一种基于深度学习的逐点分类故障检测方法技术

本发明专利技术公开了一种基于深度学习的逐点分类故障检测方法(DPCFD)，具体包括：采集工业系统的各信道数据，得到原始数据序列；将原始数据序列输入至预训练的序列状态生成器模型，生成各信道的实时状态序列；将各信道的实时状态序列与原始数据序列按照时间维度进行拼接，得到融合数据序列，根据信道之间的关联关系对信道进行分组，按照信道分组将融合数据序列输入预训练的基于深度学习逐点分类的故障检测模型，得到故障检测结果的序列。该方法使用标准数据集田纳西伊士曼对DPCFD方法进行评估，实验结果表明本方法具有兼顾高检测性能与低检测时延的优势。测时延的优势。测时延的优势。

【技术实现步骤摘要】
一种基于深度学习的逐点分类故障检测方法


[0001]本申请涉及故障检测
，特别是涉及一种基于深度学习的逐点分类故障检测方法。

技术介绍

[0002]故障是系统功能的非期望改变，一般定义为系统中至少一个变量、参数或者特征属性偏离了正常范围，通常会引起元器件以及系统的性能恶化或功能丧失。尽早快速地发现故障对重大事故的预防具有十分重要的意义，因此重要系统一般都会被多个传感数据实时监测，而基于这些多变量的实时监测数据进行故障检测十分困难，其挑战主要有如下几个方面：
①
各信道的数据均为时间序列，它们的时序关系往往是非线性的，而且各元器件性能会随着使用而衰减，这些都大大增大了数据的复杂性，故而难以精确地定位出故障的起止时间；
②
不同信道之间存在复杂的关联关系，而且这种关联关系随着时间动态变化，传统方法难以挖掘这种信道间的时序关联关系；
③
故障样本通常较少，属于典型的类别不平衡问题，且人工给数据进行故障标注困难，成本代价很高。
[0003]故障检测方法包括基于模型、基于知识和数据驱动的方法。基于模型的方法需要通过物理原理和逻辑结构构建系统的精确数学模型；基于知识的方法则是使用定性描述的方式，通过因果模型和专家先验知识库获得监控模型。数据驱动的方法因其不依赖背景知识的巨大优势具有很强的通用性，近年来逐渐成为最流行和可靠的故障检测方法。数据驱动的诸多方法中，深度神经网络由于其自学习和自适应的特性，能够很好地学习非线性的特征，得到了更为广泛的研究与应用。基于深度学习进行故障检测的方法大致可以分为有监督的方法和无监督的方法。有监督的方法通过有标注的正负样本构建分类模型，训练模型参数；而无监督的方法则可以分为基于偏差的方法和基于单类分类器的方法。
[0004]基于偏差的无监督方法仅使用正常样本建立预测模型，学习系统在正常模式下的规律，最后根据测试样本的预测偏差和阈值来判定是否故障。
[0005]基于偏差的方法通过各点的异常得分计算和阈值的设定，在理论上则可以将故障定位到采样时间点。基于单类分类器的无监督方法则通过在正常样本上的训练学习正常样本的边界来区分正常样本和故障样本。这类方法先采用自编码器等特征提取进行特征提取，然后分别使用正常样本建立单类分类器模型，最后分别使用单类分类器进行故障检测。
[0006]综上所述，无监督方法的优势是不依赖故障样本，通用性强；而它们的劣势则是没有利用已有的故障信息，因此在故障训练样本较为充足的条件下，这类方法的整体性能难以超过有监督的方法。各类无监督的方法虽然通常在理论上能将故障定位到时间点，但无法利用故障样本的劣势导致它们在实际应用中难以兼顾故障检测的高性能以及低检测时延。
[0007]有监督的故障检测方法使用带有故障标注的样本进行训练，在对故障样本分类的同时，可通过故障样本对应的时间确定故障的发生时间。这类方法通过将原始数据分为多个预设长度的子序列，以带有故障标注的各子序列作为训练样本学习分类器；在测试阶段，
基于训练好的分类器对各测试子序列进行分类，分类结果包含了故障的类别也隐含了故障出现的时段(子序列)。使用这类基于分类的方法进行故障检测时，只能够确定故障的大致时段，而无法精确定位到故障开始和结束的时间。如果预定义的时序片段过长，则更加难以确定故障开始和结束的准确时间，甚至不知道该故障是否结束，不利于对故障的合理处置；反之，如果预定义的时序片段过短，则无法充分利用时序信息，检测效果难以保证。

