故障诊断方法及装置 |
| CN111665819A (zh) * | 2020-06-08 | 2020-09-15 | 杭州电子科技大学 | 一种基于深度学习多模型融合的复杂化工过程故障诊断方法 |
| CN112001123A (zh) * | 2020-08-27 | 2020-11-27 | 杭州电子科技大学 | 一种基于深度卷积网络特征融合的化工过程性能评测方法 |
| CN112949823A (zh) * | 2021-02-05 | 2021-06-11 | 杭州电子科技大学 | 基于一维多尺度深度卷积神经网络的工业过程性能诊断方法 |
| CN113052218A (zh) * | 2021-03-15 | 2021-06-29 | 杭州电子科技大学 | 工业过程的多尺度残差卷积与lstm融合性能评估方法 |
-
2021
- 2021-12-30 CN CN202111682756.5A patent/CN114326638A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109655259A (zh) * | 2018-11-23 | 2019-04-19 | 华南理工大学 | 基于深度解耦卷积神经网络的复合故障诊断方法及装置 |
| CN111665819A (zh) * | 2020-06-08 | 2020-09-15 | 杭州电子科技大学 | 一种基于深度学习多模型融合的复杂化工过程故障诊断方法 |
| CN112001123A (zh) * | 2020-08-27 | 2020-11-27 | 杭州电子科技大学 | 一种基于深度卷积网络特征融合的化工过程性能评测方法 |
| CN112949823A (zh) * | 2021-02-05 | 2021-06-11 | 杭州电子科技大学 | 基于一维多尺度深度卷积神经网络的工业过程性能诊断方法 |
| CN113052218A (zh) * | 2021-03-15 | 2021-06-29 | 杭州电子科技大学 | 工业过程的多尺度残差卷积与lstm融合性能评估方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115086006A (zh) * | 2022-06-13 | 2022-09-20 | 安徽工业大学 | 一种基于双向门控逻辑单元的分布式应用程序加密流量分类方法 |
| CN115086006B (zh) * | 2022-06-13 | 2024-02-02 | 安徽工业大学 | 一种基于双向门控逻辑单元的分布式应用程序加密流量分类方法 |
| CN116417146A (zh) * | 2023-04-24 | 2023-07-11 | 南京理工大学 | 基于cnn的个体心肺功能评估系统及其处理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sun et al. | Evolving deep convolutional neural networks for image classification | |
| CN112949823A (zh) | 基于一维多尺度深度卷积神经网络的工业过程性能诊断方法 | |
| CN113052218A (zh) | 工业过程的多尺度残差卷积与lstm融合性能评估方法 | |
| CN114326638A (zh) | 一种多尺度卷积与深度双向gru网络融合性能评估方法 | |
| CN108846413B (zh) | 一种基于全局语义一致网络的零样本学习方法 | |
| CN106874963B (zh) | 一种基于大数据技术的配电网故障诊断方法及系统 | |
| CN111292195A (zh) | 风险账户的识别方法及装置 | |
| CN112147432A (zh) | 基于注意力机制的BiLSTM模块、变压器状态诊断方法和系统 | |
| 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 | |
| CN113688869B (zh) | 一种基于生成对抗网络的光伏数据缺失重构方法 | |
| CN112416358B (zh) | 一种基于结构化词嵌入网络的智能合约代码缺陷检测方法 | |
| CN110851654A (zh) | 基于张量化数据降维的工业设备故障检测分类方法 | |
| CN111507365A (zh) | 一种基于模糊聚类的置信规则自动生成方法 | |
| CN114326639A (zh) | 基于混合注意力卷积神经网络的工业过程性能评估方法 | |
| CN113591971A (zh) | 基于dpi时间序列词嵌入向量的用户个性行为预测方法 | |
| CN112784872A (zh) | 一种基于开放集联合迁移学习的跨工况故障诊断方法 | |
| Shang et al. | Evolutionary neural architecture search based on evaluation correction and functional units | |
| Li et al. | Automatic design of machine learning via evolutionary computation: A survey | |
| CN116310496A (zh) | 基于域间注意力机制的航空发动机部分无监督跨域故障诊断方法 | |
| CN109214500B (zh) | 一种基于混合智能算法的变压器故障识别方法 | |
| CN113705661A (zh) | 一种混合深度残差收缩网络与XGBoost算法的工业过程性能评估方法 | |
| CN114169091A (zh) | 工程机械部件剩余寿命的预测模型建立方法及预测方法 | |
| Zhang et al. | Recurrent neural network model with self-attention mechanism for fault detection and diagnosis | |
| CN113179276A (zh) | 基于显式和隐含特征学习的智能入侵检测方法和系统 | |
| Vasilev et al. | Decision Tree Extraction using Trained Neural Network. |
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 |