CN117150243A - 一种基于故障影响解耦网络的故障隔离与估计方法 - Google Patents

一种基于故障影响解耦网络的故障隔离与估计方法 Download PDF

Info

Publication number
CN117150243A
CN117150243A CN202311405875.5A CN202311405875A CN117150243A CN 117150243 A CN117150243 A CN 117150243A CN 202311405875 A CN202311405875 A CN 202311405875A CN 117150243 A CN117150243 A CN 117150243A
Authority
CN
China
Prior art keywords
representing
fault
decoupling network
encoder
network
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.)
Granted
Application number
CN202311405875.5A
Other languages
English (en)
Other versions
CN117150243B (zh
Inventor
侯海良
杨雅婷
潘卓夫
陈洁
刘利枚
胡上
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.)
Xiangjiang Laboratory
Original Assignee
Xiangjiang Laboratory
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 Xiangjiang Laboratory filed Critical Xiangjiang Laboratory
Priority to CN202311405875.5A priority Critical patent/CN117150243B/zh
Publication of CN117150243A publication Critical patent/CN117150243A/zh
Application granted granted Critical
Publication of CN117150243B publication Critical patent/CN117150243B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • 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
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • G06N3/048—Activation functions
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种基于故障影响解耦网络的故障隔离与估计方法，包括：获取真实正常样本，基于所述真实正常样本预先训练变分自编码器；基于并行前向传播原理构建解耦网络，基于解耦网络获取互不相关的输入‑输出变量；设计一迁移学习框架，随机生成故障数据集；基于所述真实正常样本以及所述故障数据集，并通过变分自编码器以及迁移损失辅助训练所述解耦网络学习一个故障移除映射关系；训练好的解耦网络所生成的特征作为故障检测指标，基于所述故障检测指标进行故障评估，并预测故障信号。该方法保障了模型的故障可隔离性。

