一种基于时序生成的工业过程不平衡故障分类方法技术

本发明专利技术公开一种基于时序生成的工业过程不平衡故障分类方法，包括：基于时间序列的工业过程数据，针对每个故障构建并训练一个深度生成模型，生成一定量故障的时序数据，用于平衡工业过程中正常的时序数据和故障的时序数据；深度生成模型包括卷积解码器

【技术实现步骤摘要】
一种基于时序生成的工业过程不平衡故障分类方法


[0001]本专利技术属于工业过程领域，涉及一种基于时序生成的工业过程不平衡故障分类方法
。

技术介绍

[0002]在当今工业领域，随着信息化和大数据技术的飞速发展，工业过程的监测和管理日益趋向智能化与自动化
。
然而，由于工业过程的复杂性和多变性，故障仍然是影响生产效率和质量的主要因素之一
。
因此，开发一种高效准确的故障分类方法变得至关重要
。
[0003]传统的故障分类方法通常基于人工经验和规则，受限于专家知识和经验的局限性，难以适应多样化和快速变化的工业环境
。
而随着工业过程中数据的不断积累，利用大数据分析和人工智能技术能够从海量的工业数据中提取潜在的关联性和规律，为故障分类提供更加可靠的依据
。
然而现有的一些针对图像处理和信号处理的分类方法很难直接应用到工业过程的故障分类上，因为这类方法大都是在各类别样本均匀的场景下构建的
。
而在故障分类问题中，故障数据量往往远小于正常数据量，不能直接套用一般的分类方法
。

