一种工业过程故障诊断模型的构建方法及其应用技术

本发明专利技术涉及一种工业过程故障诊断模型的构建方法及其应用，方法包括：构建故障诊断框架，其包括：生成器，其对特征提取器生成的每个原始样本进行编码‑解码‑编码，得到第一隐藏特征、生成样本和第二隐藏特征；采用正常原始样本集和生成对抗网络中的鉴别器，以鉴别器将生成样本鉴别为原始样本为目标，训练生成器；故障评分计算器，其基于每个待测原始样本及其对应的第一隐藏特征、生成样本和第二隐藏特征进行故障诊断。本发明专利技术在故障诊断模型中引入生成对抗网络中的生成器，且生成器具有编码‑解码‑编码功能，采用生成对抗网络中的鉴别器仅基于正常原始样本训练生成器，解决了因工业故障样本过少造成故障诊断模型训练困难、效率低且效果差的问题。

A construction method of industrial process fault diagnosis model and its application

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量已标记的数据集。但是在许多实际的工业系统中，异常工况下的样本数量过少。在测试阶段时，正常样本和异常样本的不平衡将导致预测结果偏向正常。另外，当设备正常运行一段时间后，突然发生异常，很难从收集的数据中清楚地找出异常发生的起点。因此，几乎不可能对数据进行准确的标记，这也会在训练模型时产生非常不利的影响。2)时间序列数据集往往非常大。通常情况下传感器负责收集大量的信息，并且每个传感器都以相对高的频率连续地记录数据。如果将这些数据直接输入深度神经网络进行训练，不仅计算量巨大而且诊断效果也很差。因此，如何提高深度学习模型的训练效率是目前亟待解决的技术问题。
技术实现思路
本专利技术提供一种工业过程故障诊断模型的构建方法及其应用，用以解决现有故障诊断模型因需要通过故障样本进行深度学习，然而工业时间序列数据中故障样本收集困难，导致故障诊断模型训练效率低的技术问题。本专利技术解决上述技术问题的技术方案如下：一种工业过程故障诊断模型的构建方法，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。本专利技术的有益效果是：在故障诊断模型中引入生成对抗网络中的生成器，且该生成器分为三个功能(即编码-解码-编码)。在训练时，仅使用正常原始样本，采用生成对抗网络中的鉴别器监督生成器的训练，使得生成器对正常原始样本进行编码、解码后得到的生成样本，具有原始样本的特征，当生成器与鉴别器的损失函数收敛时完成训练。当生成器训练完成后，生成器仅获得正常样本的数据特征和完美编码-解码-编码正常样本的能力，当输入故障样本后，生成器按照获得的处理正常样本的能力对待测故障样本进行编码、解码、编码，得到的生成样本与故障样本会有差别，基于该差别进行故障判断。本专利技术引入生成对抗网络中的鉴别器、生成器且生成器具有编码、解码和再编码功能，使得故障诊断框架仅使用从正常工况下采集的时间序列数据进行训练，即可得到用于工业过程故障诊断的诊断模型，解决了因工业时间序列数据中故障样本过少造成故障诊断模型训练困难、效率低和效果差的问题。上述技术方案的基础上，本专利技术还可以做如下改进。进一步，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。本专利技术的进一步有益效果是：由于实际采集的时间序列数据较庞大，本专利技术的特征提取器先对原始数据集进行采样，获得长度相等并远远小于原样本长度的样本，然后提取采样后的样本中的预设特征，形成新的原始样本。通过这种降低数据维度的方式，使得引入的生成对抗网络能够灵活处理工业领域的时间序列大数据，在保证训练准确度的同时可极大缩小计算所需要的时间，提高故障诊断模型的训练效率，解决了时间序列数据集往往过于庞大，直接将这些数据输入深度神经网络进行训练不仅计算量巨大而且效果也很差的问题。进一步，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。本专利技术的进一步有益效果是：这些预设特征能够很好的代表工业时间序列信号的时域特征，保证经过特征提取器处理并输入生成器的样本能够准确代表原数据。进一步，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。进一步，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，基于该原始样本及其对应的所述生成样本，得到鉴别器损失值；步骤2.3、以最小化所述生成器损失值和最小化所述鉴别器损失值为目标，交替调整所述生成器的参数和所述鉴别器的参数，重复步骤2.1，直至达到迭代停止条件，完成所述生成器的训练。本专利技术的进一步有益效果是：采用反向传播理论优化模型思想，在训练时，对鉴别器和生成器交替训练，提高生成器对正常样本特征的提取、生成能力，保证故障诊断模型的故障诊断能力。进一步，所述生成器损失函数值为欺诈损失值、表观损失值和潜在损失值的加权和，其中，各加权系数是根据实际诊断需要预设；其中，所述欺诈损失值为所述鉴别器基于每个原始样本，得到该原始样本对应的所述生成样本属于该原始样本的概率值，基于该概率值和该原始样本的预设标签值，通过二分类交本文档来自技高网...

【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