CN114692714A - 一种基于深度信念网络和相关性模型的故障诊断融合方法 - Google Patents

一种基于深度信念网络和相关性模型的故障诊断融合方法 Download PDF

Info

Publication number
CN114692714A
CN114692714A CN202011615456.0A CN202011615456A CN114692714A CN 114692714 A CN114692714 A CN 114692714A CN 202011615456 A CN202011615456 A CN 202011615456A CN 114692714 A CN114692714 A CN 114692714A
Authority
CN
China
Prior art keywords
matrix
fault diagnosis
state
weight matrix
weight
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
Application number
CN202011615456.0A
Other languages
English (en)
Inventor
赵亚薇
张强
王冬
梁嘉琳
赵爽
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 Nuclear Control System Engineering Co ltd
Original Assignee
China Nuclear Control System Engineering Co ltd
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 Nuclear Control System Engineering Co ltd filed Critical China Nuclear Control System Engineering Co ltd
Priority to CN202011615456.0A priority Critical patent/CN114692714A/zh
Publication of CN114692714A publication Critical patent/CN114692714A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Test And Diagnosis Of Digital Computers (AREA)

Abstract

本发明属于工业级控制系统故障诊断技术领域，具体涉及一种基于深度信念网络和相关性模型的故障诊断融合方法。包括下述步骤：步骤一，建立D矩阵模型；步骤二，将步骤一得到的D矩阵进行权值化处理得到权重矩阵W；步骤三，将步骤二得到的权重矩阵W进行正态分布标准化；步骤四，将步骤三得到的正态分布标准化后的权重矩阵作为DBN网络的初始权重矩阵；步骤五：输入测试信息，输出故障模式，完成D矩阵和DBN网络的融合故障诊断。本发明建立了相关性模型故障诊断与深度信念网络故障诊断之间的融合方案，即提高了DBN网络收敛速度和预测精度，又改善了相关性模型诊断的局限性，融合诊断的适用性更广。

