基于图正则化CNN-BiLSTM的多传感器故障诊断方法、介质及设备技术

本发明专利技术公开了一种基于图正则化CNN

【技术实现步骤摘要】
基于图正则化CNN
‑
BiLSTM的多传感器故障诊断方法、介质及设备


[0001]本专利技术涉及基于特定计算模型的计算机故障诊断系统领域，尤其涉及一种基于图正则化 CNN
‑
BiLSTM的多传感器故障诊断方法、介质及设备。

技术介绍

[0002]故障诊断作为故障预测与健康管理(prognostics and health management，PHM)的关键环节，通过信号检测技术和数据分析手段，实现故障检测、隔离并识别故障类型，为系统的维修维护提供相应的解决方案和运维策略。
[0003]故障诊断主要包括特征提取和分类两部分。传统基于时频信号处理的故障诊断方法依赖人工经验提取特征，在当前体量浩大、多源异构、生成快速、价值稀疏的状态监测大数据的情况下使用具有局限性。而深度学习凭强大处理复杂识别任务和特征提取能力的优势在机械制造、航空航天、能源化工等领域的设备故障诊断中被广泛研究和应用。现有深度学习中的卷积神经网络(convolutional neural networks,CNN)能有效避免复杂的特征提取和数据重建过程；双向长短时记忆网络(bidirectional long short
‑
term memory network,BiLSTM)在前后两个方向同时处理网络的输入，提高了模型的预测精度。因此，基于CNN和BiLSTM网络模型的深度学习被用于故障诊断，以下简称：现有基于深度学习的故障诊断方法。
[0004]现有基于深度学习的故障诊断方法基于样本独立假设，忽略了样本间关联信息。事实上，在特定特征空间中，同类别样本相似且距离较近，不同类别样本差距较大且距离较远。因此，为充分利用样本之间的几何结构信息来提高深度学习算法模型的性能，将流形学习方法以及谱图理论的知识引入传统正则化方法中，形成现有深度图正则化故障诊断方法。现有深度图正则化故障诊断方法使数据在新的投影空间中能够保持其在原特征空间中的局部几何结构，即各数据点在分布的本质几何结构中相近，在嵌入或投影到新的空间中也相近。但是，现有深度图正则化故障诊断方法的网络近邻图在原始高维空间中构建，存在计算量大、易受干扰、训练效率低的问题。

技术实现思路

[0005]本专利技术的目的在于提供一种基于图正则化CNN
‑
BiLSTM的多传感器故障诊断方法、介质及设备，以提高现有深度图正则化故障诊断方法训练效率低问题。
[0006]为了实现上述目的，本专利技术所述基于图正则化CNN
‑
BiLSTM的多传感器故障诊断方法，所述方法包括：
[0007]S1，采集多传感器的状态监测数据，并对采集的数据预处理，得到训练集、验证集和测试集；
[0008]S2，建立CNN
‑
BiLSTM网络，将图正则化项加在CNN
‑
BiLSTM网络的全连接层中，所述全连接层为距离分类器最近的全连接层，完成GR
‑
CNN
‑
BiLSTM模型构建；
[0009]S3，利用训练集内的数据训练所述GR
‑
CNN
‑
BiLSTM模型，利用验证集内的数据评价所述GR
‑
CNN
‑
BiLSTM模型，并获取所述GR
‑
CNN
‑
BiLSTM模型性能最优时的网络参数；
[0010]S4，将测试集的数据输入性能最优的GR
‑
CNN
‑
BiLSTM模型中进行故障诊断，得到故障诊断结果。
[0011]优选地，步骤S1中，对采集的数据进行z
‑
score标准化、min
‑
max标准化或归一化处理。
[0012]优选地，步骤S2，建立CNN
‑
BiLSTM网络，具体为：
[0013]A1，将训练集输入CNN中进行网络结构训练，经过卷积层提取深层特征数据，再经过最大池化层处理，得到降维深层特征数据；
[0014]A2，将降维深层特征数据输入BiLSTM进行网络结构训练，将BiLSTM训练得到的输出数据拼接融合，得到并学习融合后的故障特征数据；
[0015]A3，将融合后的故障特征数据输入全连接层模块，在所述全连接层模块的输出层设置 softmax分类器，进行故障状态分类并输出，更新网络结构参数，返回A1，进行下一批数据的训练，直至训练集的数据全部参与训练后作为一次迭代；
[0016]A4，达到迭代预设次数后，完成CNN
‑
BiLSTM网络模型的构建；
[0017]其中，softmax分类器使用交叉熵损失函数，所述交叉熵损失函数L
c
为：
[0018][0019]式(1)中，r
i
为训练集中数据样本i的真实标签；y
i
为训练集中数据样本i的预测标签；N 为训练集中数据样本的总数。
[0020]优选地，所述CNN
‑
BiLSTM网络中设置全连接层模块，所述全连接层模块中包括顺序设置的第一全连接层FC1、第二全连接层FC2和输出层；
[0021]CNN
‑
BiLSTM将训练或测试得到的特征信息依次通过第一全连接层FC1、第二全连接层 FC2映射到输出层；
[0022]所述全连接层模块中每个层的计算方程均为：
[0023]o
a
＝g(W
a
h
a
+b
a
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0024]式(2)中，o
a
为第a个全连接层的输出；h
a
第a个全连接层的输入；b
a
为第a个全连接层的偏置权重；W
a
为第a个全连接层的遗忘门权重；g()为第一个全连接层的ReLU函数。
[0025]优选地，步骤S2中，将图正则化项加在CNN
‑
BiLSTM网络的全连接层中，所述全连接层为距离分类器最近的全连接层，具体为：
[0026]在训练集数据的基础上，构造近邻图，具体为：确认任意一个数据样本i的k个近邻点，并建立所述数据样本i的k个近邻点之间的连接；
[0027]基于所述近邻图，在CNN
‑
BiLSTM网络中距离分类器最近的全连接层的特征空间中加入近邻图正则化项，所述近邻图正则化项L
g
为：
[0028][0029]其中，i表示训练集中任意一个数据样本，j表示训练集中与数据样本i近邻的数据样本， N为训练集中的数据样本总数，H
ij
表示近邻图中数据样本i和数据样本j的连接权重，s
i
表示数据样本i对应的特征向量，s
j
表示数据样本j对应的特征向量，H
ij...

