[发明专利]基于CNN-LSTM深度学习方法及多属性时序数据的故障诊断方法

权利要求书

1.基于CNN-LSTM深度学习方法及多属性时序数据的故障诊断方法，其包括以下步骤：

S1，采集系统的历史运行数据并进行数据预处理，之后基于CNN和LSTM建立故障诊断模型；

S2，采集系统的实时运行数据并进行数据预处理，之后送入S1中建立的故障诊断模型进行处理，并输出诊断结果；

步骤S1和步骤S2中的数据预处理方法相同，且均包括如下步骤，

S31，对所采集的数据进行缺失值处理；

经步骤S31处理后的数据表示为，

X＝{X_i|i＝0，1，2...n}，

X_i＝{x_t|t＝1，2，3...p}；

其中，n是故障的总个数，m是属性的总个数；

其中，X_i∈R^p×m，X_i表示第i类故障的数据集，i表示该类型数据的标签；当i＝0时，表示系统处于正常状态；

其中，对于第i类故障的数据集X_i，x_t∈R^m为每一个采样样本的向量表示；p为第i类故障的采样时刻数即样本总数；数据集X_i共有m列分别对应m个属性，每一列数据表示同一属性在不同时刻时的状态；

S32，对经S31处理的数据进行归一化处理；

步骤S32的转换函数如下，

采用上述转换函数进行归一化处理时，对任一类故障的数据集X_i中的任一列数据均进行上述的转换；其中，min_j是每一列数据的最小值，max_j是每一列的最大值，x_j是转换之前的数值，是转换之后的数值；经过归一化处理之后的数据集X记作X^*、数据集X_i记作

S33，对经S32处理的数据进行滑窗处理；

步骤S33中，滑窗处理定义为映射：且，f(t)＝X[t：t+d]，t＝q*λ，q＝0，1，2...l；其中，d为滑窗宽度，λ为滑窗步长，p为时间序列的长度；经滑窗处理后的数据为，

步骤S1中的故障诊断模型包括输入层、CNN层、转换层、LSTM层、全连接层和输出层，CNN层和LSTM层均为双层结构；其中，

输入层用于输入经数据预处理后的数据；

CNN层用于对输入数据进行卷积运算，以实现特征的提取；第一层CNN层的输入为I、p和m分别对应w、h和d；第二层CNN层的输入为第一层CNN层的输出；

转换层用于实现CNN层与LSTM层的衔接以使得属性维度的信息和时间维度的信息不丢失；转换层的操作定义为映射：用于将CNN层输出的三维数据卷转化为两维的数据片：

LSTM层用于提取时间维度的时延信息；

LSTM层中包括多个计算单元，每个计算单元的输入是某一时刻的序列x_t∈R^T、输出是对当前时刻之前的所有时序序列的长短期记忆信息编码h_t∈R^T，一个计算单元的计算流程依次如以下数学公式所示，

f_t＝σ(W_f·[h_t-1，x_t]+b_f)

i_t＝σ(W_i·[h_t-1，x_t]+b_i)

o_t＝σ(W_o·[h_t-1，x_t]+b_o)

h_t＝o_t*tanh(C_t)

其中，运算“·”为矩阵的乘法运算，运算“*”为矩阵的逐元素相乘运算，W_f、W_i、W_c、W_o均为神经元的连接参数，b_f、b_i、b_c、b_o为偏置项；

LSTM层为双层，第一层LSTM层记录所有的h_t，并将其作为第二层LSTM层的输入，第二层LSTM层只记录最后一个计算单元的输出h_t；

全连接层接收第二层LSTM层的输出h_t并作为其输入，全连接层用于执行运算y＝relu(W·x+b)，x为LSTM层的输出向量，y为全连接层的输出向量，W为神经元参数矩阵，b为偏置项，relu(x)＝max(0，x)为激活函数；

输出层用于执行运算y_pre＝softmax(y)，y_pre表示对应样本的预测概率，y为全连接层的输出向量。