一种渐进式知识迁移的多粒度模糊零样本故障诊断方法技术

本发明专利技术公开了一种渐进式知识迁移的多粒度模糊零样本故障诊断方法。首先，本发明专利技术将描述故障的属性向量根据由粗到细的信息粒度分为多粒度属性层，并形成多个属性子向量。不同于传统方法直接预测属性向量，本发明专利技术设计了渐进式知识迁移属性预测网络，按照从粗到细粒度逐层预测属性子向量。同时，将在上层属性子向量预测中学到的知识迁移到下层属性子向量预测中，提高属性预测精度。基于所获得的预测属性子向量，本发明专利技术设计了模糊推断策略，获取加权系数组合，实现了从单个属性层推断故障的概率结果。获取未见故障类别属性向量，通过所设计的多粒度属性层融合策略，将多个属性层推断的故障概率结果融合，最终提供零样本故障诊断结果。通过本发明专利技术的技术方案，可以挖掘属性的多粒度特性，并提高工业过程零样本故障诊断中属性预测和故障推断的准确性。属性预测和故障推断的准确性。属性预测和故障推断的准确性。

【技术实现步骤摘要】
一种渐进式知识迁移的多粒度模糊零样本故障诊断方法


[0001]本专利技术公开一种渐进式知识迁移的多粒度模糊零样本故障诊断方法。本专利技术属于工业故障诊断领域，特别是针对具有属性多粒度特性的工业过程数据的零样本故障诊断。

技术介绍

[0002]故障诊断在工业过程的安全维护中起着重要的作用。随着工业物联网和人工智能技术的发展，数据驱动的故障诊断方法得到了业界和学术界的广泛关注。一般来说，这些方法都将故障诊断任务视为一个有监督的分类问题。首先，需要通过工业物联网技术收集各种故障的历史数据。然后在训练阶段建立分类模型，如支持向量机(support vector machines,SVM)，Fisher判别分析(fisher discriminant analysis,FDA)，卷积神经网络(convolutional neural network,CNN)。在测试阶段，将故障数据输入到模型中，可以判断故障的类别。虽然基于机器学习或基于深度学习的故障诊断方法已经取得了很好的效果，但考虑到数据采集的成本，对各种故障收集足够的样本是难以实现的，因此这些有监督分类方法在实际应用中存在相当大的局限性。
[0003]现实工业过程中存在一种极端的情况，即测试集中的故障类型并不会出现在训练集中。在这种情况下，上述方法将无效，因为没有提供新的故障样本。零样本故障诊断(Zero
‑
shot faultdiagnosis,ZSD)，是解决这一问题的可行方案。结合已见故障和未见故障的属性描述，零样本故障诊断可分为两步：首先，采用属性预测策略，识别故障是否具有这些属性。然后，利用故障推理策略找到与属性描述最匹配的故障类别。由于属性可以在不同类别之间转换，ZSD可以将可见类别的知识转移到不可见类别中，从而实现对新的故障类别的诊断。
[0004]然而，属性通常从不同的粒度描述故障，呈现出层次特征，前人方法通常平等对待各粒度属性。一般来说，粗粒度属性反映故障的共有信息，而细粒度属性关注故障的特定和详细信息，属性粒度的差异会显著影响零样本故障诊断中的属性预测策略和故障推断策略：对属性预测来说，细粒度属性通常比粗粒度属性更难预测。在实际的工业过程中，收集到的大量变量都与粗粒度属性相关，因此很容易识别它们。但是部分与细粒度属性相关的变量比较稀疏，因此细粒度属性识别具有不小的挑战；对故障推断来说，不同粒度的属性对故障推断的影响不同，因此存在以下两个问题。首先是粗粒度属性影响细粒度属性的故障推断结果。通常，通过粗粒度属性，可以先推断出故障类别的大致范围。根据范围，使用细粒度属性逐步筛选候选故障。传统的ZSD方法对所有属性一视同仁，可能导致面向细节的非关键属性错误地主导故障推断。其次，大多数ZSD方法只能提供简单的二进制结果，无法探究多粒度属性对故障推断的不同影响。

