[发明专利]一种基于深度学习和信号分析的故障诊断方法

摘要

本发明公开了一种基于深度学习和信号分析的故障诊断方法，本发明方法预先采集工业过程在正常和故障时的数据，并将其划分为训练集和测试集；基于训练集离线训练模型参数，再以测试集检验模型，性能指标为故障诊断的精度，其数值大小表征了模型的泛化性能，亦即对故障的在线诊断能力；该方法作为神经网络的变体，能获取过程操作变量在时域上的物理信息，同时引入的小波分析法可获取过程测量变量的频域信息；此外，该方法采用的深度结构适应了工业大数据的大、快、杂、疑等特点，可将过程操作变量的物理信息，结合以过程测量变量的频率特征，学习到故障的深层级的复杂模式，可有效地进行故障诊断，于在线诊断的测试中显示出优越的泛化能力。

主权项

1.一种基于深度学习和信号分析的故障诊断方法，其特征在于，所述方法具体包括：(1)采集工业过程中正常和故障状态时的数据，构建带标签的数据集，将数据集划分为训练集和测试集，并对数据集进行归一化处理；(2)搭建深度小波神经网络模型，其模型结构由小波自编码器、深度学习架构和分类器组成；所述步骤(2)具体包括：(21)确定Morlet小波函数Ψ(x)的向量形式；其中，采用二进小波法生成小波，a表示伸缩因子，则a₀表示初始设置值，N_wv表示小波向量总数；b表示平移因子，b＝kab₀，b₀表示初始设置值，k表示常数因子；ω₀表示预设基波频率，f_b表示设定频带宽度，二者作为超参数，由网格搜索法确定其取值；(22)构建小波自编码器，其中，·表示矩阵乘积，W_wav表示编码层权重，W_dec表示解码层的权重，X表示编码器输入数据，V表示编码器的输出数据，b_wav表示编码层偏差，b_dec表示解码层偏差，k表示该层各神经元的下标，W_dec^k，：表示连接至解码层第k个神经元的权重集合，N_wav表示小波神经元的个数，N表示采样属性总数，以满足自编码器的功能；(23)构建深度学习架构，其中，V表示编码器的输出数据，k表示该层各神经元的下标，D¹，D²分别表示深度神经网络各层的输出值，W_deep1，W_deep2表示深度神经网络各层的权重，b_deep1，b_deep2表示深度神经网络各层的偏差，k表示该层各神经元的下标，N₁，N₂表示深度神经网络各层的神经元总个数，·表示矩阵乘积，其中，η表示控制ELU函数形状的参数；(24)构建分类器，其中，p()表示归一化的概率值，yⁱ|xⁱ；W_out表示在已知上一层神经网络至softmax分类器的权重W_out的基础上，分类器根据输入数据xⁱ做出预测yⁱ的概率模型，其中yⁱ为正常(Normal)或故障(Fault)的二元输出；N_deep表示深度神经网络的最后一层的神经元总数，T表示矩阵的转置，i表示输入数据的样本序号，j表示二元softmax中的子输出序号，θ_j＝{W_out^i,j|i＝1,2,...,N_deep；j＝1,2}，其中，W_out表示深度神经网络最后一层与softmax的连接权重；(3)使用网格搜索法选取深度小波神经网络模型的超参数；(4)利用训练集对深度小波神经网络模型进行训练，得到参数训练好的模型；利用测试集对训练好的模型进行检测，计算故障诊断精度；(5)采集工业过程中的实时数据，输入到训练好的深度小波神经网络模型中，得到故障诊断结果。