[发明专利]一种基于卷积记忆自编码网络的汽车故障诊断方法与系统

权利要求书

1.一种基于卷积记忆自编码网络的汽车故障诊断方法，其特征在于，该方法基于汽车故障诊断系统实现，所述系统由数据采集设备和故障诊断云平台组成；所述数据采集设备实现汽车状态数据采集、清洗和北向传输至故障诊断云平台，具体包括汽车状态数据采集和异常值处理步骤，以及汽车状态数据时间戳对齐、缺失值处理和北向传输步骤；所述故障诊断云平台存储汽车状态数据，并实现故障检测与故障定位；

汽车状态数据采集和异常值处理步骤如下：

步骤1.1：获取N种汽车运行状态数据，并按顺序编号为1至N；

步骤1.2：对汽车运行状态数据进行标准化处理，如果标准化处理后的汽车运行状态数据超过数据范围-1至1，则忽略此次异常汽车运行状态数据；

步骤1.3：将标准化处理后的汽车运行状态数据存储至散列映射，每次更新均会覆盖旧数据；

汽车状态数据时间戳对齐、缺失值处理和北向传输步骤每M毫秒执行1次，M取小于最短数据间隔时间T的一半，具体步骤如下：

步骤2.1：从散列映射中读取所有N种数据，并和当前时间戳一块存储至发送缓存区，作为一个数据组点；

步骤2.2：如果距离上次通过网络发送数据达到L毫秒以上，则读取发送缓存区中的所有数据，打包发送至故障诊断云平台；并删除发送缓存区中的所有数据；L取大于M的数值；

故障检测与故障定位每间隔P个数据组点作为一个执行周期，具体步骤如下：

步骤3.1：设置C个不同的窗口大小W，选择当前数据组点的前W个数据组点，计算大小为N×N的单通道相关矩阵；最终经过C次计算后，形成大小为N×N×C的多通道相关矩阵；

步骤3.2：将本次执行周期步骤3.1的多通道相关矩阵和前B-1个执行周期步骤3.1得到的多通道相关矩阵拼接为B个多通道相关矩阵，输入到预先基于正常数据训练得到的卷积记忆自编码网络，输出大小为N×N×C的重建多通道相关矩阵；

所述卷积记忆自编码网络分为降维和升维两个部分；

降维部分步骤如下：

步骤a：给输入的B×N×N×C大小的B个多通道相关矩阵m的边缘填充0，拓展为B×Z×Z×C大小，其中Z为最接近于N的2^D数值；

步骤b：将步骤a处理后的B×Z×Z×C大小的数据输入到由Y个SAME模式卷积神经网络组成的卷积神经网络链，前1个SAME模式卷积神经网络的输出为后一个SAME模式卷积神经网络的输入；Y个SAME模式卷积神经网络的输出数据大小分别为B×Z×Z×C、B×Z/2×Z/2×2C、B×Z/4×Z/4×4C，……，B×Z/2^Y-1×Z/2^Y-1×2^Y-1C；

步骤c：将Y个SAME模式卷积神经网络的Y个输出各自输入到Y个采用SAME模式卷积的卷积长短时记忆网络中，输出和输入的数据大小相同，依次是B×Z×Z×C、B×Z/2×Z/2×2C、B×Z/4×Z/4×4C，……，B×Z/2^Y-1×Z/2^Y-1×2^Y-1C；

步骤d：针对步骤c输出的每个四维数据进行权重选择，即B个三维数据乘以权重，并按元素相加；B个权重之和为1；所有输出数据的大小依次是Z×Z×C、Z/2×Z/2×2C、Z/4×Z/4×4C，……，Z/2^Y-1×Z/2^Y-1×2^Y-1C；

步骤e：步骤d输出每个三维数据输入到Y个SAME模式卷积神经网络，输出Y个数据，其中第1个数据的大小为Z×Z×(C-2)，第Y个数据的大小为Z/2^Y-1×Z/2^Y-1×4，其他第i个数据的大小为Z/2^i-1×Z/2^i-1×3；

步骤f：将步骤e输出的Y个数据进行变形和拼接，得到大小为Z×Z×(C-1)的数据；

升维部分步骤如下：

步骤A：将降维步骤f输出的数据通过SAME模式卷积神经网络，输出大小为N×N×C的数据

步骤3.3：选择所述B个多通道相关矩阵中的1个单通道相关矩阵和重建多通道相关矩阵中的1个单通道相关矩阵进行偏差矩阵Δm计算；

步骤3.4：如果偏差矩阵中数值大于偏差阈值V的个数，即超偏数，大于故障阈值R，则认为故障发生，执行步骤3.5；否则，本次故障诊断云平台故障检测与故障定位步骤结束；

步骤3.5：设置i从1至N，统计偏差矩阵第i行和第i列的超偏数之和；最大的超偏数之和的i对应的汽车运行状态数据编号即为故障发生位置。