技术实现思路

[0005]本专利技术的目的在于针对现有技术的不足，提出一种渐进式知识迁移的多粒度模糊零样本故障诊断方法。本专利技术能够在提高了属性预测精度的同时，通过模糊推理确定候选
故障的隶属度来实现零样本故障诊断。
[0006]本专利技术的目的是通过以下技术方案来实现的：
[0007]一种渐进式知识迁移的多粒度模糊零样本故障诊断方法，包括以下步骤：
[0008]步骤1：收集各种工业过程的故障类别，根据故障类别的语义描述信息为每种工业过程故障类别总结属性向量，形成属性向量集；
[0009]步骤2：收集各种工业过程的故障类别样本和类别标签，根据类别标签在步骤1的属性向量集中找到对应的属性向量，按照信息粒度由粗到细将属性向量划分为多个属性层，从第一个属性层开始，依次往后拼接属性层，形成多个属性子向量，作为训练数据；
[0010]步骤3：构建渐进式知识迁移属性预测网络，使用训练数据训练渐进式知识迁移属性预测网络，对步骤2得到的多个属性子向量进行预测，得到多个预测属性子向量；
[0011]步骤4：基于步骤3的多个预测属性子向量，设计模糊推断策略，从多个预测属性子向量中的每个属性层推断故障的概率结果，每个属性层基于训练数据求解概率结果的加权系数组合，多个属性层获得多个加权系数组合；
[0012]步骤5：收集各种工业过程的未见故障类别样本，未见故障类别样本是指训练数据中没有出现的故障类别样本，将未见故障类别样本输入渐进式知识迁移属性预测网络，获取多个预测属性子向量，基于步骤4的多个加权系数组合获得多个单属性层综合诊断结果；设计多粒度属性层融合策略，融合多个单属性层综合诊断结果，计算每种未见故障类别的概率，对未见故障类别样本进行诊断。
[0013]步骤2中，收集各种工业过程的故障类别样本和类别标签，具体包括：
[0014]收集各种工业过程的故障类别样本和类别标签其中N和J分别表示故障类别样本数量和故障类别样本的变量数量。
[0015]3、根据权利要求1所述的方法，其特征在于，步骤2中，根据类别标签在步骤1的属性向量集中找到对应的属性向量，按照信息粒度由粗到细将属性向量划分为多个属性层，从第一个属性层开始，依次往后拼接属性层，形成多个属性子向量，具体包括：
[0016]2.1)属性向量集为m表示故障的类别数量，C表示每个属性向量的维度；
[0017]2.2)按照信息粒度由粗到细，将属性向量集中的每个属性向量划分为L个属性层，记其中a是属性向量集中的属性向量，表示拼接操作，a
l
表示属性向量的第l个属性层，其中1≤l≤L，l序号越小表示粒度越粗；
[0018]2.3)将第一个属性层作为第一个属性子向量，将前两个属性层拼接，作为第二个属性子向量，以此类推，直到将前L个属性层拼接，作为第L个属性子向量，共形成L个属性子向量。
[0019]步骤3中，构建渐进式知识迁移属性预测网络，使用训练数据训练渐进式知识迁移属性预测网络，对步骤2得到的多个属性子向量进行预测，得到多个预测属性子向量，具体包括：
[0020]构建渐进式知识迁移属性预测网络，逐层预测L个属性子向量，在预测下一个属性子向量时，将上个属性子向量预测中提取的先验知识进行迁移，直至预测完毕所有步骤2得到的训练数据的L个属性子向量，得到多个预测属性子向量，并根据训练数据的预测属性子
向量和属性子向量的均方误差来训练渐进式知识迁移属性预测网络。
[0021]构建渐进式知识迁移属性预测网络，逐层预测L个属性子向量，在预测下一个属性子向量时，将上个属性子向量预测中提取的先验知识进行迁移，具体包括：
[0022]3.1)针对第一个属性子向量，搭建多层全连接神经网络组成的属性特征提取器和属性子向量预测器，通过属性特征提取器提取训练数据中故障类别样本的属性子向量特征，将所提取的属性子向量特征输入属性子向量预测器中来预测属性子向量，获得第一个预测属性子向量；
[0023]3.2)针对第l个属性子向量(2≤l≤L)，搭建多层全连接神经网络组成的属性特征提取器和属性子向量预测器，使用针对第l
‑
