一种多模态工业过程自动故障诊断方法及系统技术方案

本发明专利技术涉及一种多模态工业过程自动故障诊断方法及系统，包括利用网络结构搜索对工业过程数据进行自动网络设计及参数自动寻优，利用多通道卷积增强网络的表现力，实现单模态工业过程的自动故障诊断。同时结合元学习之前模态的信息用于新的模态。本发明专利技术通过将网络结构搜索、多通道卷积、元学习的结合，考虑到工业多模态之间的联系，克服了现有基于深度神经网络的工业过程故障诊断方法存在网络结构设计繁琐及参数寻优耗，以及对之前设计经验利用不充分的问题，对多模态工业过程自动故障诊断具有理论和实际意义。理论和实际意义。理论和实际意义。

【技术实现步骤摘要】
一种多模态工业过程自动故障诊断方法及系统


[0001]本专利技术属于工业生产过程故障诊断领域，具体说是一种多模态工业过程自动故障诊断方法及系统。

技术介绍

[0002]随着工业生产设备的不断升级，工艺流程自动化、数字化程度大幅提高，工业过程的故障诊断技术已经成为工业过程中预防事故、保障工业生产安全进行、稳健工业发展的重要组成部分。故障诊断利用过程相关变量判断出设备故障类型。工业过程中，设备运行时发生故障可能导致生产效率下降，停机，甚至人员伤亡。在故障发生时，如何正确的进行故障诊断，并采取合适的措施使过程快速恢复正常至关重要。因此，故障诊断对于保证工业过程的安全平稳运行具有重要的意义。
[0003]传统的故障诊断方法主要利用统计学习和深度学习建立模型进行故障诊断，模型设计困难并且需要相关领域的专家，非常的耗费时间。

