【技術(shù)實現(xiàn)步驟摘要】
本專利技術(shù)涉及故障診斷，尤其涉及一種基于cnn-bilstm-attention的多變量時序故障診斷方法及系統(tǒng)。
技術(shù)介紹
1、本部分的陳述僅僅是提供了與本專利技術(shù)相關的
技術(shù)介紹
信息，不必然構(gòu)成在先技術(shù)。
2、近年來，隨著現(xiàn)代化工業(yè)過程的大規(guī)模生產(chǎn)與發(fā)展，生產(chǎn)過程的復雜性不斷增加，若操作設備出現(xiàn)故障，除影響生產(chǎn)的有效進行還可能導致嚴重的人身安全問題和財產(chǎn)損失事故。
3、設備故障是指生產(chǎn)系統(tǒng)發(fā)生劣化而喪失規(guī)定功能的狀態(tài)。故障發(fā)生時的預兆對應的是所監(jiān)測參數(shù)的異常變化，而實現(xiàn)對故障的識別實際上就是依賴傳感器信號構(gòu)建故障預兆到故障的映射關系。隨著科學技術(shù)和生產(chǎn)規(guī)模的不斷的發(fā)展擴大，工廠生產(chǎn)系統(tǒng)的復雜性也在不斷增長。比如核燃料芯塊的生產(chǎn)過程需要經(jīng)過uo2粉末生產(chǎn)、混料、制粒、成型、燒結(jié)、磨削等一系列工藝過程，每一工藝過程都需要同時監(jiān)控多個設備信號來檢測過程變量的異常。例如其uo2粉末生產(chǎn)的化工生產(chǎn)線包括氣化、水解、沉淀、干燥等多個崗位，每個崗位都需要對反應溫度、反應壓力、反應速率、反應物濃度嚴格控制。這使得對于核燃料芯塊生產(chǎn)過程在內(nèi)的復雜工業(yè)系統(tǒng)的設備故障監(jiān)測變的越來越困難。同時，車間內(nèi)監(jiān)測的設備參數(shù)眾多且存在耦合，噪聲的存在也會影響對異常監(jiān)測的準確性。
4、現(xiàn)階段故障診斷領域方法眾多，大致可分為定性分析方法和定量分析方法。其中，定性分析是指利用非數(shù)值化的數(shù)據(jù)或觀察結(jié)果，從具體故障特征的角度進行故障診斷的一種方法，其中最具代表性的是基于規(guī)則的專家系統(tǒng)技術(shù)。定量分析方法是基于數(shù)據(jù)和數(shù)學模型進行故障診斷的方
5、但是，隨著生產(chǎn)的不斷擴大，生產(chǎn)車間環(huán)境愈加復雜，車間內(nèi)需要監(jiān)測的設備參數(shù)眾多且存在耦合，噪聲的存在也會影響對異常監(jiān)測的準確性。這使得現(xiàn)有方法難以對工廠環(huán)境建立準確的數(shù)學模型，充分提取出非線性、高維、動態(tài)生產(chǎn)信號中的有效特征。
技術(shù)實現(xiàn)思路
1、為了解決上述問題，本專利技術(shù)提出了一種基于cnn-bilstm-attention的多變量時序故障診斷方法及系統(tǒng)，充分結(jié)合cnn和bilstm對故障數(shù)據(jù)特征的提取能力，實現(xiàn)對復雜工業(yè)環(huán)境中多變量時序數(shù)據(jù)的故障診斷。
2、在一些實施方式中，采用如下技術(shù)方案：
3、一種基于cnn-bilstm-attention的多變量時序故障診斷方法，包括：
4、獲取工業(yè)生產(chǎn)中多設備實時運行的監(jiān)測數(shù)據(jù)，并對數(shù)據(jù)進行預處理；
5、將預處理后的數(shù)據(jù)輸入至訓練好的多變量時序故障診斷模型，得到故障診斷結(jié)果；
6、其中，所述多變量時序故障診斷模型對數(shù)據(jù)的處理過程為：
7、預處理后的數(shù)據(jù)輸入至cnn層，所述cnn層包括兩個分支，在兩分支中分別對輸入數(shù)據(jù)進行不同參數(shù)的卷積和池化操作，然后將兩個分支的輸出進行連接得到縱向特征表示；所述縱向特征表示作為bilstm層的輸入，以實現(xiàn)對全局時間特征進行橫向特征提取；bilstm層輸出作為attention層的輸入，得到輸入序列中不同位置的信息；attention層的輸出作為全連接層的輸入，最終得到設備故障診斷結(jié)果。
8、其中，對數(shù)據(jù)進行降噪處理的過程具體為：
