System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于故障检测,具体涉及一种基于胶囊网络多分类模型的冷水机故障检测方法。背景介绍故障检测技术是指对于某一设备、系统或过程进行检测,以判断其是否处于正常工作状态,并在检测到异常情况时及时发出警报并采取相应的措施,以避免设备、系统或过程进一步损坏或影响生产效率。在现代工业生产中,故障检测技术已成为提高生产效率和产品质量、减少能源浪费和物料损失的重要手段。目前,故障检测技术主要包括传统的基于规则的方法和基于机器学习的方法,传统的基于规则的方法是通过专家知识和先验规则来设计故障检测系统,这种方法的优点是解释性强、易于理解和调试,但缺点是对于复杂的系统难以建立完整的规则库,且规则库的维护和更新成本较高;而基于机器学习在故障检测方面的应用已经成为当前研究热点之一。传统的基于规则的故障检测方法需要人工分析大量数据,其效率低且易出错。但机器学习算法可以自动学习并识别特定模式,从而能够快速准确地检测出潜在的故障。随着深度学习算法的兴起,卷积神经网络、循环神经网络、自编码器等算法也被广泛应用于基于机器学习故障检测任务中,这些算法通过层次化的特征提取和表征学习,能够从原始数据中提取出更加抽象、高级的特征,并且具有更好的分类和识别性能。机器学习在故障检测领域的应用已经取得了显著的成果,未来将会继续推动故障检测技术的发展,提高设备的可靠性和安全性,而基于机器学习的故障检测方法是通过训练数据来建立故障检测模型,这种方法的优点是能够处理复杂的非线性关系和高维数据,且具有较高的准确性和泛化能力,但缺点是需要大量的训练数据和计算资源,并且模型的解释性较差。在这种背景下,基于胶囊
技术介绍
技术实现思路
1、本专利技术为解决现有故障检测技术中传统的基于规则的故障检测方法需要人工分析大量数据,不仅检测效率低且非常容易出错,传统的基于机器学习的故障检测方法需要大量的训练数据和计算资源、模型的解释性较差且处理高度重叠的故障时性能较差的问题,提出了一种基于胶囊网络多分类模型的冷水机故障检测方法。
2、本专利技术提供了一种基于胶囊网络多分类模型的冷水机故障检测方法,包括如下步骤:
3、s1.从冷水机组故障标准数据集中获取数据并对获取到的数据进行预处理,得到冷水机故障数据集,将所述冷水机故障数据集划分为训练集、验证集和测试集;
4、s2.构建基于胶囊网络的冷水机故障检测模型,包括:搭建卷积神经网络层、主胶囊层、数字胶囊层和辅助输出层;所述卷积神经网络层用于提取数据集的特征得到数据输出向量,并将所述数据输出向量传输给所述主胶囊层;所述主胶囊层用于对所述数据输出向量进行特征提取得到胶囊矩阵向量,并将所述胶囊矩阵向量传输给所述数字胶囊层;所述数字胶囊层用于提取所述胶囊矩阵向量的属性并通过权重张量和动态路由机制算法得到胶囊张量;所述辅助输出层用于将所述胶囊张量转换为标量并输出分类结果;将所述卷积神经网络层、主胶囊层和数字胶囊层依次连接,得到基于胶囊网络的所述冷水机故障检测模型;
5、s3.训练所述冷水机故障检测模型,包括:将所述步骤s1中得到的所述训练集和验证集输入所述步骤s2中构建的所述冷水机故障检测模型中,通过所述训练集和验证集对所述冷水机故障检测模型进行交叉验证,得到超参数的参数值,再将所述训练集和验证集合并输入所述冷水机故障检测模型进行训练,通过动态路由机制算法更新所述数字胶囊层中胶囊网络模型参数的权重,胶囊网络模型参数的权重更新后,得到训练后的所述冷水机故障检测模型;
6、s4.测试所述冷水机故障检测模型,包括:将所述步骤s1中得到的所述测试集输入到所述步骤s3中得到的训练后的所述冷水机故障检测模型中进行测试,若测试结果不合格,则返回步骤s3重新进行训练,若测试结果合格,则得到测试后的所述冷水机故障检测模型;
7、s5.将待检测的冷水机数据输入所述步骤s4得到的测试后的所述冷水机故障检测模型中,得到输出检测结果。
8、根据本专利技术一些实施例的一种基于胶囊网络多分类模型的冷水机故障检测方法,所述步骤s1中,所述预处理包括将原数据集中的时间标记数据删除并分别加入0-8的标签,0-8的标签用于分别表示冷水机的九种不同运行状态,将加入标签后的数据读入内存,将数据中的缺失值填充为0,得到冷水机故障数据集;所述冷水机的九种不同运行状态包括冷凝器脏堵、制冷剂充注过量、制冷剂泄漏、内含不凝气体、冷冻水流量减小、冷却水流量减小、润滑油过量、导阀故障和正常运行。
9、根据本专利技术一些实施例的一种基于胶囊网络多分类模型的冷水机故障检测方法,所述步骤s1中,划分所述冷水机故障数据集时,将所述冷水机故障数据集中数据的特征和标签分别提取出来,按照标签类别进行分层抽样分割,使所述训练集、验证集和测试集中各个运行状态的样本数量比例相同,将分割好的训练集、验证集和测试集数据转换为numpy数组类型。
10、根据本专利技术一些实施例的一种基于胶囊网络多分类模型的冷水机故障检测方法,所述步骤s2中,所述卷积神经网络层包括
11、第一层卷积层,通过4*1的卷积核进行一维卷积,卷积步长为1,卷积的通道数为128,激活函数为relu函数;
12、第二层卷积层,接收第一层卷积层的输出作为输入,通过4*1的卷积核进行一维卷积,卷积步长为1,卷积的通道数为128,激活函数为relu函数;
13、第三层卷积层,接收第二层卷积层的输出作为输入,输出数据输出向量,通过4*1的卷积核进行一维卷积,卷积步长为1,卷积的通道数为128,激活函数为relu函数。
14、根据本专利技术一些实施例的一种基于胶囊网络多分类模型的冷水机故障检测方法,所述步骤s2中,所述主胶囊层包括
15、卷积层,深度为16,维度为8,所述卷积层对所述数据输出向量通过一维卷积进行特征提取得到向量,卷积的通道数为16*8,卷积核大小为4*1,卷积步长为1;
16、重塑层,将得到的向量重构成16个8维的胶囊输出向量,所述胶囊输出向量形成胶囊矩阵向量。
17、主胶囊层是胶囊网络中的一个核心组件,主胶囊层能够提取和表达输入数据的高层抽象特征,从而有助于提高胶囊网络的深度和复杂度;
18、根据本专利技术一些实施例的一种基于胶囊网络多分类模型的冷水机故障检测方法,所述步骤s2中,所述数字胶囊层本文档来自技高网...
【技术保护点】
1.一种基于胶囊网络多分类模型的冷水机故障检测方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的一种基于胶囊网络多分类模型的冷水机故障检测方法,其特征在于,所述步骤S1中,所述卷积神经网络层包括
3.根据权利要求2所述的一种基于胶囊网络多分类模型的冷水机故障检测方法,其特征在于,所述步骤S1中,所述主胶囊层包括
4.根据权利要求3所述的一种基于胶囊网络多分类模型的冷水机故障检测方法,其特征在于,所述步骤S1中,所述数字胶囊层根据胶囊矩阵向量的形状计算胶囊矩阵向量的数量和维度,通过添加权重构建权重张量,所述权重张量包括输入胶囊、输出胶囊和转移矩阵,将所述胶囊矩阵向量进行扩展后与所述权重张量相乘,并通过动态路由机制算法得到所述胶囊张量。
5.根据权利要求1所述的一种基于胶囊网络多分类模型的冷水机故障检测方法,其特征在于,所述步骤S2中,所述预处理包括将原数据集中的时间标记数据删除并分别加入0-8的标签,0-8的标签用于分别表示冷水机的九种不同运行状态,将加入标签后的数据读入内存,将数据中的缺失值填充为0,得到冷水机故障数据集;所
6.根据权利要求5所述的一种基于胶囊网络多分类模型的冷水机故障检测方法,其特征在于,所述步骤S2中,划分所述冷水机故障数据集时,将所述冷水机故障数据集中数据的特征和标签分别提取出来,按照标签类别进行分层抽样分割,使所述训练集、验证集和测试集中各个运行状态的样本数量比例相同,将分割好的训练集、验证集和测试集数据转换为numpy数组类型。
7.根据权利要求6所述的一种基于胶囊网络多分类模型的冷水机故障检测方法,其特征在于,所述步骤S3中,通过所述训练集和验证集对所述冷水机故障检测模型进行四折交叉验证,每个折叠中均将所述训练集和验证集中的标签转换为独热编码格式。
8.根据权利要求1所述的一种基于胶囊网络多分类模型的冷水机故障检测方法,其特征在于,所述步骤S3中,所述胶囊网络模型参数包括认同度路由和耦合系数,所述认同度路由和耦合系数的权重更新方法包括如下步骤:
9.根据权利要求1所述的一种基于胶囊网络多分类模型的冷水机故障检测方法,其特征在于,所述步骤S4中,所述测试结果的评估指标包括均方误差、准确率和F1分数。
10.根据权利要求1所述的一种基于胶囊网络多分类模型的冷水机故障检测方法,其特征在于,所述步骤S5中,所述输出的检测结果包括冷凝器脏堵、制冷剂充注过量、制冷剂泄漏、内含不凝气体、冷冻水流量减小、冷却水流量减小、润滑油过量、导阀故障和正常运行。
...【技术特征摘要】
1.一种基于胶囊网络多分类模型的冷水机故障检测方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的一种基于胶囊网络多分类模型的冷水机故障检测方法,其特征在于,所述步骤s1中,所述卷积神经网络层包括
3.根据权利要求2所述的一种基于胶囊网络多分类模型的冷水机故障检测方法,其特征在于,所述步骤s1中,所述主胶囊层包括
4.根据权利要求3所述的一种基于胶囊网络多分类模型的冷水机故障检测方法,其特征在于,所述步骤s1中,所述数字胶囊层根据胶囊矩阵向量的形状计算胶囊矩阵向量的数量和维度,通过添加权重构建权重张量,所述权重张量包括输入胶囊、输出胶囊和转移矩阵,将所述胶囊矩阵向量进行扩展后与所述权重张量相乘,并通过动态路由机制算法得到所述胶囊张量。
5.根据权利要求1所述的一种基于胶囊网络多分类模型的冷水机故障检测方法,其特征在于,所述步骤s2中,所述预处理包括将原数据集中的时间标记数据删除并分别加入0-8的标签,0-8的标签用于分别表示冷水机的九种不同运行状态,将加入标签后的数据读入内存,将数据中的缺失值填充为0,得到冷水机故障数据集;所述冷水机的九种不同运行状态包括冷凝器脏堵、制冷剂充注过量、制冷剂泄漏、内含不凝气体、冷冻水流量减小、冷却水流量减小、润滑油过量、导阀故障和正常运行。
6.根据权利要求5所述的一种...
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。