CN115392393A - 一种温度测量仪状态检测方法 - Google Patents

Abstract

本发明涉及温度测量技术领域，具体涉及一种温度测量仪状态检测方法，包括以下步骤：通过机理故障模型数据生成和试验数据获得SSDAE训练集；通过模态分解对温度测量仪一维故障数据进行时频分解，获得多个IMF分量；利用模糊熵计算每个IMF分量以及残差分量，获得一个多维的特征向量；根据所述特征向量的维数和故障类型构建SSDAE初网络；采用逐层贪婪算法对SSDAE初网络进行训练；利用BP反向传播算法在每次迭代中更新权值和偏置，对所SSDAE初网络进行调整；将调整后的SSDAE初网络为深层本质特征提取器，并将SSDAE初网络的特征迁移至新的SSDAE网络，通过实际温度测量仪故障数据对新的SSDAE网络进行修正获得故障诊断模型。本发明能够在线对核动力装置适配的温度测量仪表进行诊断。

Description

一种温度测量仪状态检测方法

技术领域

本发明涉及温度测量技术领域，具体涉及一种温度测量仪状态检测方法。

背景技术

核动力装置中适配有诸多温度仪表，以对管道、容器、设备等的温度进行监测，从而实时反馈系统和设备的真实状态，特别是诸如反应堆冷却剂出入口温度的监测，更是将所监测的温度作为停堆保护、控制等参数，因此对温度仪表进行状态检测意义重大。

由于，核动力装置中环境特殊，温度仪表常处于高温、高压甚至高辐射的恶劣环境，易出现多种故障，而传统的现场隔离检修和实验室测试、校准相结合的检测方法，不能在线诊断。因此，需要能够对核动力装置中的温度测量仪进行在线的诊断方法。

发明内容

本发明提供了一种温度测量仪状态检测方法，能够在线对核动力装置适配的温度测量仪表进行诊断，从而提高温度传感器使用的可靠性，并进一步提升设备或系统运行的可靠性和安全性。

本发明通过下述技术方案实现：

本发明提供了一种温度测量仪状态检测方法，包括以下步骤：

S10、通过机理故障模型数据生成和试验数据获得SSDAE训练集；

S20、通过模态分解对温度测量仪一维故障数据进行时频分解，获得多个IMF分量；

S30、利用模糊熵计算每个IMF分量以及残差分量，获得一个多维的特征向量；

S40、根据所述特征向量的维数和故障类型构建SSDAE初网络；

S50、采用逐层贪婪算法对所述SSDAE初网络进行训练；

S60、利用BP反向传播算法在每次迭代中更新权值和偏置，对所述SSDAE初网络进行调整；

S70、将调整后的所述SSDAE初网络为深层本质特征提取器，并将所述SSDAE初网络的特征迁移至新的SSDAE网络，通过实际温度测量仪故障数据对新的SSDAE网络进行修正获得故障诊断模型。

本发明提供的温度测量仪状态检测方法，通过机理故障模型数据生成和试验数据得到源域训练集数据，并利用模态分解(CEEMDAN)对温度测量仪进行时频分析，获得的IMF分解分量，再通过模糊熵构造了深度网络的输入特征向量，以根据特征向量的维数和故障类型构建SSDAE初网络，并采用逐层贪婪算法对所述SSDAE初网络进行训练，利用BP反向传播算法在每次迭代中更新权值和偏置，对所述SSDAE初网络进行调整；最后将调整后的所述SSDAE初网络为深层本质特征提取器，并将所述SSDAE初网络的特征迁移至新的SSDAE网络，通过实际温度测量仪故障数据对新的SSDAE网络进行修正获得故障诊断模型，从而在线对核动力装置适配的温度测量仪表进行诊断。

其中，本发明利用SSDAE的深层本质特征提取能力，通过在SSDAE训练集(源域数据集)上训练得到深层故障特征提取器；在SSDAE深层特征提取器后添加全连接适应层，以目标域少量实际运行故障样本数据训练修正迁移模型，即可将SSDAE的特征(源域知识)充分利用，又可适应新数据集特征变动，并以迁移学习的方法解决了实际数据样本缺少的重大问题。

