【技术实现步骤摘要】
本专利技术属于工业故障诊断，尤其涉及一种基于vae的信息增强解耦网络故障诊断方法及系统。
技术介绍
1、现代工业系统规模日趋庞大，组成愈加复杂，一旦系统出现故障，对工业生产经济效益和操作人员生命安全造成严重威胁。此外，如果系统出现的微小故障不能被及时检测和排除，会逐渐累积并随着系统流扩散到其他部位演化成重大系统故障。因此，准确、及时、高效的故障诊断对提高现代工业生产过程的安全性和稳定性尤为重要。
2、故障诊断一般包括三个子任务：故障检测、故障隔离和故障估计。故障检测判断系统是否发生了故障。故障隔离可以快速有效地定位故障原因，大大减少故障恢复时间。故障估计可以进一步确定故障类型以及故障的大小，并在观测数据中重构故障信号。总的来说，故障检测、故障隔离和故障估计之间的关系是层层递进、息息相关的。故障检测是故障诊断的第一步，故障隔离和故障估计是后续的延伸任务。
3、在故障检测任务中，残差生成器一直被广泛应用。残差信号生成方法可以分为基于模型的方法、基于浅层学习的方法和基于深度学习的方法。基于模型的方法需要事先建立所研究系统的精确数学模型或物理模型，但这要求在如今庞大且复杂的工业流程中通常难以满足。同时，在设计故障检测方案时需要应用大量的专家经验，因此，该方法在实际应用中存在难以克服的缺陷，受到极大的束缚；基于浅层学习的方法是通过将数据投影到特定的低维潜变量空间中来提取压缩特征，所提取的特征具有明确的数学物理意义。但依然难以处理大规模的数据，难以拟合复杂系统行为；基于深度学习的残差生成方法具有复杂的多层非线性结构，
4、检测到系统故障之后需要进一步实现故障隔离。现有的故障隔离方法主要基于模型解耦和贡献评价两种思路。基于模型的故障隔离方法通常是构造解耦传递矩阵，在结构上将不同类型的故障对残差信号的影响分离开；基于贡献评价的方法是通过分析各输入量对生成统计量的贡献实现故障隔离。虽然已经提出了一些故障隔离的方法，但是缺乏基于深度网络的故障解耦结构。由于深度网络的复杂多层非线性结构，且具有不透明和难解释的特点，在实施故障隔离任务时面临巨大的挑战，尽管基于可解释人工智能的归因方法在故障隔离任务中取得一些成功，但容易受到“涂抹效应”的影响，无法分析残差对测试统计量的贡献。因此，将解耦思想应用到深度学习的故障隔离方法中可以解决上述困境。
5、故障估计是故障诊断任务的最终目的。故障隔离之后变量之间不会干扰彼此的故障信号估计，可以为其提供正确的方向，有助于减少重构噪声，提升故障估计的准确性。当前最为常见的依然是基于模型的故障估计方法(如滑模观测器)，这类方法对于具备解耦能力的故障估计器研究较少，导致故障估计的精度难以保障。此外，基于深度网络的方法用于复杂非线性系统的故障估计依然是十分匮乏的。
6、通过上述分析，现有技术存在的问题及缺陷为：在故障检测方面，基于模型的故障检测方法在如今庞大且复杂的工业流程中通常难以建立精确的数学物理模型，无法满足实际需求；基于浅层学习的故障检测方法处理大规模数据的能力较弱，难以拟合复杂系统行为。在故障隔离方面，缺乏基于深度网络的故障解耦结构，且现有的故障隔离方法容易受到“涂抹效应”的影响，无法分析残差对测试统计量的贡献。在故障估计方面，对于具备解耦能力的故障估计研究较少导致故障估计精度难以保障。
技术实现思路
1、针对现有技术存在的问题，本专利技术提供了一种基于vae的信息增强解耦网络故障诊断方法及系统。
2、本专利技术是这样实现的，一种基于vae的信息增强解耦网络故障诊断方法，基于vae的信息增强解耦网络故障诊断方法包括：
3、s1：将正常状态的数据x输入iedn-vae，得到输出实现对输入的解耦重构；
4、s2：构建一个与输入、输出观测值相关的残差生成器r；
5、s3：对残差信号采用t2统计量将其转化成标量信号，并确定正常样本的阈值jth；
6、s4：计算在线样本残差信号的t2检验统计量，判断在线样本的状态，完成故障检测任务；
7、s5：将残差信号进一步用于定位输入样本中引起故障的原因变量，完成故障隔离任务；
8、s6：根据故障隔离的结果，构建一个基于梯度下降策略的故障估计器完成故障估计任务。
9、进一步，s1中信息增强解耦网络包括：
10、s101，输入数据：输入记为x，x＝(x1,…,xm)；其中，m表示采集输入数据的传感器个数；离线过程的输入数据均处于正常状态，即
11、
12、
13、其中，表示整个观测空间，和分别表示维度为m的正常域空间和故障域空间；
14、将x进行对角化处理：
15、diag{x}＝[χ1,…,χm]t＝x；
16、每一个矩阵行向量作为一个新的样本，的第k个元素满足：
17、
18、s102，前映射ppre：xpre＝xγ＝[χ1,…,χm]tγ。其中，γ是一个循环矩阵，可以保证xpre对每个变量都是公平的；
19、循环矩阵可由其第一行确定，如第一行为[1,2,3,4]的循环矩阵可以构造如下
20、
21、选择循环矩阵即：xpre＝[χ1,…,χm]tγpre；
22、其中，1<n<m，n的取值过小会影响xpre对输入x有效信息的继承能力，n的取值过大则会对模型的泛化能力产生消极影响；
23、s103，vae重构：vae网络属于典型的无监督神经网络，其内部包括编码器和解码器两部分，均由全连接层构成；任意相邻两层(l-1,l)之间可以写成：
24、x(l)＝σ(l)(w(l-1,l)x(l-1)+b(l))；
25、其中，x(l-1)和x(l)分别表示第l-1层和第l层的值，w表示权重系数，b表示偏置，σ表示激活函数；
26、xpre作为vae的输入，得到的输出记为
27、
28、表示vae网络的映射函数，θvae表示网络参数；
29、s104，后映射ppost：
30、和γik分别表示和γ第i行第k列的元素，级联前面定义的函数映射，整个idn描述如下：
31、
32、其中，即为输入数据x的解耦重构；
33、s105，训练iedn-vae的过程包括内部损失lin和外部损失lout两个部分。lin表示内部vae的重构损失，lout表示iedn-vae的解耦重构损失：
34、
35、
36、在利用正常数据样本进行充分的训练之后，lin和lout会满足：
37、
38、进一步，s2中残差生成器的构建方法包括：
39、
4本文档来自技高网...
【技术保护点】
1.一种基于VAE的信息增强解耦网络故障诊断方法，其特征在于，包括：
2.如权利要求1所述的基于VAE的信息增强解耦网络故障诊断方法，其特征在于，S1中信息增强解耦网络包括：
3.如权利要求1所述的基于VAE的信息增强解耦网络故障诊断方法，其特征在于，S2中残差生成器的构建方法包括：
4.如权利要求1所述的基于VAE的信息增强解耦网络故障诊断方法，其特征在于，S3中确定正常样本阈值Jth的方法包括：
5.如权利要求1所述的基于VAE的信息增强解耦网络故障诊断方法，其特征在于，S4中判断在线样本状态的方法包括：
6.如权利要求1所述的基于VAE的信息增强解耦网络故障诊断方法，其特征在于，S5中将残差信号进一步应用于故障隔离任务的方法包括：
7.如权利要求1所述的基于VAE的信息增强解耦网络故障诊断方法，其特征在于，S6中完成故障估计任务的方法包括：
8.一种应用如权利要求1～7任意一项所述的基于VAE的信息增强解耦网络故障诊断方法的基于VAE的信息增强解耦网络故障诊断系统，其特征在于，基于VAE的信
9.一种计算机设备，计算机设备包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行如权利要求1～7任意一项所述的基于VAE的信息增强解耦网络故障诊断方法的步骤。
10.一种信息数据处理终端，信息数据处理终端用于实现如权利要求8所述的基于VAE的信息增强解耦网络故障诊断系统。
...【技术特征摘要】
1.一种基于vae的信息增强解耦网络故障诊断方法，其特征在于，包括：
2.如权利要求1所述的基于vae的信息增强解耦网络故障诊断方法，其特征在于，s1中信息增强解耦网络包括：
3.如权利要求1所述的基于vae的信息增强解耦网络故障诊断方法，其特征在于，s2中残差生成器的构建方法包括：
4.如权利要求1所述的基于vae的信息增强解耦网络故障诊断方法，其特征在于，s3中确定正常样本阈值jth的方法包括：
5.如权利要求1所述的基于vae的信息增强解耦网络故障诊断方法，其特征在于，s4中判断在线样本状态的方法包括：
6.如权利要求1所述的基于vae的信息增强解耦网络故障诊断方法，其特征在于，s5中将残差信号进一步应用于...
【专利技术属性】
技术研发人员：李灵，刘自鹏，陈俊名，刘述，潘卓夫，王梦龙，蓝开璇，项俊霖，马水冰，李磊，
申请(专利权)人：长沙理工大学，
类型：发明
国别省市：
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。