基于CNN-BiLSTM-Attention的多变量时序故障诊断方法及系统技术方案

本发明专利技术公开了一种基于CNN‑BiLSTM‑Attention的多变量时序故障诊断方法，包括：获取工业生产中多设备实时运行的监测数据，并对数据进行预处理；将预处理后的数据输入至训练好的多变量时序故障诊断模型，得到故障诊断结果；其中，预处理后的数据输入至CNN层，得到纵向特征表示作为BiLSTM层的输入，以实现对全局时间特征进行横向特征提取；BiLSTM层输出作为Attention层的输入，得到输入序列中不同位置的信息；Attention层的输出作为全连接层的输入，最终得到设备故障诊断结果。本发明专利技术结合了CNN的静态特征提取能力、BiLSTM的动态特征识别能力以及注意力机制对特征向量细微差异的关注能力，对于复杂生产环境中的设备状态监测具有优异效果。

【技术实现步骤摘要】

本专利技术涉及故障诊断，尤其涉及一种基于cnn-bilstm-attention的多变量时序故障诊断方法及系统。

技术介绍

1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。

2、近年来，随着现代化工业过程的大规模生产与发展，生产过程的复杂性不断增加，若操作设备出现故障，除影响生产的有效进行还可能导致严重的人身安全问题和财产损失事故。

3、设备故障是指生产系统发生劣化而丧失规定功能的状态。故障发生时的预兆对应的是所监测参数的异常变化，而实现对故障的识别实际上就是依赖传感器信号构建故障预兆到故障的映射关系。随着科学技术和生产规模的不断的发展扩大，工厂生产系统的复杂性也在不断增长。比如核燃料芯块的生产过程需要经过uo2粉末生产、混料、制粒、成型、烧结、磨削等一系列工艺过程，每一工艺过程都需要同时监控多个设备信号来检测过程变量的异常。例如其uo2粉末生产的化工生产线包括气化、水解、沉淀、干燥等多个岗位，每个岗位都需要对反应温度、反应压力、反应速率、反应物浓度严格控制。这使得对于核燃料芯块生产过程在内的复杂工业本文档来自技高网...

【技术保护点】

1.基于CNN-BiLSTM-Attention的多变量时序故障诊断方法，其特征在于，包括：

2.如权利要求1所述的一种基于CNN-BiLSTM-Attention的多变量时序故障诊断方法，其特征在于，所述对数据进行预处理，包括：对数据进行清洗、标准化和降噪处理。

3.如权利要求2所述的一种基于CNN-BiLSTM-Attention的多变量时序故障诊断方法，其特征在于，对数据进行降噪处理的过程具体为：

4.如权利要求3所述的一种基于CNN-BiLSTM-Attention的多变量时序故障诊断方法，其特征在于，以包络熵最小为目标函数，使用PSO算法对V...

【技术特征摘要】

1.基于cnn-bilstm-attention的多变量时序故障诊断方法，其特征在于，包括：

2.如权利要求1所述的一种基于cnn-bilstm-attention的多变量时序故障诊断方法，其特征在于，所述对数据进行预处理，包括：对数据进行清洗、标准化和降噪处理。

3.如权利要求2所述的一种基于cnn-bilstm-attention的多变量时序故障诊断方法，其特征在于，对数据进行降噪处理的过程具体为：

4.如权利要求3所述的一种基于cnn-bilstm-attention的多变量时序故障诊断方法，其特征在于，以包络熵最小为目标函数，使用pso算法对vmd的分解参数进行优化，具体为：

5.如权利要求3所述的一种基于cnn-bilstm-attention的多变量时序故障诊断方法，其特征在于，所述小波变换方法的小波阈值函数具体为：

6.如权利要求1所述的一种基于cnn-bilstm-attention的多变量时序故障诊断方法，其特征在于，所述bilstm层在训练过程中，以设定的概率随机将部分神经元的输出设置为0，以减少模型对某些特...

【专利技术属性】
技术研发人员：高琦，吴春阳，
申请(专利权)人：山东大学日照研究院，
类型：发明
国别省市：