Description

一种基于故障影响解耦网络的故障隔离与估计方法
技术领域
本申请涉及故障隔离与估计技术领域，特别是涉及一种基于故障影响解耦网络的故障隔离与估计方法。
背景技术
目前，故障估计模型多采用基于模型的方法建立，一些经典方法如系统参数辨识等方法皆取得了很好的成效；但是，它们需预先获取系统的映射形式及模型参数，且对大数据及高维数据建模显得能力不足，基于数据驱动的模型多采用沿特定方向重构的思路难以直接用于深度网络故障估计器的分析与设计。因此，有必要开发基于深度网络的故障解耦结构，以保障故障检测指标（FDI）模型的故障可隔离性能。
迁移学习（TL）是近年来发展起来的深度学习的一个分支，基于迁移学习的多模式故障检测方法利用源域数据来扩展其他数据不足的模式，通过引入深度多信号融合对抗模型，能够在轴向活塞泵的不同工作条件之间传递知识。虽然许多基于迁移学习的故障诊断方法已经发展起来并成功地应用，但很少有研究探索系统行为在无故障与无故障之间的转移。
发明内容
基于此，有必要提供一种基于故障影响解耦网络的故障隔离与估计方法。
本发明提供了一种故障影响解耦网络的故障隔离与估计方法，该方法包括：
S1：获取真实正常样本，基于所述真实正常样本预先训练变分自编码器；
S2：基于并行前向传播原理构建解耦网络，基于解耦网络获取互不相关的输入-输出变量；
S3：设计一迁移学习框架，随机生成故障数据集；基于所述真实正常样本以及所述故障数据集，并通过变分自编码器以及迁移损失辅助训练所述解耦网络学习一个故障移除映射关系；
S4：训练好的解耦网络所生成的特征作为故障检测指标，基于所述故障检测指标进行故障评估，并预测故障信号。
有益效果：该方法通过变量并行前向传播与模型参数共享，实现了故障对 FDI 影响的解耦，构建深度解耦网络，保障了模型的故障可隔离性；在此基础上，构建了深度解耦迁移网络，通过生成虚拟故障样本用于模型训练，利用重构损失及域迁移损失训练所提模型，实现了故障样本的正常域迁移与故障估计目的。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术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申请的一些实施例，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为本申请实施例的基于故障影响解耦网络的故障隔离与估计方法的流程图。
图2为本申请实施例的变分自编码器的结构示意图。
图3为本申请实施例的解耦网络的结构示意图。
图4为本申请实施例的迁移学习框架的结构示意图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图对本申请的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似改进，因此本申请不受下面公开的具体实施例的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
如图1所示，本实施例提供了一种基于迁移学习的可解释深度故障解耦网络(Transfer Learning-Based Fault Impact Decoupling Network, TL-FIDN)的故障隔离与估计方法，具体为一种基于故障影响解耦网络的故障隔离与估计方法，该方法包括：
S1：获取真实正常样本，基于所述真实正常样本预先训练变分自编码器。
具体的，如图2所示，变分自编码器结构如图所示，VAE的前向传播包含编码与解码两个过程，其中编码过程由编码器输出潜变量分布参数与采样潜变量两步构成。为使得梯度能够反向传播至编码器的输入层，VAE中采用重新参数化技巧来解决采样操作不可微分的问题。具体来说，重新参数化技巧就是将原本对潜变量的采样等价转换为对正态随机变量ξ的采样附加线性操作，
；
其中，表示从潜变量分布参数及随机噪声至潜变量的映射；/>表示哈达玛积，即逐元素相乘。
其进行前向传播过程包括编码、采样、解码；
编码表示为：
；
；
采样表示为：
；
解码表示为：
；
其中，表示第一全连接的神经网络，用于输出潜在变量的均值；/>表示第二全连接的神经网络，用于输出对数方差；z表示观测值；/>表示第一全连接的神经网络的参数；/>表示第二全连接的神经网络的参数；/>表示第三全连接的神经网络的参数；第三全连接的神经网络表示为/>，用于输出重构的观测值；/>表示潜在变量；/>表示蒙特卡洛抽样中的抽样潜在变量，/>表示由观测生成潜变量分布参数的映射，/>表示高斯分布的方差，/>表示第s次采样的随机变量，N s 表示采样的次数，s表示第s次采样，/>表示解码的输出，⊙表示逐元素相乘。
S2：基于并行前向传播原理构建解耦网络，基于解耦网络获取互不相关的输入-输出变量。
具体的，使用训练好的变分自编码器，并基于并行前向传播原理构建解耦网络；其中，并行前向传播原理为每个样本的网络输出都不是相关的，而是通过学习到的模型共享相同的映射或分布。
