一种基于制造技术

本发明专利技术公开了一种基于

【技术实现步骤摘要】
一种基于DSECMR
‑
VAE的工业过程广义零样本故障诊断方法


[0001]本专利技术涉及工业过程故障诊断
，更具体的说是涉及一种基于
DSECMR
‑
VAE
的工业过程广义零样本故障诊断方法
。

技术介绍

[0002]随着现代工业过程的复杂度和规模不断增加，各种故障和异常情况都会对生产效率和产品质量产生不利影响，因此，工业过程故障诊断是生产管理中至关重要的一环
。
随着智能制造技术的广泛应用，工业过程中使用的各种传感器
、
控制器
、
数据采集系统等设备的数量和种类不断增加，这些设备为工业过程故障诊断提供了更多的反应过程运行状态的数据，这也促使了即基于数据驱动的故障诊断方法的快速发展，尤其即基于多元统计的方法和基于深度学习的方法
。
[0003]典型的基于多元统计的方法主要包括主成分分析
(PCA)、
偏最小二乘
(PLS)、
慢特征分析
(SFA)
等方法，其主要思想是将高维的过程变量经过投影隐射进行降维，形成可以反应数据变化的低维特征空间，然后在低维特征空间中进行故障诊断
。
这类方法虽然具有清晰的理论背景，但其应用存在诸多的限制条件，如假设数据满足独立同分布
、
无法有效处理过程数据的非线性特性等
。
[0004]近年来，深度学习技术由于其强大的特征提取能力和非线性处理能力，在各个领域都取得了蓬勃的发展，基于深度学习的故障诊断技术得到了广泛的应用
。
典型的深度学习方法包括堆叠自编码器
(SAE)、
深度置信网络
(DBN)、
长短时记忆网络
(LSTM)
和卷积自编码器
(CAE)
等
。
尽管基于深度学习的故障诊断方法以及在工业过程中取得了很多成果，但是深度学习方法固有的缺点制约了其进一步发展，即它们要求大量的故障样本进行训练，同时要求在训练时所有的故障类别都是已知的
。
这与实际的工业过程并不相符，在实际情况中，只有部分故障是可见的，而另一部分故障是不可见的，如何在仅有可见类故障的情况下对不可见类故障进行诊断，即零样本故障诊断，仍然是目前的一个研究难点
。
[0005]针对上述问题，
Feng
等将由属性组成的故障描述作为辅助信息嵌入故障样本和故障类别之间，将训练故障的属性知识迁移到目标故障进行零样本故障诊断，提出了一种基于故障描述的属性迁移零样本故障诊断
(FDAT)
方法
。
该方法第一次给出了在没有目标故障作为训练样本的情况下如何进行零样本故障诊断任务的基本思想
。Hu
等人在
FDAT
的基础上，通过对故障样本嵌入和属性嵌入进行一致性约束，提出了一种基于语义一致嵌入
(SCE)
的零样本故障诊断方法，进一步提高了对工业过程零样本故障诊断能力
。
尽管上述方法对工业过程的零样本故障任务进行了探索并取得了较好的效果，但其存在一个限制即测试集只包含不可见类故障，当可见类故障和不可见类故障同时出现时，会导致故障诊断结果明显偏向于可见类故障，这是由这类故障诊断方法在训练时只使用可见类故障作为训练集所导致的
。
而在实际工业工程中，可见类故障和不可见类故障同时存在是一种更为普遍的现象
。
[0006]因此，如何基于同时包括可见类故障和不可见类故障的测试样本实现准确的广义
零样本故障诊断是本领域技术人员亟需解决的问题
。

