[发明专利]一种基于改进型长短记忆神经网络的故障诊断方法

说明书

本发明公开了一种基于改进型长短记忆神经网络的故障诊断方法，构建LSTM网络模型结构并且利用免疫优势克隆文化算法对LSTM的学习速率进行参数寻优，得到训练好的LSTM网络故障诊断模型，将测试集数据输入到训练好的故障诊断模型中，得到对应的故障类型诊断结果；本方法能通过LSTM网络模型能够根据工业系统中各设备的测量数据进行故障诊断，且本发明将免疫优势克隆文化算法用于长短记忆神经网络的参数优化中，可以避免维度灾难，导致陷入局部最优，还可以提高算法的收敛速度和故障诊断的准确性。

技术领域

本发明属于故障分析技术领域，具体涉及一种基于改进型长短记忆神经网络的故障诊断方法。

背景技术

近年来，机器学习在指纹识别、文本识别、语音识别、故障诊断等领域应用广泛，已经达到商业化的需求，其中对设备的故障分析诊断在工业生产过程中变得尤其重要，但在故障的产生大都是具有很强的非线性、高纬度、动态性，且故障样本数量较少等特征，导致传统的神经网络训练困难，作为机器学习的分支，深度学习可以有效地解决传统神经网络训练困难的问题，对高纬度线性数据具有强大的学习能力。

目前基于深度学习的故障诊断方法有：堆叠自动编码(Stacked Auto Encoders，SAE)、卷积神经网络(Convolutional Neural Network，CNN)、循环神经网络(RecurrentNeural Network，RNN)、长短记忆神经网络(Long Short-Term Memory Neural Network，LSTM)、深度置信网络(Deep Belief Network，DBN)。故障分析诊断的关键在于有效的获取、传递、处理、再生和利用诊断信息，从而训练出对诊断对象进行准确的状态识别和状态预测能力，即需要数据间的相关时序性。在工业上设备当前运行状态与之前时刻的运行状态具有强关联性，信号与信号之间并不是相关独立的，而上述几种方法除了RNN和LSTM其余都忽略了数据间的相关时序性，导致故障诊断效果差。RNN的每一次梯度计算的输出都依赖于当前时刻和历史时刻对应的计算结果，导致存在梯度爆炸或者梯度消失问题。与RNN相比，LSTM通过三个门获得自循环权重的变化，并在模型参数不变的情况下动态改变积分比例，可以很好上述问题。

随着当代科学技术的发展，工业生产过程系统中自动化水平提高，规模不断变大，投资的成本也越来越大，其复杂性更是迅速提高，大规模自动化生产系统的高度复杂性迫切需要严格把控生产安全问题，并提高系统的可靠性、有效性和稳定性。为此寻找能够快速、准确的寻找最优参数的各种智能算法并应用在工业过程中变得尤其重要。虽然故障诊断的方法种类繁多，很多方法都有交叉，难以将其绝对划分到某一类中去，而单一的故障诊断方法总有各自的缺陷，很难满足理想的故障诊断效果，为此若只采用单一的采用LSTM算法存在维度灾难，陷入局部最优，导致故障诊断不准确，所以为进一步提高网络的更新速度，需要对传统的LSTM网络模型进行参数进行优化以控制学习速率。

发明内容

针对现有技术中的不足，本发明提出一种基于改进型长短记忆神经网络的故障诊断方法，可以有效的解决上述背景技术中的问题。

本发明所采用的技术方案如下：

一种基于改进型长短记忆神经网络的故障诊断方法，包括以下步骤：

S1、采集工业系统中各设备的测量数据，测量数据包括正常状态时间序列数据及故障状态数据，并作为故障诊断分析的样本数据；

S2、将S1采集后的数据划分为初始训练集和测试集；

S3、构建LSTM网络模型，基于S2中训练集数据，并利用免疫优势克隆文化算法对LSTM的学习速率进行参数寻优，

S4、获取LSTM初始学习速率，并计算误差，判断损失函数对应的误差是否最小，不满足则继续计算误差，直到满足条件为止；

S5、得到训练好的LSTM网络故障诊断模型，将测试集数据输入到训练好的故障诊断模型中，得到对应的故障类型诊断结果，实现故障分析。