构建的解耦网络结构如图3所示，解耦网络包括输入层、隐藏层、输出层；输入层中的表示输入数据构成的矩阵中第j行第i列的元素，/>表示输入数据构成的矩阵中第j行第/>列的元素；通过中间的隐藏层学习和提取输入数据的特征；输出层中的/>表示输出数据构成的矩阵中第j行第i列的元素，/>表示输入数据构成的矩阵中第j行第/>列的元素。
解耦网络的并行前向传播过程，表示为：
；
；
；
；
；
其中，T表示转置；表示解耦网络；/>表示解耦网络中第(l)层的加权输入；/>表示解耦网络中第(l)层的激活值；/>表示解耦网络中第(l-1)层的激活值；/>表示解耦网络中第(l)层与第(l-1)层之间的权重矩阵；/>表示解耦网络中第(l)层中的偏差；表示转换后的向量，/>表示输入z到输出/>的前向传播，D表示网络映射，/>表示关于/>向量的映射，/>表示复合函数的映射连接，/>表示/>的第1个分量，/>表示/>的第个分量，/>表示第/>层的非线性映射，/>表示第/>层的线性映射，/>表示网络的层数，/>表示非线性层，/>表示线性层。
进一步的，迁移损失函数的表达式为：
；
；
其中，为一个正的常数，/>表示变分自编码器的损失函数，N k 表示样本批次，N s 表示高斯分布采样数，k表示时间采样的第k个样本，s表示第s个采样的数量，z(k)表示第k个观察值，/>表示第k个估计值，/>表示基于两个高斯分布的KL散度，/>表示潜在变量/>的维度，/>表示第k个变量的均值，/>表示第k个变量的标准差。
进一步的，通过解耦网络的并行前向传播推导过程获取互不相关的输入-输出变量，解耦网络的并行前向传播推导过程为：
步骤1：将输入变量进行对角化，得到对角矩阵；
对角化的计算公式为：
；
其中，表示对角矩阵，/>；/>表示输入向量个数；/>表示矩阵/>中的第j行；/>表示第j行第i列的元素。
步骤2：将对角矩阵中每个行的输出向量定义为：
；
其中，表示解耦网络；/>表示解耦网络的参数；/>表示每个行输入的输出向量；
步骤3：采用映射关系将对角矩阵转换为向量，转换后需满足：
；
其中，表示转换后的向量，/>表示与/>有关的任意操作，/>表示第j行的输出向量；
步骤4：对所述向量使用对角函数的逆运算得到主对角线，主对角线的计算公式为：
；
其中，为对角函数的逆运算；/>表示对/>的逆运算，/>表示转换后的第j个向量，/>表示/>中的第j个变量；
步骤5：将主对角线的计算公式转换为并行前向传播的表达式。
更进一步的，训练变分自编码器的过程为：
步骤1：获取正常状态下的训练集，并将训练集分为多个批次，每个批次包括N k 个样本；
步骤2：将所述样本输入至所述变分自编码器，进行前向传播，其表达式为：
；
其中，V表示变分自编码器的正向映射；/>为待优化的变分自编码器的参数；表示样本重构输入，/>表示真实训练集，q表示样本批次，/>表示批次数；
步骤3：采用反向传播算法实现端到端的梯度训练，训练过程满足：
；
其中，L v 为变分自编码器的层数；J v 为损失函数；表示变分自编码器中第(l)层的激活值；/>表示变分自编码器中第(l+1)层的激活值；/>表示变分自编码器中第(L v )层的激活值；/>表示变分自编码器中第(L v -1)层的激活值；/>表示变分自编码器中第(l)层的参数；/>表示第l层参数/>的梯度；
步骤4：使用均方根传播更新变分自编码器中的参数，更新的计算公式为：
；
；
其中，代表第t次迭代中过去平方梯度的衰减平均值；/>表示变分自编码器中第(l)层第t+1次迭代的参数；/>表示变分自编码器中第(l)层第t次迭代的参数；η为学习速率；/>表示第l层参数/>在第t次迭代的梯度；
步骤5：重复执行步骤1-4，直至训练完所有批次，训练结束，得到训练后的变分自编码器。
S3：设计一迁移学习框架，随机生成故障数据集；基于所述真实正常样本以及所述故障数据集，并通过变分自编码器以及迁移损失辅助训练所述解耦网络学习一个故障移除映射关系。
具体的，随机生成故障数据集的过程为：
获取随机故障信号，并将所述随机故障信号加入到变量中，计算公式为：
；
其中，表示随机故障信号；/>决定是否在变量中添加故障；表示添加故障信号的概率；/>；/>和/>分别表示故障幅度的下限与上限；/>表示真实故障样本，/>表示真实正常样本，/>表示随机添加的故障；
并打乱生成的故障数据集中的样本顺序。
S4：训练好的解耦网络所生成的特征作为故障检测指标，基于所述故障检测指标进行故障评估，并预测故障信号。
具体的，选择测试统计量和核密度估计进行故障评估，其中测试统计量的计算公式为：
；
；
其中，表示测试统计量；T表示转置；/>表示故障检测指标，/>表示收集到的正常观测值的协方差矩阵，N k 表示样本批次，k表示样本批次号。
核密度估计量使用拟合近似分布，在/>处的一个紧凑的KDE表示为：
；
其中，K表示一个核函数，/>表示对/>有显著影响的带宽，采用斯科特规则描述，/>，将阈值/>设置为：
；
其中，为置信水平，通常占99.5%。
通过解耦网络的输出预测故障信号，计算公式为；
；
其中，表示预测故障信号；/>表示解耦网络；/>表示预测故障，f表示真实故障。
