[发明专利]一种基于网格化RBM的故障诊断方法

说明书

本发明属于神经网络技术领域，具体涉及一种基于网格化RBM的故障诊断方法，包括如下步骤：S1、根据复杂工业过程中传感器采集的各种工业状态的监控参数，建立工业监控时序数据库，作为训练模型的输入；S2、将数据输入建立好的网格化RBM模型进行训练，得到针对本次待测对象的模型；S3、将新的数据输入训练好的网格化RBM模型中，由网格化RBM模型分析该时序数据的故障诊断结果；S4、输出本次测试数据的的故障诊断结果，本方法可以处理任意时间长度的工业监控数据，并在隐藏层中对历史信息进行编码，充分利用不同时刻观测信号之间的时间关系，自动提取具有代表性的特征用于诊断，可以实现对故障的实时监测。

技术领域

本发明属于神经网络技术领域，具体涉及一种基于网格化RBM的故障诊断方法。

背景技术

随着工业过程控制系统越来越庞大和复杂，如果控制系统发生故障，可能会带来巨大的经济损失甚至造成人身伤害，为了保证控制系统的可靠和高效运行，可以采用鲁棒控制策略和故障诊断方法，因为先进的控制策略可以确保系统的鲁棒性，适当的诊断方法能够有效地检测故障，故障诊断结果将为控制策略的选择提供有用的信息，因此，开发能够正确检测故障状态、及时诊断故障类型并最终实现生产过程实时监控的故障诊断方法具有重要意义。

存在问题或缺陷的原因：目前传统的基于数据驱动的故障检测方法主要分为两类，一类是统计方法，另一类是基于机器学习的故障分类方法。统计方法中常用的有主成分分析即PCA和独立成分分析即ICA等，但是无论PCA还是ICA都是线性方法，而复杂工业过程通常是非线性的，此外PCA和ICA在动态过程中的性能不理想，可能会丢失有用的信息，带来误导性的故障检测结果，而基于机器学习的故障诊断方法通常分为两个步骤：特征提取和故障分类。其中故障分类的方法常用的有支持向量机(SVM)，随机森林和BP神经网络等，这些基于分类的故障检测方法的诊断能力取决于特征提取的质量，然而传统的机器学习方法在特征表示上存在局限性，导致在复杂工业过程故障诊断中的应用效果不理想。

发明内容

针对上述技术模型存在部分局限性等问题，本发明提供了一种基于网格化RBM的故障诊断方法。

为了解决上述技术问题，本发明采用的技术方案为：

一种基于网格化RBM的故障诊断方法，包括下列步骤：

S1、根据复杂工业过程中传感器采集的各种工业状态的监控参数，建立工业监控时序数据库，作为训练模型的输入；

S2、将采集的数据输入建立好的网格化RBM模型进行训练，得到待测对象模型；

S3、将新的数据输入训练好的网格化RBM模型中，由网格化RBM模型分析该时序数据的故障诊断结果；

S4、输出本次测试数据的的故障诊断结果。

所述步骤S1中，故障诊断模型的输入为时序数据，序列长度为T。

所述步骤S2中，将时序数据输入处理单元，进行特征提取，相邻层之间是相连的，但是同层之间的节点是不相连的，每个输入单元以数据集样本中的不同时间序列采样点作为输入，其中经过隐藏层的非线性映射输出。

所述步骤S3中，基于单个的RBM模型，通过纵向和横向拓展延伸的方式实现网格化RBM，网格化RBM由多个RBM层组成，每个RBM层包含多个相连的RBM单元，其结构主要分为三层，数据输入层，特征提取层和故障诊断层。

所述步骤S3中，网格化RBM第一层的输入是原始数据，以及前一层RBM的隐藏状态，第二层是RBM网格化网络，通过叠加RBM，神经网络进一步加深，最后一层的故障诊断层利用Softmax函数对最后一层RBM的隐藏状态进行分类，并输出故障诊断结果。

所述步骤S4中，基于三层网格化RBM故障诊断模型能够将故障数据的历史信息存储在存储单元中，实现故障的实时监测和状态输出。