CN116701956B - 基于故障属性燃气调压器联合映射零样本故障诊断方法 - Google Patents
基于故障属性燃气调压器联合映射零样本故障诊断方法 Download PDFInfo
- Publication number
- CN116701956B CN116701956B CN202310670517.0A CN202310670517A CN116701956B CN 116701956 B CN116701956 B CN 116701956B CN 202310670517 A CN202310670517 A CN 202310670517A CN 116701956 B CN116701956 B CN 116701956B
- Authority
- CN
- China
- Prior art keywords
- fault
- sample
- mapping
- fault diagnosis
- samples
- 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
- 238000013507 mapping Methods 0.000 title claims abstract description 93
- 238000003745 diagnosis Methods 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 27
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 claims description 31
- 230000008569 process Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000012850 discrimination method Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 238000002679 ablation Methods 0.000 claims description 2
- 238000012512 characterization method Methods 0.000 claims description 2
- 238000002474 experimental method Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 239000007789 gas Substances 0.000 description 32
- 230000000694 effects Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/096—Transfer learning
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了基于故障属性燃气调压器联合映射零样本故障诊断方法,涉及调压器故障诊断领域,该方法针对燃气调压器工业故障诊断问题中存在的目标故障数量为零的零样本故障诊断问题,设计了一种基于故障属性联合映射零样本故障诊断模型,首先,针对燃气调压器的故障样本类别依据故障的位置、原因、现象设计了故障属性特征,建立了燃气调压器零样本故障诊断数据集;其次,利用故障属性特征结合条件特征生成模块合成仿造的未知类故障样本;最后设计了一种基于样本实例监督和样本类别监督的联合映射诊断模型,利用合成样本与已知类样本训练映射网络,构建零样本故障诊断模型。
Description
技术领域
本发明涉及调压器故障诊断领域,尤其是基于故障属性燃气调压器联合映射零样本故障诊断方法。
背景技术
燃气调压器作为天然气输送的核心部件其安全、稳定的运行至关重要,因此,关于燃气调压器的故障诊断问题也越来越引起工业界和学界的重视。随着燃气输送场景变得愈发复杂、大规模、多变,传统故障诊断方法存在诸多局限性,数据驱动故障诊断方法逐渐成为主流。
目前,有大批研究者对基于深度学习的数据驱动故障诊断方法和调压器故障诊断问题进行了研究。对于现实使用场景,有些故障的发生可能具有破坏性并造成巨大损失,所以几乎没有工厂会允许出现此类故障并收集其故障数据样本;而且机器设备通常会有从正常到损坏的逐步退化过程,因此想要收集某些故障样本是耗时且耗费财力的。因此,对于目标故障无样本的数据受限情况就会暴露出来,严重阻碍了数据驱动故障诊断方法的应用。