在本实施例中，基于虚拟故障样本生成的迁移学习训练将生成的故障样本与真实正常样本一齐输入DDTN中，进行前向传播。如图4所示，迁移学习框架给出了基于迁移学习的输入输出解耦网络(Transfer learning-based input-output Decoupled Network,TDN)的结构和前向传播过程。迁移学习网络结构包括一个训练有素的VAE和一个需要学习的输入输出解耦网络(Input-output Decoupled Network, IDN)，在迁移训练阶段，的参数/>被固定，仅用于前向计算和梯度反向传播，而不涉及更新。该阶段的主要目标是训练IDN的参数/>，通过/>识别嵌入在样本中的故障信号，从而辅助解耦网络学习从故障到正常的故障移除映射关系（/>）。对于一个批次的输入/>，它们的解耦网络输入与其自身的和/>将被送入训练有素的VAE进行编码与解码重建。此过程可概括为：
；
；
；
其中表示一对映射学习，/>和/>表示训练好的解耦网络的输入、输出之和，/>表示训练好的解耦网络的参数。DDTN通过下式获取优化的解耦网络参数：
；
其中，为解耦网络的参数空间。基于反向传播算法，得到。随后使用RMSProp算法更新参数/>以获取局部最优参数解。
在本实施例中，还提供了通过误报率和漏检率来评价该方法故障诊断的性能、通过均方根误差来评价开发方法的有限元性能；计算公式分别为：
；
；
其中，P FAR 表示误报率；P MDR 表示漏检率；表示置信区间。
；
其中，RMSE (c)表示第c类预测故障的均方根误差；表示错误数据集中的样本数量；k表示批次数，/>表示批次k的估计故障，f(k)表示批次k的真实故障。
为了验证本实施例提供的这种方法的故障估计性能，选取了六种结构网络分别记为DDTN1至DDTN6，其中表示采样操作。其余的超参数设置如下：迭代训练次数Nepoch=15；批次训练大小Nbatch=16；学习率/>，允许误差/>；置信水平；允许误报率/>。
表1为六种不同网络结构表；
按表1建立的DDTN的故障检测结果如表2所示，
表2为六种不同的网络结构在连续搅拌反应釜数据集下的故障检测性能对比表；
表3为六种不同的网络结构在连续搅拌反应釜数据集下的故障检测结果表；
表4为连续搅拌反应釜仿真引入的故障说明表；
表4展示了DDTN4（本实施例提供的方法中采用的结构）对加性故障信号的重构表现，证明DDTN4具有良好的故障估计效果。
该方法通过变量并行前向传播与模型参数共享，实现了故障对FDI影响的解耦，构建深度解耦网络，保障了模型的故障可隔离性；在此基础上，构建了深度解耦迁移网络，通过生成虚拟故障样本用于模型训练，利用重构损失及域迁移损失训练所提模型，实现了故障样本的正常域迁移与故障估计目的。所提方法在三水箱系统 (TTS) 及连续搅拌反应釜(CSTR) 仿真中得到了成功应用，在各仿真中表现出了较高的故障隔离率与较低的故障估计误差。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于故障影响解耦网络的故障隔离与估计方法，其特征在于，包括：
S1：获取真实正常样本，基于所述真实正常样本预先训练变分自编码器；
S2：基于并行前向传播原理构建解耦网络，基于解耦网络获取互不相关的输入-输出变量；
S3：设计一迁移学习框架，随机生成故障数据集；基于所述真实正常样本以及所述故障数据集，并通过变分自编码器以及迁移损失辅助训练所述解耦网络学习一个故障移除映射关系；
S4：训练好的解耦网络所生成的特征作为故障检测指标，基于所述故障检测指标进行故障评估，并预测故障信号。
2.根据权利要求1所述的基于故障影响解耦网络的故障隔离与估计方法，
其特征在于，变分自编码器的前向传播包括编码、采样、解码；
编码表示为：
；
；
采样表示为：
；
解码表示为：
；
其中，表示第一全连接的神经网络，用于输出潜在变量的均值；/>表示第二全连接的神经网络，用于输出对数方差；z表示观测值；/>表示第一全连接的神经网络的参数；表示第二全连接的神经网络的参数；/>表示第三全连接的神经网络的参数；第三全连接的神经网络表示为/>，用于输出重构的观测值；/>表示潜在变量；/>表示蒙特卡洛抽样中的抽样潜在变量，/>表示由观测生成潜变量分布参数的映射，/>表示高斯分布的方差，/>表示第s次采样的随机变量，N s 表示采样的次数，s表示第s次采样，/>表示解码的输出，⊙表示逐元素相乘。
3.根据权利要求2所述的基于故障影响解耦网络的故障隔离与估计方法，其特征在于，迁移损失函数的表达式为：
；
；
其中，为一个正的常数，/>表示变分自编码器的损失函数，N k 表示样本批次，N s 表示高斯分布采样数，k表示时间采样的第k个样本，s表示第s个采样的数量，z(k)表示第k个观察值，/>表示第k个估计值，/>表示基于两个高斯分布的KL散度，/>表示潜在变量/>的维度，/>表示第k个变量的均值，/>表示第k个变量的标准差。
4.根据权利要求1所述的基于故障影响解耦网络的故障隔离与估计方法，其特征在于，解耦网络的并行前向传播过程，表示为：
；
；
；
；
；