1个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种渐进式知识迁移的多粒度模糊零样本故障诊断方法，其特征在于，包括以下步骤：步骤1：收集各种工业过程的故障类别，根据故障类别的语义描述信息为每种工业过程故障类别总结属性向量，形成属性向量集；步骤2：收集各种工业过程的故障类别样本和类别标签，根据类别标签在步骤1的属性向量集中找到对应的属性向量，按照信息粒度由粗到细将属性向量划分为多个属性层，从第一个属性层开始，依次往后拼接属性层，形成多个属性子向量，作为训练数据；步骤3：构建渐进式知识迁移属性预测网络，使用训练数据训练渐进式知识迁移属性预测网络，对步骤2得到的多个属性子向量进行预测，得到多个预测属性子向量；步骤4：基于步骤3的多个预测属性子向量，设计模糊推断策略，从多个预测属性子向量中的每个属性层推断故障的概率结果，每个属性层基于训练数据求解概率结果的加权系数组合，多个属性层获得多个加权系数组合；步骤5：收集各种工业过程的未见故障类别样本，未见故障类别样本是指训练数据中没有出现的故障类别样本，将未见故障类别样本输入渐进式知识迁移属性预测网络，获取多个预测属性子向量，基于步骤4的多个加权系数组合获得多个单属性层综合诊断结果；设计多粒度属性层融合策略，融合多个单属性层综合诊断结果，计算每种未见故障类别的概率，对未见故障类别样本进行诊断。2.根据权利要求1所述的方法，其特征在于，步骤2中，收集各种工业过程的故障类别样本和类别标签，具体包括：收集各种工业过程的故障类别样本和类别标签其中N和J分别表示故障类别样本数量和故障类别样本的变量数量。3.根据权利要求1所述的方法，其特征在于，步骤2中，根据类别标签在步骤1的属性向量集中找到对应的属性向量，按照信息粒度由粗到细将属性向量划分为多个属性层，从第一个属性层开始，依次往后拼接属性层，形成多个属性子向量，具体包括：2.1)属性向量集为m表示故障的类别数量，C表示每个属性向量的维度；2.2)按照信息粒度由粗到细，将属性向量集中的每个属性向量划分为L个属性层，记其中a是属性向量集中的属性向量，表示拼接操作，a
l
表示属性向量的第l个属性层，其中1≤l≤L，l序号越小表示粒度越粗；2.3)将第一个属性层作为第一个属性子向量，将前两个属性层拼接，作为第二个属性子向量，以此类推，直到将前L个属性层拼接，作为第L个属性子向量，共形成L个属性子向量。4.根据权利要求1所述的方法，其特征在于，步骤3中，构建渐进式知识迁移属性预测网络，使用训练数据训练渐进式知识迁移属性预测网络，对步骤2得到的多个属性子向量进行预测，得到多个预测属性子向量，具体包括：构建渐进式知识迁移属性预测网络，逐层预测L个属性子向量，在预测下一个属性子向量时，将上个属性子向量预测中提取的先验知识进行迁移，直至预测完毕所有步骤2得到的训练数据的L个属性子向量，得到多个预测属性子向量，并根据训练数据的预测属性子向量
和属性子向量的均方误差来训练渐进式知识迁移属性预测网络。5.根据权利要求4所述的方法，其特征在于，构建渐进式知识迁移属性预测网络，逐层预测L个属性子向量，在预测下一个属性子向量时，将上个属性子向量预测中提取的先验知识进行迁移，具体包括：3.1)针对第一个属性子向量，搭建多层全连接神经网络组成的属性特征提取器和属性子向量预测器，通过属性特征提取器提取训练数据中故障类别样本的属性子向量特征，将所提取的属性子向量特征输入属性子向量预测器中来预测属性子向量，获得第一个预测属性子向量；3.2)针对第l个属性子向量(2≤l≤L)，搭建多层全连接神经网络组成的属性特征提取器和属性子向量预测器，使用针对第l
‑
1个属性子向量搭建的属性特征提取器和属性子向量预测器的参数分别来初始化所搭建的属性特征提取器和属性子向量预测器的参数，实现参数知识迁移；将预测上个属性子向量时所提取的属性子向量特征与训练数据中故障类别样本拼接，输入属性特征提取器中提取属性子向量特征，将所提取的属性子向量特征输入属性子向量预测器中预测属性子向量，获得第l个预测属性子向量；3.3)重复步骤3.2)，直至预测完毕L个属性子向量，共获得L个预测属性子向量。6.根据权利要求1所述的方法，其特征在于，步骤4中，基...

【专利技术属性】
技术研发人员：赵春晖，陈旭，张堡霖，
申请(专利权)人：浙江大学，
类型：发明
国别省市：