技术实现思路

[0007]有鉴于此，本专利技术提供了一种基于
DSECMR
‑
VAE
的工业过程广义零样本故障诊断方法，以解决测试样本中同时存在可见类故障和不可见类故障的广义零样本故障诊断问题
。
[0008]为了实现上述目的，本专利技术采用如下技术方案：
[0009]一种基于
DSECMR
‑
VAE
的工业过程广义零样本故障诊断方法，包括以下步骤：
[0010]步骤1：采集工业过程现场中的故障样本，并进行归一化处理；可见类故障样本和不可见类故障样本，
[0011]步骤2：根据归一化处理后的可见类故障样本和不可见类故障样本在工业过程现场表征的不同特性，建立故障语义属性描述矩阵；
[0012]步骤3：将处理后的可见类故障样本和故障语义属性描述矩阵作为两个模态输入，建立
DSECMR
‑
VAE
模型；
[0013]步骤4：训练
DSECMR
‑
VAE
模型的属性分类器，实现标签推理，获得故障样本的样本标签；
[0014]步骤5：采集新的测试样本并进行归一化处理；
[0015]步骤6：将归一化处理后的测试样本输入训练好的
DSECMR
‑
VAE
模型，输出样本标签，获得故障诊断结果
。
[0016]优选的，步骤1的具体实现过程为：
[0017]步骤
11
：利用工业过程现场的不同传感器，采集故障样本
X
；
[0018]步骤
12
：对故障样本
X
进行归一化处理，归一化公式为：
[0019][0020]其中，
X
max
表示故障样本中的最大值，
X
min
表示故障样本中的最小值
。
[0021]优选的，步骤2的具体实现过程为：
[0022]对归一化处理后的所有可见类故障样本和不可见类故障样本建立故障语义属性描述；故障语义属性描述包括故障影响
、
故障位置
、
故障表现形式和故障原因；根据故障语义属性描述采用0‑1编码构建故障语义属性描述矩阵；故障语义属性描述矩阵
A
表示为：
[0023][0024]其中，
L
表示故障类别数；
c
表述故障属性数；故障语义属性描述矩阵
A
中的元素为0或1，当某个故障具有某一属性时，在故障属性描述矩阵中该位置元素为1，反之为
0。
[0025]优选的，步骤3的具体实现过程为：
[0026]步骤
31
：将归一化处理后的可见类故障样本和故障语义属性描述矩阵
A
作为两个输入模态，分别建立一个变分自编码器，计算两个变分自编码器的损失函数，利用两个变分自编码器重构当前输入模态，获得
DSECMR
‑
VAE
模型的变分自编码器损失函数；
[0027]步骤
311
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
DSECMR
‑
VAE
的工业过程广义零样本故障诊断方法，其特征在于，包括以下步骤：步骤1：采集工业过程现场中的故障样本，并进行归一化处理；故障样本包括可见类故障样本和不可见类故障样本；步骤2：根据归一化处理后的可见类故障样本和不可见类故障样本在工业过程现场表征的不同特性，建立故障语义属性描述矩阵；步骤3：将处理后的可见类故障样本和故障语义属性描述矩阵作为两个模态输入，建立
DSECMR
‑
VAE
模型；步骤4：训练
DSECMR
‑
VAE
模型的属性分类器，实现标签推理，获得故障样本的样本标签；步骤5：采集新的测试样本并进行归一化处理；步骤6：将归一化处理后的测试样本输入训练好的
DSECMR
‑
VAE
模型，输出样本标签，获得故障诊断结果
。2.
根据权利要求1所述的一种基于
DSECMR
‑
VAE
的工业过程广义零样本故障诊断方法，其特征在于，步骤1的具体实现过程为：步骤
11
：利用工业过程现场的多种传感器，采集故障样本
X
；步骤
12
：对故障样本
X
进行归一化处理，归一化公式为：其中，
