[发明专利]一种基于深度学习和信号分析的故障诊断方法

说明书

本发明公开了一种基于深度学习和信号分析的故障诊断方法，本发明方法预先采集工业过程在正常和故障时的数据，并将其划分为训练集和测试集；基于训练集离线训练模型参数，再以测试集检验模型，性能指标为故障诊断的精度，其数值大小表征了模型的泛化性能，亦即对故障的在线诊断能力；该方法作为神经网络的变体，能获取过程操作变量在时域上的物理信息，同时引入的小波分析法可获取过程测量变量的频域信息；此外，该方法采用的深度结构适应了工业大数据的大、快、杂、疑等特点，可将过程操作变量的物理信息，结合以过程测量变量的频率特征，学习到故障的深层级的复杂模式，可有效地进行故障诊断，于在线诊断的测试中显示出优越的泛化能力。

技术领域

本发明属于工业过程监控技术领域，更具体地，涉及一种基于深度学习和信号分析的故障诊断方法。

背景技术

故障检测和识别技术对于安全稳定的工业生产过程具有重要作用，它已发展成为是一个交叉性的学科，涉及到了系统集成、控制工程、人工智能、应用数学和统计学以及各种应用领域。随着电子工业和计算机技术的发展，许多的专家学者已应用了不同的故障检测方法，譬如工人现场监测、程序化自检测、模型建模、数据驱动。

在基于数据驱动的诊断技术中，针对于应用场景做出合适的方法选择和改进是具有前提性和关键作用的。现有技术中，有以下几种方法用于故障检测：(1)通过信息融合来分析所有传感器的数据并对其进行筛选、整合和抽象，再进行高层次的融合；(2)运用信号处理理论对传感器数据进行时域或频域的分析；(3)根据统计分析方法得出传感器数据的统计规律性；(4)以粗糙集对数据进行分析和推理来发现隐含的知识、揭示潜在的规律；(5)机器学习涉及了概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科，从数据中自动分析获得规律。然而，在复杂的工业过程的应用场景中，直接运用以上方法而不对应用场景所涉及理论而做出整合，难以针对性地就具体研究对象和理论的适用性来分析工业过程。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于深度学习和信号分析的故障诊断方法，其目的在于利用深度学习来整合过程测量变量和过程控制变量的信号特征以检测故障，由此克服在工业过程的故障模式的变异性、复杂性，提高了工业过程中故障的可诊断性。

为实现上述目的，本发明提供了一种基于深度学习和信号分析的故障诊断方法，所述方法具体包括：

(1)采集工业过程中正常和故障状态时的测量数据和控制数据，构建带标签的数据集，将数据集划分为训练集和测试集，并对数据集各特征变量进行归一化处理；

对数据集中变量进行归一化处理：

其中，x′表示归一化后的样本数据，x表示归一化前的样本数据，m表示第 m个样本数据，n表示样本数据的第n个属性，M表示采样总数,N表示采样属性总数；

(2)搭建基于自编码器的深度小波神经网络模型，其模型结构由小波自编码器、深度学习架构和分类器组成；

进一步地，所述步骤(2)具体包括：

(21)确定Morlet小波函数Ψ(x)的向量形式；

其中，采用二进小波法生成小波，a表示伸缩因子，则a₀初始设置值，优选取为2，N_wv表示小波向量总数；b表示平移因子，b＝kab₀， b₀表示初始设置值，优选取为1，k表示常数因子，优选取为1；ω₀表示设定基波频率，f_b表示设定频带宽度，ω₀表示设定基波频率，f_b表示设定频带宽度，二者为超参数，将由网格搜索法确定其取值；

(22)构建小波自编码器，