基于深度并行时序关系网络的异常数据诊断方法技术

本发明专利技术公开了一种基于深度并行时序关系网络的异常数据诊断方法，在工业生产系统的各种异常工况下采集特征数据并标准化得到训练数据矩阵，然后提取得到特征向量序列，将特征向量序列作为输入、对应的异常工况序号作为输出构成训练样本，构建DPTRN模型，包括关系模块、解耦位置向量计算模块、关系权重计算模块、历史信息向量计算模块、向量拼接模块和多层感知器，采用训练样本对DPTRN模型进行训练，当需要对工业生产系统进行异常数据诊断时，采集得到当前时刻的数据矩阵并输入训练好的DPTRN模型，得到异常数据诊断结果。采用本发明专利技术可以提高时序数据的处理速度，并保证了异常数据检测性能。性能。性能。

【技术实现步骤摘要】
基于深度并行时序关系网络的异常数据诊断方法


[0001]本专利技术属于工业过程异常数据诊断
，更为具体地讲，涉及一种基于深度并行时序关系网络的异常数据诊断方法。

技术介绍

[0002]随着现代工业技术的不断增长，现代工业的规模越来越复杂。在工业过程中出现的异常数据如果不及时识别并解决，不仅会带来经济损失，严重时还会危及人员生命安全。因此，利用稳定可靠的异常数据诊断技术来监测工业过程是十分必要的。
[0003]传统的基于建模的异常数据诊断方法由于其复杂度高、可维护性差、鲁棒性低等特点已经无法适应愈发增长的现代工业体系，因而基于数据驱动的方法受到越来越广泛的关注。基于数据驱动的方法根据工业过程中采集到的历史数据分析数据模式的潜在规律，并得到一个兼具鲁棒性和准确性的数据模型，从而能够对新的数据实现异常数据检测或故障诊断。
[0004]深度学习作为近年来最火热的基于数据驱动的方法在工业故障检测和诊断领域上取得了大量的实际成果。相比于传统的机器学习方法，深度学习能够避免大量的人工特征工程工作，能够自动学习数据的潜在高维表达，在各项评本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度并行时序关系网络的异常数据诊断方法，其特征在于，包括以下步骤：S1：在工业生产系统的D种异常工况下，由预先设置的若干传感器采集各种异常工况的工作数据，每个采样时刻的特征向量的维度为M；记第d种异常工况下第t个采样时刻所得到的特征向量为x
d
(t)，d＝1,2,
…
,D，t＝1,2,
…
,N
d
，N
d
表示第d种异常工况下的采样时刻数量；将特征向量x
d
(t)作为行向量，按照采样时刻进行升序排列得到原始训练数据矩阵X
d
：S2：将原始数据矩阵X
d
进行标准化得到标准化的训练数据矩阵进行标准化得到标准化的训练数据矩阵S3：将训练数据矩阵中的特征向量按照预设的时间序列长度K划分为Q
d
个特征向量序列向量序列其中，q＝1,2,
…
,Q
d
，Q
d
表示训练数据矩阵划分得到的特征向量序列数量，划分得到的特征向量序列数量，表示向下取整；S4：将步骤S3得到的每个特征向量序列作为一个训练样本中的输入，将对应异常工况序号d作为期望输出，即构成一个训练样本；S5：构建DPTRN模型，包括关系模块、解耦位置向量计算模块、关系权重计算模块、历史信息向量计算模块、向量拼接模块和多层感知器，其中：关系模块用于对输入的特征向量序列提取得到初步关系权重向量并发送至关系权重计算模块，具体方法如下：记输入的特征向量序列为其中z(k)表示特征向量序列中Z的第k个M维特征
向量；关系模块中包括K
‑
1个关系单元，第k
′
个关系单元用于计算得到特征向量z(k
′
)和特征向量z(K)之间的初步关系权重从而得到初步关系权重向量每个关系单元包括向量拼接单元和多层感知器单元，其中：向量拼接单元用于对特征向量z(k
′
)和特征向量z(K)进行拼接，得到拼接后的特征向量C(k
′
)并发送给多层感知器，特征向量C
k
′
的表达式如下：其中，contact()表示向量拼接；多层感知器单元接收拼接后特征向量C(k
′
)，处理得到特征向量z(k
′
)和特征向量z(K)的初步关系权重解耦位置向量计算模块用于从输入的特征向量序列Z中提取得到历史时刻和当前时刻的解耦位置向量，并发送至关系权重计算模块；解耦位置向量计算模块包括位置编码模块和位置向量解耦模块，其中：位置编码模块用于对特征向量序列Z中的每个特征向量z(k)分别生成对应的M维位置编码PE(k)，并发送给位置向量解耦模块；位置向量解耦模块根据每个特征向量z(k)的位置编码PE(k)，计算得到前K
‑
1个历史时刻特征向量z(k
′
)解耦后的位置编码dpe(k
′
)，从而得到前K
‑
1个历史时刻的解耦位置向量D...

【专利技术属性】
技术研发人员：凡时财，杨淳，邹见效，徐红兵，
申请(专利权)人：电子科技大学深圳高等研究院，
类型：发明
国别省市：