并且，通过机理故障模型数据生成和试验数据得到源域训练集数据，为后续深度故障模型的训练数据来源大小坚实的基础，构建了种类齐全的故障数据集，且训练的SSDAE初网络具有很强的模型泛化能力。

另外，利用堆叠稀疏自动编码器的特征提取能力，对FE(模糊熵)构造的特征向量进一步进行特征提取，最终训练得到了深层本质特征提取器，对故障数据内在特征进行了深度提取，利于准确进行故障检测和诊断。并以时频分析方法先行提取温度测量仪时序数据故障特征，与将时序数据直接“喂入”深度网络学习故障分类相比，本发明在保证数据特征的情况下，输入维度至少降低两个数量级，大大简化了网络结构，提升了深度学习训练效率，适用于实时、在线的故障诊断。

综上，本发明提供的温度测量仪状态检测方法，能够在线对核动力装置适配的温度测量仪表进行诊断，从而提高温度传感器使用的可靠性，并进一步提升设备或系统运行的可靠性和安全性。

具体而言，步骤S10中，获得SSDAE训练集后，对所述SSDAE训练集的数据进行归一化和离群点去除预处理，以便于网络训练，减少各输入样本相关性，使网络各节点权值收敛速度趋于一致。

具体而言，步骤S10中，获得SSDAE训练集后，对所述SSDAE训练集的数据添加损伤噪音处理，以增强模型的鲁棒性和适应性。

具体而言，所述损伤噪音包括高斯噪声和输入项随机置零。

具体而言，所述SSDAE初网络的输入层节点数量、隐藏层的层数及每层的节点数量根据所述特征向量的维数确定，所述SSDAE初网络的输出节点数量根据故障类型确定。

具体而言，步骤S40包括子步骤：

S41、用无标签样本集作为输入，随机初始化权值矩阵和偏置向量；

S42、设定迭代次数、稀疏项权重、稀疏性参数和正则项系数，以获得所述SDAE的堆叠降噪自编码器的损失函数、逻辑回归分离层的损失函数，并设定SDAE的隐藏层激活函数；

S43、采用无监督训练稀疏去噪自编码器，计算所述SSDAE初网络的隐层神经元的平均激活量ρ_j和损失函数；

S44、在每次迭代中以梯度下降法更新权值矩阵和偏置向量，直至计算误差在设定的阈值范围内。

具体而言，步骤S50中，取上一个所述稀疏去噪自编码器的隐藏层输出值做为下一个所述稀疏降噪自编码器的输入值，并采用逐层贪婪算法重复步骤S40直至所有的所述稀疏降噪自编码器训练完毕。

具体而言，所述SDAE堆叠降噪自编码器的损失函数为：

，

式中：

W为权值矩阵；

b为偏置向量；

β为稀疏项权重；

ρ为稀疏性参数；

λ为正则项系数；

m为特征向量的维数；

i为点序；

为惩罚因子。

具体而言，SDAE的隐藏层激活函数为sigmod函数。

具体而言，步骤S60中，采用部分标签数据作为输入，根据步骤S40中的权值矩阵和偏置向量，在堆叠稀疏去噪自编码器末尾加上softmax分类器进行有监督分类，再利用BP反向传播算法在每次迭代中更新权值和偏置，对所述SSDAE初网络进行调整。

本发明具有如下的优点和有益效果：

1、本发明提供的温度测量仪状态检测方法，通过机理故障模型数据生成和试验数据得到源域训练集数据，并利用模态分解(CEEMDAN)对温度测量仪进行时频分析，获得的IMF分解分量，再通过模糊熵构造了深度网络的输入特征向量，以根据特征向量的维数和故障类型构建SSDAE初网络，并采用逐层贪婪算法对所述SSDAE初网络进行训练，利用BP反向传播算法在每次迭代中更新权值和偏置，对所述SSDAE初网络进行调整；最后将调整后的所述SSDAE初网络为深层本质特征提取器，并将所述SSDAE初网络的特征迁移至新的SSDAE网络，通过实际温度测量仪故障数据对新的SSDAE网络进行修正获得故障诊断模型，能够在线对核动力装置适配的温度测量仪表进行诊断。