其中，T表示转置；表示解耦网络；/>表示解耦网络中第(l)层的加权输入；/>表示解耦网络中第(l)层的激活值；/>表示解耦网络中第(l-1)层的激活值；/>表示解耦网络中第(l)层与第(l-1)层之间的权重矩阵；/>表示解耦网络中第(l)层中的偏差；/>表示转换后的向量，/>表示输入z到输出/>的前向传播，D表示网络映射，/>表示关于/>向量的映射，/>表示复合函数的映射连接，/>表示/>的第1个分量，/>表示/>的第/>个分量，/>表示第/>层的非线性映射，/>表示第/>层的线性映射，/>表示网络的层数，/>表示非线性层，/>表示线性层。
5.根据权利要求4所述的基于故障影响解耦网络的故障隔离与估计方法，其特征在于，通过解耦网络的并行前向传播推导过程获取互不相关的输入-输出变量，解耦网络的并行前向传播推导过程为：
步骤1：将输入变量进行对角化，得到对角矩阵；
步骤2：将对角矩阵中每个行的输出向量定义为：
；
其中，表示解耦网络；/>表示解耦网络的参数；/>表示每个行的输出向量；
步骤3：采用映射关系将对角矩阵转换为向量，转换后需满足：
；
其中，表示转换后的向量，/>表示与/>有关的任意操作，/>表示第j行的输出向量；
步骤4：对所述向量使用对角函数的逆运算得到主对角线，主对角线的计算公式为：
；
其中，为对角函数的逆运算；/>表示对/>的逆运算，/>表示转换后的第j个向量，/>表示/>中的第j个变量；
步骤5：将主对角线的计算公式转换为并行前向传播的表达式。
6.根据权利要求5所述的基于故障影响解耦网络的故障隔离与估计方法，其特征在于，对角化的计算公式为：
；
其中，表示对角矩阵，/>；/>表示输入向量个数；/>表示矩阵/>中的第j行；/>表示第j行第i列的元素。
7.根据权利要求3所述的基于故障影响解耦网络的故障隔离与估计方法，其特征在于，训练变分自编码器的过程为：
步骤1：获取正常状态下的训练集，并将训练集分为多个批次，每个批次包括N k 个样本；
步骤2：将所述样本输入至所述变分自编码器，进行前向传播，其表达式为：
；
其中，表示变分自编码器的正向映射；/>为待优化的变分自编码器的参数；/>表示样本重构输入，/>表示真实训练集，q表示样本批次，/>表示批次数；
步骤3：采用反向传播算法实现端到端的梯度训练，训练过程满足：
；
其中，L v 为变分自编码器的层数；J v 为损失函数；表示变分自编码器中第(l)层的激活值；/>表示变分自编码器中第(l+1)层的激活值；/>表示变分自编码器中第(L v )层的激活值；/>表示变分自编码器中第(L v -1)层的激活值；/>表示变分自编码器中第(l)层的参数；/>表示第l层参数/>的梯度；
步骤4：使用均方根传播更新变分自编码器中的参数，更新的计算公式为：
；
；
其中，代表第t次迭代中过去平方梯度的衰减平均值；/>表示变分自编码器中第(l)层第t+1次迭代的参数；/>表示变分自编码器中第(l)层第t次迭代的参数；η为学习速率；/>表示第l层参数/>在第t次迭代的梯度；
步骤5：重复执行步骤1-4，直至训练完所有批次，训练结束，得到训练后的变分自编码器。
8.根据权利要求1所述的基于故障影响解耦网络的故障隔离与估计方法，其特征在于，随机生成故障数据集的过程为：
获取随机故障信号，并将所述随机故障信号加入到变量中，计算公式为：
；
其中，表示随机故障信号；/>决定是否在变量中添加故障；/>表示添加故障信号的概率；/>；/>和/>分别表示故障幅度的下限与上限；/>表示真实故障样本，/>表示真实正常样本，/>表示随机添加的故障；
并打乱生成的故障数据集中的样本顺序。
9.根据权利要求1所述的基于故障影响解耦网络的故障隔离与估计方法，其特征在于，选择测试统计量和核密度估计量进行故障评估，其中测试统计量的计算公式为：
；
；
其中，表示测试统计量；T表示转置；/>表示故障检测指标，/>表示收集到的正常观测值的协方差矩阵，N k 表示样本批次，k表示样本批次号；
核密度估计量使用拟合近似分布，在/>处的一个紧凑的KDE表示为：
；
其中，表示一个核函数，/>表示对/>有显著影响的带宽，采用斯科特规则描述，/>，将阈值/>设置为：
；
其中，为置信水平。
10.根据权利要求1所述的基于故障影响解耦网络的故障隔离与估计方法，其特征在于，通过解耦网络的输出预测故障信号，计算公式为；
；
其中，表示预测故障信号；/>表示解耦网络；/>表示预测故障，f表示真实故障。
CN202311405875.5A 2023-10-27 2023-10-27 一种基于故障影响解耦网络的故障隔离与估计方法 Active CN117150243B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311405875.5A CN117150243B (zh) 2023-10-27 2023-10-27 一种基于故障影响解耦网络的故障隔离与估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311405875.5A CN117150243B (zh) 2023-10-27 2023-10-27 一种基于故障影响解耦网络的故障隔离与估计方法

