一种多模态工业过程自动故障诊断方法及系统.pdf
- 文档编号:18942514
- 上传时间:2024-04-09
- 格式:PDF
- 页数:12
- 大小:729.51KB
一种多模态工业过程自动故障诊断方法及系统.pdf
《一种多模态工业过程自动故障诊断方法及系统.pdf》由会员分享,可在线阅读,更多相关《一种多模态工业过程自动故障诊断方法及系统.pdf(12页珍藏版)》请在冰点文库上搜索。
(19)国家知识产权局(12)发明专利申请(10)申请公布号(43)申请公布日(21)申请号202111339078.2(22)申请日2021.11.12(71)申请人中国科学院沈阳自动化研究所地址110016辽宁省沈阳市沈河区南塔街114号(72)发明人潘福成史海波周晓锋李显李歆(74)专利代理机构沈阳科苑专利商标代理有限公司21002专利代理师周宇(51)Int.Cl.G06F30/27(2020.01)G06F18/214(2023.01)G06N3/08(2023.01)G06F30/18(2020.01)(54)发明名称一种多模态工业过程自动故障诊断方法及系统(57)摘要本发明涉及一种多模态工业过程自动故障诊断方法及系统,包括利用网络结构搜索对工业过程数据进行自动网络设计及参数自动寻优,利用多通道卷积增强网络的表现力,实现单模态工业过程的自动故障诊断。
同时结合元学习之前模态的信息用于新的模态。
本发明通过将网络结构搜索、多通道卷积、元学习的结合,考虑到工业多模态之间的联系,克服了现有基于深度神经网络的工业过程故障诊断方法存在网络结构设计繁琐及参数寻优耗,以及对之前设计经验利用不充分的问题,对多模态工业过程自动故障诊断具有理论和实际意义。
权利要求书3页说明书6页附图2页CN116127825A2023.05.16CN116127825A1.一种多模态工业过程自动故障诊断方法,其特征在于,包括以下步骤:
建立模型:
建立元学习网络结构搜索的网络模型,用于搜索、训练最优的多通道卷积神经网络得到故障诊断模型;搜索阶段:
对多个模态的原始工业生产过程数据施加操作生成候选通道,定义候选操作集,利用网络单元内的结构搜索对工业过程数据进行自动网络设计获取新模态的网络初始参数;所述原始工业多模态数据是通过工业生产过程中传感器数据;训练优化阶段:
利用网络单元之间的结构进行训练,使得参数自动寻优、网络剪枝,获取新模态对应的故障诊断网络模型;实时检测:
实时采集待检测工业生产过程传感器数据并预处理,输入新模态故障诊断网络模型,实现新模态工业生产过程的故障检测与故障诊断。
2.根据权利要求1所述的多模态工业过程自动故障诊断方法,其特征在于,所述元学习网络结构搜索的网络模型包括:
由若干个卷积神经网络单元链接起来的两路支路,且支路内、支路间各网络单元之间经过边操作链接,两路支路始端输入待处理的数据,两路支路末端还连接用于输出故障诊断结果的全连接层,所述网络单元内还包括边操作和节点,单元内输入同样分成两路,输出为1路。
3.根据权利要求1所述的多模态工业过程自动故障诊断方法,其特征在于,所述搜索阶段包括:
步骤201、对多个模态的原始工业生产过程数据进行归一化和维度预处理,使得满足元学习网络结构搜索的数据维度;步骤202、对预处理后的数据施加操作,构成多通道卷积的候选通道,并与预处理后的数据拼接,生成网络搜索阶段的输入;步骤203、对候选通道分别赋予权重,进一步得到混合输入;步骤204、定义候选操作集,并赋予每个操作一个权重;步骤205、反复迭代以上步骤203204,选用Adam优化器,用交叉熵损失函数,反向传播调整网络参数、通道权重参数、操作权重参数,从而得到最优的网络初始参数、通道最优初始参数、操作最优初始参数作为新模态的初始参数。
4.根据权利要求1所述的多模态工业过程自动故障诊断方法,其特征在于,所述步骤3包括:
步骤301、对于新模态工业生产过程数据进行归一化和维度预处理,使得满足元学习网络结构搜索的输入数据维度;步骤302、将最优网络初始参数、最优通道权重初始参数、最优操作最优初始参数作为初始参数对输入网络的新模态工业生产过程数据进行训练,得到训练后优化的网络参数、通道权重参数、操作权重;步骤303、通过优化的通道权重参数、操作权重筛选网络中选用的卷积通道以及操作,获取新模态对应的故障诊断网络模型。
5.根据权利要求1所述的多模态工业过程自动故障诊断方法,其特征在于,所述对数据通道C施加的操作为构成多通道卷积的候选通道拼接后生成网络搜索阶段的输入权利要求书1/3页2CN116127825A2其中,F里的元素为操作;所述的对输入通道赋予权重为进一步得到混合输入:
其中,Input为网络单元或单元内的节点,表示输入I内第i个输入的权重,表示输入I内所有输入的权重。
6.根据权利要求1所述的多模态工业过程自动故障诊断方法,其特征在于,候选操作集包括的卷积、池化、跳连操作为:
33可分离卷积、55可分离卷积、33空洞卷积、55空洞卷积、33最大池化、33平均池化、保持原输入、清除原输入;用表示在边eij中的M个候选的操作的集合,将操作分别赋予一个权重,并通过Softmax函数将这些权值进行变换,把操作集O里所有的操作混合在一起,得到混合输出:
其中,fi,j(x)表示网络单元或单元内操作节点的输出,o(x)表示操作集O中的任意一个操作,表示操作集O中的任意一个操作的权重,表示操作集O中的所有操作的权重。
7.根据权利要求1所述的多模态工业过程自动故障诊断方法,其特征在于,所述反向传播调整优化网络三个初始参数包括:
将混合输入、混合输出输入损失函数,并优化目标函数,反复迭代求解三个优化参数,得到最优的网络初始参数w*、最优通道权重参数*、最优操作权重参数*;其中,目标函数为:
8.根据权利要求1所述的多模态工业过程自动故障诊断方法,其特征在于,是利用之前模态的最优的网络初始参数w*、最优通道权重参数*、最优操作权重参数*,用新模态数据进行训练得到网络参数w、通道权重、操作参数。
9.根据权利要求8所述的多模态工业过程自动故障诊断方法,其特征在于,是根据以下规则得到输入通道和操作后生成最终的网络模型,并训练作为最终的故障诊断模型:
a.选取前三大权重对应的输入通道作为网络的输入通道;b.网络单元均由搜索完成后得到操作的权重矩阵生成;c.网络单元及单元内各个节点的每条边保留一个权重最大的操作,每个中间网络单元或单元内节点保留两个最大边对应的前继节点。
权利要求书2/3页3CN116127825A310.根据权利要求1所述的多模态工业过程自动故障诊断系统,其特征在于,包括传感设备、处理器、存储器;所述传感器设备包括温度传感器、速度传感器,重量传感器,用于采集工业生产过程中的数据发送给处理器;所述存储器中存储有程序,所述处理器读取程序执行如权利要求19任意一项所述的方法步骤,实现多模态工业生产过程自动故障诊断。
权利要求书3/3页4CN116127825A4一种多模态工业过程自动故障诊断方法及系统技术领域0001本发明属于工业生产过程故障诊断领域,具体说是一种多模态工业过程自动故障诊断方法及系统。
背景技术0002随着工业生产设备的不断升级,工艺流程自动化、数字化程度大幅提高,工业过程的故障诊断技术已经成为工业过程中预防事故、保障工业生产安全进行、稳健工业发展的重要组成部分。
故障诊断利用过程相关变量判断出设备故障类型。
工业过程中,设备运行时发生故障可能导致生产效率下降,停机,甚至人员伤亡。
在故障发生时,如何正确的进行故障诊断,并采取合适的措施使过程快速恢复正常至关重要。
因此,故障诊断对于保证工业过程的安全平稳运行具有重要的意义。
0003传统的故障诊断方法主要利用统计学习和深度学习建立模型进行故障诊断,模型设计困难并且需要相关领域的专家,非常的耗费时间。
发明内容0004针对现有技术的不足,本发明涉及一种多模态工业过程自动故障诊断方法及系统,包括利用网络结构搜索对工业过程数据进行自动网络设计及参数自动寻优,利用多通道卷积增强网络的表现力,实现单模态工业过程的自动故障诊断。
同时结合元学习学习之前模态的信息用于新的模态。
本发明通过将网络结构搜索、多通道卷积、元学习的结合,考虑到工业多模态之间的联系,克服了现有基于深度神经网络的工业过程故障诊断方法存在网络结构设计繁琐及参数寻优耗时,以及对之前设计经验利用不充分的问题,对多模态工业过程自动故障诊断具有理论和实际意义。
0005本发明为实现上述目的所采用的技术方案是:
0006一种多模态工业过程自动故障诊断方法,包括以下步骤:
0007建立模型:
建立元学习网络结构搜索的网络模型,用于搜索、训练最优的多通道卷积神经网络得到故障诊断模型;0008搜索阶段:
对多个模态的原始工业生产过程数据施加操作生成候选通道,定义候选操作集,利用网络单元内的结构搜索对工业过程数据进行自动网络设计获取新模态的网络初始参数;所述原始工业多模态数据是通过工业生产过程中传感器数据。
0009训练优化阶段:
利用网络单元之间的结构进行训练,使得参数自动寻优、网络剪枝,获取新模态对应的故障诊断网络模型;0010实时检测:
实时采集待检测工业生产过程传感器数据并预处理,输入新模态故障诊断网络模型,实现新模态工业生产过程的故障检测与故障诊断。
0011所述元学习网络结构搜索的网络模型包括:
由若干个卷积神经网络单元链接起来的两路支路,且支路内、支路间各网络单元之间经过边操作链接,两路支路始端输入待处理的数据,两路支路末端还连接用于输出故障诊断结果的全连接层,所述网络单元内还包括说明书1/6页5CN116127825A5边操作和节点,单元内输入同样分成两路,输出为1路。
0012所述搜索阶段包括:
0013步骤201、对多个模态的原始工业生产过程数据进行归一化和维度预处理,使得满足元学习网络结构搜索的数据维度;0014步骤202、对预处理后的数据施加操作,构成多通道卷积的候选通道,并与预处理后的数据拼接,生成网络搜索阶段的输入;0015步骤203、对候选通道分别赋予权重,进一步得到混合输入;0016步骤204、定义候选操作集,并赋予每个操作一个权重;0017步骤205、反复迭代以上步骤203204,选用Adam优化器,用交叉熵损失函数,反向传播调整网络参数、通道权重参数、操作权重参数,从而得到最优的网络初始参数、通道最优初始参数、操作最优初始参数作为新模态的初始参数。
0018所述步骤3包括:
0019步骤301、对于新模态工业生产过程数据进行归一化和维度预处理,使得满足元学习网络结构搜索的输入数据维度;0020进一步的,新模态工业生产过程数据和多个模态的原始工业生产过程数据都是同一生产线上的数据,只不过是进料比例不同。
所述模态表示进料比例不同,一个比例为一个模态,多个模态就是多个比例的历时数据,新模态就是新比例的工业数据。
0021步骤302、将最优网络初始参数、最优通道权重初始参数、最优操作最优初始参数作为初始参数对输入网络的新模态工业生产过程数据进行训练,得到训练后优化的网络参数、通道权重参数、操作权重;0022步骤303、通过优化的通道权重参数、操作权重筛选网络中选用的卷积通道以及操作,获取新模态对应的故障诊断网络模型。
0023进一步的,所述预处理包括以下步骤:
0024步骤11、归一化,映射范围为1,1;0025步骤12、将归一化以后的多模态工业生产过程数据处理为元学习网络结构搜索需要的二维形式为C(nn),其中原始数据的维度为(1n2),若原始数据维度小于n2,则进行填充。
0026所述对数据通道C施加的操作为构成多通道卷积的候选通道拼接后生成网络搜索阶段的输入其中,F里的元素为操作;0027所述的对输入通道赋予权重为0028进一步得到混合输入:
00290030其中,Input为网络单元或单元内的节点,表示输入I内第i个输入的权重,表示输入I内所有输入的权重。
0031所述候选操作集包括的卷积、池化、跳连操作为:
33可分离卷积、55可分离卷说明书2/6页6CN116127825A6积、33空洞卷积、55空洞卷积、33最大池化、33平均池化、保持原输入、清除原输入;0032用表示在边eij中的M个候选的操作的集合,将操作分别赋予一个权重,并通过Softmax函数将这些权值进行变换,把操作集O里所有的操作混合在一起,得到混合输出:
00330034其中,fi,j(x)表示网络单元或单元内操作节点的输出,o(x)表示操作集O中的任意一个操作,表示操作集O中的任意一个操作的权重,表示操作集O中的所有操作的权重。
0035所述反向传播调整优化网络三个初始参数包括:
0036将混合输入、混合输出输入损失函数,并优化目标函数,反复迭代求解三个优化参数,得到最优的网络初始参数w*、最优通道权重参数*、最优操作权重参数*;0037其中,目标函数为:
0038是利用之前模态的最优的网络初始参数w*、最优通道权重参数*、最优操作权重参数*,用新模态数据进行训练得到网络参数w、通道权重、操作参数。
0039是根据以下规则得到输入通道和操作后生成最终的网络模型,并训练作为最终的故障诊断模型:
0040a.选取前三大权重对应的输入通道作为网络的输入通道;0041b.网络单元均由搜索完成后得到操作的权重矩阵生成;0042c.网络单元及单元内各个节点的每条边保留一个权重最大的操作,每个中间网络单元或单元内节点保留两个最大边对应的前继节点;0043进一步的,最终生成网络中包括8个网络单元,其中第3个和第6个是减少单元,其余的均为正常单元。