2、本发明提供的温度测量仪状态检测方法，利用SSDAE的深层本质特征提取能力，通过在SSDAE训练集(源域数据集)上训练得到深层故障特征提取器；在SSDAE深层特征提取器后添加全连接适应层，以目标域少量实际运行故障样本数据训练修正迁移模型，即可将SSDAE的特征(源域知识)充分利用，又可适应新数据集特征变动，并以迁移学习的方法解决了实际数据样本缺少的重大问题。

3、本发明提供的温度测量仪状态检测方法，通过机理故障模型数据生成和试验数据得到源域训练集数据，为后续深度故障模型的训练数据来源大小坚实的基础，构建了种类齐全的故障数据集，且训练的SSDAE初网络具有很强的模型泛化能力。

4、本发明提供的温度测量仪状态检测方法，利用堆叠稀疏自动编码器的特征提取能力，对FE(模糊熵)构造的特征向量进一步进行特征提取，最终训练得到了深层本质特征提取器，对故障数据内在特征进行了深度提取，利于准确进行故障检测和诊断。

5、本发明提供的温度测量仪状态检测方法，以时频分析方法先行提取温度测量仪时序数据故障特征，与将时序数据直接“喂入”深度网络学习故障分类相比，本发明在保证数据特征的情况下，输入维度至少降低两个数量级，大大简化了网络结构，提升了深度学习训练效率，适用于实时、在线的故障诊断。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定。

在附图中：

图1为本发明实施例温度测量仪状态检测方法的流程示意图；

图2为本发明实施例温度传感器正常和故障数据时域曲线；

图3为本发明实施例温度传感器正常和故障数据频谱曲线；

图4为本发明实施例常规自动编码器的结构示意图；

图5为本发明实施例稀疏去噪自动编码器(SDAE)的结构示意图；

图6为本发明实施例堆叠自动编码器的结构示意图；

图7为本发明实施例SSDAE迁移学习模型的结构示意图。

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，下面将结合本发明实施例中的附图，对本发明实施例中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。

实施例

结合图1，本实施例提供了一种温度测量仪状态检测方法，包括以下步骤：

S10、通过机理故障模型数据生成和试验数据获得SSDAE训练集。

具体来讲，考虑将来自核动力装置中温度测量仪的数据建模为时间序列d(t,f(t))，t是检测时间点，f(t)表示在t时刻检测到的温度值。f(t)可以建模为α+βx+η，其中α为偏置的加法系数，β为增益的乘法系数，x是t时刻的无故障温度测量仪值，η是数据中的外部噪声。在理想情况下，f(t)为x，但在实际过程中，无故障温度测量仪的f(t)＝x+η。

从“数据”为中心的角度出发，以机理建模的方式可以确定温度测量仪的偏差故障、增益故障、漂移故障、卡死(输出恒定)故障、冲击故障、精度下降故障和工频周期性干扰等七类典型故障，其中：

偏差故障是指实测数据与预期数据相差一个附加常数，偏移故障可以建模为x′＝α+x+η，其中x′∈f(t)，α是加到正常读数上的常数值。

漂移故障是指实测数据与预期数据之间的偏差随时间不断增加，漂移故障可以建模为x′＝x+β(t-t₀)+η，其中x′∈f(t)，β是某一常数值，表征了温度测量仪x的漂移程度，t₀表示漂移故障出现的初始时刻。

卡死故障是指偏差或来自节点数据序列的数据方差为零，即实测的数据是恒定的，卡死故障可以建模为x′＝α，其中x′∈f(t)，α是所实测的常数值。

冲击故障是指实测的时间序列数据与预期的时间序列数据的变化率大于可接受的变化趋势，冲击故障可以建模为|f(t)-f^p(t)|/t>ε，其中ε是正常变化趋势，f^p(t)是t时刻的预期时间序列数据。

精度下降故障是指温度测量仪测量误差超过允许范围，也即测量方差过大。若测量过程中温度测量仪x的噪声η服从均值为0，方差为σ²的标准正态分布，即η～N(0,σ²)，当x出现精度下降故障时，传感器测量方差的增加值为σ₁ ²，则噪声η'～N(0,σ²+σ₁ ²)，则精度下降故障可建模为x′＝x+N(0,σ²+σ₁ ²)。

