[发明专利]基于1DCNN与GRU融合的故障特征学习与分类方法

权利要求书

1.基于1DCNN与GRU融合的故障特征学习与分类方法，其特征在于，所述的特征学习与分类方法包括如下步骤：

步骤1：利用传感器采集设备采集不同工况下冷水机组运行过程中的数据，对采集的不同工况数据打标签，构成样本集X∈R^d×n，其中d代表采集的数据维度，n代表样本个数；

步骤2：对样本集X进行预处理，包含标准化、对标准化后的数据进行降维、以及划分样本集，其中样本集包括故障样本和正常样本；

步骤3：构建并训练融合的特征学习与分类模型1DCNN-GRU，所述的1DCNN-GRU融合神经网络模型包含7层，依次是第一卷积层，第二卷积层、一个池化层，第三卷积层，一个GRU层，一个Dropout层和一个softmax回归层，同时，采用ReLU非线性函数作为激活函数，将经过降维处理后的训练样本作为模型的输入，采用交叉熵损失函数，结合反向传播BP算法调整模型参数，利用softmax回归作为分类算法，完成模型的训练；

步骤4：将监测到的实时数据输入训练完成后的模型，得到工况实际分类结果，构建混淆矩阵评估模型分类精度；

所述的1DCNN-GRU网络结构为：

(a)：第一层1D-CNN模型，模型的输入为2个维度，即特征及通道，第一层1D-CNN模型包括100个大小为2的过滤器，输出为14×100的神经元矩阵，输出矩阵的每列包含一个过滤器的权重，每个过滤器包含71个权重；

(b)：第二层1D-CNN，包括100个大小为2的过滤器，步骤(a)的结果作为第二层1D-CNN的输入，并在这一层进行训练，输出为13×100的神经元矩阵；

(c)：最大池化层，最大池化的窗口为3，输出为4×100的神经元矩阵；

(d)：第三层1D-CNN，包含160个大小为2的过滤器，步骤(c)的结果作为第三层1D-CNN的输入，并在这一层进行训练，输出为3×160的神经元矩阵；

(e)：一个GRU层，神经元个数为50，步骤(d)的输出作为该层的输入，输出为1×50的神经元矩阵；

(f)：一个dropout层，dropout＝0.5，输出为一个1×50的神经元矩阵；

(g)：一个具有SoftMax激活的完全连接层，包含8个神经元用于预测8分类，即正常运行，冷凝器结垢，制冷剂中存在非凝性气体，润滑油过量，制冷剂泄漏，制冷剂过量，冷凝器水流量减少，蒸发器水流量减少；

所述的训练具体步骤为：

(a)：对1DCNN-GRU进行初始化，采用大于0的小随机数初始化网络中待训练参数；

(b)：向初始化后的1DCNN-GRU中输入训练样本来训练该模型并得到实际输出向量；所述的训练样本包括：降维之后的特征向量和真实故障类别标签，当特征向量输入1DCNN-GRU中后经过逐层变换，传送到输出层，得到模型预测的故障类别标签；

(c)：使用交叉熵损失函数，结合反向传播BP算法调整1DCNN-GRU参数，利用Softmax回归作为分类算法，完成1DCNN-GRU的训练，得到最优模型。

2.根据权利要求1所述的基于1DCNN与GRU融合的故障特征学习与分类方法，步骤1中所述的数据包括温度参数，流量参数，压力参数，阀门参数。

3.根据权利要求1所述的基于1DCNN与GRU融合的故障特征学习与分类方法，其特征在于：

所述的数据标准化公式为：

其中，x^*表示标准化之后的特征，x表示样本集X的列向量，表示列向量x的均值，δ表示特征的标准差。

4.根据权利要求1所述的基于1DCNN与GRU融合的故障特征学习与分类方法，其特征在于：所述的降维的方法包含但不限于主成分分析法、线性判别分析法鲁棒稀疏线性判别方法。