技术实现思路

[0008]基于上述各种故障检测方法的不足，本文提出了一种基于深度学习的逐点分类故障检测方法(Deep
‑
learningbasedPoint
‑
wiseClassificationforFaultDetection,DPCFD)，以采样时间点为最小粒度进行更加精确地故障检测。
[0009]一种基于深度学习的逐点分类故障检测方法，所述方法包括：
[0010]采集工业系统的各信道数据，得到原始数据序列；
[0011]将原始数据序列输入至预训练的序列状态生成器模型(Sequence State Generator,SSG)，生成各信道的实时状态序列；所述序列状态生成器模型包括：卷积模块、双向LSTM模块、时间注意力机制模块、全连接层、softmax分类和标签转换；
[0012]将各信道的实时状态序列与原始数据序列按照时间维度进行拼接，得到融合数据序列，根据信道之间的关联关系对信道进行分组，按照信道分组将融合数据序列输入预训练的基于深度学习逐点分类的故障检测模型(Deep
‑
learningbasedPoint
‑
wiseClassification Model,DPCM)，得到故障检测结果的序列。
[0013]在其中一个实施例中，所述将原始数据序列输入至预训练的序列状态生成器模型，生成各信道的实时状态序列，包括：
[0014]将原始数据序列输入卷积模块进行短时的时序特征抽取，得到时序特征；
[0015]将所述时序特征输入所述双向LSTM模块进行时序关系提取，并根据所述时间注意力机制模块在所有时间点上根据不同权重计算得到时序相关特征；
[0016]将所述时序相关特征输入时序共享参数的全连接层和softmax进行分类，得到表示单信道实时状态的输出序列，将所述输出序列转换为类别标签组成的实时状态序列后输出。
[0017]所述卷积模块由一维卷积层、批规范化处理层和ReLU激活函数构成，并对卷积层采用了0填充。
[0018]各信道的实时状态序列中的各点表示在各时刻下的状态，不同的状态类别使用不同的标签表示，一般状态用标签0表示，其他特殊状态分别用非0标签表示。
[0019]在其中一个实施例中，根据信道之间的关联关系对信道进行分组，包括：
[0020]根据信道间的关联关系对多个信道的数据进行分组，将关联程度高的信道分为一组，控制各组内的信道数在一个预设定的值以内。
[0021]在其中一个实施例中，所述基于深度学习逐点分类的故障检测模型包括：一个卷积模块、压缩和激活块、双向LSTM模块、时间注意力机制模块、时序全连接层和softmax。
[0022]在其中一个实施例中，按照信道分组将融合数据序列输入预训练的基于深度学习逐点分类的故障检测模型，通过一下步骤得到故障检测结果的序列，包括：
[0023]对每一个分组的输入数据分别采用一个卷积模块进行特征提取；
[0024]在每个卷积模块后使用压缩和激活块对各卷积模块的特征图进行加权选择；
[0025]经过压缩和激活块后，将各模块提取的特征根据时间维度进行拼接，得到所有信道卷积和特征图筛选后的特征；
[0026]使用一个两层的带有Dropout的双向LSTM模块提取时序关系，并利用时间注意力机制模块在所有时间点上根据不同权重计算相关特征；最后经过时序全连接层和softma本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的逐点分类故障检测方法，其特征在于，所述方法包括：采集工业系统的各信道数据，得到原始数据序列；将原始数据序列输入至预训练的序列状态生成器模型，生成各信道的实时状态序列；所述序列状态生成器模型包括：卷积模块、双向LSTM模块、时间注意力机制模块、全连接层、softmax分类和标签转换；将各信道的实时状态序列与原始数据序列按照时间维度进行拼接，得到融合数据序列，根据信道之间的关联关系对信道进行分组，按照信道分组将融合数据序列输入预训练的基于深度学习逐点分类的故障检测模型，得到故障检测结果的序列。2.根据权利要求1所述的方法，其特征在于，将原始数据序列输入至预训练的序列状态生成器模型，生成各信道的实时状态序列，包括：将原始数据序列输入卷积模块进行短时的时序特征抽取，得到时序特征；将所述时序特征输入所述双向LSTM模块进行时序关系提取，并根据所述时间注意力机制模块在所有时间点上根据不同权重计算得到时序相关特征；将所述时序相关特征输入时序共享参数的全连接层和softmax进行分类，得到表示单信道实时状态的输出序列，将所述输出序列转换为类别标签组成的实时状态序列后输出。3.根据权利要求2所述的方法，其特征在于，所述卷积模块由一维卷积层、批规范化处理层和ReLU激活函数构成，并对卷积层采用了0填充。4.根据权利要求2所述的方法，其特征在于，各信道的实时状态序列中的各点表示在各时刻下的状态，不同的状态类别使用不同的标签表示，一般状态用标签0表示，其他特殊状态分别用非0...

【专利技术属性】
技术研发人员：吴俊锋，姚莉，刘斌，丁哲元，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：