[发明专利]基于多通道卷积神经网络的阀冷系统故障诊断方法及装置

权利要求书

1.一种基于多通道卷积神经网络的阀冷系统故障诊断方法，其特征在于包括如下步骤：

步骤1，获取故障时间段阀冷控保装置录波信息、后台事件，进行数据处理，构建基于阀冷系统故障信息的数据集；

步骤2，将所述数据集划分为训练集和测试集；

步骤3，构建多通道卷积神经网络模型，采用训练集对其进行训练，得到训练后的多通道卷积神经网络模型，然后采用测试集对所述训练后的多通道卷积神经网络模型进行验证评价，得到最终的多通道卷积神经网络模型；

步骤4，保存所述最终的多通道卷积神经网络模型模型，待具体诊断时复用该模型，对待测数据进行故障诊断分类。

2.如权利要求1所述的方法，其特征在于：所述步骤1中，故障信息包括但不限于进阀温度、出阀温度、外冷回水温度、主循环流量、缓冲罐液位、进阀压力、出阀压力、主循环电导率。

3.如权利要求1所述的方法，其特征在于：所述步骤1中，获取故障时间段阀冷控保装置后台事件，包括通过控保后台筛选出故障前后阀冷控制保护主机上送的一段时间、一定数量的报警出现事件。

4.如权利要求1所述的方法，其特征在于：所述步骤1中，进行数据处理，包括，

对于波形信息，采用分段提取的方式进行信息提取，即故障发生时刻前后短时间内采用高采样率，远离故障发生时刻采用低采样率；

对于后台事件，进行独热编码处理，将每条报警事件转化成数字向量，从而将文字转换为向量计算；

将阀冷系统故障原因分类并进行编号，对每个样本的故障原因添加标签形成标注数据集。

5.如权利要求1所述的方法，其特征在于：所述步骤3中，构建的多通道卷积神经网络模型，包括输入层、卷积池化层、融合层、全连接层、softmax层、输出层，其中，每次卷积层和池化层操作之后都进行ReLU非线性激活函数操作。

6.如权利要求5所述的方法，其特征在于：所述融合层用于将多通道一维特征向量进行融合：

z＝w₁·m₁+w₂·m₂+…+w_n·m_n

其中，w₁，w₂，…，w_n分别为训练过程中学习到的特征向量m₁，m₂，…，m_n的融合权值，融合权值的维数与特征向量的维数一致。

7.如权利要求1所述的方法，其特征在于：所述步骤3中，采用训练集对多通道卷积神经网络模型进行训练，具体如下：

设置所述多通道卷积神经网络的网络参数向量和初始超参数；

将训练集数据输入至多通道卷积神经网络模型，得到各类阀冷系统故障定位的置信分数；

根据实际故障类别以及置信分数计算损失值；

当所述损失值过大时，通过贝叶斯优化调整所述初始超参数；

基于调整后的超参数，选用通过Adam参数优化算法更新所述网络参数向量；

利用所述训练集数据对更新网络参数向量后的多通道卷积神经网络重新进行训练，直至所述损失值满足预期；

保存所述网络参数向量，得到训练好的所述多通道卷积神经网络模型。

8.如权利要求1所述的方法，其特征在于：所述步骤3中，采用测试集对训练后的多通道卷积神经网络模型进行验证评价，具体如下：

将处理后的阀冷系统故障信息输入至多通道卷积神经网络模型进行训练，得到故障诊断分类结果准确率；

判断所述故障诊断分类结果准确率是否满足期望；

若满足，得到最终的多通道卷积神经网络模型；若不满足，调整所述多通道卷积神经网络模型的超参数，使所述故障诊断分类结果准确率满足要求。