[发明专利]基于一维多尺度深度卷积神经网络的工业过程性能诊断方法

权利要求书

1.一种基于一维多尺度深度卷积神经网络的工业过程性能诊断方法，其特征在于包括如下步骤：

步骤1、以频率f_s采集工业过程系统变量的运行数据，建立一个含有多个变量，多种类型故障的数据集，并对数据集进行数据预处理，在此基础上对故障类型进行编号打标签，设置对应的关系，之后对故障类型和标签划分相应的训练集和测试集；

步骤2、构建一维多尺度深度卷积神经网络故障诊断模型；

步骤3、利用划分好的训练集对提出的一维多尺度深度卷积神经网络进行训练，训练好之后，将验证集输入到模型中进行故障诊断，输出故障分类结果。

2.如权利要求1所述的基于一维多尺度深度卷积神经网络的工业过程性能诊断方法，其特征在于：

所述数据预处理是指对数据集进行离差标准化处理，采集的原始信号数据集进行线性变化，使数据样本落在[0，1]区间，相关转换函数如下：

式中min{·}表示样本数据中的最大值，max{·}表示样本数据中的最小值，x_i表示样本数据。

3.如权利要求1所述的基于一维多尺度深度卷积神经网络的工业过程性能诊断方法，其特征在于：

所述对故障类型进行编号打标签是指对数据集进行one-hot编码，又称为一位有效编码，其使用N位状态寄存器来对N个故障进行编码，每个故障都有各自独立的寄存器位，且在任意时刻，只有其中一位有效。

4.如权利要求1所述的基于一维多尺度深度卷积神经网络的工业过程性能诊断方法，其特征在于：

所述一维多尺度深度卷积神经网络故障诊断模型由一维卷积网络模块、多尺度卷积网络模块以及分类模块组成，其中：

一维卷积网络模块中由2层卷积网络和池化层交替连接，卷积层对数据进行卷积运算，采用relu激活函数，padding采用same表示填充输入，使得输出与输入具有相同的长度,并使用L2正则化技术，运算结果输入池化层；

其中卷积层的卷积运算如下式所示：

A^[l]＝f(W^[l]*A^[l-1]+b^[l])

式中A^[l]表示第l层的输出，l∈[1，2，…,n]，W^[l]表示第l层卷积核，“*”表示卷积运算，b^[l]表示第l层对应的偏置，f(·)表示激活函数；

池化层采用最大池化层，防止网络过拟合，提高模型泛化能力，每个最大池化层的处理结果作为下一个卷积层的输入，其运算公式如下：

h＝max(c(t))

式中h表示池化层的输出，c(t)表示输入特征中每个神经元的数值集合，t∈[1，2，…,n],表示第t个神经元；

多尺度卷积网络模块采用1×1卷积、1×3卷积、1×5卷积以及1×3最大池化对输入数据进行三个分支网络的并行处理，提取不同尺度的特征信息，将提取到的特征数据y¹、y²和y³拼接成特征向量y^c＝[y¹，y²，y³]，通过多尺度特征连接模块进行特征融合得到输出特征y，然后经之后的一维卷积模块进一步提取特征之后，输入到分类模块；

分类模块由全连接层、dropout层以及Softmax分类层组成，全连接层将卷积网络提取到的局部特征进行展平加权，输入到dropout层；

dropout层以概率p随机丢弃深层网络的神经元，进一步加强模型的泛化能力，将输出输入到Softmax分类层；

Softmax分类层将输入特征进行分类运算，其计算公式如下：

式中表示第i个输出神经元的值。

5.如权利要求1所述的基于一维多尺度深度卷积神经网络的工业过程性能诊断方法，其特征在于：

所述步骤3具体为：

将上述划分好的训练集输入到一维多尺度深度卷积神经网络中进行训练，以故障类型标签作为所述模型的输出，将输出标签与真实标签做对比，利用Adam优化算法更新整个模型的参数，优化损失函数，该Adam优化算法能够沿梯度下降最快的方向快速达到模型的全局最优点，能以较少的网络迭代次数达到最好的训练效果；

模型训练完成后，将测试集输入到模型中进行预测，最后输出诊断结果。