技术实现思路

[0004]针对现有技术的不足，本专利技术提出一种基于时序生成的工业过程不平衡故障分类方法，利用序列化罕见故障的时序数据，维护数据动态关系，复用并生成故障的时序数据等手段，能够对动态过程中出现的罕见故障进行分类，稳定性高
、
鲁棒性好
、
泛化性能优异
。
[0005]为实现上述目的，本专利技术采用的技术方案如下：
[0006]一种基于时序生成的工业过程不平衡故障分类方法，该方法包括以下步骤：
[0007]步骤一：基于时间序列的工业过程数据，针对每个故障，构建并训练一个深度生成模型，生成一定量故障的时序数据，用于平衡工业过程中正常的时序数据和故障的时序数据；所述深度生成模型包括：
[0008]将输入样本映射到隐层空间的基于卷积神经网络的卷积解码器；
[0009]将所述隐层空间的隐变量还原为时序分解的基础输出的基于卷积神经网络的卷积解码器；
[0010]将所述隐层空间的隐变量转换为趋势输出的趋势多层感知机；
[0011]将所述隐层空间的隐变量转换为多个季节中间向量，得到季节输出的多个季节多层感知机；
[0012]所述深度生成模型的输出为所述卷积解码器和所有的多层感知机的输出的和；
[0013]步骤二：基于平衡的工业过程时序数据，构建并训练分类器，进行故障分类；所述分类器包括用于提取高维空间特征的长短时记忆网络，以及用于故障分类的多层感知机和
softmax
函数
。
[0014]进一步地，所述步骤一包括如下子步骤：
[0015]步骤
(1.1)
：将序列化的工业过程数据分为训练集输入样本
X
train
∈R
t
×
n
和测试集
输入样本
X
test
∈R
t
×
n
，训练集输入样本对应输出样本集
Y
train
∈R1×1，测试集输入样本对应输出样本集
Y
test
∈R1×1，其中
t
表示时间序列长度，
n
表示样本维度
。
训练集用于后续深度生成模型的训练迭代，测试集用于后续深度生成模型的评价；
[0016]步骤
(1.2)
：将输入样本通过基于卷积神经网络的卷积编码器映射到隐层空间，得到隐变量特征均值
z
mean
和方差
z
sigma
，均值和方差经过重参数化得到隐变量
z
＝
z
mean
+e
×
z
sigma
,
其中
e
～
N(0,I)
；
[0017]步骤
(1.3)
：并列执行如下三个操作：
[0018](1)
将隐变量
z
通过基于卷积神经网络的卷积解码器还原为时序分解的基础输出
V
base
；
[0019](2)
将隐变量
z
使用趋势多层感知机转换为趋势中间向量
U
trend
；定义时间向量时间矩阵
R
＝
[1,r,r2,
…
,r
p
]，得到时序分解的趋势输出
V
trend
＝
U
trend
×
R
，其中
t
表示时间序列长度，
p
为多项式系数；
[0020](3)
将隐变量
z
使用
m
个季节多层感知机转换为季节中间向量其中，
m
为季节模式个数；对每个季节中间向量按照季节索引数组
A
i
＝
[B
i
,B
i
,
…
,B
i
]进行切片和扩展得到季节输出最终求和得到季节输出其中，
B
i
＝
[0,0
…
,0,1,1,
…
,1,
…
,ns
i
‑
1,ns
i
‑
1,
…
,ns
i
‑
1]，
ns
i
为第
i
个季节模式的季节数；
B
i
依次由
ls
i
个0，
ls
i
个1，
…
，
ls
i
个
ns
i
‑1组成，
ls
i
为第
i
个季节模式的季节长度；
A
i
由个
B
i
组成；
[0021]步骤
(1.4)
：求得输入样本
X
的重构值
[0022]步骤
(1.5)
：定义所述步骤
(1.2)
至步骤
(1.4)
所构建的深度生成模型损失函数为其中
L
X
表示重构损失，
D
KL
表示基于
KL
散度求得的隐变量损失；
[0023]步骤
(1.6)
：使用步骤
(1.1)
中的训练集数据对步骤
(1.2)
至步骤
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于时序生成的工业过程不平衡故障分类方法，其特征在于，该方法包括以下步骤：步骤一：基于时间序列的工业过程数据，针对每个故障，构建并训练一个深度生成模型，生成一定量故障的时序数据，用于平衡工业过程中正常的时序数据和故障的时序数据；所述深度生成模型包括：将输入样本映射到隐层空间的基于卷积神经网络的卷积解码器；将所述隐层空间的隐变量还原为时序分解的基础输出的基于卷积神经网络的卷积解码器；将所述隐层空间的隐变量转换为趋势输出的趋势多层感知机；将所述隐层空间的隐变量转换为多个季节中间向量，得到季节输出的多个季节多层感知机；所述深度生成模型的输出为所述卷积解码器和所有的多层感知机的输出的和；步骤二：基于平衡的工业过程时序数据，构建并训练分类器，进行故障分类；所述分类器包括用于提取高维空间特征的长短时记忆网络，以及用于故障分类的多层感知机和
softmax
函数
。2.
根据权利要求1所述的基于时序生成的工业过程不平衡故障分类方法，其特征在于，所述步骤一包括如下子步骤：步骤
(1.1)
：将序列化的工业过程数据分为训练集和测试集，所述训练集用于深度生成模型的训练迭代，测试集用于所述深度生成模型的评价；步骤
(1.2)
：将输入样本通过基于卷积神经网络的卷积编码器映射到隐层空间，得到隐变量特征均值
z
mean
和方差
z
sigma
，均值和方差经过重参数化得到隐变量
z
＝
z
mean
+e
×
z
sigma
,
其中
e
～
N(0,I)
；步骤
(1.3)
：并列执行如下三个操作：
(1)
将隐变量
z
通过基于卷积神经网络的卷积解码器还原为时序分解的基础输出
V
base
；
(2)
将隐变量
z
使用趋势多层感知机转换为趋势中间向量
U
trend
；定义时间向量时间矩阵
R
＝
[1,r,r2,
…
,r
p
]
，得到时序分解的趋势输出
V
trend
＝
U
trend
×
R
，其中
t
表示时间序列长度，
p
为多项式系数；
(3)
将隐变量
z
使用
m
个季节多层感知机转换为季节中间向量其中，
m
为季节模式个数；对每个季节中间向量按照季节索引数组
A
i
＝
[B
i
，
B
i
，
...
，
B
i
]
进行切片和扩展得到季节输出最终求和得到季节输出其中，
B
i
＝
[0
，
0...
，0，1，1，
...
，1，
...
，
ns
i
‑1，
ns
i
‑1，
...
，
ns
i
‑
1]
，
ns
i
为第
i
个季节模式的季节数；
B
i
依次由
ls
i
个0，
ls
i
个1，
…
，
ls
i
个
ns
i
‑1组成，
ls
i
为第
i
个季节模式的季节长度；
A
i
由个
B
i
组成；步骤
(1.4)
：求得输入样本
X
的重构值步骤
(1.5)
：定义所述步骤
(1.2)
至步骤
(1.4)
所构建的深度生成模型损失函数为其中
L
X

【专利技术属性】
技术研发人员：沈冰冰，姚乐，曾九孙，
申请(专利权)人：杭州师范大学，
类型：发明
国别省市：