发明内容
本发明人针对上述问题及技术需求,提出了基于故障属性燃气调压器联合映射零样本故障诊断方法,该方法无需依赖目标故障样本。本发明的技术方案如下:
基于故障属性燃气调压器联合映射零样本故障诊断方法,包括如下步骤:
步骤一:实验数据采用NI数据采集卡收集不同状态下的燃气调压器出口的连续压力信号,采用滑动窗口的方法对连续压力信号进行划分得到独立且同维度的故障样本,并对其进行二维转化得到二维灰度图;
步骤二:构建燃气调压器零样本故障诊断数据集,包括:
首先根据故障原因、故障位置、故障现象将燃气调压器的信号类别进行分类并分别设计故障语义描述;然后将故障语义描述通过深度神经网络语言模型映射成统一规格的数字特征,作为故障类别的属性特征;最后将属性特征和对应的二维灰度图相组合共同构成燃气调压器零样本故障诊断数据集;
步骤三:设计联合映射模型,将故障样本和故障类别同时作为依赖信息训练映射网络f的方法即联合映射方法,包括:
联合映射模型包括实例监督模块和类别监督模块,两个模块的输入为以合成的仿造样本和零样本故障诊断数据集中的故障样本作为真实样本,两个模块再经过一个共同的映射网络f提取输入样本的特征;在实例监督模块中,按照故障类别不同,将与选定故障类别的样本特征属于同一类别的样本特征划分为正样本,将其余不属于同一类别的样本特征划分为负样本,通过相似度判别法在实例映射空间中对正负样本进行分类;在类别监督模块中,将提取的样本特征与故障类别的属性特征进行相关性比较,最后通过softmax分类器划分样本所属故障类别;实例监督模块和类别监督模块基于各自的损失函数,根据分类结果降低损失函数,反向传播优化映射网络f实现联合映射;
步骤四:设计燃气调压器零样本故障诊断模型,包括:
燃气调压器零样本故障诊断模型包括条件特征生成模块和联合映射模块,其中,条件特征生成模块包括生成器G和判别器D,生成器G利用随机高斯噪声作为生成器G的输入、选定故障类别的属性特征作为条件合成未知类仿造样本;联合映射模块基于映射网络f实现,通过将真实样本和仿造样本映射到特征空间中,在此空间与属性特征向量进行相关性度量完成故障诊断任务;最后,在训练映射网络f的过程中,利用故障样本之间的分辨信息和属性特征的辅助信息分别在故障属性特征空间和实例映射空间学习f的权重达到最优模型;
步骤五:使用燃气调压器零样本故障诊断数据集对燃气调压器零样本故障诊断模型进行训练,包括:
使用数据集中的已知故障样本和故障属性作为辅助信息训练条件特征生成模块;之后利用训练好的条件特征生成模块合成未知类仿造样本,将未知类仿造样本与已知故障样本进行组合、分批次输入联合映射模块中进行训练,根据损失函数优化网络参数,并保存训练好的映射网络f参数与网络模型结构;最后将映射网络f和softmax分类器组合成为零样本故障诊断模型,使用燃气调压器零样本故障诊断数据集中的测试样本进行验证;
步骤六:使用训练好的零样本故障诊断模型进行工业故障诊断,包括:
将训练好的零样本故障诊断模型保存参数对燃气调压器进行在线故障诊断;实时采集调压器的故障数据再进行二维转换后输入到训练好的模型之中进行故障诊断,得到诊断结果。
其进一步的技术方案为,在步骤一中,对连续压力信号进行划分获得统一尺度的独立故障样本因为卷积神经网络在二维图像领域展现出提取深层特征的优势,所以本本申请也采用二维图像样本构建燃气调压器零样本故障诊断数据集,即再通过尺度变换将一维压力信号转化为二维灰度图样本,用于构建燃气调压器零样本故障诊断数据集。
其进一步的技术方案为,在步骤二中,燃气调压器零样本故障诊断数据集中有四类样本,分别对应锁闭压力高、出口压力低、正常和喘振,四类故障的标签定义为label=[0,1,2,3],每一类故障对应一个故障属性特征定义为每一类拥有故障样本500个且每一类故障都为二维灰度图样本,其中/>其中n=2000,故障样本是从原始连续的出口压力信号经过滑动窗口分割获得。
其进一步的技术方案为,在步骤三中,故障样本x经过映射网络f后得到特征向量g=f(x);在实例监督模块中,选定故障类别的样本特征gi随机挑选自任意故障类别,在剩余的j类样本中,g+表示与gi来自同一类别的样本特征,g-表示与gi来自不同类别的样本特征;在实例映射空间中添加非线性映射模块E用于深化样本自身的特征得到表征向量zi,通过相似度判别法在实例映射空间中对zi,z+,z-进行分类,分类问题的损失函数表示如下:
其中,J表示与选定样本不同类的样本数量,cosSim(·)表示两个样本的余弦相似度,δ>0表示裕度参数,防止分母出现为0的情况;从损失函数可以发现,增加z-的数量会使得分类训练目标难度增大从而更好的提升模型对实例特征自身辨识细节的提取能力。映射网络f希望通过不同类别样本之间自身实例的可辩别特征提取能力,来修正网络参数;此时,在实例映射空间中对零样本故障诊断模型各模块总体的损失函数表示如下:
其中表示有关表征向量zi,z+,z-的期望函数;
在类别监督模块中,输入为不同类别的故障样本xi经过映射网络f后得到特征gi,将gi与属性特征A=[α1,α2,α3,α4]通过匹配比较器网络M进行相关性比较;M将故障样本映射特征gi与不同的属性特征αt作为输入,输出相关性得分,最终经过softmax分类器处理使其各项得分和为1,依据得分值判断所属类别;因此,故障诊断目标被转化为分类子问题,通过属性特征代表故障类别来修正映射网络f的网络权重,其损失函数表示如下:
其中T=4表示故障类别总数;类别监督模块是将加强样本特征与其对应属性特征相关度为目标去训练网络参数,使得生成器G合成的仿造样本、映射网络f与匹配比较器网络M的参数同时得到修正;类别监督模块总损失函数表示如下:
其中表示有关特征gi和属性特征αt的期望函数。
其进一步的技术方案为,在步骤四中,零样本故障诊断模型的目标损失函数表示如下:
其中V(G,D)表示条件特征生成模块的损失函数;
实验过程中,先利用合成的仿造样本与真实样本进行混合得到样本集合/>通过映射网络f得到特征g=f(X),其中ε表示随机高斯噪声,/>表示未知类别的故障描述;之后将特征g依次在实例映射模块和类别映射模块中进行训练,学习映射网络f的参数,最后得到训练好的映射网络f,在测试阶段对所用输入样本进行映射然后经过softmax分类器得到最后的分类结果。
其进一步的技术方案为,在步骤五中,对于二维灰度图首先经过深度卷积神经网络进行视觉特征提取,得到尺寸为的特征向量作为输入进行模型训练,生成器G也将生成视觉特征作为最终输出;每一批次的训练样本随机抽取batchsize大小设置为100;每次训练的迭代次数为300;softmax分类器的学习率设置为0.001,生成器G的训练学习率设置为0.0001;合成的仿造样本数量经过消融实验对比后设定为600。
本发明的有益技术效果是:
1)本申请所提出的基于故障属性燃气调压器联合映射零样本故障诊断方法,通过对燃气调压器故障原因、位置、现象三个方面的观测得出其故障属性描述,为零样本故障诊断任务提供了可靠的依赖信息。
2)本申请提出了一种联合映射方法并将其应用于燃气调压器的零样本故障诊断模型中,该方法能够从实例监督和类别监督信息中同时学习网络模型参数,从而在无样本的条件下能挖掘出有助于区分已知样本和未知样本的有效特征。此方法无需目标故障样本参与训练,是一种真正意义上的零样本故障诊断方法。
3)本申请提出的零样本故障诊断模型将复杂工作都放在了训练过程中,在实际测试阶段模型结构简洁清晰,能实现端到端的零样本故障诊断。
附图说明
图1是本申请提供的燃气调压器联合映射零样本故障诊断方法流程图。
图2是本申请提供的故障样本的二维灰度图,其中:(a)表示锁闭压力高;(b)表示出口压力低;(c)表示正常;(d)表示喘振。
图3是本申请提供的深度神经网络语言模型结构图。
图4是本申请提供的联合映射模型结构图。
图5是本申请提供的燃气调压器零样本故障诊断模型结构图。
图6是本申请提供的合成仿造样本数量与诊断准确率的关系图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步说明。
本实施例提供了基于故障属性燃气调压器联合映射零样本故障诊断方法,故障诊断流程如图1所示,具体包括以下步骤:
步骤一:燃气调压器出口压力信号为连续信号,经过滑窗切分后变为尺寸为1024×1的一维压力信号样本,再经过二维转换后就变成了适合卷积神经网络输入的二维灰度图,如图2(a)、(b)、(c)、(d)所示,此过程中也包含如正则化等数据预处理操作,在此不再赘述。需要说明的是,由于一维压力信号样本的像素尺寸偏小,因此实际转换得到的二维灰度图的成像效果也无法达到高清状态。
步骤二:经过工程师的长期观测与总结,从故障原因、故障位置、故障现象三个方面对燃气调压器的不同出口压力情况进行了描述,即燃气调压器的故障属性描述,其具体信息如表1所示。
表1燃气调压器各类故障属性描述