Description

一种基于深度信念网络和相关性模型的故障诊断融合方法
技术领域
本发明属于工业级控制系统故障诊断技术领域，具体涉及一种基于深度信念网络和相关性模型的故障诊断融合方法。
背景技术
为了使控制系统在各种不同的恶劣工作环境正常工作，对其可靠性的要求也提出来严格的要求。那么对于核电控制系统的测试与诊断工作也越来越受到了重视。
由于产品的测试与故障诊断存在于产品系统的全寿命周期内，所以在对装备的维修和保障中，故障诊断技术起着至关重要的作用。
故障诊断技术作为一门学科起源于上个世纪60年代，相应的测试设备也经历了人工、半自动，然后实现了全自动化方向发展的过程，测试技术的智能化水平不断提高。
故障诊断技术主要研究的是如何对系统出现的故障进行检测、隔离和定位，即判断故障是否发生，定位故障发生的部件或模块、分辨故障发生的种类。
核电工业控制系统的故障现象具有复杂多样化特征，比如其中的某个元器件参数超出了容差范围，可定义为故障状态。
为了提高控制系统故障诊断的精度和速度，降低误报率和漏报率，确定故障发生的准确部位，主流趋势是应用智能算法对装备系统进行故障诊断。
深度学习是促进智能化诊断发展的主要方法，系统通过对已有数据样本进行训练，得到成型网络模型，然后对系统进行故障诊断。当系统获得自学习能力，就能够不断从环境中获得新知识，从而进行系统学习诊断的自我完善。
因此，亟需研制一种通过深度信念网络和相关性模型融合模型的故障诊断方法，从而弥补深度信念网络的复杂度高的缺点，提高预测精度，从而提高控制系统可用度、降低系统全寿命周期费用。
发明内容
本发明要解决的技术问题是提供一种基于深度信念网络和相关性模型的故障诊断融合方法，从而既能准确进行故障检测、隔离及定位，又能降低故障诊断的复杂度。
为了实现这一目的，本发明采取的技术方案是：
一种基于深度信念网络和相关性模型的故障诊断融合方法，包括下述步骤：
步骤一，建立D矩阵模型
对被测对象进行测试性相关性信息获取，建立D矩阵的测试性模型；
步骤二，将步骤一得到的D矩阵进行权值化处理得到权重矩阵W；
步骤三，将步骤二得到的权重矩阵W进行正态分布标准化
步骤四，将步骤三得到的正态分布标准化后的权重矩阵作为DBN网络的初始权重矩阵；
步骤五：输入测试信息，输出故障模式，完成D矩阵和DBN网络的融合故障诊断。
进一步的，如上所述的一种基于深度信念网络和相关性模型的故障诊断融合方法，步骤二中，采用对多种典型状态下建立对应的D矩阵，每种状态出现是有特定概率，将其概率转化成权值，对不同状态下的多个D矩阵进行加权平均，得到含有测试与故障相关性信息的权重矩阵W。
进一步的，如上所述的一种基于深度信念网络和相关性模型的故障诊断融合方法，步骤二中，具体过程如下
步骤二(1)，对多种典型状态下建立对应的D矩阵，选取控制系统的第K种典型状态，建立系统该状态下的D矩阵Dm×n；
步骤二(2)，分析该状态在系统全寿命周期内的发生概率，将该概率确定为系统状态的权值wk；
步骤二(3)，分析控制系统的典型状态是否分析完，若否，则继续回到步骤一；若是，将所有权值相加，求得值w；
步骤二(4)，选择步骤一中的Dm×n的第i行，将控制系统的所有典型状态(设有p种状态)下的Dm×n中的dij值均值化得w'ij，表示为
Figure BDA0002874776550000031
步骤二(5)，令j＝j+1逐列计算，判断j是否大于n，若否，则回到步骤四；若是，则进行步骤六；
步骤二(6)，令i＝i+1逐行计算，判断i是否大于m，若否，则回到步骤四；若是，则得到权值化矩阵W。
进一步的，如上所述的一种基于深度信念网络和相关性模型的故障诊断融合方法，步骤三中，设权重矩阵W服从N(μ,σ2)分布，将其进行正态分布标准化，矩阵W中的元素Y＝(X-μ)/σ服从N(0,1)分布。
进一步的，如上所述的一种基于深度信念网络和相关性模型的故障诊断融合方法，步骤四中，DBN网络的显元为D矩阵的测试点的信息，将步骤三得到的正态分布标准化后的权重矩阵作为DBN网络的初始权重矩阵，进行网络训练。
本发明技术方案的有益效果在于：
本发明建立了相关性模型故障诊断与深度信念网络故障诊断之间的融合方案，即提高了DBN网络收敛速度和预测精度，又改善了相关性模型诊断的局限性，融合诊断的适用性更广。
附图说明
图1为D矩阵权值化方案流程图。
图2为故障诊断融合方法示意图。
具体实施方式
下面结合附图和具体实施例对本发明技术方案进行详细说明。
相关性矩阵(D矩阵)描述的是在特定的状态时，系统的故障和测试之间的相关联性，在建立一个相关性矩阵时，在某一个组成模块发生了故障，理论上其测试有效性是等同的在信息流可达的每个测试点。换言之，对于某个发生的故障，关于D矩阵在信息流可达的测点对应元素都为“1”。但是在工程实践应用中，会出现信号在传输的过程中衰减的情况，在这种情况下，若只用一个状态的D矩阵实现系统整个过程的相关性模型诊断，是具有局限性不能充分反映整个系统的特性，所以就不能将D矩阵中发生衰减变化的测点对应的元素绝对地设为“1”。
针对上述问题，本申请提出考虑从测试性预计的结果出发，将每一个预计的测试检测率，替换D矩阵中该测试对应的元素值，就可将D矩阵进行权值化处理。也就是通过将系统所有典型状态下的D矩阵进行加权平均，形成一个权值化D矩阵，其元素为介于[0,1]区间的值。本发明步骤二中，采用对多种典型状态下建立对应的D矩阵，每种状态出现是有特定概率，将其概率转化成权值，对不同状态下的多个D矩阵进行加权平均，得到含有测试与故障相关性信息的权重矩阵W。
本发明技术方案是基于深度信念网络模型和相关性模型的故障的诊断方法，其本质是引用D矩阵知识进行确定初始权值矩阵的问题的。是从D矩阵出发，将D矩阵的测试作为DBN网络(深度置信网络)的显示层作为输入，每个显元代表一个测试点的信息，通过D矩阵的权值化将结果作为DBN网络的权重初始值，可以优化DBN网络初始权值。如图2为诊断融合方案的设计。然后将权值化的D矩阵中的数据进行标准正态分布处理计算，作为DBN的初始权值矩阵。
DBN中的权重初始化是个常常被忽略的问题。权重初始化并不等价于权重随机初始化。权重初始化目的是打破梯度更新对称性。
本发明一种基于深度信念网络和相关性模型的故障诊断融合方法，包括下述步骤：
步骤一，建立D矩阵模型
对被测对象进行测试性相关性信息获取，建立D矩阵的测试性模型；
步骤二，将步骤一得到的D矩阵进行权值化处理得到权重矩阵W；
具体过程如图1所示：
步骤二(1)，对多种典型状态下建立对应的D矩阵，选取控制系统的第K种典型状态，建立系统该状态下的D矩阵Dm×n；
步骤二(2)，分析该状态在系统全寿命周期内的发生概率，将该概率确定为系统状态的权值wk；
步骤二(3)，分析控制系统的典型状态是否分析完，若否，则继续回到步骤一；若是，将所有权值相加，求得值w；
步骤二(4)，选择步骤一中的Dm×n的第i行，将控制系统的所有典型状态(设有p种状态)下的Dm×n中的dij值均值化得w'ij，表示为
Figure BDA0002874776550000051
步骤二(5)，令j＝j+1逐列计算，判断j是否大于n，若否，则回到步骤四；若是，则进行步骤六；
步骤二(6)，令i＝i+1逐行计算，判断i是否大于m，若否，则回到步骤四；若是，则得到权值化矩阵W。
步骤三，将步骤二得到的权重矩阵W进行正态分布标准化
设权重矩阵W服从N(μ,σ2)分布，将其进行正态分布标准化，矩阵W中的元素Y＝(X-μ)/σ服从N(0,1)分布。
DBN中的权重(weight)初始化是个常常被忽略的问题。权重初始化并不等价于权重随机初始化。权重初始化目的是打破梯度更新对称性。隐层激活单元概率为[0,1]，当权重矩阵W中的元素值在[0,1]区间时，会发现隐层激活单元的概率输出非常接近0或者1，使概率的表达失效也就是隐藏层神经元处于饱和的状态。所以当出现这样的情况时，在权重中进行微小的调整仅仅会给隐藏层神经元的激活值带来极其微弱的改变。而这种微弱的改变也会影响网络中剩下的神经元，然后会带来相应的代价函数的改变。结果就是，这些权重在我们进行梯度下降算法时会学习得非常缓慢。为了解决这个问题我们将权值化生成的权值矩阵中的元素进行标准正态分布，我们经初始化后权重矩阵W服从均值为0，方差为1的正态分布。
步骤四，将步骤三得到的正态分布标准化后的权重矩阵作为DBN网络的初始权重矩阵；
DBN网络的显元为D矩阵的测试点的信息，将步骤三得到的正态分布标准化后的权重矩阵作为DBN网络的初始权重矩阵，进行网络训练。
步骤五：输入测试信息，输出故障模式，完成D矩阵和DBN网络的融合故障诊断。