0044根据权利要求1所述的多模态工业过程自动故障诊断系统,包括传感设备、处理器、存储器;所述传感器设备包括温度传感器、速度传感器,重量传感器,用于采集工业生产过程中的数据发送给处理器;所述存储器中存储有程序,所述处理器读取程序执行如权利要求19任意一项所述的方法步骤,实现多模态工业生产过程自动故障诊断。
0045本发明具有以下有益效果及优点:
0046本发明提供一种多模态工业生产过程自动故障诊断方法及系统,通过网络结构搜索对工业过程数据进行自动网络设计及参数自动寻优,利用多通道卷积增强网络的表现力,实现单模态工业过程的自动故障诊断。
同时结合元学习学习之前模态的信息用于新的模态。
本发明通过将网络结构搜索、多通道卷积、元学习的结合,考虑到工业多模态之间的联系,克服了现有基于深度神经网络的工业过程故障诊断方法存在网络结构设计繁琐及参数寻优耗,以及对之前设计经验利用不充分的问题。
说明书3/6页7CN116127825A7附图说明0047图1为本发明的方法流程图。
0048图2为方法搜索结果中的正常单元。
0049图3为方法搜索结果中的减少单元。
0050图4为方法的网络结构图。
具体实施方式0051为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方法做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明。
但本发明能够以很多不同于在此描述的其他方式来实施,本领域技术人员可以在不违背发明内涵的情况下做类似改进,因此本发明不受下面公开的具体实施的限制。
0052除非另有定义,本文所使用的所有技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本文中在发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。
0053如图1所示,为本发明的方法流程图。
0054工业生产过程自动故障诊断方法,将工业生产过程数据进行归一化处理,并在尾部填充0转换成二维矩阵形成原始胶卷积通道,接着通过对原始通道施加操作形成多通道卷积的候选卷积通道,然后搜索训练最优卷积通道和卷积操作的权重,最后根据权重选取最优的卷积通道和卷积操作形成最终的网络结构用于故障诊断。
本发明的程序执行步骤所采用的编程语言不限于MATLAB、Python等。
0055本方法中的新模态工业生产过程数据和多个模态的原始工业生产过程数据都是同一生产线上的数据,只不过是进料比例不同。
所述模态表示进料比例不同,一个比例为一个模态,多个模态就是多个比例的历时数据,新模态就是新比例的工业数据。
0056本方法中所述的元学习网络结构搜索的网络模型包括:
由若干个卷积神经网络单元链接起来的两路支路,且支路内、支路间各网络单元之间经过边操作链接,两路支路始端输入待处理的数据,两路支路末端还连接用于输出故障诊断结果的全连接层,所述网络单元内还包括边操作和节点,单元内输入同样分成两路,输出为1路。
0057本发明的具体步骤如下:
0058步骤1数据处理及归一化;0059步骤11:
将工业生产的实测数据利用MinMax标准化方法进行归一化处理,映射范围为1,1;0060利用MinMax标准化方法将工业生产数据进行归一化处理,公式如下:
00610062其中,xi表示工业生产实测数据。
并且进行人工标记故障诊断类别作为类别标签一起用于训练。
0063步骤12:
将数据处理为元学习网络结构搜索所需要的多通道数据,形式为(UCHW)。
U是数据的批次大小,C是通道数,H是数据高度,W是数据宽度。
经过试验,通道数在说明书4/6页8CN116127825A8搜索阶段为7,训练阶段为3,U在搜索、训练阶段均为64,将原始的工业数据,按照64条数据一批分别处理成了四维数据。
0064步骤2、建立元学习网络结构搜索模型,利用该模型对四维数据进行卷积操作,实现工业生产过程数据特征的充分提取。
0065步骤21:
利用元学习网络结构搜索模型对四维数据进行卷积操作,实现工业过程数据特征的充分提取。
0066本实例中的元学习网络结构搜索模型为多通道卷积神经网络,每一层都是以二维卷积模型为基础搭建多通道卷机模型;0067步骤3、生成新通道0068步骤31:
对原始数据通道C施加操作构成多通道卷积的候选通道0069步骤32:
并与原始数据拼接,形成网络搜索阶段的输入0070步骤4、赋予通道权重:
0071对输入通道赋予权重通过通道权重得到一个混合的输入00720073其中,Input为网络单元或单元内的节点,表示输入I内第i个输入的权重,表示输入I内所有输入的权重。
0074步骤5、选择卷积、池化、跳连(保持原输入)等操作并赋予权重:
0075步骤51:
选择的候选操作为:
33可分离卷积(33separableconvolutions,sep_conv_33)、55可分离卷积(55separableconvolutions,sep_conv_55)、33空洞卷积(33dilatedconvolutions,dil_conv_33)、55空洞卷积(55dilatedconvolutions,dil_conv_55)、33最大池化(33maxpooling,max_pool_33)、33平均池化(33averagepooling,average_pool_33)、保持原输入(identity,skip_connect)、清除原输入(zero)。
0076步骤52:
用表示在边eij中的M个候选的操作的集合。
这些候选操作是离散的,将操作赋予一个权重,并通过Softmax函数将这些权值进行变换,把操作集O里所有的操作混合在一起,得到一个混合输出:
00770078其中,fi,j(x)表示网络单元或单元内操作节点的输出,o(x)表示操作集O中的任意一个操作,表示操作集O中的任意一个操作的权重,表示操作集O中的所有操作的权重。
说明书5/6页9CN116127825A90079步骤6、设定目标函数,训练通道权重、网络参数、操作权重:
0080步骤61:
选用Adam优化器,用交叉熵损失函数,优化目标为:
00810082步骤62:
反复迭代求解三个优化参数,得到最优的网络初始参数w*、最优通道权重参数*、最优操作权重参数。
0083步骤7、处理新模态数据,在最优初始参数基础上训练网络,得到最终的故障诊断网络模型。
0084步骤7:
将新模态工业生产过程数据进行预处理并转换成元学习网络结构搜索的输入。
0085步骤8:
利用步骤6中的最优的网络初始参数w*、最优通道权重参数*、最优操作权重参数*,作为网络的初始参数;0086步骤9:
用新模态数据进行训练,得到网络参数w、通道权重、操作参数,依据通道权重,选取权重的前三大输入通道作为网络的输入通道。
网络单元均由搜索完成后得到操作的权重矩阵normal和reduce生成,网络单元的每条边保留一个权重最大的操作,每个中间节点保留两个最大边对应的前继节点。
如图2为方法搜索结果中的正常单元,如图3为方法搜索结果中的减少单元,如图4为方法的网络结构图。
最终网络中包含了8个网络单元,其中第3个和第6个是减少单元,其余的均为正常单元。
单元之间的连接方式与生成单元的内部连接方式相同。
0087根据以上的标准得到输入通道和操作后形成最终的网络模型,并训练作为最终的故障诊断模型。
0088步骤10:
实时检测的数据预处理为将实时检测的数据进行归一化和转换成输入形式并输入故障诊断模型,获取故障诊断类别,实现实时的检测。
0089同时,本发明的一种多模态工业生产过程自动故障诊断系统,包括传感设备、处理器、存储器;所述传感器设备包括温度传感器、速度传感器,重量传感器,用于采集工业生产过程中的数据发送给处理器;存储器中存储有程序,处理器读取程序执行如上所述的方法步骤,实现多模态工业生产过程自动故障诊断。
0090综上所述,本发明通过网络结构搜索对工业过程数据进行自动网络设计及参数自动寻优,利用多通道卷积增强网络的表现力,实现单模态工业过程的自动故障诊断。
同时结合元学习学习之前模态的信息用于新的模态。
本发明通过将网络结构搜索、多通道卷积、元学习的结合,考虑到工业多模态之间的联系,克服了现有基于深度神经网络的工业过程故障诊断方法存在网络结构设计繁琐及参数寻优耗,以及对之前设计经验利用不充分的问题,对工业生产过程实现自动故障诊断具有理论和实际意义。
0091以上说明所描述的实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。
应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变换和改进。
这些都属于本发明的保护范围。
说明书6/6页10CN116127825A10图1说明书附图1/2页11CN116127825A11图2图3图4说明书附图2/2页12CN116127825A12
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 一种 多模态 工业 过程 自动 故障诊断 方法 系统