9、以包絡熵最小為目標函數(shù)，使用pso算法對vmd的懲罰因子α和模態(tài)分解層數(shù)k進行優(yōu)化；
10、使用參數(shù)優(yōu)化后的vmd對數(shù)據(jù)信號進行分解，得到k個imf分量；
11、將imf分量劃分為純凈分量和含噪分量，并對含噪分量使用小波變換方法進行分解，實現(xiàn)降噪處理；
12、對純凈分量和經(jīng)過降噪后的含噪分量進行重構(gòu)，得到降噪后的信號。
13、所述小波變換方法的小波閾值函數(shù)具體為：
14、
15、其中，wj,k為含噪信號的小波系數(shù)；為閾值處理得到的小波系數(shù)；j為分解尺度；k為系數(shù)序號；λ為小波閾值。
16、所述attention層采用注意力機制，所述注意力機制對輸入序列進行編碼，得到一組查詢向量；將輸入的特征映射為鍵序列向量和值序列向量；根據(jù)打分函數(shù)對查詢向量和鍵序列向量之間的關聯(lián)性進行打分，使用softmax函數(shù)對得分進行歸一化，得分被轉(zhuǎn)換為注意力權(quán)重，基于注意力權(quán)重對特征進行加權(quán)求和，以聚焦重要特征。
17、在另一些實施方式中，采用如下技術(shù)方案：
18、一種基于cnn-bilstm-attention的多變量時序故障診斷系統(tǒng)，包括：
19、數(shù)據(jù)獲取模塊，用于獲取工業(yè)生產(chǎn)中多設備實時運行的監(jiān)測數(shù)據(jù)，并對數(shù)據(jù)進行預處理；
20、故障診斷模塊，用于將預處理后的數(shù)據(jù)輸入至訓練好的多變量時序故障診斷模型，得到故障診斷結(jié)果；
21、其中，所述多變量時序故障診斷模型對數(shù)據(jù)的處理過程為：
22、預處理后的數(shù)據(jù)輸入至cnn層，所述cnn層包括兩個分支，在兩分支中分別對輸入數(shù)據(jù)進行不同參數(shù)的卷積和池化操作，然后將兩個分支的輸出進行連接得到縱向特征表示；所述縱向特征表示作為bilstm層的輸入，以實現(xiàn)對全局時間特征進行橫向特征提取；bilstm層輸出作為attention層的輸入，得到輸入序列中不同位置的信息；attention層的輸出作為全連接層的輸入，最終得到設備故障診斷結(jié)果。
23、在另一些實施方式中，采用如下技術(shù)方案：
24、一種終端設備，其包括處理器和存儲器，處理器用于實現(xiàn)指令；存儲器用于存儲多條指令，所述指令適于由處理器加載并執(zhí)行上述的基于cnn-bilstm-attention的多變量時序故障診斷方法。
25、在另一些實施方式中，采用如下技術(shù)方案：
26、一種計算機可讀存儲介質(zhì)，其中存儲有多條指令，所述指令適于由終端設備的處理器加載并執(zhí)行上述的基于cnn-bilstm-attention的多變量時序故障診斷方法。
27、與現(xiàn)有技術(shù)相比，本專利技術(shù)的有益效果是：
28、(1)本專利技術(shù)基于cnn-bilstm-attention的多變量時序故障診斷方法，結(jié)合了cnn的靜態(tài)特征提取能力、bilstm的動態(tài)特征識別能力以及注意力機制對特征向量細微差異的關注能力，對于復雜生產(chǎn)環(huán)境中的設備狀態(tài)監(jiān)測具有優(yōu)異效果。
29、(2)本專利技術(shù)提出了一種基于pso-vmd的降噪方法，充分利用了vmd能夠根據(jù)信號的非線性特性進行分解，提取不同頻率成分，不受線性假設限制的優(yōu)點；采用pso算法對vmd參數(shù)進行優(yōu)化，能夠更好地區(qū)分信號的規(guī)則部分和隨機部分，提高信號特征提取的準確性和魯棒性，實現(xiàn)最優(yōu)降噪效果。通過小波變換對含噪分量進行分解降噪處理，同時改進小波變換的閾值函數(shù)，不僅能夠達到良好的降噪效果，同時能夠保留原始數(shù)據(jù)的有效信息，提高故障診斷的準確率。
30、本專利技術(shù)的其他特征和附加方面的優(yōu)點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本方面的實踐了解到。