工频周期干扰是指温度测量仪实测数据中串入了某一指定频率的周期干扰，如受到高频电机等的影响，工频周期干扰可建模为x′＝x+sin(wt+ψ)。w为特殊频段的频率。

另外，为便于网络训练，减少各输入样本相关性，使网络各节点权值收敛速度趋于一致，对SSDAE训练集数据进行归一化、离群点去除的数据预处理。为增强模型的鲁棒性和适应性，对输入数据添加“损伤噪声”，包括对输入项随机置0(如附图5所示)以及高斯噪声添加。

S20、通过模态分解对温度测量仪一维故障数据进行时频分解，获得多个IMF分量。

具体来说，基于核动力装置中温度测量仪的数据，当温度测量仪发生故障时，其输出时序信号是非平稳的，信号频率成分比较丰富，时域谱和频谱如附图2和附图3所示。此时采用单纯的时域分析或者频域分析都难以有效检测出信号的故障特征。

因此本实施例针对复杂的温度测量仪故障时序数据，在进行深度学习诊断前，先对其进行自适应噪声完备集合经验模态分解(CEEMDAN)时频分析，得到故障数据的不同模态分量IMF，随后将各IMF进行模糊熵计算，得到故障特征向量，才对其进行深度网络训练。

其中，CEEMDAN方法是对EEMD方法的进一步改进，主要针对EEMD方法再平均的过程中产生的模态混叠和虚假分量缺陷，该方法通过向特定的分解阶段加入特定频带的白噪声，在实际应用中成功地克服了EEMD的虚假分量缺陷，具体的：

记温度测量仪故障数据经过集合平均求得的IMF模态分量为

定义符号E_j(·)为经过EMD方法筛选的第j个IMF模态分量，No_i为满足标准正态分布的白噪声，假设x(t)为原始信号，CEEMDAN的算法流程如附图5所示。

在本实施例中，CEEMDAN模态分解的步骤为：

S21、与EEMD一样，用EMD方法对集合中每一个合成信号x_i(t)＝x(t)+No_i进行分解，然后对第一个的IMF分量求平均，求得第一个IMF分量

其表达式为

S22、去除原始信号中的模态分量

得到第一个余量信号r₁(t)，其表达式为

S23、构造集合余量信号r₁(t)+ε₁E₁(No_i(t)),(i＝1,2,…I)并对该集合信号进行分解得到

其表达式为

S24、对于k＝2,3,…,K其计算过程类似，先求出第k个余量信号r_k(t)再求出第k+1个IMF模态分量

第k个余量信号表达式为

第k+1个IMF模态分量表达式为

S25、当余量信号R_K(t)的极点小于3时，将不会再被分解，算法终止。最终的分解结果为

从CEEMDAN模态分解的步骤中可以看出，其多次利用了EEMD方法计算每阶模态分量。而在求得每阶固有模态分量时，仍然需要重复大量运算以消除添加白噪声的影响，并且添加的白噪声很难被完全消除。针对这种现象，本实施例提出添加成对白噪声的方法，也就是将所加的每个噪声都采用正负成对的形式添加到信号中，具体为

式中：

S是原始信号；

N是添加的白噪声；

M1是原始信号和正噪声形成的混合信号；

M2是原始信号和负噪声形成的混合信号。

通过添加成对白噪声进行辅助的方法，每添加一次白噪声所得到的固有模态分量中，其中一部分包含了正噪声的残余量，另一部分包含了负噪声的残余量，在利用均值求最终的固有模态分量时，大部分噪声会正负抵消，可以在运算量较少的情况下，较精确的去除添加辅助噪声的影响。

在本实施中，通过模态分解(CEEMDAN)对核动力装置温度测量仪一维故障数据进行时频分解，分解维度为10，即分解获得10个IMF分量。

S30、利用模糊熵计算每个IMF分量以及残差分量，获得一个多维的特征向量。

需要说明的是，模糊熵(FE)是一种衡量时间序列复杂度的测度方法，是样本熵、近似熵的改进，它被成功应用于多种复杂时序信号的特征提取。本实施例通过CEEMDAN模态分解获得温度测量仪故障数据的IMF分量后，再对各IMF计算FE，具体步骤如下：

S31、假设获得的IMF分量为具有N个采样点的时间序列{s(n)，n＝1，2，…，N}，对其进行相空间重构，得到m维的重构向量:

i＝1,2,…,N-m+1

式中，

表示从第i个点开始连续m个去掉基线值u₀(i)的s值，其中

S32、以距离

表示

与

对应元素值之间差异的最大绝对值，即：

S33、通过具有指数形式的模糊函数

给定参数n和r，计算

和

的相似度

即：

在上式基础上，定义如下函数：

同样的，基于

可定义如下函数：

S34、利用负自然对数，将模糊熵定义为：

当N为有限数时，上式可估计为：

总结来说，通过对温度测量仪故障数据进行CEEMDAN分解获得指定个数的IMF时序分量，在以FE对每个IMF分量进行计算，获得了指定长度的故障特征向量。

在本实施中，利用模糊熵计算每个IMF分量以及残差分量，每个分量得到一个模糊熵值，获得一个11维的特征向量。

S40、根据所述特征向量的维数和故障类型构建SSDAE初网络；

具体而言，在获得故障特征向量后，将其作为堆叠稀疏去噪自动编码器模型(stack sparse denoising Auto-Encoder，SSDAE)的“喂养”数据，为了增强模型的鲁棒性和适应性，“喂养”之前，对训练数据集进行“噪声”注入，“噪声”包括对输入时序数据添加上述白噪声干扰η和进行随机dropout处理两类。

也就是说，所述SSDAE初网络的输入层节点数量、隐藏层的层数及每层的节点数量根据所述特征向量的维数确定，所述SSDAE初网络的输出节点数量根据故障类型确定。

在本实施例中，步骤S40包括子步骤：

S41、用无标签样本集作为输入，随机初始化权值矩阵和偏置向量；

S42、设定迭代次数、稀疏项权重、稀疏性参数和正则项系数，以获得所述SDAE的堆叠降噪自编码器的损失函数、逻辑回归分离层的损失函数，并设定SDAE的隐藏层激活函数；

S43、采用无监督训练稀疏去噪自编码器，计算所述SSDAE初网络的隐层神经元的平均激活量ρ_j和损失函数；

S44、在每次迭代中以梯度下降法更新权值矩阵和偏置向量，直至计算误差在设定的阈值范围内。

在本实施例中，SSDAE初网络结构见附图4～附图6，对于一个包含m个样本的数据集，将其第i个样本的输入和输出分别定义为x⁽ⁱ⁾和y(i)，W^(l) _ji为第l层第i个神经元和l+1层第j个神经元之间的连接权重，h_W，b(x)为稀疏去噪自动编码器(sparse denoising Auto-Encoder，SDAE)的输出，则其损失函数定义为：

式中：λ表示正则项系数，用于防止过拟合。

SDAE的激活值，计算模型为：a^(l+1)＝f(z^(l+1))＝f(w^(l)a^(l)+b^(l))。

激活函数选用sigmod函数，为：

可以看出，若a(2)j(x)为SDAE隐藏神经元j在输入为x时的激活度，则对于隐藏神经元j，可求得平均激活度为：

加入稀疏性参数

(一般取近似等于0的值)和惩罚因子

惩罚因子用于惩罚哪些

和ρ显著不相等的情况。

是一个以ρ为均值和一个以

为均值的两个伯努利随机变量之间的相对熵。如果

则

在本实施例中，对于

存在模型：

其中，进一步最小化惩罚因子，达到

总的损失函数可表示为如下公式：

式中，β是控制稀疏性惩罚因子的权重。然后可利用BP算法求解SDAE损失函数的偏导数，获得权重矩阵和偏置向量的更新值。

S50、采用逐层贪婪算法对所述SSDAE初网络进行训练。

具体而言，取上一个所述稀疏去噪自编码器的隐藏层输出值做为下一个所述稀疏降噪自编码器的输入值，并采用逐层贪婪算法重复步骤S40直至所有的所述稀疏降噪自编码器训练完毕。

