一种基于深度信念网络和相关性模型的故障诊断融合方法技术

本发明专利技术属于工业级控制系统故障诊断技术领域，具体涉及一种基于深度信念网络和相关性模型的故障诊断融合方法。包括下述步骤：步骤一，建立D矩阵模型；步骤二，将步骤一得到的D矩阵进行权值化处理得到权重矩阵W；步骤三，将步骤二得到的权重矩阵W进行正态分布标准化；步骤四，将步骤三得到的正态分布标准化后的权重矩阵作为DBN网络的初始权重矩阵；步骤五：输入测试信息，输出故障模式，完成D矩阵和DBN网络的融合故障诊断。本发明专利技术建立了相关性模型故障诊断与深度信念网络故障诊断之间的融合方案，即提高了DBN网络收敛速度和预测精度，又改善了相关性模型诊断的局限性，融合诊断的适用性更广。更广。更广。

【技术实现步骤摘要】
一种基于深度信念网络和相关性模型的故障诊断融合方法


[0001]本专利技术属于工业级控制系统故障诊断
，具体涉及一种基于深度信念网络和相关性模型的故障诊断融合方法。

技术介绍

[0002]为了使控制系统在各种不同的恶劣工作环境正常工作，对其可靠性的要求也提出来严格的要求。那么对于核电控制系统的测试与诊断工作也越来越受到了重视。
[0003]由于产品的测试与故障诊断存在于产品系统的全寿命周期内，所以在对装备的维修和保障中，故障诊断技术起着至关重要的作用。
[0004]故障诊断技术作为一门学科起源于上个世纪60年代，相应的测试设备也经历了人工、半自动，然后实现了全自动化方向发展的过程，测试技术的智能化水平不断提高。
[0005]故障诊断技术主要研究的是如何对系统出现的故障进行检测、隔离和定位，即判断故障是否发生，定位故障发生的部件或模块、分辨故障发生的种类。
[0006]核电工业控制系统的故障现象具有复杂多样化特征，比如其中的某个元器件参数超出了容差范围，可定义为故障状态。
[0007]为了提高控制系统故障诊断的精度和速度，降低误报率和漏报率，确定故障发生的准确部位，主流趋势是应用智能算法对装备系统进行故障诊断。
[0008]深度学习是促进智能化诊断发展的主要方法，系统通过对已有数据样本进行训练，得到成型网络模型，然后对系统进行故障诊断。当系统获得自学习能力，就能够不断从环境中获得新知识，从而进行系统学习诊断的自我完善。
[0009]因此，亟需研制一种通过深度信念网络和相关性模型融合模型的故障诊断方法，从而弥补深度信念网络的复杂度高的缺点，提高预测精度，从而提高控制系统可用度、降低系统全寿命周期费用。

