【技术实现步骤摘要】
基于滑动窗和多块卷积自编码器的故障检测方法
[0001]本专利技术涉及复杂工业过程建模和故障诊断
，具体为基于滑动窗和多块卷积自编码器的故障检测方法。
技术介绍
[0002]随着科学技术的发展，工业过程日益复杂，实施高效的故障检测能够及时报警，保证工业过程与设备稳定运行，减少财产损失与人员伤亡。目前常用的故障检测方法分为基于机理模型的方法、基于知识的方法和基于数据驱动的方法等。
[0003]复杂工业过程的机理模型难以精确地建立，基于知识的方法需要大量的故障样本，难获取且成本高，基于数据驱动的故障检测方法可以仅用正常的样本建立模型，因此基于数据驱动的故障检测方法得到了许多学者的关注。深度学习与其他传统的数据驱动方法相比，能够通过多层非线性映射，从数据中提取更深层的抽象特征，具有强大的数据建模能力。常用的深度学习故障检测方法有：卷积神经网络、长短时记忆网络、生成对抗网络和卷积自编码器等。其中CAE不需要对原有数据的分布进行假设，适用于非线性特征的提取。然而传统的CAE在数据样本不平衡时，难以获得较好的检测效果。为提...
【技术保护点】
【技术特征摘要】
1.基于滑动窗和多块卷积自编码器的故障检测方法，其特征在于，包括：对原始数据集归一化并进行信息提取，得到三个信息集子块；对得到的变化率信息集以和累计信息集进行归一化操作，方便后期训练；对三个子块分别用滑动窗采样，得到送入卷积自编码器进行训练的样本；用自编码器对三个子块进行训练，求得训练样本与其重构间的欧氏距离作为统计量，用核密度函数方法获得三个子块控制限；采用贝叶斯融合的方法，将各个子块统计量进行融合得到融合后的统计量，根据置信度是γ，得到控制限，再进行滑动窗的CAE故障检测。2.如权利要求1所述的基于滑动窗和多块卷积自编码器的故障检测方法，其特征在于：所述三个信息集子块包括，累计信息是指一定时间段内数据的累加和，当数据出现微小偏移时，通过累加作用，可以将偏移进行放大，从而增强对微小偏移故障的检测，计算过程如下，所述原始数据集为：D＝{z
i
|z
i
∈R
m*1
,i＝1,2,3
…
n}，则累计信息集为：D1＝{M
i
|M
i
∈R
m*1
,i＝1,2,3
…
n
‑
T}。3.如权利要求1所述的基于滑动窗和多块卷积自编码器的故障检测方法，其特征在于：所述三个信息集子块还包括，变化率信息是指后一时刻样本与前一时刻样本之间的差，变化率信息反映了样本数据变化的程度；利用变化率信息建模能够增强模型对振荡类型故障的检测能力，由于累计信息丢失了T个样本，为了统一数据集规模，D2＝{N
i
|N
i
∈R
m*1
,i＝1,2,3
…
n
‑
T}为得到的变化率信息集，变化率信息计算方式为，N
i
＝z
i+T
‑
z
i+T
‑14.如权利要求2所述的基于滑动窗和多块卷积自编码器的故障检测方法，其特征在于：所述对得到的变化率信息集以和累计信息集进行归一化操作，方便后期训练包括：在原始信息集的基础上，构建变化率信息集与累计信息集，实现对隐含信息的挖掘，原始信息集使最终的误报率保持在较低水平；通过提取累计信息可以放大故障变量的偏移和缓变，提取变化率信息可以提高振荡类型故障的检测。5.如权利要求1
‑
3所述的基于滑动窗和多块卷积自编码器的故障检测方法，其特征在于：所述对三个子块分别用滑动窗采样，得到送入卷积自编码器进行训练的样本包括：卷积自编码器模型对于异常样本无法较好的重构，因而得到的统计量较大，将测试样本的统计量与控制限比较，若测试样本的统计量超过控制限，则认为样本异常；反之，样本正常；卷积定义为，其中I为给定输入样本，K为卷积核的大小，y为输出。6.如权利要求1
‑
5任一所述的基于滑动窗和多块卷积自编码器的故障检测方法，其特
征在于：所述用自编码器对三个子块进行训练，求得训练样本与其重构间的欧氏距离作为统计量，用核密度函数方法获得三个子块控制限包...
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。