语义描述为不同故障类别间做出了明确的区分同时又包含着关联性,当然这些文本无法直接用于零样本故障诊断任务的训练,因此需要一个映射模型将故障描述转化成故障类型的属性特征。在零样本文本图像检索领域,自然语言处理提供了一种灵活高效的编码方式,利用单词、字符和图像对深度神经网络语言模型进行端到端的训练,模型将文本描述依据图像的特征和类别进行嵌入得到统一规格的数字特征。本实施例基于迁移学习的思想,将在零样本学习领域的经典数据集下训练的模型迁移到故障诊断领域,保留原模型对文本的编码能力,利用故障描述作为新的输入文本提取统一规格的数字特征并作为故障类别的属性特征,其中深度神经网络语言模型的基本结构如图3所示。
步骤三:联合映射模型的基本结构如图4所示,故障样本经过映射网络f之后得到故障特征,这些特征分别被当作类别监督模块和实例监督模块的输入。在实例监督模块中还设计了另一层特征嵌入模块,即非线性映射模块E,用于将故障特征映射成尺度为512×1的嵌入特征,然后在此空间中进行相似度判别,根据实例监督损失函数修正映射网络f;在类别监督模块中将故障特征放在故障属性特征空间中进行相似度判别,通过匹配比较器网络M来得出对应的相似性得分,根据类别监督损失函数/>修正映射网络f。
步骤四:燃气调压器零样本故障诊断模型结构如图5所示,第一部分,条件特征生成模块即条件生成对抗网络经过已知故障样本和故障属性描述的训练后,输入高斯噪声和未知类别的属性特征描述后输出合成的仿造样本,该仿造样本即为目标故障样本。第二部分,联合映射模块基于映射网络f实现,f的输入为合成的仿造样本与真实已知样本,根据损失函数的优化网络模型参数实现对联合映射模块f的参数调整,映射网络f的具体结构包括两个全连接层,其中全连接层一的输入输出尺寸分别为2048、2048;全连接层二的输入输出尺寸为2048、512;同时添加LeakyReLU激活函数防止梯度消失问题。
步骤五:燃气调压器零样本故障诊断模型训练过程中,由于零样本故障诊断任务中目标故障的数量为零全部依赖生成器G合成,因此合成仿造样本的数量对模型诊断效果的影响需要进行验证。图6展示了不同合成仿造样本数量对故障诊断准确率结果的影响,从图中可以看到,前期随着合成仿造样本数量的增加模型的未知类别诊断准确率UA和模型整体性能HA不断上升,直到合成样本数量为600时达到最大值,此时模型的整体性能最佳。这说明,随着合成特征的不断添加,各类别样本间的不平衡问题被不断缩小,模型的整体学习效果也不断改善。因此选择合成仿造样本数量为600作为实验参数最佳。
以上所述的仅是本申请的优选实施方式,本发明不限于以上实施例。可以理解,本领域技术人员在不脱离本发明的精神和构思的前提下直接导出或联想到的其他改进和变化,均应认为包含在本发明的保护范围之内。
Claims (6)
1.基于故障属性燃气调压器联合映射零样本故障诊断方法,其特征在于,所述方法包括:
步骤一:获取不同状态下的燃气调压器出口的连续压力信号,采用滑动窗口的方法对连续压力信号进行划分得到独立且同维度的故障样本,并对其进行二维转化得到二维灰度图;
步骤二:构建燃气调压器零样本故障诊断数据集,包括:
首先根据故障原因、故障位置、故障现象将燃气调压器的信号类别进行分类并分别设计故障语义描述;然后将所述故障语义描述通过深度神经网络语言模型映射成统一规格的数字特征,作为故障类别的属性特征;最后将所述属性特征和对应的二维灰度图相组合共同构成燃气调压器零样本故障诊断数据集;
步骤三:设计联合映射模型,包括:
所述联合映射模型包括实例监督模块和类别监督模块,两个模块的输入为以合成的仿造样本和零样本故障诊断数据集中的故障样本作为真实样本,两个模块再经过一个共同的映射网络f提取输入样本的特征;在所述实例监督模块中,按照故障类别不同,将与选定故障类别的样本特征属于同一类别的样本特征划分为正样本,将其余不属于同一类别的样本特征划分为负样本,通过相似度判别法在实例映射空间中对正负样本进行分类;在所述类别监督模块中,将提取的样本特征与所述故障类别的属性特征进行相关性比较,最后通过softmax分类器划分样本所属故障类别;所述实例监督模块和类别监督模块基于各自的损失函数,根据分类结果降低损失函数,反向传播优化映射网络f实现联合映射;
步骤四:设计燃气调压器零样本故障诊断模型,包括:
燃气调压器零样本故障诊断模型包括条件特征生成模块和联合映射模块,其中,所述条件特征生成模块包括生成器G和判别器D,所述生成器G利用随机高斯噪声作为生成器G的输入、选定故障类别的属性特征作为条件合成未知类仿造样本;所述联合映射模块基于所述映射网络f实现,通过将所述真实样本和所述仿造样本映射到特征空间中,在此空间与属性特征向量进行相关性度量完成故障诊断任务;最后,在训练所述映射网络f的过程中,利用所述故障样本之间的分辨信息和属性特征的辅助信息分别在故障属性特征空间和实例映射空间学习f的权重达到最优模型;
