【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
。
...
【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
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。