[发明专利]基于双向长短时记忆单元和胶囊网络的故障分类方法

说明书

本发明公开了一种基于双向长短时记忆单元和胶囊网络的工业过程故障分类方法，它由双向长短时记忆单元、胶囊网络、感知器和Softmax输出层组成。双向长短时记忆单元可以处理序列数据，并能够从数据中提取动态特征；胶囊网络的每个胶囊具有大小和方向信息，具有更强的表达能力，能够对双向长短时记忆单元提取的动态特征进行进一步整合，感知器和Softmax输出层根据胶囊网络整合的故障样本特征进行故障分类，该网络适合处理非线性特性和动态性特性工业数据的分类问题。本发明可以有效地提高存在动态性等特性样本的分类精度。

技术领域

本发明属于工业过程故障诊断和分类领域，涉及一种基于双向长短时记忆单元和胶囊网络的故障分类方法。

背景技术

在工业过程监测中，当检测到故障发生后，需要对故障信息进行进一步分析，而故障分类是其中的一个重要环节，获得发生故障类别，有利于进行工业过程的恢复。

随着工业自动化的发展以及传感器的普及，工业数据量更大，此外，由于工业过程的复杂化，工业数据普遍存在非线性、动态性(也称自相关性)等特性，而深度学习能够很好利用数据量大的特点来提取工业数据的非线性特征、动态性特征，因此，深度学习方法被应用到工业过程监测中。

循环神经网络，如长短时记忆单元，常来提取序列数据的动态性特征，同时，双向记忆单元包含前向和后向长短时记忆单元，具有更好的性能。但是，双向长短时记忆单元对前面时刻样本信息进行部分遗忘和根据当前时刻样本更新动态特征，当序列样本过长时出现靠前时刻样本信息因遗忘机制而不能有效利用的问题。胶囊网络考虑了长短时记忆单元在每个时刻提取的动态特征，并进行特征聚类整合。其中，动态路由算法给予不同时刻的动态特征不同的权重。因此，结合双向长短时记忆单元和胶囊网络，能增强提取数据的动态性问题，适用于工业数据的动态性问题，提高工业故障的分类精度。

发明内容

针对目前工业过程中数据存在非线性、强动态性等问题，本发明提出了一种基于双向长短时记忆单元和胶囊网络的故障分类方法，该方法将双向长短时记忆单元(BiLSTM)、胶囊网络(CapsNet)、多层感知器(MLP)、Dropout层和Softmax层组成整个BiLSTM-CapsNet模型，实现了对工业过程中故障精确分类。

本发明具体技术方案如下：

一种基于双向长短时记忆单元和胶囊网络的故障分类方法，包括如下步骤：

(1)获取历史工业连续过程的样本x及其标签y组成的数据集

D＝{X,Y}＝{(x^t,y^t)|t＝1,2,...,N}，其中X,Y分别代表所有样本组成的样本集和相应的样本标签集，y^t∈{1,2,...,C}，t代表样本在时间维度的顺序，N表示数据集的样本个数，C为样本类别数；

(2)将步骤(1)中收集到的数据集标准化，将样本X每个变量x化成均值为0，方差为1，得到新的标准化样本集X_std，通过one-hot编码将标签集Y元素从标量转化为一维向量，然后，用大小为k的时间窗对样本集X_std和标签集Y同时进行序列化，从而得到新的序列数据集其中,

(3)构建BiLSTM-CapsNet模型：构建一个第一部分由隐层节点分别为k的前向、后向长短时记忆单元组成的双向长短时记忆单元(BiLSTM)，第二部分为胶囊网络(CapsNet)，第三部分为单隐层的感知器(MLP)，第四部分为Dropout层，第五部分是Softmax输出层的BiLSTM-CapsNet模型。其中，BiLSTM中前向LSTM和后向LSTM的隐层向量拼接成一个长向量作为CapsNet的输入，CapsNet的输出向量经过Flatten操作变成一维长向量作为MLP的输入，MLP输出作为Dropout层输入，Dropout的输出作为Softmax网络层的输入；