[发明专利]一种基于深度学习的逐点分类故障检测方法

权利要求书

1.一种基于深度学习的逐点分类故障检测方法，其特征在于，所述方法包括：

采集工业系统的各信道数据，得到原始数据序列；

将原始数据序列输入至预训练的序列状态生成器模型，生成各信道的实时状态序列；所述序列状态生成器模型包括：卷积模块、双向LSTM模块、时间注意力机制模块、全连接层、softmax分类和标签转换；

将各信道的实时状态序列与原始数据序列按照时间维度进行拼接，得到融合数据序列，根据信道之间的关联关系对信道进行分组，按照信道分组将融合数据序列输入预训练的基于深度学习逐点分类的故障检测模型，得到故障检测结果的序列；

将原始数据序列输入至预训练的序列状态生成器模型，生成各信道的实时状态序列，包括：

将原始数据序列输入卷积模块进行短时的时序特征抽取，得到时序特征；

将所述时序特征输入所述双向LSTM模块进行时序关系提取，并根据所述时间注意力机制模块在所有时间点上根据不同权重计算得到时序相关特征；

将所述时序相关特征输入时序共享参数的全连接层和softmax进行分类，得到表示单信道实时状态的输出序列，将所述输出序列转换为类别标签组成的实时状态序列后输出；

所述按照信道分组将融合数据序列输入预训练的基于深度学习逐点分类的故障检测模型，得到故障检测结果的序列，包括：

对每一个分组的输入数据分别采用一个卷积模块进行特征提取；

在每个卷积模块后使用压缩和激活块对各卷积模块的特征图进行加权选择；

经过压缩和激活块后，将各模块提取的特征根据时间维度进行拼接，得到所有信道卷积和特征图筛选后的特征；

使用一个两层的带有Dropout的双向LSTM模块提取时序关系，并利用时间注意力机制模块在所有时间点上根据不同权重计算相关特征；最后经过时序全连接层和softmax进行分类，得到表示故障检测结果的输出序列。

2.根据权利要求1所述的方法，其特征在于，所述序列状态生成器模型的卷积模块由一维卷积层、批规范化处理层和ReLU激活函数构成，并对卷积层采用了0填充。

3.根据权利要求1所述的方法，其特征在于，各信道的实时状态序列中的各点表示在各时刻下的状态，不同的状态类别使用不同的标签表示，一般状态用标签0表示，其他特殊状态分别用非0标签表示。

4.根据权利要求1所述的方法，其特征在于，根据信道之间的关联关系对信道进行分组，包括：

根据信道间的关联关系对多个信道的数据进行分组，将关联程度高的信道分为一组，控制各组内的信道数在一个预设定的值以内。

5.根据权利要求1所述的方法，其特征在于，所述基于深度学习逐点分类的故障检测模型包括：一个卷积模块、压缩和激活块、双向LSTM模块、时间注意力机制模块、时序全连接层和softmax。

6.根据权利要求1所述的方法，其特征在于，所述基于深度学习逐点分类的故障检测模型的卷积模块由一个一维卷积层、批规范化处理层，以及ReLU激活函数构成，一维卷积可以同时抽取各组内信道间的时序关联关系，对卷积层采用了0填充。

7.根据权利要求1所述的方法，其特征在于，使用标准数据集田纳西伊士曼对基于深度学习逐点分类的故障检测方法进行评估。