技术实现思路

[0004]针对现有技术的不足，本专利技术涉及一种多模态工业过程自动故障诊断方法及系统，包括利用网络结构搜索对工业过程数据进行自动网络设计及参数自动寻优，利用多通道卷积增强网络的表现力，实现单模态工业过程的自动故障诊断。同时结合元学习学习之前模态的信息用于新的模态。本专利技术通过将网络结构搜索、多通道卷积、元学习的结合，考虑到工业多模态之间的联系，克服了现有基于深度神经网络的工业过程故障诊断方法存在网络结构设计繁琐及参数寻优耗时，以及对之前设计经验利用不充分的问题，对多模态工业过程自动故障诊断具有理论和实际意义。
[0005]本专利技术为实现上述目的所采用的技术方案是：
[0006]一种多模态工业过程自动故障诊断方法，包括以下步骤：
[0007]建立模型：建立元学习网络结构搜索的网络模型，用于搜索、训练最优的多通道卷积神经网络得到故障诊断模型；
[0008]搜索阶段：对多个模态的原始工业生产过程数据施加操作生成候选通道，定义候选操作集，利用网络单元内的结构搜索对工业过程数据进行自动网络设计获取新模态的网络初始参数；所述原始工业多模态数据是通过工业生产过程中传感器数据。
[0009]训练优化阶段：利用网络单元之间的结构进行训练，使得参数自动寻优、网络剪枝，获取新模态对应的故障诊断网络模型；
[0010]实时检测：实时采集待检测工业生产过程传感器数据并预处理，输入新模态故障诊断网络模型，实现新模态工业生产过程的故障检测与故障诊断。
[0011]所述元学习网络结构搜索的网络模型包括：由若干个卷积神经网络单元链接起来的两路支路，且支路内、支路间各网络单元之间经过边操作链接，两路支路始端输入待处理的数据，两路支路末端还连接用于输出故障诊断结果的全连接层，所述网络单元内还包括
边操作和节点，单元内输入同样分成两路，输出为1路。
[0012]所述搜索阶段包括：
[0013]步骤201、对多个模态的原始工业生产过程数据进行归一化和维度预处理，使得满足元学习网络结构搜索的数据维度；
[0014]步骤202、对预处理后的数据施加操作，构成多通道卷积的候选通道，并与预处理后的数据拼接，生成网络搜索阶段的输入；
[0015]步骤203、对候选通道分别赋予权重，进一步得到混合输入；
[0016]步骤204、定义候选操作集，并赋予每个操作一个权重；
[0017]步骤205、反复迭代以上步骤203
‑
204，选用Adam优化器，用交叉熵损失函数，反向传播调整网络参数、通道权重参数、操作权重参数，从而得到最优的网络初始参数、通道最优初始参数、操作最优初始参数作为新模态的初始参数。
[0018]所述步骤3包括：
[0019]步骤301、对于新模态工业生产过程数据进行归一化和维度预处理，使得满足元学习网络结构搜索的输入数据维度；
[0020]进一步的，新模态工业生产过程数据和多个模态的原始工业生产过程数据都是同一生产线上的数据，只不过是进料比例不同。所述模态表示进料比例不同，一个比例为一个模态，多个模态就是多个比例的历时数据，新模态就是新比例的工业数据。
[0021]步骤302、将最优网络初始参数、最优通道权重初始参数、最优操作最优初始参数作为初始参数对输入网络的新模态工业生产过程数据进行训练，得到训练后优化的网络参数、通道权重参数、操作权重；
[0022]步骤303、通过优化的通道权重参数、操作权重筛选网络中选用的卷积通道以及操作，获取新模态对应的故障诊断网络模型。
[0023]进一步的，所述预处理包括以下步骤：
[0024]步骤1
‑
1、归一化，映射范围为[
‑
1,1]；
[0025]步骤1
‑
2、将归一化以后的多模态工业生产过程数据处理为元学习网络结构搜索需要的二维形式为C＝(n
×
n)，其中原始数据的维度为(1
×
n^2)，若原始数据维度小于n^2，则进行填充。
[0026]所述对数据通道C施加的操作为构成多通道卷积的候选通道拼接后生成网络搜索阶段的输入其中，F＝{}里的元素为操作；
[0027]所述的对输入通道赋予权重为
[0028]进一步得到混合输入：
[0029][0030]其中，Input为网络单元或单元内的节点，表示输入I内第i个输入的权重，表示输入I内所有输入的权重。
[0031]所述候选操作集包括的卷积、池化、跳连操作为：3
×
3可分离卷积、5
×
5可分离卷
积、3
×
3空洞卷积、5
×
5空洞卷积、3
×
3最大池化、3
×
3平均池化、保持原输入、清除原输入；
[0032]用表示在边e
ij
中的M个候选的操作的集合，将操作分别赋予一个权重α，并通过Softmax函数将这些权值进行变换，把操作集O里所有的操作混合在一起，得到混合输出：
[0033][0034]其中，f
i,j
(x)表示网络单元或单元内操作节点的输出，o(x)表示操作集O中的任意一个操作，表示操作集O中的任意一个操作的权重，表示操作集O中的所有操作的权重。
[0035]所述反向传播调整优化网络三个初始参数包括：
[0036]将混合输入、混合输出输入损失函数，并优化目标函数，反复迭代求解三个优化参数，得到最优的网络初始参数w
*
、最优通道权重参数β
*
、最优操作权重参数α
*
；
[0037]其中，目标函数为：
[0038]是利用之前模态的最优的网络初始参数w
*
、最优通道权重参数β
*
、最优操作权重参数α
*
，用新模态数据进行训练得到网络参数w、通道权重β、操作参数α。
[0039]是根据以下规则得到输入通道和操作后生成最终的网络模型，并训练作本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多模态工业过程自动故障诊断方法，其特征在于，包括以下步骤：建立模型：建立元学习网络结构搜索的网络模型，用于搜索、训练最优的多通道卷积神经网络得到故障诊断模型；搜索阶段：对多个模态的原始工业生产过程数据施加操作生成候选通道，定义候选操作集，利用网络单元内的结构搜索对工业过程数据进行自动网络设计获取新模态的网络初始参数；所述原始工业多模态数据是通过工业生产过程中传感器数据；训练优化阶段：利用网络单元之间的结构进行训练，使得参数自动寻优、网络剪枝，获取新模态对应的故障诊断网络模型；实时检测：实时采集待检测工业生产过程传感器数据并预处理，输入新模态故障诊断网络模型，实现新模态工业生产过程的故障检测与故障诊断。2.根据权利要求1所述的多模态工业过程自动故障诊断方法，其特征在于，所述元学习网络结构搜索的网络模型包括：由若干个卷积神经网络单元链接起来的两路支路，且支路内、支路间各网络单元之间经过边操作链接，两路支路始端输入待处理的数据，两路支路末端还连接用于输出故障诊断结果的全连接层，所述网络单元内还包括边操作和节点，单元内输入同样分成两路，输出为1路。3.根据权利要求1所述的多模态工业过程自动故障诊断方法，其特征在于，所述搜索阶段包括：步骤201、对多个模态的原始工业生产过程数据进行归一化和维度预处理，使得满足元学习网络结构搜索的数据维度；步骤202、对预处理后的数据施加操作，构成多通道卷积的候选通道，并与预处理后的数据拼接，生成网络搜索阶段的输入；步骤203、对候选通道分别赋予权重，进一步得到混合输入；步骤204、定义候选操作集，并赋予每个操作一个权重；步骤205、反复迭代以上步骤203
‑
204，选用Adam优化器，用交叉熵损失函数，反向传播调整网络参数、通道权重参数、操作权重参数，从而得到最优的网络初始参数、通道最优初始参数、操作最优初始参数作为新模态的初始参数。4.根据权利要求1所述的多模态工业过程自动故障诊断方法，其特征在于，所述步骤3包括：步骤301、对于新模态工业生产过程数据进行归一化和维度预处理，使得满足元学习网络结构搜索的输入数据维度；步骤302、将最优网络初始参数、最优通道权重初始参数、最优操作最优初始参数作为初始参数对输入网络的新模态工业生产过程数据进行训练，得到训练后优化的网络参数、通道权重参数、操作权重；步骤303、通过优化的通道权重参数、操作权重筛选网络中选用的卷积通道以及操作，获取新模态对应的故障诊断网络模型。5.根据权利要求1所述的多模态工业过程自动故障诊断方法，其特征在于，所述对数据通道C施加的操作为构成多通道卷积的候选通道拼接后生成网络搜索阶段的输入
其中，F＝{}里的元素为操作；所述的对输入通道赋...

【专利技术属性】
技术研发人员：潘福成，史海波，周晓锋，李显，李歆，
申请(专利权)人：中国科学院沈阳自动化研究所，
类型：发明
国别省市：