技术实现思路

[0010]本专利技术要解决的技术问题是提供一种基于深度信念网络和相关性模型的故障诊断融合方法，从而既能准确进行故障检测、隔离及定位，又能降低故障诊断的复杂度。
[0011]为了实现这一目的，本专利技术采取的技术方案是：
[0012]一种基于深度信念网络和相关性模型的故障诊断融合方法，包括下述步骤：
[0013]步骤一，建立D矩阵模型
[0014]对被测对象进行测试性相关性信息获取，建立D矩阵的测试性模型；
[0015]步骤二，将步骤一得到的D矩阵进行权值化处理得到权重矩阵W；
[0016]步骤三，将步骤二得到的权重矩阵W进行正态分布标准化
[0017]步骤四，将步骤三得到的正态分布标准化后的权重矩阵作为DBN网络的初始权重矩阵；
[0018]步骤五：输入测试信息，输出故障模式，完成D矩阵和DBN网络的融合故障诊断。
[0019]进一步的，如上所述的一种基于深度信念网络和相关性模型的故障诊断融合方法，步骤二中，采用对多种典型状态下建立对应的D矩阵，每种状态出现是有特定概率，将其概率转化成权值，对不同状态下的多个D矩阵进行加权平均，得到含有测试与故障相关性信息的权重矩阵W。
[0020]进一步的，如上所述的一种基于深度信念网络和相关性模型的故障诊断融合方法，步骤二中，具体过程如下
[0021]步骤二(1)，对多种典型状态下建立对应的D矩阵，选取控制系统的第K种典型状态，建立系统该状态下的D矩阵D
m
×
n
；
[0022]步骤二(2)，分析该状态在系统全寿命周期内的发生概率，将该概率确定为系统状态的权值w
k
；
[0023]步骤二(3)，分析控制系统的典型状态是否分析完，若否，则继续回到步骤一；若是，将所有权值相加，求得值w；
[0024]步骤二(4)，选择步骤一中的D
m
×
n
的第i行，将控制系统的所有典型状态(设有p种状态)下的D
m
×
n
中的d
ij
值均值化得w'
ij
，表示为
[0025]步骤二(5)，令j＝j+1逐列计算，判断j是否大于n，若否，则回到步骤四；若是，则进行步骤六；
[0026]步骤二(6)，令i＝i+1逐行计算，判断i是否大于m，若否，则回到步骤四；若是，则得到权值化矩阵W。
[0027]进一步的，如上所述的一种基于深度信念网络和相关性模型的故障诊断融合方法，步骤三中，设权重矩阵W服从N(μ,σ2)
分布
，将其进行正态分布标准化，矩阵W中的元素Y＝(X
‑
μ)/σ服从N(0,1)分布。
[0028]进一步的，如上所述的一种基于深度信念网络和相关性模型的故障诊断融合方法，步骤四中，DBN网络的显元为D矩阵的测试点的信息，将步骤三得到的正态分布标准化后的权重矩阵作为DBN网络的初始权重矩阵，进行网络训练。
[0029]本专利技术技术方案的有益效果在于：
[0030]本专利技术建立了相关性模型故障诊断与深度信念网络故障诊断之间的融合方案，即提高了DBN网络收敛速度和预测精度，又改善了相关性模型诊断的局限性，融合诊断的适用性更广。
附图说明
[0031]图1为D矩阵权值化方案流程图。
[0032]图2为故障诊断融合方法示意图。
具体实施方式
[0033]下面结合附图和具体实施例对本专利技术技术方案进行详细说明。
[0034]相关性矩阵(D矩阵)描述的是在特定的状态时，系统的故障和测试之间的相关联性，在建立一个相关性矩阵时，在某一个组成模块发生了故障，理论上其测试有效性是等同
的在信息流可达的每个测试点。换言之，对于某个发生的故障，关于D矩阵在信息流可达的测点对应元素都为“1”。但是在工程实践应用中，会出现信号在传输的过程中衰减的情况，在这种情况下，若只用一个状态的D矩阵实现系统整个过程的相关性模型诊断，是具有局限性不能充分反映整个系统的特性，所以就不能将D矩阵中发生衰减变化的测点对应的元素绝对地设为“1”。
[0035]针对上述问题，本申请提出考虑从测试性预计的结果出发，将每一个预计的测试检测率，替换D矩阵中该测试对应的元素值，就可将D矩阵进行权值化处理。也就是通过将系统所有典型状态下的D矩阵进行加权平均，形成一个权值化D矩阵，其元素为介于[0,1]区间的值。本专利技术步骤二中，采用对多种典型状态下建立对应的D矩阵，每种状态出现是有特定概率，将其概率转化成权值，对不同状态下的多个D矩阵进行加权平均，得到含有测试与故障相关性信息的权重矩阵W。
[0036]本专利技术技术方案是基于深度信念网络模型和相关性模型的故障的诊断方法，其本质是引用D矩阵知识进行确定初始权值矩阵的问题的。是从D矩阵出发，将D矩阵的测试作为DBN网络(深度置信网络)的显示层作为输入，每个显元代表一个测试点的信息，通过D矩阵的权值化将结果作为DBN网络的权重初始值，可以优化DBN网络初始权值。如图2为诊断融合方案的设计。然后将权值化的D矩阵中的数据进行标准正态分布处理计算，作为DBN的初始权值矩本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度信念网络和相关性模型的故障诊断融合方法，其特征在于，包括下述步骤：步骤一，建立D矩阵模型对被测对象进行测试性相关性信息获取，建立D矩阵的测试性模型；步骤二，将步骤一得到的D矩阵进行权值化处理得到权重矩阵W；步骤三，将步骤二得到的权重矩阵W进行正态分布标准化步骤四，将步骤三得到的正态分布标准化后的权重矩阵作为DBN网络的初始权重矩阵；步骤五：输入测试信息，输出故障模式，完成D矩阵和DBN网络的融合故障诊断。2.如权利要求1所述的一种基于深度信念网络和相关性模型的故障诊断融合方法，其特征在于：步骤二中，采用对多种典型状态下建立对应的D矩阵，每种状态出现是有特定概率，将其概率转化成权值，对不同状态下的多个D矩阵进行加权平均，得到含有测试与故障相关性信息的权重矩阵W。3.如权利要求1所述的一种基于深度信念网络和相关性模型的故障诊断融合方法，其特征在于：步骤二中，具体过程如下步骤二(1)，对多种典型状态下建立对应的D矩阵，选取控制系统的第K种典型状态，建立系统该状态下的D矩阵D
m
×
n
；步骤二(2)，分析该状态在系统全寿命周期内的发生概率，将该概率确定为系统状态的权值w
k
；步骤二(3)，分析控制系统的典型状态是否分析完，若否，则继续回到步骤一；若是，将所有权值相加，求得值w；步骤二(4)，选择步骤一中的D
m
×
n
的第i行，将控制系统的所有典型状态(设有p种状态)下的D
m
×
n
中的d
ij
值均值化得w
′
ij
，表示为步骤二(5)，令j＝j+1逐列计算，判断j是否大于n，若否，则回到步骤四；若是，则进行步骤六；步骤二(6)，令i＝i+1逐行计算，判断i是否大于m，若否，则回到步骤四；若是，则得到权值化矩阵W。4.如权利要求1所述的一种基于深度信念网络和相关性模型的故障诊断融合方法，其特征在于：步骤三中，设权重矩阵W服从N(μ,σ2)
分布
...

【专利技术属性】
技术研发人员：赵亚薇，张强，王冬，梁嘉琳，赵爽，
申请(专利权)人：中核控制系统工程有限公司，
类型：发明
国别省市：