【技术实现步骤摘要】
本专利技术属于故障诊断领域，更具体地，涉及一种基于双线性卷积神经网络的故障诊断方法及装置。
技术介绍
1、随着设备越来越向集成化和智能化发展，设备内模块众多、且数据杂乱，需要对设备进行故障诊断与定位。传统的故障诊断方式包括观察法，直接观察板卡是否存在故障，此种方式只能根据经验判断，容易误判。传统的故障诊断方式还包括电压法和电流法，这些方法需要实时监测电压和电流，并进行计算，以确定是否出现故障，存在效率低、容易误判问题。所以传统的故障诊断技术已不能满足复杂设备快速高效的故障诊断要求。
技术实现思路
1、针对现有技术的以上缺陷或改进需求，本专利技术提供了一种基于双线性卷积神经网络的故障诊断方法及装置，其目的在于采用优化后的故障诊断预测模型可以快速、高效地对故障进行诊断，实现模块级故障的快速诊断和定位，由此解决传统的故障诊断技术已不能满足复杂设备快速高效的故障诊断要求的技术问题。
2、为实现上述目的，按照本专利技术的一个方面，提供了一种基于双线性卷积神经网络的故障诊断方法，包括：
3、基于双线性卷积神经网络建立故障诊断预测模型；
4、采用训练集对所述故障诊断预测模型进行训练，在训练过程中，将特征概率临近预设概率阈值的样本，添加到诊断样本集；
5、通过诊断样本集反向监督训练故障诊断预测模型，根据代价函数调整网络权值与偏置，提高卷积神经网络的收敛性，以得到优化后的故障诊断预测模型；
6、通过优化后的故障诊断预测模型对实际故障信息进行
7、进一步地，还包括：
8、收集故障信息，对故障信息进行特征提取得到特征向量，根据特征向量建立训练集。
9、进一步地，所述收集故障信息，对故障信息进行特征提取得到特征向量，根据特征向量建立训练集包括：
10、如果故障信息为频带能量信息，则采用如下公式得到第一特征向量t1；
11、
12、其中，dk,i(n)表示第i层第k个频带对应的能量系数，m表示不同频带的长度，ek,i表示第i层第k个频带的能量；
13、
14、t1＝[e1,i/ei,e2,i/ei,e3,i/ei,...,ek,i/ei]
15、其中，ei表示第i层各频带的能量和；
16、将所有的第一特征向量t1集合在一起，形成第一训练集。
17、进一步地，所述收集故障信息，对故障信息进行特征提取得到特征向量，根据特征向量建立训练集包括：
18、如果故障信息为温度信息，建立一个通电-断电周期内的温度特征模型k：
19、k＝[tmax，tavg,tmin]
20、tmax＝max[t1,t2,...,tn]
21、tmin＝min[t1,t2,...,tn]
22、其中，tmax为一个周期内的最高温度，tavg为一个周期内n个温度信息的平均值，tmin为一个周期内的最低温度；
23、建立m个周期的温度特征模型，以得到第二特征向量t2，第二特征向量t2的表示如下：
24、t2＝[k1,k2...km]t
25、其中，km为第m个周期的温度特征模型；
26、将所有的第二特征向量t2集合在一起，形成第二训练集。
27、进一步地，所述故障诊断预测模型包含池化函数和分类函数；所述实际故障信息包括实际温度信息和实际频带能量信息；
28、所述通过优化后的故障诊断预测模型对实际故障信息进行预测，确定设备的故障类型包括：
29、所述池化函数将所述实际频带能量信息所对应的第一特征向量和所述实际温度信息所对应的第二特征向量通过外积运算进行双线性组合，得到双线性特征；
30、所述池化函数对所有双线性特征进行聚合，得到融合矩阵；
31、所述分类函数对所述融合矩阵进行处理，得到故障类型。
32、进一步地，所述融合矩阵的表示为：
33、其中，t1为第一特征向量，t2为第二特征向量。
34、进一步地，所述分类函数对所述融合矩阵进行处理，得到故障类型包括：
35、所述分类函数将融合矩阵归一化处理，得到归一化矩阵σcls，归一化矩阵σcls，再把归一化矩阵σcls映射到[0,1]的概率区间内，根据特征概率确定对应的故障类别，以进行故障分类。
36、进一步地，所述归一化矩阵σcls的表示为：
37、
38、其中，c表示融合矩阵的元素数目，表示融合矩阵中的其中一个元素，i表示行，j表示列。
39、进一步地，所述预设概率阈值为[0.5-0.8]范围区间内的任一数值。
40、按照本专利技术的另一方面，提供了一种基于双线性卷积神经网络的故障诊断装置，包括至少一个处理器和存储器，所述至少一个处理器和存储器之间通过数据总线连接，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令在被所述处理器执行后，用于完成第一方面所述的基于双线性卷积神经网络的故障诊断方法。
41、总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，具有如下有益效果：建立基于大数据分析和深度学习的故障诊断预测模型，借助于改进后的双线性卷积神经网络，利用诊断标签层，反向监督训练双线性卷积神经网络，计算代价函数并且指导网络权值与偏置的调整，得到满足需求的故障诊断预测模型。同时，将训练过程中容易误判的样本逐步添加到优质诊断样本集中，将优质诊断样本集添加到测试集中，提高故障诊断预测模型的准确性以及效率。采用优化后的故障诊断预测模型可以快速、高效地对故障进行诊断，实现模块级故障的快速诊断和定位。
本文档来自技高网...【技术保护点】
1.一种基于双线性卷积神经网络的故障诊断方法，其特征在于，包括：
2.根据权利要求1所述的基于双线性卷积神经网络的故障诊断方法，其特征在于，还包括：
3.根据权利要求2所述的基于双线性卷积神经网络的故障诊断方法，其特征在于，所述收集故障信息，对故障信息进行特征提取得到特征向量，根据特征向量建立训练集包括：
4.根据权利要求2所述的基于双线性卷积神经网络的故障诊断方法，其特征在于，所述收集故障信息，对故障信息进行特征提取得到特征向量，根据特征向量建立训练集包括：
5.根据权利要求1所述的基于双线性卷积神经网络的故障诊断方法，其特征在于，所述故障诊断预测模型包含池化函数和分类函数；所述实际故障信息包括实际温度信息和实际频带能量信息；
6.根据权利要求5所述的基于双线性卷积神经网络的故障诊断方法，其特征在于，所述融合矩阵的表示为：
7.根据权利要求5所述的基于双线性卷积神经网络的故障诊断方法，其特征在于，所述分类函数对所述融合矩阵进行处理，得到故障类型包括：
8.根据权利要求7所述的基于双线性卷积神经网
9.根据权利要求1-8任一项所述的基于双线性卷积神经网络的故障诊断方法，其特征在于，所述预设概率阈值为[0.5-0.8]范围区间内的任一数值。
10.一种基于双线性卷积神经网络的故障诊断装置，其特征在于，包括至少一个处理器和存储器，所述至少一个处理器和存储器之间通过数据总线连接，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令在被所述处理器执行后，用于完成权利要求1-9任一所述的基于双线性卷积神经网络的故障诊断方法。
...【技术特征摘要】
1.一种基于双线性卷积神经网络的故障诊断方法，其特征在于，包括：
2.根据权利要求1所述的基于双线性卷积神经网络的故障诊断方法，其特征在于，还包括：
3.根据权利要求2所述的基于双线性卷积神经网络的故障诊断方法，其特征在于，所述收集故障信息，对故障信息进行特征提取得到特征向量，根据特征向量建立训练集包括：
4.根据权利要求2所述的基于双线性卷积神经网络的故障诊断方法，其特征在于，所述收集故障信息，对故障信息进行特征提取得到特征向量，根据特征向量建立训练集包括：
5.根据权利要求1所述的基于双线性卷积神经网络的故障诊断方法，其特征在于，所述故障诊断预测模型包含池化函数和分类函数；所述实际故障信息包括实际温度信息和实际频带能量信息；
6.根据权利要求5所述的基于双线性卷积神经网络的故障诊断方...
【专利技术属性】
技术研发人员：黄兆年，程朋，李恒，
申请(专利权)人：中国船舶集团有限公司第七〇九研究所，
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。