The invention relates to a method for building an industrial process fault diagnosis model and its application. The method includes: building a fault diagnosis framework, which includes: a generator, which encodes and decodes each original sample generated by the feature extractor to obtain the first hidden feature, the generated sample and the second hidden feature; adopting the normal original sample set and generating the discrimination in the countermeasure network The discriminator trains the generator to identify the generated samples as the original samples, and the fault scoring calculator performs fault diagnosis based on each original sample to be tested and its corresponding first hidden feature, generated sample and second hidden feature. The invention introduces a generator in the generation countermeasure network into the fault diagnosis model, and the generator has the function of coding \u2011 decoding \u2011 coding. The discriminator in the generation countermeasure network is only based on the normal original sample training generator, which solves the problem that the training of the fault diagnosis model is difficult, the efficiency is low and the effect is poor due to too few industrial fault samples.
【技术实现步骤摘要】
一种工业过程故障诊断模型的构建方法及其应用
本专利技术属于工业大数据故障诊断领域,更具体地,涉及一种工业过程故障诊断模型的构建方法及其应用。
技术介绍
在工业系统中,利用传感器得到的信息和其他关于设备状态的监测信息,通过故障诊断算法,可以确定设备损坏与否,以及预测设备是否将要损坏。因此,及时有效的故障诊断可以确保工业生产正常有序进行,减少企业因设备损坏停机造成的利润损失。考虑到工业过程中数据的特性,故障诊断通常有两种途径:1)是基于故障机理的分析,这需要技术人员熟悉被监控设备的结构、振动模式、故障表现特征等。2)是基于神经网络,作为提取特征和模式识别的“黑盒”模式。机器学习特别是深度学习的兴起,使后者在工业故障诊断中占据了越来越关键的位置。对于工业领域中的故障诊断,最典型的数据是特定传感器在一段时间内记录的物理信号(例如电流和温度信号,也称为时间序列数据)。使用时间序列数据进行故障诊断一直被视为二分类问题。研究人员更倾向于提取出能充分代表时间序列的有用特征,然后针对这些提取出来的特征,采用分类算法来做故障检测。对故障诊断问题,一般考虑两大类模型:基于特征的模型和基于深度学习的模型,其中,基于特征的模型旨在提取特定的特征,通常是具有特定物理或数学含义的特征,从这些特征中可以轻松读取故障信息;基于深度学习的模型能够自动捕获从形象到抽象层次分明的特征,这意味着该模型可以有效地探索数据集的潜在模式。这两种算法均有利有弊,但后者近年来更受欢迎。然而,利用深度学习模型来做故障诊断面临着两个困难:1)训练深度学习模型需要大 ...
【技术保护点】
1.一种工业过程故障诊断模型的构建方法,其特征在于,包括:/n步骤1、构建故障诊断框架,其包括:特征提取器,生成对抗网络中的生成器,以及故障评分计算器;所述生成器用于对所述特征提取器生成的每个原始样本进行编码,得到第一隐藏特征,对所述第一隐藏特征进行解码还原,得到生成样本,对所述生成样本进行编码,得到第二隐藏特征;/n步骤2、采用正常原始样本集和所述生成对抗网络中的鉴别器,以所述鉴别器基于每个所述原始样本将该原始样本对应的所述生成样本鉴别为原始样本为目标,训练所述生成器;其中,所述故障评分计算器用于在所述生成器训练完成后,基于每个待测原始样本及其对应的所述第一隐藏特征、所述生成样本和所述第二隐藏特征,进行故障诊断。/n
【技术特征摘要】
1.一种工业过程故障诊断模型的构建方法,其特征在于,包括:
步骤1、构建故障诊断框架,其包括:特征提取器,生成对抗网络中的生成器,以及故障评分计算器;所述生成器用于对所述特征提取器生成的每个原始样本进行编码,得到第一隐藏特征,对所述第一隐藏特征进行解码还原,得到生成样本,对所述生成样本进行编码,得到第二隐藏特征;
步骤2、采用正常原始样本集和所述生成对抗网络中的鉴别器,以所述鉴别器基于每个所述原始样本将该原始样本对应的所述生成样本鉴别为原始样本为目标,训练所述生成器;其中,所述故障评分计算器用于在所述生成器训练完成后,基于每个待测原始样本及其对应的所述第一隐藏特征、所述生成样本和所述第二隐藏特征,进行故障诊断。
2.根据权利要求1所述的一种工业过程故障诊断模型的构建方法,其特征在于,所述特征提取器具体用于:
对时间序列原始数据集进行尺度缩小,得到时间序列原始样本集,其中,所述原始样本集中各个原始样本的长度相等;
对每个所述原始样本进行预设特征的提取,得到新的原始样本集。
3.根据权利要求2所述的一种工业过程故障诊断模型的构建方法,其特征在于,所述预设特征包括:最大值、最小值、平均值、标准差、峰峰值、平均幅值、均方根值、偏度指标、波形指标、脉冲指标、峭度指标、峰值指标、歪度指标、峰度指标和平方根幅值。
4.根据权利要求1所述的一种工业过程故障诊断模型的构建方法,其特征在于,所述生成器包括:
第一编码子网络,用于对所述特征提取器生成的每个原始样本进行编码,得到第一隐藏特征;
解码子网络,用于对所述第一隐藏特征进行解码还原,得到生成样本;
第二编码子网络,用于对所述生成样本进行编码,得到第二隐藏特征;
其中,所述第一编码子网络和第二编码子网络的结构相同。
5.根据权利要求1至4任一项所述的一种工业过程故障诊断模型的构建方法,其特征在于,所述步骤2包括:
步骤2.1、从正常原始样本集中确定一个原始样本,采用所述生成器,生成该原始样本对应的第一隐藏特征、生成样本和第二隐藏特征;
步骤2.2、基于该原始样本及其对应的第一隐藏特征、生成子样本和第二隐藏特征,得到生成器损失值,并采用所述生成对抗网络中的鉴别器,基于该原始样...
【专利技术属性】
技术研发人员:袁烨,姜文倩,尹航,程骋,周倍同,洪杨,马贵君,
申请(专利权)人:华中科技大学,
类型:发明
国别省市:湖北;42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。