Claims (6)

1.一种基于深度信念网络和相关性模型的故障诊断融合方法，其特征在于，包括下述步骤：
步骤一，建立D矩阵模型
对被测对象进行测试性相关性信息获取，建立D矩阵的测试性模型；
步骤二，将步骤一得到的D矩阵进行权值化处理得到权重矩阵W；
步骤三，将步骤二得到的权重矩阵W进行正态分布标准化
步骤四，将步骤三得到的正态分布标准化后的权重矩阵作为DBN网络的初始权重矩阵；
步骤五：输入测试信息，输出故障模式，完成D矩阵和DBN网络的融合故障诊断。
2.如权利要求1所述的一种基于深度信念网络和相关性模型的故障诊断融合方法，其特征在于：步骤二中，采用对多种典型状态下建立对应的D矩阵，每种状态出现是有特定概率，将其概率转化成权值，对不同状态下的多个D矩阵进行加权平均，得到含有测试与故障相关性信息的权重矩阵W。
3.如权利要求1所述的一种基于深度信念网络和相关性模型的故障诊断融合方法，其特征在于：步骤二中，具体过程如下
步骤二(1)，对多种典型状态下建立对应的D矩阵，选取控制系统的第K种典型状态，建立系统该状态下的D矩阵Dm×n；
步骤二(2)，分析该状态在系统全寿命周期内的发生概率，将该概率确定为系统状态的权值wk；
步骤二(3)，分析控制系统的典型状态是否分析完，若否，则继续回到步骤一；若是，将所有权值相加，求得值w；
步骤二(4)，选择步骤一中的Dm×n的第i行，将控制系统的所有典型状态(设有p种状态)下的Dm×n中的dij值均值化得w′ij，表示为
Figure FDA0002874776540000021
步骤二(5)，令j＝j+1逐列计算，判断j是否大于n，若否，则回到步骤四；若是，则进行步骤六；
步骤二(6)，令i＝i+1逐行计算，判断i是否大于m，若否，则回到步骤四；若是，则得到权值化矩阵W。
4.如权利要求1所述的一种基于深度信念网络和相关性模型的故障诊断融合方法，其特征在于：步骤三中，设权重矩阵W服从N(μ,σ2)分布，将其进行正态分布标准化，矩阵W中的元素Y＝(X-μ)/σ服从N(0,1)分布。
5.如权利要求1所述的一种基于深度信念网络和相关性模型的故障诊断融合方法，其特征在于：步骤四中，DBN网络的显元为D矩阵的测试点的信息，将步骤三得到的正态分布标准化后的权重矩阵作为DBN网络的初始权重矩阵，进行网络训练。
6.如权利要求1所述的一种基于深度信念网络和相关性模型的故障诊断融合方法，其特征在于：
步骤二中，采用对多种典型状态下建立对应的D矩阵，每种状态出现是有特定概率，将其概率转化成权值，对不同状态下的多个D矩阵进行加权平均，得到含有测试与故障相关性信息的权重矩阵W；
步骤二中，具体过程如下
步骤二(1)，对多种典型状态下建立对应的D矩阵，选取控制系统的第K种典型状态，建立系统该状态下的D矩阵Dm×n；
步骤二(2)，分析该状态在系统全寿命周期内的发生概率，将该概率确定为系统状态的权值wk；
步骤二(3)，分析控制系统的典型状态是否分析完，若否，则继续回到步骤一；若是，将所有权值相加，求得值w；
步骤二(4)，选择步骤一中的Dm×n的第i行，将控制系统的所有典型状态(设有p种状态)下的Dm×n中的dij值均值化得w′ij，表示为
Figure FDA0002874776540000031
步骤二(5)，令j＝j+1逐列计算，判断j是否大于n，若否，则回到步骤四；若是，则进行步骤六；
步骤二(6)，令i＝i+1逐行计算，判断i是否大于m，若否，则回到步骤四；若是，则得到权值化矩阵W；
步骤三中，设权重矩阵W服从N(μ,σ2)分布，将其进行正态分布标准化，矩阵W中的元素Y＝(X-μ)/σ服从N(0,1)分布；
步骤四中，DBN网络的显元为D矩阵的测试点的信息，将步骤三得到的正态分布标准化后的权重矩阵作为DBN网络的初始权重矩阵，进行网络训练。
CN202011615456.0A 2020-12-31 2020-12-31 一种基于深度信念网络和相关性模型的故障诊断融合方法 Pending CN114692714A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011615456.0A CN114692714A (zh) 2020-12-31 2020-12-31 一种基于深度信念网络和相关性模型的故障诊断融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011615456.0A CN114692714A (zh) 2020-12-31 2020-12-31 一种基于深度信念网络和相关性模型的故障诊断融合方法

Publications (1)

Publication Number Publication Date
CN114692714A true CN114692714A (zh) 2022-07-01

Family

ID=82133019

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011615456.0A Pending CN114692714A (zh) 2020-12-31 2020-12-31 一种基于深度信念网络和相关性模型的故障诊断融合方法

Country Status (1)

Country Link
CN (1) CN114692714A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117634893A (zh) * 2024-01-24 2024-03-01 浙江浙商金控有限公司 风险评估模型训练方法、风险预测方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117634893A (zh) * 2024-01-24 2024-03-01 浙江浙商金控有限公司 风险评估模型训练方法、风险预测方法

Similar Documents

Publication Publication Date Title
CN107357275B (zh) 非高斯工业过程故障检测方法及系统
CN103140812B (zh) 用于基于信号处理的故障检测、隔离和矫正的系统、方法和设备
CN110533294B (zh) 一种基于人工智能技术的核电厂运行故障报警方法
CN109472097B (zh) 一种输电线路在线监测设备故障诊断方法
CN115630847A (zh) 一种基于数据预测的收发组件检测方法、系统及存储介质
WO2021114320A1 (zh) 一种oica和rnn融合模型的污水处理过程故障监测方法
CN111860839A (zh) 基于多信号融合及Adam优化算法的岸桥故障监测方法
CN111679657A (zh) 一种基于工控设备信号的攻击检测方法及系统
CN107832789A (zh) 基于平均影响值数据变换的特征加权k近邻故障诊断方法
CN113988210A (zh) 结构监测传感网失真数据修复方法、装置及存储介质
CN114692714A (zh) 一种基于深度信念网络和相关性模型的故障诊断融合方法
CN109240276A (zh) 基于故障敏感主元选择的多块pca故障监测方法
CN109978055A (zh) 多传感器系统的信息融合方法及系统、计算机设备及介质
CN116483697A (zh) 一种用于测评人工智能模型的方法及系统
CN116295948A (zh) 大温差环境下工业温度传感器的异常检测方法、系统及存储介质
CN110266527B (zh) 基于空间相关性的传感器节点故障分类报警方法及装置
CN106886620B (zh) 航天器测试资源优化配置方法
CN117791856B (zh) 一种基于巡检机器人的电网故障预警方法及装置
CN110017857A (zh) 基于自适应学习与神经网络的非线性传感器故障诊断方法
CN116700206B (zh) 基于多模态神经网络的工业控制系统异常检测方法及装置
CN116702005A (zh) 一种基于神经网络的数据异常诊断方法和电子设备
CN110889646A (zh) 一种适应工况变化的发电机组运行参数正确性检验的方法
CN105699043B (zh) 一种提高风洞传感器测量稳定性和精准度的方法
CN113050606A (zh) 一种复杂非平稳过程的质量相关故障检测方法
CN116505972B (zh) 一种线缆信号传输的智能检测方法及系统

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