X
max
表示故障样本中的最大值，
X
min
表示故障样本中的最小值
。3.
根据权利要求1所述的一种基于
DSECMR
‑
VAE
的工业过程广义零样本故障诊断方法，其特征在于，步骤2的具体实现过程为：对归一化处理后的所有可见类故障样本和不可见类故障样本建立故障语义属性描述；故障语义属性描述包括故障影响
、
故障位置
、
故障表现形式和故障原因；根据故障语义属性描述采用0‑1编码构建故障语义属性描述矩阵；故障语义属性描述矩阵
A
表示为：其中，
L
表示故障类别数；
c
表述故障属性数；故障语义属性描述矩阵
A
中的元素为0或
1。4.
根据权利要求1所述的一种基于
DSECMR
‑
VAE
的工业过程广义零样本故障诊断方法，其特征在于，步骤3的具体实现过程为：步骤
31
：将归一化处理后的可见类故障样本和故障语义属性描述矩阵作为两个输入模态，分别建立一个变分自编码器，分别计算两个变分自编码器的损失函数，利用两个变分自编码器重构当前输入模态，获得
DSECMR
‑
VAE
模型的变分自编码器损失函数；步骤
32
：利用可见类故障样本和故障语义属性描述矩阵对应的两个变分自编码器重构来自不同模态的输入，建立
DSECMR
‑
VAE
模型的交叉模态重构损失函数；利用除自身模态以外的另一个模态导出的潜变量对每个模态的解码器
p
θ
(x|z)
进行训练，通过解码来自另一个模态的潜在编码建立
DSECMR
‑
VAE
模型的交叉模态重构损失函数，表示为：其中，
E
i
表示第
i
个模态的变分自编码器；
D
j
表示第
j
个模态的解码器；
D
j
(E
i
(x
(i)
))
表示
重构后的输入；步骤
33
：对可见类故障样本和故障语义属性描述矩阵分别对应的两个变分自编码器的分布参数构建
Barlow
矩阵，计算
DSECMR
‑
VAE
模型的分布语义嵌入损失函数，进行分布语义嵌入；步骤
34
：通过组合
DSECMR
‑
VAE
模型的变分自编码器损失函数
、
分布语义嵌入损失函数和交叉模态重构损失函数，得
DSECMR
‑
VAE
模型的模型损失函数如下：
L
DSECMR
‑
VAE
＝
L
VAE
+
λ
L
DSE
+
γ
L
CMR
其中，
λ
和
γ
分别表示分布语义嵌入损失函数和交叉模态重构损失函数的平衡参数；
L
VAE
表示变分自编码器损失函数；
L
DSE
表示分布语义嵌入损失函数；
L
CMR
表示交叉模态重构损失函数
。5.
根据权利要求4所述的一种基于
DSECMR
‑
VAE
的工业过程广义零样本故障诊断方法，其特征在于，可见类故障样本和故障语义属性描述矩阵的处理方式相同，步骤
31
中计算
DSECMR
‑
VAE
模型的变分自编码器损失函数的具体实现过程为：步骤
311
：可见类故障样本和故障语义属性描述矩阵对应的两个变分自编码器，假设可见类故障样本
x
是由具有不可观测的连续随机潜变量
z
的随机过程产生的；可见类故障样本
x
的边际似然
p(x)
表示为：
p(x)
＝
∫p
θ
(x|z)p(z)dz
其中，
p
θ
(x|z)
表示解码器，为潜变量
z
对应的可见类故障样本
x
的分布；
p(z)
为先验分布；步骤
312
：利用贝叶斯定理计算潜变量
z
的后验分布，表示为：步骤
313
：在变分自编码器中引入近似后验分布
q
φ
(z|x)
，变分自编码器的损失函数
L
是边际似然
p(x)
的证据下界，表示为：其中，
E
表示求期望；
p
θ
(x|z
i
)
表示第
i
个潜变量
z
i
对应的可见类故障样本
x...

【专利技术属性】
技术研发人员：牟淼，赵小强，曹释予，惠永永，宋昭漾，刘凯，脱奔奔，徐蓉蓉，
申请(专利权)人：兰州理工大学，
类型：发明
国别省市：