在本实施例中，训练步骤包括：

S51、用无标签样本集作为输入，随机初始化权值矩阵W和偏置向量b；

S52、设置各参数：迭代次数，损失函数中的稀疏项权重β，稀疏性参数ρ，正则项系数λ，其中SDAE堆叠降噪自编码器的损失函数为：

Softmax逻辑回归分类层的损失函数为：

SDAE的隐藏层激活函数采用sigmod函数：

S53、无监督训练稀疏去噪自编码器(SDAE)，计算隐层神经元的平均激活量ρj和损失函数，其中：

S54、在每次迭代中以梯度下降法更新权值W和偏置b，直至误差在设置的阈值之内；其中

S60、利用BP反向传播算法在每次迭代中更新权值和偏置，对所述SSDAE初网络进行调整。

具体而言，步骤S60中，采用部分标签数据作为输入，根据步骤S40中的权值矩阵和偏置向量，在堆叠稀疏去噪自编码器末尾加上softmax分类器进行有监督分类，再利用BP反向传播算法在每次迭代中更新权值和偏置，对所述SSDAE初网络进行调整。

应当理解的是，在SSDAE的最后添加故障分类层(softmax层)，对于m个训练样本

有y⁽ⁱ⁾∈{1,2,,…k}。输出层第i个神经元的输出值表示输入样本x属于第i类的概率p(y＝i|x),i∈{1,2,…,k}。Softmax分类器对应的假设函数为：

式中：θ＝[θ₁θ₂…θ_k]^T表示最后一层隐藏层与输出层之间连接的权重向量，

是保证最后概率值总和为1的归一化项。

Softmax分类器的损失函数采用交叉熵(cross entropy)的形式：

式中：指示函数1{y⁽ⁱ⁾＝j}的定义为：

S70、将调整后的所述SSDAE初网络为深层本质特征提取器，并将所述SSDAE初网络的特征迁移至新的SSDAE网络，通过实际温度测量仪故障数据对新的SSDAE网络进行修正获得故障诊断模型。

换言之，将训练好的SSDAE作为深层本质特征提取器，在其最后一层隐藏层后面添加两层适应层(全连接层)以及分类层，将SSDAE的特征(源域知识)迁移至新的网络(如附图7所示)，随后由核动力装置实际温度测量仪故障数据(目标域数据)适当修正新的网络，形成最终深度故障诊断模型。

综合来说本实施例提供的温度测量仪状态检测方法，通过机理故障模型数据生成和试验数据得到源域训练集数据，并利用模态分解(CEEMDAN)对温度测量仪进行时频分析，获得的IMF分解分量，再通过模糊熵构造了深度网络的输入特征向量，以根据特征向量的维数和故障类型构建SSDAE初网络，并采用逐层贪婪算法对所述SSDAE初网络进行训练，利用BP反向传播算法在每次迭代中更新权值和偏置，对所述SSDAE初网络进行调整；最后将调整后的所述SSDAE初网络为深层本质特征提取器，并将所述SSDAE初网络的特征迁移至新的SSDAE网络，通过实际温度测量仪故障数据对新的SSDAE网络进行修正获得故障诊断模型，从而在线对核动力装置适配的温度测量仪表进行诊断。

其中，本实施例利用SSDAE的深层本质特征提取能力，通过在SSDAE训练集(源域数据集)上训练得到深层故障特征提取器；在SSDAE深层特征提取器后添加全连接适应层，以目标域少量实际运行故障样本数据训练修正迁移模型，即可将SSDAE的特征(源域知识)充分利用，又可适应新数据集特征变动，并以迁移学习的方法解决了实际数据样本缺少的重大问题。

并且，通过机理故障模型数据生成和试验数据得到源域训练集数据，为后续深度故障模型的训练数据来源大小坚实的基础，构建了种类齐全的故障数据集，且训练的SSDAE初网络具有很强的模型泛化能力。

另外，利用堆叠稀疏自动编码器的特征提取能力，对FE(模糊熵)构造的特征向量进一步进行特征提取，最终训练得到了深层本质特征提取器，对故障数据内在特征进行了深度提取，利于准确进行故障检测和诊断。