步骤五:使用所述燃气调压器零样本故障诊断数据集对所述燃气调压器零样本故障诊断模型进行训练,包括:
使用数据集中的已知故障样本和故障属性作为辅助信息训练所述条件特征生成模块;之后利用训练好的条件特征生成模块合成未知类仿造样本,将所述未知类仿造样本与所述已知故障样本进行组合、分批次输入所述联合映射模块中进行训练,根据损失函数优化网络参数,并保存训练好的映射网络f参数与网络模型结构;最后将映射网络f和softmax分类器组合成为零样本故障诊断模型,使用所述燃气调压器零样本故障诊断数据集中的测试样本进行验证;
步骤六:使用训练好的零样本故障诊断模型进行工业故障诊断,包括:
将训练好的零样本故障诊断模型保存参数对燃气调压器进行在线故障诊断;实时采集调压器的故障数据再进行二维转换后输入到训练好的模型之中进行故障诊断,得到诊断结果。
2.根据权利要求1所述的基于故障属性燃气调压器联合映射零样本故障诊断方法,其特征在于,在所述步骤一中,对所述连续压力信号进行划分获得统一尺度的独立故障样本再通过尺度变换将一维压力信号转化为二维灰度图样本,用于构建所述燃气调压器零样本故障诊断数据集。
3.根据权利要求1所述的基于故障属性燃气调压器联合映射零样本故障诊断方法,其特征在于,在所述步骤二中,燃气调压器零样本故障诊断数据集中有四类样本,分别对应锁闭压力高、出口压力低、正常和喘振,四类故障的标签定义为label=[0,1,2,3],每一类故障对应一个故障属性特征定义为每一类拥有预定数量个故障样本且每一类故障都为二维灰度图样本,其中/>所述故障样本是从原始连续的出口压力信号经过滑动窗口分割获得。
4.根据权利要求1所述的基于故障属性燃气调压器联合映射零样本故障诊断方法,其特征在于,在所述步骤三中,故障样本x经过所述映射网络f后得到特征向量g=f(x);在所述实例监督模块中,选定故障类别的样本特征gi随机挑选自任意故障类别,在剩余的j类样本中,g+表示与gi来自同一类别的样本特征,g-表示与gi来自不同类别的样本特征;在所述实例映射空间中添加非线性映射模块E用于深化样本自身的特征得到表征向量zi,通过相似度判别法在实例映射空间中对zi,z+,z-进行分类,分类问题的损失函数表示如下:
其中,J表示与选定样本不同类的样本数量,cosSim(·)表示两个样本的余弦相似度,δ>0表示裕度参数,防止分母出现为0的情况;所述映射网络f希望通过不同类别样本之间自身实例的可辩别特征提取能力,来修正网络参数;此时,在所述实例映射空间中对零样本故障诊断模型各模块总体的损失函数表示如下:
其中表示有关表征向量zi,z+,z-的期望函数;
在所述类别监督模块中,输入为不同类别的故障样本xi经过所述映射网络f后得到特征gi,将gi与属性特征A=[α1,α2,α3,α4]通过匹配比较器网络M进行相关性比较;M将故障样本映射特征gi与不同的属性特征αt作为输入,输出相关性得分,最终经过softmax分类器处理使其各项得分和为1,依据得分值判断所属类别;因此,故障诊断目标被转化为分类子问题,通过属性特征代表故障类别来修正所述映射网络f的网络权重,其损失函数表示如下:
其中T=4表示故障类别总数;所述类别监督模块是将加强样本特征与其对应属性特征相关度为目标去训练网络参数,使得所述生成器G合成的仿造样本、所述映射网络f与所述匹配比较器网络M的参数同时得到修正;类别监督模块总损失函数表示如下:
其中表示有关所述特征gi和所述属性特征αt的期望函数。
5.根据权利要求1所述的基于故障属性燃气调压器联合映射零样本故障诊断方法,其特征在于,在所述步骤四中,所述零样本故障诊断模型的目标损失函数表示如下:
其中V(G,D)表示所述条件特征生成模块的损失函数;
实验过程中,先利用合成的仿造样本与真实样本进行混合得到样本集合通过所述映射网络f得到特征g=f(X),其中ε表示随机高斯噪声,/>表示未知类别的故障描述;之后将特征g依次在所述实例映射模块和所述类别映射模块中进行训练,学习所述映射网络f的参数,最后得到训练好的映射网络f,在测试阶段对所用输入样本进行映射然后经过softmax分类器得到最后的分类结果。
6.根据权利要求1所述的基于故障属性燃气调压器联合映射零样本故障诊断方法,其特征在于,在所述步骤五中,对于所述二维灰度图首先经过深度卷积神经网络进行视觉特征提取,得到尺寸为的特征向量作为输入进行模型训练,所述生成器G也将生成视觉特征作为最终输出;每一批次的训练样本随机抽取batchsize大小设置为100;每次训练的迭代次数为300;所述softmax分类器的学习率设置为0.001,所述生成器G的训练学习率设置为0.0001;合成的仿造样本数量经过消融实验对比后设定为600。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310670517.0A CN116701956B (zh) | 2023-06-07 | 2023-06-07 | 基于故障属性燃气调压器联合映射零样本故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310670517.0A CN116701956B (zh) | 2023-06-07 | 2023-06-07 | 基于故障属性燃气调压器联合映射零样本故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116701956A CN116701956A (zh) | 2023-09-05 |
CN116701956B true CN116701956B (zh) | 2023-12-08 |
Family
ID=87830682
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310670517.0A Active CN116701956B (zh) | 2023-06-07 | 2023-06-07 | 基于故障属性燃气调压器联合映射零样本故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116701956B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019153388A1 (zh) * | 2018-02-12 | 2019-08-15 | 大连理工大学 | 一种基于功率熵谱的随机森林的航空发动机滚动轴承故障诊断方法 |
CN113469230A (zh) * | 2021-06-17 | 2021-10-01 | 北京信息科技大学 | 一种转子系统深度迁移故障诊断方法、系统及介质 |
CN113884290A (zh) * | 2021-09-28 | 2022-01-04 | 江南大学 | 基于自训练半监督生成对抗网络的调压器故障诊断方法 |
CN114970744A (zh) * | 2022-06-16 | 2022-08-30 | 北京交通大学 | 一种基于博弈映射学习的信息融合三相电机故障诊断方法 |
WO2023044978A1 (zh) * | 2021-09-27 | 2023-03-30 | 苏州大学 | 基于对抗流模型的机械设备无监督故障诊断方法 |
-
2023
- 2023-06-07 CN CN202310670517.0A patent/CN116701956B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019153388A1 (zh) * | 2018-02-12 | 2019-08-15 | 大连理工大学 | 一种基于功率熵谱的随机森林的航空发动机滚动轴承故障诊断方法 |
CN113469230A (zh) * | 2021-06-17 | 2021-10-01 | 北京信息科技大学 | 一种转子系统深度迁移故障诊断方法、系统及介质 |
WO2023044978A1 (zh) * | 2021-09-27 | 2023-03-30 | 苏州大学 | 基于对抗流模型的机械设备无监督故障诊断方法 |
CN113884290A (zh) * | 2021-09-28 | 2022-01-04 | 江南大学 | 基于自训练半监督生成对抗网络的调压器故障诊断方法 |
CN114970744A (zh) * | 2022-06-16 | 2022-08-30 | 北京交通大学 | 一种基于博弈映射学习的信息融合三相电机故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
Few shot cross equipment fault diagnosis method based on parameter optimization and feature mertic;Tao hongfeng et al.;MEASUREMENT SCIENCE AND TECHNOLOGY;全文 * |
基于自注意力机制辅助分类生成对抗网络的轴承故障诊断;邱吉尔 等;信息与控制;第51卷(第6期);全文 * |
