[发明专利]基于矩阵神经网络的隔离刀闸故障诊断方法

权利要求书

1.一种基于矩阵神经网络的隔离刀闸故障诊断方法，其特征在于按以下步骤运行：

步骤1：采集N张隔离刀闸的红外图像，将其进行高斯滤波，降低噪点的影响，得到训练红外图像样本集

步骤2：将训练红外图像样本集分别进行灰度化和归一化，最终得到训练矩阵样本集

X_i＝0.00117 f_i(:,:,1)+0.00230 f_i(:,:,2)+0.00045 f_i(:,:,3)

其中f_i(:,:,1)表示第i张红外图像的R通道分量；f_i(:,:,2)表示第i张红外图像的G通道分量；f_i(:,:,3)表示第i张红外图像的B通道分量；

步骤3：根据每张红外图像的故障情况，按照缺陷等级划分为正常、一般缺陷、重要缺陷和紧急缺陷4类，由此得到一个训练集缺陷结果向量其中Y_i由(0,1)构成，其长度为4分别代表4类，每张图像只能归属于某一类，故只有一个1其它元素均为0；

步骤4：将训练样本放入神经网络进行训练，但是传统神经网络仅支持训练样本为向量，这样会丢失红外图像结构的完整性，由此我们提出一种矩阵神经网络，其基本模型如下：

Y＝σ(UXV^T+B)+E

其中，Y为缺陷结果，X为红外图像矩阵样本，U和V为连接权值，B为当前层的偏移矩阵，σ()为激活函数，E为误差；

第1层输入层，输入训练矩阵样本集第L+1层为输出层，输出训练结果中间为隐藏层，其中第1层到L层之间各层的关系为：

X^(l+1)＝σ(U^(l)X^(l)V^(l)T+B^(l))，l＝1,...,L-1

其中X^(l+1)为中间第l+1层结果；

第L层到输出层之间的关系为：

其中y_k为第k个样本的训练输出结果；

步骤5：为了得到最优训练结果，我们定义代价函数L为：

这里我们使用梯度下降法，需要将代价函数分别对步骤4中的参数U，V，B，tb_k进行求导，然后对参数进行修正，达到最终最优解；

步骤6：计算代价函数对中间层因子N^(l)的导数

其中N^(l)＝U^(l)X^(l)V^(l)T+B^(l)，l＝1,...,L-1，则

由链式法则我们可以得到

其中

代入得到

其中表示克罗内克乘积算子；

直接计算得到

由此我们得到代价函数对中间层因子N^(l)的导数为

其中表示矩阵的点积，

步骤7：由步骤6再分别计算代价函数对权值矩阵U^(l)、V^(l)和偏移B^(l)的导数

由此我们得到代价函数对权值矩阵U^(l)的导数为

类似的，求解代价函数对权值矩阵V^(l)和偏移B^(l)的导数为

其中参数通过步骤6求得；

步骤8：计算代价函数对最后一层参数和tb_k的导数

其中矩阵则代价函数对参数的导数为

类似的可以得到代价函数对参数tb_k的导数为

步骤9：对输入的训练矩阵样本集和结果进行训练，按照梯度下降法对训练参数进行更新，具体步骤如下：

(1)输入训练矩阵样本和结果随机初始化权值矩阵U^(l)、V^(l)和偏移B^(l)，以及和tb_k，学习率η，误差ε，i＝1；

(2)通过步骤7和步骤8，计算得到参数梯度下降方向和

(3)按照梯度下降方向对权值矩阵U^(l)、V^(l)和偏移B^(l)，以及和tb_k进行更新

(4)i＝i+1，重复步骤(2)-步骤(3)，直到L<ε，或者i小于最大迭代次数，最终得到权值矩阵U^(l)、V^(l)和偏移B^(l)，以及参数和tb_k；

步骤10：将需要进行故障诊断的隔离刀闸红外图像，同步骤1和步骤2对其进行灰度化和归一化，得到预测矩阵样本集

其中f′_i(:,:,1)表示第i张待预测红外图像的R通道分量；f′_i(:,:,2)表示第i张待预测红外图像的G通道分量；f′_i(:,:,3)表示第i张待预测红外图像的B通道分量；

步骤11：通过步骤9得到权值矩阵U^(l)、V^(l)和偏移B^(l)，其中l＝1,...,L-1，代入到第1层到L层之间各层的关系模型中，求得X′^(L)；

X′^(l+1)＝σ(U^(l)X′^(l)V^(l)T+B^(l))，l＝1,...,L-1

步骤12：将步骤9得到的和tb_k，以及步骤11得到的X′^(L)代入第L层到输出层之间的关系模型中，得到最终Y′＝[y′₁,y′₂,y′₃,y′₄]，其中

最后通过Y′来预测隔离刀闸故障情况，其中第1列为1表示设备处于正常状态、第2列为1表示设备处于一般缺陷状态、第3列为1表示设备处于重要缺陷状态、第4列为1表示设备处于紧急缺陷状态。