Publications (2)

Publication Number Publication Date
CN117150243A true CN117150243A (zh) 2023-12-01
CN117150243B CN117150243B (zh) 2024-01-30

Family

ID=88902968

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311405875.5A Active CN117150243B (zh) 2023-10-27 2023-10-27 一种基于故障影响解耦网络的故障隔离与估计方法

Country Status (1)

Country Link
CN (1) CN117150243B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118052154A (zh) * 2024-04-16 2024-05-17 中汽研新能源汽车检验中心(天津)有限公司 一种少样本数据增强与迁移的电驱动系统故障预测方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190188569A1 (en) * 2017-12-15 2019-06-20 Nvidia Corporation Parallel Forward and Backward Propagation
CN110118958A (zh) * 2019-05-21 2019-08-13 西安电子科技大学 基于变分编码-解码网络的宽带雷达复回波去噪方法
CN111144499A (zh) * 2019-12-27 2020-05-12 北京工业大学 基于深度神经网络的风机叶片早期结冰故障检测方法
CN112327219A (zh) * 2020-10-29 2021-02-05 国网福建省电力有限公司南平供电公司 特征自动挖掘和参数自动寻优的配电变压器故障诊断方法
US20210358577A1 (en) * 2020-05-07 2021-11-18 Microsoft Technology Licensing, Llc Variational auto encoder for mixed data types
US20220067983A1 (en) * 2020-08-28 2022-03-03 Nvidia Corporation Object image completion
US11310733B1 (en) * 2020-12-10 2022-04-19 Amazon Technologies, Inc. On-demand application-driven network slicing
CN115795011A (zh) * 2022-11-24 2023-03-14 北京工业大学 一种基于改进生成对抗网络的情感对话生成方法
WO2023045278A1 (zh) * 2021-09-27 2023-03-30 西安交通大学 数据双驱动的台风灾害下电网故障预测方法、装置和设备
CN115935275A (zh) * 2022-10-08 2023-04-07 武汉科技大学 基于双重对抗自编码的永磁推进电机故障数据扩张方法
CN116431966A (zh) * 2023-03-16 2023-07-14 浙江大学 一种增量式特征解耦自编码器的堆芯温度异常检测方法
CN116662898A (zh) * 2023-04-10 2023-08-29 电子科技大学 一种采用多标签深度学习的轴承复合故障诊断方法
US11763086B1 (en) * 2021-03-29 2023-09-19 Amazon Technologies, Inc. Anomaly detection in text
WO2023174256A1 (zh) * 2022-03-14 2023-09-21 华为技术有限公司 一种数据压缩方法以及相关设备