基于自组织映射网络的故障诊断推理方法研究;史永胜, 宋云雪;飞机设计(04);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116701956A (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109816032B (zh) | 基于生成式对抗网络的无偏映射零样本分类方法和装置 | |
Zhu et al. | Not all features matter: Enhancing few-shot clip with adaptive prior refinement | |
CN105701502A (zh) | 一种基于蒙特卡罗数据均衡的图像自动标注方法 | |
CN108710894A (zh) | 一种基于聚类代表点的主动学习标注方法和装置 | |
CN111340034B (zh) | 一种针对自然场景的文本检测与识别方法及系统 | |
de las Heras et al. | Wall patch-based segmentation in architectural floorplans | |
CN111275108A (zh) | 基于生成对抗网络对局部放电数据进行样本扩展的方法 | |
CN112017255A (zh) | 一种根据食谱生成食物图像的方法 | |
CN111401156A (zh) | 基于Gabor卷积神经网络的图像识别方法 | |
CN113221852A (zh) | 一种目标识别方法及装置 | |
CN114626476A (zh) | 基于Transformer与部件特征融合的鸟类细粒度图像识别方法及装置 | |
CN113392191A (zh) | 一种基于多维度语义联合学习的文本匹配方法和装置 | |
Dharwadkar et al. | Floriculture classification using simple neural network and deep learning | |
CN117349786B (zh) | 基于数据均衡的证据融合变压器故障诊断方法 | |
CN116701956B (zh) | 基于故障属性燃气调压器联合映射零样本故障诊断方法 | |
Gang et al. | Coresets for PCB character recognition based on deep learning | |
CN111191027B (zh) | 一种基于高斯混合分布vae的广义零样本识别方法 | |
CN117113078A (zh) | 基于多源数据集成的小样本轴承故障模式识别方法和系统 | |
CN108898157B (zh) | 基于卷积神经网络的数值型数据的雷达图表示的分类方法 | |
CN105205487A (zh) | 一种图片处理方法及装置 | |
CN115100451B (zh) | 一种用于液压泵漏油监控的数据扩充方法 | |
Hamza et al. | An end-to-end administrative document analysis system | |
CN115830383A (zh) | 一种用于小样本条件下电机轴承故障诊断模型训练方法、装置 | |
CN113342982B (zh) | 融合RoBERTa和外部知识库的企业行业分类方法 | |
CN115761235A (zh) | 基于知识蒸馏的零样本语义分割方法、系统、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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20231117 Address after: 063000 No.22 Huayan North Road, Lubei District, Tangshan City, Hebei Province Applicant after: Tangshan Gas Group Co.,Ltd. Address before: 214100 7th floor, South Building, No. 898, Tongsha Road, Liangxi District, Wuxi City, Jiangsu Province Applicant before: Jiangnan University |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |