【技术实现步骤摘要】
一种渐进式知识迁移的多粒度模糊零样本故障诊断方法
[0001]本专利技术公开一种渐进式知识迁移的多粒度模糊零样本故障诊断方法。本专利技术属于工业故障诊断领域,特别是针对具有属性多粒度特性的工业过程数据的零样本故障诊断。
技术介绍
[0002]故障诊断在工业过程的安全维护中起着重要的作用。随着工业物联网和人工智能技术的发展,数据驱动的故障诊断方法得到了业界和学术界的广泛关注。一般来说,这些方法都将故障诊断任务视为一个有监督的分类问题。首先,需要通过工业物联网技术收集各种故障的历史数据。然后在训练阶段建立分类模型,如支持向量机(support vector machines,SVM),Fisher判别分析(fisher discriminant analysis,FDA),卷积神经网络(convolutional neural network,CNN)。在测试阶段,将故障数据输入到模型中,可以判断故障的类别。虽然基于机器学习或基于深度学习的故障诊断方法已经取得了很好的效果,但考虑到数据采集的成本,对各种故障收集足够的样本是难以实现的,因此这些有监督分类方法在实际应用中存在相当大的局限性。
[0003]现实工业过程中存在一种极端的情况,即测试集中的故障类型并不会出现在训练集中。在这种情况下,上述方法将无效,因为没有提供新的故障样本。零样本故障诊断(Zero
‑
shot faultdiagnosis,ZSD),是解决这一问题的可行方案。结合已见故障和未见故障的属性描述,零样本故障诊断可分为两步:首先 ...
【技术保护点】
【技术特征摘要】
1.一种渐进式知识迁移的多粒度模糊零样本故障诊断方法,其特征在于,包括以下步骤:步骤1:收集各种工业过程的故障类别,根据故障类别的语义描述信息为每种工业过程故障类别总结属性向量,形成属性向量集;步骤2:收集各种工业过程的故障类别样本和类别标签,根据类别标签在步骤1的属性向量集中找到对应的属性向量,按照信息粒度由粗到细将属性向量划分为多个属性层,从第一个属性层开始,依次往后拼接属性层,形成多个属性子向量,作为训练数据;步骤3:构建渐进式知识迁移属性预测网络,使用训练数据训练渐进式知识迁移属性预测网络,对步骤2得到的多个属性子向量进行预测,得到多个预测属性子向量;步骤4:基于步骤3的多个预测属性子向量,设计模糊推断策略,从多个预测属性子向量中的每个属性层推断故障的概率结果,每个属性层基于训练数据求解概率结果的加权系数组合,多个属性层获得多个加权系数组合;步骤5:收集各种工业过程的未见故障类别样本,未见故障类别样本是指训练数据中没有出现的故障类别样本,将未见故障类别样本输入渐进式知识迁移属性预测网络,获取多个预测属性子向量,基于步骤4的多个加权系数组合获得多个单属性层综合诊断结果;设计多粒度属性层融合策略,融合多个单属性层综合诊断结果,计算每种未见故障类别的概率,对未见故障类别样本进行诊断。2.根据权利要求1所述的方法,其特征在于,步骤2中,收集各种工业过程的故障类别样本和类别标签,具体包括:收集各种工业过程的故障类别样本和类别标签其中N和J分别表示故障类别样本数量和故障类别样本的变量数量。3.根据权利要求1所述的方法,其特征在于,步骤2中,根据类别标签在步骤1的属性向量集中找到对应的属性向量,按照信息粒度由粗到细将属性向量划分为多个属性层,从第一个属性层开始,依次往后拼接属性层,形成多个属性子向量,具体包括:2.1)属性向量集为m表示故障的类别数量,C表示每个属性向量的维度;2.2)按照信息粒度由粗到细,将属性向量集中的每个属性向量划分为L个属性层,记其中a是属性向量集中的属性向量,表示拼接操作,a
l
表示属性向量的第l个属性层,其中1≤l≤L,l序号越小表示粒度越粗;2.3)将第一个属性层作为第一个属性子向量,将前两个属性层拼接,作为第二个属性子向量,以此类推,直到将前L个属性层拼接,作为第L个属性子向量,共形成L个属性子向量。4.根据权利要求1所述的方法,其特征在于,步骤3中,构建渐进式知识迁移属性预测网络,使用训练数据训练渐进式知识迁移属性预测网络,对步骤2得到的多个属性子向量进行预测,得到多个预测属性子向量,具体包括:构建渐进式知识迁移属性预测网络,逐层预测L个属性子向量,在预测下一个属性子向量时,将上个属性子向量预测中提取的先验知识进行迁移,直至预测完毕所有步骤2得到的训练数据的L个属性子向量,得到多个预测属性子向量,并根据训练数据的预测属性子向量
和属性子向量的均方误差来训练渐进式知识迁移属性预测网络。5.根据权利要求4所述的方法,其特征在于,构建渐进式知识迁移属性预测网络,逐层预测L个属性子向量,在预测下一个属性子向量时,将上个属性子向量预测中提取的先验知识进行迁移,具体包括:3.1)针对第一个属性子向量,搭建多层全连接神经网络组成的属性特征提取器和属性子向量预测器,通过属性特征提取器提取训练数据中故障类别样本的属性子向量特征,将所提取的属性子向量特征输入属性子向量预测器中来预测属性子向量,获得第一个预测属性子向量;3.2)针对第l个属性子向量(2≤l≤L),搭建多层全连接神经网络组成的属性特征提取器和属性子向量预测器,使用针对第l
‑
1个属性子向量搭建的属性特征提取器和属性子向量预测器的参数分别来初始化所搭建的属性特征提取器和属性子向量预测器的参数,实现参数知识迁移;将预测上个属性子向量时所提取的属性子向量特征与训练数据中故障类别样本拼接,输入属性特征提取器中提取属性子向量特征,将所提取的属性子向量特征输入属性子向量预测器中预测属性子向量,获得第l个预测属性子向量;3.3)重复步骤3.2),直至预测完毕L个属性子向量,共获得L个预测属性子向量。6.根据权利要求1所述的方法,其特征在于,步骤4中,基...
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。