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190188569A1 (en) * 2017-12-15 2019-06-20 Nvidia Corporation Parallel Forward and Backward Propagation
CN110118958A (zh) * 2019-05-21 2019-08-13 西安电子科技大学 基于变分编码-解码网络的宽带雷达复回波去噪方法
CN111144499A (zh) * 2019-12-27 2020-05-12 北京工业大学 基于深度神经网络的风机叶片早期结冰故障检测方法
US20210358577A1 (en) * 2020-05-07 2021-11-18 Microsoft Technology Licensing, Llc Variational auto encoder for mixed data types
US20220067983A1 (en) * 2020-08-28 2022-03-03 Nvidia Corporation Object image completion
CN112327219A (zh) * 2020-10-29 2021-02-05 国网福建省电力有限公司南平供电公司 特征自动挖掘和参数自动寻优的配电变压器故障诊断方法
US11310733B1 (en) * 2020-12-10 2022-04-19 Amazon Technologies, Inc. On-demand application-driven network slicing
US11763086B1 (en) * 2021-03-29 2023-09-19 Amazon Technologies, Inc. Anomaly detection in text
WO2023045278A1 (zh) * 2021-09-27 2023-03-30 西安交通大学 数据双驱动的台风灾害下电网故障预测方法、装置和设备
WO2023174256A1 (zh) * 2022-03-14 2023-09-21 华为技术有限公司 一种数据压缩方法以及相关设备
CN115935275A (zh) * 2022-10-08 2023-04-07 武汉科技大学 基于双重对抗自编码的永磁推进电机故障数据扩张方法
CN115795011A (zh) * 2022-11-24 2023-03-14 北京工业大学 一种基于改进生成对抗网络的情感对话生成方法
CN116431966A (zh) * 2023-03-16 2023-07-14 浙江大学 一种增量式特征解耦自编码器的堆芯温度异常检测方法
CN116662898A (zh) * 2023-04-10 2023-08-29 电子科技大学 一种采用多标签深度学习的轴承复合故障诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HANMIN LEE等: "Aircraft Actuator Fault Detection and Isolation using Piecewise Constant Fault Estimation Scheme", 《AIAA SCITECH》, pages 1 - 9 *
陈译: "基于机器学习的网络异常检测系统的研究与实现", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 04, pages 139 - 61 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118052154A (zh) * 2024-04-16 2024-05-17 中汽研新能源汽车检验中心(天津)有限公司 一种少样本数据增强与迁移的电驱动系统故障预测方法

Also Published As

Publication number Publication date
CN117150243B (zh) 2024-01-30

Similar Documents

Publication Publication Date Title
Jia et al. Quantum neural network states: A brief review of methods and applications
KR101958674B1 (ko) 시퀀스 재귀 필터링 3차원 변분(3d-var) 기반의 실측 해양 환경 데이터 동화방법
CN109120462B (zh) 机会网络链路的预测方法、装置及可读存储介质
CN113780292B (zh) 一种基于证据推理的语义分割网络模型不确定性量化方法
CN117150243B (zh) 一种基于故障影响解耦网络的故障隔离与估计方法
CN104376231B (zh) 基于改进近似贝叶斯计算的损伤识别方法
Sato et al. Variational quantum algorithm based on the minimum potential energy for solving the Poisson equation
CN114297036B (zh) 数据处理方法、装置、电子设备及可读存储介质
Wang et al. An information transfer based novel framework for fault root cause tracing of complex electromechanical systems in the processing industry
Zhou et al. Network traffic prediction method based on improved echo state network
Eliassi et al. Application of Bayesian networks in composite power system reliability assessment and reliability‐based analysis
Nandanoori et al. Graph neural network and Koopman models for learning networked dynamics: A comparative study on power grid transients prediction
Gracious et al. Neural latent space model for dynamic networks and temporal knowledge graphs
CN113239022A (zh) 医疗诊断缺失数据补全方法及补全装置、电子设备、介质
Cai et al. Matrix completion with cross-concentrated sampling: Bridging uniform sampling and CUR sampling
Yi et al. Structural health monitoring data cleaning based on Bayesian robust tensor learning
Shi et al. Network reliability analysis through survival signature and machine learning techniques
KR102489473B1 (ko) 인공 지능 모델을 이용한 기후 지수 예측 결과에 대한 불확실성과 기여도를 제공하는 기후 지수 예측 방법 및 시스템
Navaneeth et al. Koopman operator for time-dependent reliability analysis
West et al. Efficient evaluation of high-order moments and cumulants in tensor network states
Pan et al. Symplectic incremental matrix machine and its application in roller bearing condition monitoring
Gillman et al. Topological defects in quantum field theory with matrix product states
Zha et al. Recognizing plans by learning embeddings from observed action distributions
Viktoros et al. Compact fault dictionaries for efficient sensor fault diagnosis in IoT-enabled CPSs
Sindhu et al. Doubly censored data from two-component mixture of inverse weibull distributions: Theory and applications

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
GR01 Patent grant
GR01 Patent grant