【技术保护点】

【技术特征摘要】
1.一种基于图正则化CNN
‑
BiLSTM的多传感器故障诊断方法，其特征在于，所述方法包括：S1，采集多传感器的状态监测数据，并对采集的数据预处理，得到训练集、验证集和测试集；S2，建立CNN
‑
BiLSTM网络，将图正则化项加在CNN
‑
BiLSTM网络的全连接层中，所述全连接层为距离分类器最近的全连接层，完成GR
‑
CNN
‑
BiLSTM模型构建；S3，利用训练集内的数据训练所述GR
‑
CNN
‑
BiLSTM模型，利用验证集内的数据评价所述GR
‑
CNN
‑
BiLSTM模型，并获取所述GR
‑
CNN
‑
BiLSTM模型性能最优时的网络参数；S4，将测试集的数据输入性能最优的GR
‑
CNN
‑
BiLSTM模型中进行故障诊断，得到故障诊断结果。2.根据权利要求1所述基于图正则化CNN
‑
BiLSTM的多传感器故障诊断方法，其特征在于，步骤S1中，对采集的数据进行z
‑
score标准化、min
‑
max标准化或归一化处理。3.根据权利要求1所述基于图正则化CNN
‑
BiLSTM的多传感器故障诊断方法，其特征在于，步骤S2，建立CNN
‑
BiLSTM网络，具体为：A1，将训练集输入CNN中进行网络结构训练，经过卷积层提取深层特征数据，再经过最大池化层处理，得到降维深层特征数据；A2，将降维深层特征数据输入BiLSTM进行网络结构训练，将BiLSTM训练得到的输出数据拼接融合，得到并学习融合后的故障特征数据；A3，将融合后的故障特征数据输入全连接层模块，在所述全连接层模块的输出层设置softmax分类器，进行故障状态分类并输出，更新网络结构参数，返回A1，进行下一批数据的训练，直至训练集的数据全部参与训练后作为一次迭代；A4，达到迭代预设次数后，完成CNN
‑
BiLSTM网络模型的构建；其中，softmax分类器使用交叉熵损失函数，所述交叉熵损失函数L
c
为：式(1)中，r
i
为训练集中数据样本i的真实标签；y
i
为训练集中数据样本i的预测标签；N为训练集中数据样本的总数。4.根据权利要求3所述基于图正则化CNN
‑
BiLSTM的多传感器故障诊断方法，其特征在于，所述CNN
‑
BiLSTM网络中设置全连接层模块，所述全连接层模块中包括顺序设置的第一全连接层FC1、第二全连接层FC2和输出层；CNN
‑
BiLSTM将训练或测试得到的特征信息依次通过第一全连接层FC1、第二全连接层FC2映射到输出层；所述全连接层模块中每个层的计算方程均为：o
a
＝h(W
a
h
a
+b
a
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)式(2)中，o
a
为第a个全连接层的输出；h
a
第a个全连接层的输入；b
a
为第a个全连接层的偏置权重；W
a
为第a个全连接层的遗忘门权重；g()为第一个全连接层的ReLU函数。5.根据权利要求1所述基于图正则化CNN
‑
BiLSTM的多传感器故障诊断方法，其特征在于，步骤S2中，将图正则化项加在CNN
‑
BiLSTM网络的全连接层中，所述全连接层为距离分类器最近的全连接层，具体为：
在训练集数据的基础上，构造近邻图，具体为：确认任意一个数据样本i的k个近邻点，并建立所述数据样本i的k个近邻点之间的连接；基于所述近邻图，在CNN
‑
BiLSTM网络中距离分类器最近的全...

【专利技术属性】
技术研发人员：李鹏，秦泰春，王成城，施建明，党炜，易难，
申请(专利权)人：北京卫星环境工程研究所，
类型：发明
国别省市：