[发明专利]基于瓦瑟斯坦距离和自编码器的半监督深度学习故障诊断方法有效
申请号: | 201911296626.0 | 申请日: | 2019-12-16 |
公开(公告)号: | CN111026058B | 公开(公告)日: | 2021-01-12 |
发明(设计)人: | 葛志强;张宏毅;宋执环 | 申请(专利权)人: | 浙江大学 |
主分类号: | G05B19/418 | 分类号: | G05B19/418 |
代理公司: | 杭州求是专利事务所有限公司 33200 | 代理人: | 邱启旺 |
地址: | 310058 浙江*** | 国省代码: | 浙江;33 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 斯坦 距离 编码器 监督 深度 学习 故障诊断 方法 | ||
1.一种基于瓦瑟斯坦距离和自编码器的半监督深度学习故障诊断方法,其特征在于,包括如下步骤:
步骤一:收集历史工业过程故障数据建立训练数据集,所述的训练数据集包括含有故障类别标签的有标签数据集D={X,Y}={(xh,yh)},以及不含有故障类别标签的无标签数据集Du={X}={xk},其中,x为样本,y为标签,yh∈{1,2,…,C},h=1,2,…,n,k=1,2,…,m,C表示故障的类别个数,n代表有标签数据集的样本个数,m代表无标签数据集的样本个数;
步骤二:将步骤一中收集到的训练数据集标准化,将样本x化成均值为0,方差为1的标准化有标签数据集Ds和无标签数据集Dus;选取标准化有标签数据和无标签数据进行堆叠自编码器的训练,训练过程可以分为以下两步:
(2.1)逐层训练单隐层自编码器,单隐层自编码器训练时,其中编码器的输入输出由下式描述:
Zi=σ(WiXi+bi)
解码器的输入输出由下式描述:
目标函数是输入的重构误差,由下式表示:
对于网络的参数θi={Wi,bi,Fi,Gi},采用随机初始化,并且用随机梯度下降法对网络的参数进行训练,直到目标函数收敛,单隐层自编码器训练完成,其中i代表堆叠自编码器的第i层,代表自编码器对Xi的重构,σ是非线性激活函数;
(2.2)取训练好的单隐层自编码器的隐层输出作为下一层的输入训练下一个单隐层自编码器,如此堆叠,得到堆叠自编码器;
步骤三:WASS-AE有监督训练:
(3.1)将步骤二预训练得到的堆叠自编码器添加一层全连接层作为类别的输出组成WASS-AE堆叠自编码器,其中,步骤二预训练得到的AE参数θi={Wi,bi}作为WASS-AE堆叠自编码器的初始化参数,全连接层的参数采用随机初始化;将交叉熵和Wassersteindistance按比例相加作为最后的目标函数,其中,交叉熵用有标签数据的预测类别和对应的真实标签进行计算:
其中,Q(x)是真实标签,P(yh|xh,θ)是当前网络对输入x的预测结果;
Wasserstein distance采用有标签数据的特征分布和无标签数据的特征分布进行计算,其中,特征分布为WASS-AE堆叠自编码器最后一层的隐层输出;
其中,Zl是有标签数据的特征分布,Zu是无标签数据的特征分布;是指以Zl和Zu为边缘分布概率的联合分布概率;指联合分布情况下的期望;
目标函数可以由下式进行表示:
Loss=cross_entropy+λW2(Zl,Zu)
λ是比例系数;
(3.2)输入步骤二中随机选取的标准化有标签数据和无标签数据对WASS-AE堆叠自编码器进行有监督训练,训练完成得到WASS-AE模型;
步骤四:待测数据故障类别诊断:
(4.1)获取新的未知故障类别的工业连续过程数据并标准化得到待测标准化数据集;
(4.2)将待测标准化数据集输入到步骤(3.2)中得到的WASS-AE模型,WASS-AE模型输出即为诊断的故障类别。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于浙江大学,未经浙江大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201911296626.0/1.html,转载请声明来源钻瓜专利网。