并以时频分析方法先行提取温度测量仪时序数据故障特征，与将时序数据直接“喂入”深度网络学习故障分类相比，本实施例在保证数据特征的情况下，输入维度至少降低两个数量级，大大简化了网络结构，提升了深度学习训练效率，适用于实时、在线的故障诊断。

综上，本实施提供的温度测量仪状态检测方法，能够在线对核动力装置适配的温度测量仪表进行诊断，从而提高温度传感器使用的可靠性，并进一步提升设备或系统运行的可靠性和安全性。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种温度测量仪状态检测方法，其特征在于，包括以下步骤：

S10、通过机理故障模型数据生成和试验数据获得SSDAE训练集；

S20、通过模态分解对温度测量仪一维故障数据进行时频分解，获得多个IMF分量；

S30、利用模糊熵计算每个IMF分量以及残差分量，获得一个多维的特征向量；

S40、根据所述特征向量的维数和故障类型构建SSDAE初网络；

S50、采用逐层贪婪算法对所述SSDAE初网络进行训练；

S60、利用BP反向传播算法在每次迭代中更新权值和偏置，对所述SSDAE初网络进行调整；

S70、将调整后的所述SSDAE初网络为深层本质特征提取器，并将所述SSDAE初网络的特征迁移至新的SSDAE网络，通过实际温度测量仪故障数据对新的SSDAE网络进行修正获得故障诊断模型。

2.根据权利要求1所述的温度测量仪状态检测方法，其特征在于，步骤S10中，获得SSDAE训练集后，对所述SSDAE训练集的数据进行归一化和离群点去除预处理。

3.根据权利要求1或2所述的温度测量仪状态检测方法，其特征在于，步骤S10中，获得SSDAE训练集后，对所述SSDAE训练集的数据添加损伤噪音处理。

4.根据权利要求3所述的温度测量仪状态检测方法，其特征在于，所述损伤噪音包括高斯噪声和输入项随机置零。

5.根据权利要求1所述的温度测量仪状态检测方法，其特征在于，所述SSDAE初网络的输入层节点数量、隐藏层的层数及每层的节点数量根据所述特征向量的维数确定，所述SSDAE初网络的输出节点数量根据故障类型确定。

6.根据权利要求5所述的温度测量仪状态检测方法，其特征在于，步骤S40包括子步骤：

S41、用无标签样本集作为输入，随机初始化权值矩阵和偏置向量；

S42、设定迭代次数、稀疏项权重、稀疏性参数和正则项系数，以获得所述SDAE的堆叠降噪自编码器的损失函数、逻辑回归分离层的损失函数，并设定SDAE的隐藏层激活函数；

S43、采用无监督训练稀疏去噪自编码器，计算所述SSDAE初网络的隐层神经元的平均激活量ρ_j和损失函数；

S44、在每次迭代中以梯度下降法更新权值矩阵和偏置向量，直至计算误差在设定的阈值范围内。

7.根据权利要求6所述的温度测量仪状态检测方法，其特征在于，步骤S50中，取上一个所述稀疏去噪自编码器的隐藏层输出值做为下一个所述稀疏降噪自编码器的输入值，并采用逐层贪婪算法重复步骤S40直至所有的所述稀疏降噪自编码器训练完毕。

8.根据权利要求6所述的温度测量仪状态检测方法，其特征在于，所述SDAE堆叠降噪自编码器的损失函数为：

，

式中：

W为权值矩阵；

b为偏置向量；

β为稀疏项权重；

ρ为稀疏性参数；

λ为正则项系数；

m为特征向量的维数；

i为点序；

为惩罚因子。

9.根据权利要求6所述的温度测量仪状态检测方法，其特征在于，SDAE的隐藏层激活函数为sigmod函数。

10.根据权利要求6所述的温度测量仪状态检测方法，其特征在于，步骤S60中，采用部分标签数据作为输入，根据步骤S40中的权值矩阵和偏置向量，在堆叠稀疏去噪自编码器末尾加上softmax分类器进行有监督分类，再利用BP反向传播算法在每次迭代中更新权值和偏置，对所述SSDAE初网络进行调整。

Images