本文檔來自技高網(wǎng)...【技術(shù)保護點】
1.基于CNN-BiLSTM-Attention的多變量時序故障診斷方法，其特征在于，包括：
2.如權(quán)利要求1所述的一種基于CNN-BiLSTM-Attention的多變量時序故障診斷方法，其特征在于，所述對數(shù)據(jù)進行預處理，包括：對數(shù)據(jù)進行清洗、標準化和降噪處理。
3.如權(quán)利要求2所述的一種基于CNN-BiLSTM-Attention的多變量時序故障診斷方法，其特征在于，對數(shù)據(jù)進行降噪處理的過程具體為：
4.如權(quán)利要求3所述的一種基于CNN-BiLSTM-Attention的多變量時序故障診斷方法，其特征在于，以包絡熵最小為目標函數(shù)，使用PSO算法對VMD的分解參數(shù)進行優(yōu)化，具體為：
5.如權(quán)利要求3所述的一種基于CNN-BiLSTM-Attention的多變量時序故障診斷方法，其特征在于，所述小波變換方法的小波閾值函數(shù)具體為：
6.如權(quán)利要求1所述的一種基于CNN-BiLSTM-Attention的多變量時序故障診斷方法，其特征在于，所述BiLSTM層在訓練過程中，以設定的概率隨機將部分神經(jīng)元的輸出設置為0，以減少模型
7.如權(quán)利要求1所述的一種基于CNN-BiLSTM-Attention的多變量時序故障診斷方法，其特征在于，所述Attention層采用注意力機制，所述注意力機制對輸入序列進行編碼，得到一組查詢向量；將輸入的特征映射為鍵序列向量和值序列向量；根據(jù)打分函數(shù)對查詢向量和鍵序列向量之間的關聯(lián)性進行打分，使用Softmax函數(shù)對得分進行歸一化，得分被轉(zhuǎn)換為注意力權(quán)重，基于注意力權(quán)重對特征進行加權(quán)求和，以聚焦重要特征。
8.一種基于CNN-BiLSTM-Attention的多變量時序故障診斷系統(tǒng)，其特征在于，包括：
9.一種終端設備，其包括處理器和存儲器，處理器用于實現(xiàn)指令；存儲器用于存儲多條指令，其特征在于，所述指令適于由處理器加載并執(zhí)行權(quán)利要求1-7任一項所述的基于CNN-BiLSTM-Attention的多變量時序故障診斷方法。
10.一種計算機可讀存儲介質(zhì)，其中存儲有多條指令，其特征在于，所述指令適于由終端設備的處理器加載并執(zhí)行權(quán)利要求1-7任一項所述的基于CNN-BiLSTM-Attention的多變量時序故障診斷方法。
...【技術(shù)特征摘要】
1.基于cnn-bilstm-attention的多變量時序故障診斷方法，其特征在于，包括：
2.如權(quán)利要求1所述的一種基于cnn-bilstm-attention的多變量時序故障診斷方法，其特征在于，所述對數(shù)據(jù)進行預處理，包括：對數(shù)據(jù)進行清洗、標準化和降噪處理。
3.如權(quán)利要求2所述的一種基于cnn-bilstm-attention的多變量時序故障診斷方法，其特征在于，對數(shù)據(jù)進行降噪處理的過程具體為：
4.如權(quán)利要求3所述的一種基于cnn-bilstm-attention的多變量時序故障診斷方法，其特征在于，以包絡熵最小為目標函數(shù)，使用pso算法對vmd的分解參數(shù)進行優(yōu)化，具體為：
5.如權(quán)利要求3所述的一種基于cnn-bilstm-attention的多變量時序故障診斷方法，其特征在于，所述小波變換方法的小波閾值函數(shù)具體為：
6.如權(quán)利要求1所述的一種基于cnn-bilstm-attention的多變量時序故障診斷方法，其特征在于，所述bilstm層在訓練過程中，以設定的概率隨機將部分神經(jīng)元的輸出設置為0，以減少模型對某些特...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：高琦，吳春陽，
申請(專利權(quán))人：山東大學日照研究院，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。