基于制造技术

本发明专利技术涉及一种基于

【技术实现步骤摘要】
基于RNN的互补双残差生成器的故障监测方法和系统


[0001]本专利技术涉及故障诊断
，尤其涉及一种基于
RNN
的互补双残差生成器的故障监测方法和系统
。

技术介绍

[0002]循环神经网络
(Recurrent Neural Network
，
RNN)
是一类以序列
(sequence)
数据为输入，在序列的演进方向进行递归
(recursion)
且所有节点
(
循环单元
)
按链式连接的递归神经网络
(recursive neural network)。
[0003]循环神经网络
RNN
作为一种特殊结构的深度神经网络，它将序列当前时刻的输出与前期的信息相关联，类似于人的现有认知受以往的知识
、
经验和记忆影响，故障信号在时间上的相关性及深层特征，有效提取时间和空间特征，进一步提高故障智能诊断的准确度
、
可靠性
。
[0004]现有技术存在的问题及缺陷为：
[0005]1.
大多数方法假设噪声是已知的，而生成的残差不一定符合高斯分布，是否满足高斯分布对
T2统计量和确定相应阈值是非常重要的
。
[0006]2.
使用基于非高斯分布残差的
T2统计量进行故障检测时，即使用核密度估计
,
仍然有一些故障无法被检测到
。
[0007]3.
基于
RNN
的框架监测由于复杂的内部机构和激活函数的存在，很难在最小回归误差学习的时候生成高斯残差
。
[0008]4.
基于
RNN
的方法能提高故障检测率，但是其故障报警率也高于其他基于数据驱动的过程监测方法
。

技术实现思路

[0009]针对现有技术中的部分或全部问题，本专利技术提供一种基于
RNN
的互补双残差生成器的故障监测方法，该方法包括以下步骤：
[0010]将故障检测的过程输入到前残差生成器中；
[0011]在所述前残差生成器中，通过
RNN
网络得到过程输出预测值，与真实值比较得到残差向量；
[0012]将所述残差向量输入到高斯性检查器中，通过所述高斯性检查器将残差分成高斯残差部分和非高斯残差部分；
[0013]保留所述高斯残差部分为前高斯残差；
[0014]提取所述非高斯残差部分的相应过程输入索引，将所述索引和所述非高斯残差部分输入后到残差生成器中，通过所述后残差生成器将所述非高斯残差部分修正为后高斯残差；
[0015]将所述前高斯残差和所述后高斯残差汇总得到总残差；
[0016]将所述总残差输入结果诊断器，通过
T2统计量进行故障的诊断
。
[0017]进一步地，所述前残差生成器产生的残差
r
pre
表示为，
[0018][0019]其中，
y
pre
是前残差生成器的过程输出，是真实过程输出；
[0020]用于训练所述前残差生成器的损失函数
L
pre
(y)
定义为生成的残差向量的和，
[0021][0022]其中
K
B
是批大小，
K
T
是一批时间序列数据的长度
。
[0023]进一步地，所述高斯性检查器通过设置高斯阈值，用残差高斯指标来判断高斯性；用于计算残差的高斯指标
G(z)
表示为，
[0024]G(z)≈||E{H(z)}
‑
E{H(z
nor
)}||2[0025]其中，
z
nor
是零均值单位方差高斯变量的向量，残差向量的负熵
H(
·
)
表示为，
[0026][0027]其中，
1≤h1≤2
；
[0028]前残差
r
pre
包含高斯部分和非高斯部分所述前残差
r
pre
可以表示为，
[0029][0030]高斯部分为前高斯残差；
[0031]通过设置阈值
Gth
来衡量残差的高斯性，
[0032][0033][0034]其中，表示高斯残差，表示非高斯残差
。
[0035]进一步地，所述后残差生成器产生的残差
r
pOS
表示为，
[0036][0037]其中，
y
pos
是后残差生成器的过程输出，是真实过程输出；
[0038]r
pos
为后高斯残差前残差生成器的非高斯部分用修正；
[0039]用于训练所述后残差生成器的损失函数
L
pos
(y)
由残差高斯指标得到，
[0040][0041]其中
K
B
是批大小
。
[0042]进一步地，所述总残差
r
表示，
[0043][0044]其中，为前高斯残差，为后高斯残差
。
[0045]进一步地，所述
T2统计量表示为，
[0046][0047]其中，
r
为所述总残差，
∑
r
为所述总残差的协方差矩阵；
[0048]用于判断的阈值
J
th
表示为，
[0049][0050]其中，
m、N
‑
m
是自由度，
α
是显著性水平，
F1‑
α
(m
，
N
‑
m)
是自由度分别是
m
和
N
‑
m
的
F
分布；
[0051]若
T2统计量大于或等于阈值
J
th
，则认为过程存在故障，即故障诊断的标准为，
[0052][0053]若
T2统计量小于阈值
J
th
，则认为过程不存在故障
。
[0054]本专利技术还提供一种基于
RNN
的互补双残差生成器的故障监测系统，该系统包括以下模块：
[0055]过程输入模块，用于将故障检测的过程输入前残差生成器中；
[0056]前高斯残差产生模块，用于产出前高斯残差；
[0057]后高斯残差产生模块，用于产出后高斯残差；
[0058]结果产出模块，用于汇总前高斯残差和后高斯残差，并通过
T2统计量进行故障的诊断
。
[005本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
RNN
的互补双残差生成器的故障监测方法，其特征在于，包括以下步骤：将故障检测的过程输入到前残差生成器中；在所述前残差生成器中，通过
RNN
网络得到过程输出预测值，与真实值比较得到残差向量；将所述残差向量输入到高斯性检查器中，通过所述高斯性检查器将残差分成高斯残差部分和非高斯残差部分；保留所述高斯残差部分为前高斯残差；提取所述非高斯残差部分的相应过程输入索引，将所述索引和所述非高斯残差部分输入到后残差生成器中，通过所述后残差生成器将所述非高斯残差部分修正为后高斯残差；将所述前高斯残差和所述后高斯残差汇总得到总残差；将所述总残差输入结果诊断器，通过
T2统计量进行故障的诊断
。2.
根据权利要求1所述的方法，其特征在于，所述前残差生成器产生的残差
r
pre
表示为，其中，
y
pre
是前残差生成器的过程输出，是真实过程输出；用于训练所述前残差生成器的损失函数
L
pre
(y)
定义为生成的残差向量的和，其中
K
B
是批大小，
K
T
是一批时间序列数据的长度
。3.
根据权利要求1所述的方法，其特征在于，所述高斯性检查器通过设置高斯阈值，用残差高斯指标来判断高斯性；用于计算残差的高斯指标
G(z)
表示为，
G(z)≈||E{H(z)}
‑
E{H(z
nor
)}||2其中，
z
nor
是零均值单位方差高斯变量的向量，残差向量的负熵
H(
·
)
表示为，其中，
1≤h1≤2
；前残差
r
pre
包含高斯部分和非高斯部分所述前残差
r
pre
可以表示为，高斯部分为前高斯残差；通过设置阈值
Gth
来衡量残差的高斯性，来衡量残差的高斯性，
其中，表示高斯残差，表示非高斯残差
。4.
根据权利要求1所述的方法，其特征在于，所述后残差生成器产生的残差
r
pos
表示为，其中，
y
pos
是后残差生成器的过程输出，是真实过程输出；
r

【专利技术属性】
技术研发人员：修贤超，杨安宁，柳春，
申请(专利权)人：上海大学，
类型：发明
国别省市：