申请/专利权人：杭州电子科技大学

申请日：2022-04-18

公开（公告）日：2024-04-05

公开（公告）号：CN114781507B

主分类号：G06F18/241

分类号：G06F18/241;G06N3/0464;G06N3/08;G06Q10/20;G06Q50/06

优先权：

专利状态码：有效-授权

法律状态：2024.04.05#授权;2022.08.09#实质审查的生效;2022.07.22#公开

摘要：本发明涉及一种基于1DCNN‑DS的冷水机组故障诊断方法，本发明针对冷水机组的故障状态数据获取成本高，不能提供大量训练数据的缺点，选取了计算复杂度低的1DCNN网络来对数据进行分类有关潜在特征的提取，解决了其他传统神经网络冷水机组故障诊断方法需要大规模训练数据以达到效果的问题；针对RL、RO、EO三种系统级故障状态与正常状态运行参数相似而易错分，导致诊断模型整体准确率被拉低的问题，利用DS面对冲突证据情况时的谨慎推测能力进行解决，将DS以神经网络结构形式实现，并结合期望效用计算，嵌入1DCNN模型中代替具有softmax的全连接层进行决策，有效提高了这三类系统故障的诊断准确率，从而提升模型总体诊断准确率，实现了冷水机组故障的有效诊断。

主权项：1.一种基于1DCNN-DS模型的冷水机组故障诊断方法，其特征在于：具体包括如下步骤：步骤一、采集冷水机组正常运行和不同故障时的状态数据集，构成样本集w；步骤二、将样本集按比例划分为训练样本wtrain和测试样本wtest；步骤三、训练1DCNN-DS模型：具体如下：步骤1、通过一维神经网络模块进行分类相关特征提取，通过DS模块与期望效用模块量化选择类别时的不确定性并做出决策，将训练样本集wtrain输入至1DCNN-DS模型中；步骤2、在一维神经网络模块中对wtrain进行一维卷积与最大池化操作，由flatten层输出数据的特征向量X；步骤3、将特征向量X输入DS模块中，该模块由神经网络层实现，定义Ω＝{w1，...，wM}为冷水机组状态类别集合，M为整数代表状态种类，w表示该种类状态的集合；则该模块在集合Ω中量化类别不确定性得出质量函数m的计算过程具体如下：首先，定义{p1，p2，...pi，pn}为n个径向基函数单元的输入层和隐藏层之间的原型向量，si为特征向量x与每个原型pi之间基于距离的支持度：si＝αiexp-ηidi2；i＝1，...，n，α∈0，1，di＝||x-pi||为x与原型pi之间的欧氏距离，ηi为与原型pi相关的参数；然后，计算与原型pi相关的质量函数mi，miΩ＝1-si；可视作DS模块第二隐藏层的激活，该层由n个模块组成，每个模块包含M+1个径向基函数单元，模块i的结果对应于mi分配的信念质量；式中为原型pi对类wj的隶属度，且然后，计算与原型pi相关的质量函数mi： miΩ＝1-si；可视作DS模块第二隐藏层的激活，该层由n个模块组成，每个模块包含M+1个径向基函数单元，模块i的结果对应于mi分配的信念质量；其中为原型pi对类wj的隶属度，且最后，将得到的n个质量函数mi根据邓普斯特规则进行聚合，组合质量函数μi{wj}＝μi-1{wj}mi{wj}+μi-1{wj}miΩ+μi-1Ωmi{wj}；式中：μ1＝m1，μi＝μi-1∩mi且i＝2，...，n；当i＝2，...，n且j＝1，...，M时：μiΩ＝μi-1ΩmiΩ；最终，由DS模块的输出的组合质量函数向量：m＝mi{w1}，...mi；wM，miΩT；其中m{wj}代表该特征属于状态类别wj的置信度；步骤4、将DS模块输出的组合质量函数向量m输入期望效用模块，与DS模块类似，同样以神经网络层结构实现，其与DS模块的连接权重固定，用于计算各选择类别行为的预期效用，定义为对类wi的分配行为，B为属于类别集合Ω的子集，UM×M为原始效用矩阵，其通项μij∈[1，0]是当真实类别为wj时选择wi的效用，υ为悲观指数则：下期望上期望上下期望加权和最后，输出对冷水机组故障精确分类行为的效用分布： 步骤5、整个1DCNN-DS为端到端模型进行训练，使用交叉熵损失函数评估的期望效用分布和目标分布的误差，然后使用Adam优化算法优化损失函数值，不断循环步骤2-步骤5，最终得到训练好的1DCNN-DS模型；步骤四、将测试样本集wtest输入训练好的1DCNN-DS模型中，输出测试样本的故障诊断结果，对步骤三建立的模型有效性进行验证；验证有效后，模型建立完成；步骤五、将待测冷水机组参数输入到1DCNN-DS模型中，对待测冷水机组故障进行诊断。

全文数据：

权利要求：

百度查询： 杭州电子科技大学 一种基于1DCNN-DS的冷水机组故障诊断方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD