[发明专利]一种基于一维多路卷积神经网络的故障分类方法

权利要求书

1.一种基于一维多路卷积神经网络的故障分类方法，其特征在于，包括以下步骤：

(1)采集工业过程中各个故障状态下的数据，并对这些数据进行故障标记和标准化处理以构建数据集；

(2)搭建多路一维卷积神经网络模型，对所述数据集进行特征提取；所述多路一维卷积神经网络模型包括依次设置的一维卷积层、最大池化层、批正则化层、非线性激活层、全连接层和分类器；所述步骤(2)中所述搭建多路一维卷积神经网络模型，具体包括：

(21)建立一维卷积层，以获取标准化样本数据更高阶次的时序特征；步骤(21)中所述一维卷积层包括多个层叠的一维卷积单元，其中每个一维卷积单元的构建步骤具体包括：

(211)对输入数据进行一维卷积操作：

w_j^T＝[w₁ w₂ … w_{conv_size_j}]

其中，conv_size_j表示第j个一维卷积核的大小，·表示矩阵乘积，w表示一维卷积核的权值，是待学习的参数，它通过加权求和提取第i个感受野x_i当中的特征；

(212)对一维卷积核设置其通道数，得到一维卷积单元；

(22)建立一维最大池化层，并以所述一维卷积层的输出作为所述一维最大池化层的输入，以获取标准化样本的显著时序特征；所述一维最大池化层表达式如下：

其中，第l层的第j个最大池化核的输出，表示第l层的第j个最大池化核，⊙表示池化核A在第l-1层所有关联的特征图上做最大池化运算；

(23)建立批正则化层，对所述显著时序特征进行重新分布；

(24)建立非线性激活层：

其中，x表示批正则化层的输出，τ是一个很小的整数，默认取值为0.2；

(25)所述一维卷积层、最大池化层、批正则化层和非线性激活层组成单路特征提取单元，多个所述单路特征提取单元并列组成多路特征提取模块，以提高特征提取的鲁棒性；

(26)通过flatten将提取到的特征维度由多维转换为一维；

(27)构建层叠的全连接层，对得到的一维特征进行综合；

(28)构建softmax分类器，对所述一维特征进行分类；

(3)选取所述多路一维卷积神经网络模型超参数；

(4)从步骤(1)中构建的所述数据集中提取部分数据以构建训练集，并将所述训练集输入步骤(2)中搭建的所述多路一维卷积神经网络模型中进行训练，以获得故障分类模型；

(5)采集工业工程实时数据，输入所述故障分类模型中进行检测，得到故障分类结果。

2.根据权利要求1所述的一种基于一维多路卷积神经网络的故障分类方法，其特征在于，所述步骤(1)中所述标准化处理具体为：

x′_n,i＝(x_n,i-x_n,mean)/x_n,sigma

其中，x_n,mean表示样本在第n个特征变量下的均值，x_n,sigma表示样本在第n个特征变量下的方差，M表示采样总数，x_n,i表示第i个样本数据在第n个特征变量下的原始值，x′_n,i表示第i个样本数据在第n个特征变量下的标准化值。

3.根据权利要求1所述的一种基于一维多路卷积神经网络的故障分类方法，其特征在于，所述步骤(21)中所述一维卷积层由两个一维卷积单元组成。

4.根据权利要求1所述的一种基于一维多路卷积神经网络的故障分类方法，其特征在于，所述步骤(25)中所述多路特征提取模块由三路并列的单路特征提取单元组成。