[发明专利]一种融入先验知识的深度学习故障诊断方法

说明书

本发明涉及故障诊断技术领域，具体地说，涉及一种融入先验知识的深度学习故障诊断方法。其包括如下步骤：步骤S1、数据处理；该步骤中，基于滑窗处理对故障诊断数据集X进行处理，进而获取类图片样本数据集并获取类图片样本数据集的关注矩阵A；步骤S2，模型架构构建；该步骤中，构建2D‑CNN模型对类图片样本数据集进行处理进而获取对应的特征图F，同时基于面向通道的平均池化和面向通道的最大池化对特征图F进行处理进而获取平均池化的输出P₁和最大池化的输出P₂，根据关注矩阵A、平均池化的输出P₁和最大池化的输出P₂获取权重矩阵W，使得模型输出为基于注意力机制的特征图本发明能够较佳地将先验知识融入至深度学习技术中。

技术领域

本发明涉及故障诊断技术领域，具体地说，涉及一种融入先验知识的深度学习故障诊断方法。

背景技术

传感器技术的发展使得企业能够便捷、经济、快速地收集到故障数据。由于深度学习技术从故障数据中提取可预测性特征的优越性，其在故障诊断上的应用取得了显著效果。

基于深度学习的故障诊断方法主要有以下几个步骤：

1)数据采集：通过传感器技术，采集实际生产过程的故障数据；

2)数据预处理：对采集到的原始数据进行补充、增强、清洗、变换等操作，以此提高数据质量并使其适用于深度学习方法的输入要求；

3)模型架构构建：针对问题特点，设计深度学习模型架构；

4)模型训练：使用经过预处理的训练集，采用反向传播算法对模型进行训练；

5)模型测试：使用经过预处理的测试集，基于FDR和FPR指标对模型进行测试；如果测试结果达到要求则转入6)；如果测试结果未达到要求则转入3)；

6)故障诊断：完成测试的模型可以对新的数据样本进行预测，通过预测结果能够判断该数据样本的状态(是否为故障；如果为故障，属于哪类故障)。

现有的具体的深度学习故障诊断方法通常是对上述6个步骤的具体化，在上述步骤中，影响深度学习故障诊断方法性能的主要有步骤1)、步骤2)和步骤3)。步骤1)中得到数据的质量直接影响最终模型的性能；步骤2)中合适的预处理方法能够进一步提升数据质量；步骤3)中设计的模型架构需要适用于具体问题，如果设计不合理，则可能出现过拟合或欠拟合的问题。

目前，基于深度学习技术的故障诊断方法存在如下两个问题：

1)在实际中，系统不允许在故障状态下持续运行，因此收集到故障数据的量一般不会很大；然而，深度学习技术高度依赖于数据量的大小，这使得深度学习技术很难应用到实际场景的故障诊断；

2)为了保证故障诊断结果的可靠性，一般要求故障诊断方法是可解释的。然而，深度学习是一类“黑盒”技术，它的可解释性很低，这同样制约了深度学习技术在故障诊断上的应用。

发明内容

本发明提供了一种融入先验知识的深度学习故障诊断方法，其能够克服现有技术的某种或某些缺陷。

根据本发明的一种融入先验知识的深度学习故障诊断方法，其包括如下步骤：

步骤S1、数据处理

该步骤中，基于滑窗处理对故障诊断数据集X进行处理，进而获取类图片样本数据集并获取类图片样本数据集的关注矩阵A；

步骤S2，模型架构构建