[发明专利]一种基于1DCNN-DS的冷水机组故障诊断方法

权利要求书

1.一种基于1DCNN-DS模型的冷水机组故障诊断方法，其特征在于：具体包括如下步骤：步骤一、采集冷水机组正常运行和不同故障时的状态数据集，构成样本集w；

步骤二、将样本集按比例划分为训练样本w_train和测试样本w_test；

步骤三、训练1DCNN-DS模型：具体如下：

步骤1、通过一维神经网络模块进行分类相关特征提取，通过DS模块与期望效用模块量化选择类别时的不确定性并做出决策，将训练样本集w_train输入至1DCNN-DS模型中；

步骤2、在一维神经网络模块中对w_train进行一维卷积与最大池化操作，由flatten层输出数据的特征向量X；

步骤3、将特征向量X输入DS模块中，该模块由神经网络层实现，定义Ω＝{w₁，...，w_M}为冷水机组状态类别集合，M为整数代表状态种类，w表示该种类状态的集合；则该模块在集合Ω中量化类别不确定性得出质量函数m的计算过程具体如下：

首先，定义{p¹，p²，...pⁱ，pⁿ}为n个径向基函数单元的输入层和隐藏层之间的原型向量，sⁱ为特征向量x与每个原型pⁱ之间基于距离的支持度：sⁱ＝αⁱexp(-(ηⁱdⁱ)²)；i＝1，...，n，α∈(0，1)，dⁱ＝||x-pⁱ||为x与原型pⁱ之间的欧氏距离，ηⁱ为与原型pⁱ相关的参数；

然后，计算与原型pⁱ相关的质量函数mⁱ，mⁱ(Ω)＝1-sⁱ；可视作DS模块第二隐藏层的激活，该层由n个模块组成，每个模块包含M+1个径向基函数单元，模块i的结果对应于mⁱ分配的信念质量；式中为原型pⁱ对类w_j的隶属度，且

然后，计算与原型pⁱ相关的质量函数mⁱ：

mⁱ(Ω)＝1-sⁱ；可视作DS模块第二隐藏层的激活，该层由n个模块组成，每个模块包含M+1个径向基函数单元，模块i的结果对应于mⁱ分配的信念质量；其中为原型pⁱ对类w_j的隶属度，且

最后，将得到的n个质量函数mⁱ根据邓普斯特规则进行聚合，组合质量函数μⁱ({w_j})＝μ^i-1({w_j})mⁱ({w_j})+μ^i-1({w_j})mⁱ(Ω)+μ^i-1(Ω)mⁱ({w_j})；

式中：μ¹＝m¹，μⁱ＝μ^i-1∩mⁱ且i＝2，...，n；当i＝2，...，n且j＝1，...，M时：μⁱ(Ω)＝μ^i-1(Ω)mⁱ(Ω)；

最终，由DS模块的输出的组合质量函数向量：

m＝(mⁱ({w₁})，...mⁱ；(w_M)，mⁱ(Ω))^T；其中m({w_j})代表该特征属于状态类别w_j的置信度；

步骤4、将DS模块输出的组合质量函数向量m输入期望效用模块，与DS模块类似，同样以神经网络层结构实现，其与DS模块的连接权重固定，用于计算各选择类别行为的预期效用，定义为对类w_i的分配行为，B为属于类别集合Ω的子集，U_M×M为原始效用矩阵，其通项μ_ij∈[1，0]是当真实类别为w_j时选择w_i的效用，υ为悲观指数则：

下期望

上期望

上下期望加权和

最后，输出对冷水机组故障精确分类行为的效用分布：

步骤5、整个1DCNN-DS为端到端模型进行训练，使用交叉熵损失函数评估的期望效用分布和目标分布的误差，然后使用Adam优化算法优化损失函数值，不断循环步骤2-步骤5，最终得到训练好的1DCNN-DS模型；

步骤四、将测试样本集w_test输入训练好的1DCNN-DS模型中，输出测试样本的故障诊断结果，对步骤三建立的模型有效性进行验证；验证有效后，模型建立完成；

步骤五、将待测冷水机组参数输入到1DCNN-DS模型中，对待测冷水机组故障进行诊断。