【技术实现步骤摘要】
基于对抗局部最大均值差异的多模态工业过程故障诊断方法
[0001]本专利技术涉及基于数据驱动的过程监测与故障诊断领域,特别是涉及一种针对多模态工业过程小样本条件下故障诊断提出的一种基于对抗局部最大均值差异的多模态工业过程故障诊断方法。
技术介绍
[0002]故障监测与故障诊断技术对工业过程的安全生产起着至关重要的作用。生产需求的变化、外界环境的影响、产品原料的波动、过程单元设备的损坏等因素导致过程运行于不同的工况,使工业过程呈现出多模态的特点。在不同的操作模态下,过程统计特性存在较大的差异,如果使用同一个操作模态的故障诊断模型,则其他模态的故障诊断性能将显著下降。因此,为了保证多模态工业过程的安全可靠运行、提高产品质量、及时判定故障的具体类型,研究多模态工业过程的故障诊断具有积极重大的实际价值。
[0003]传统的基于多元统计的单模型过程故障诊断方法在多模态工业过程故障诊断中表现较差,这些模型仅仅能够用于具有相似过程特性的模态,由于提取的信息不充分,很容易造成大量的误分类现象。为每个操作模态分别建立故障诊断子模型,能充分拟合多模态过程中所有操作模态的数据分布,进而显著提升多模态过程的故障诊断精度。深度学习因其强大的特征提取能力被广泛应用在工业过程监测与故障诊断领域,常见的网络主要有:自编码器网络(AE)、卷积神经网络(CNN)、长短期记忆网络(LSTM)等。然而,为操作模态建立一个性能良好的深度学习故障诊断模型需要海量的过程故障数据进行训练。刚刚投产的目标模态运行时间较短,有标签故障样本收集不充分,为目标模态 ...
【技术保护点】
【技术特征摘要】
1.基于对抗局部最大均值差异的多模态工业过程故障诊断方法,其特征在于包括以下步骤:Ⅰ数据预处理;1)采集不同稳定模态下的正常历史数据和故障样本,得到某一稳定模态的过程数据构成样本集X=[x1′
,x
′2,
…
,x
′
N
]
T
∈R
N
×
A
,R表示实数集,该样本集包含N个采样时刻,每个采样时刻采集A个过程变量,即第k个采样时刻采集的数据为x
′
k
=[x
k,1
,x
k,2
,
…
,x
k,A
];2)对历史过程数据X进行标准化处理,处理方法为:首先计算历史数据X所有时刻上所有过程变量的均值和标准方差,其中第a个过程变量的计算公式为,x
k,a
表示第k个采样时刻的第a个过程变量的测量值;第a个过程变量的标准方差计算公式为,然后对历史过程数据X进行标准化,其中第k个采样时刻的第a个过程变量的标准化计算公式如下:其中,k=1,2,
…
,N,a=1,2,
…
,A;上述预处理后使第k时刻每个元素的值限定在[0,1]的范围之间;3)考虑到过程变量前后时刻的动态性和关联性有助于表征过程变量的关联关系,将采样时刻前后相邻时刻的所有观测变量作为一个整体构成二维矩阵,该二维矩阵作为一个样本输入网络进行训练;使用滑动窗对标准化后的历史数据序列进行分割,滑动窗的窗宽为h,步长为s;从第h采样时刻开始收集第一个样本,共可分割(N
‑
h)/s个样本,第i个样本x
i
的数据格式为h
×
A;4)经过上述样本分割之后,得到带标签源模态样本和无标签目标模态样本其中,表示领域,即模态,和分别表示分割后的源模态样本和目标模态样本,表示源模态样本的真实标签,n
S
表示源模态的样本数量,n
T
表示目标模态的样本数量;II目标模态故障诊断模型训练;1)构建基于对抗局部最大均值差异的深度领域自适应网络模型,其中包括卷积特征提取器、领域判别器、类标签预测器;卷积特征提取器的输出特征进行展平分别作为领域判别器、类标签预测器的输入,类标签预测器输出预测的具体故障类别信息,领域判别器输出领域类别信息;三部分的结构细节如下:卷积特征提取器共包括三层卷积层、一层最大池化层、三层BatchNorm层,为了防止过拟合问题,加入一层随机置零概率为0.5的Dropout层;类标签预测器由两层全连接层、两层BatchNorm层、一层随机置零概率为0.5的Dropout层以及一层Softmax输出层构成;领域判别器由两层全连接层、两层BatchNorm层以及一层Softmax输出层构成;卷积特征提取器每层的参数分别为:卷积核为3*4、步长为1、通道数为64的卷积层1;通道数为64的BatchNorm层1;最大池化层1;卷积核为2*4、步长为1、通道数为50的卷
积层2;通道数为50的BatchNorm层2;卷积核为3*4、步长为1、通道数为50的卷积层3;通道数为50的BatchNorm层3;Dropout层1;类标签预测器每层...
【专利技术属性】
技术研发人员:高慧慧,魏辰,韩红桂,高学金,
申请(专利权)人:北京工业大学,
类型:发明
国别省市:
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。