[发明专利]一种基于LSTM的疲劳因子隐性异常检测及故障诊断方法

权利要求书

1.一种基于LSTM的疲劳因子隐性异常检测及故障诊断方法，其特征在于，包括下述步骤：

S1.收集有关诊断对象目标设备的时序样本数据，样本中包含正常数据和异常数据以及异常数据的故障类型，使用EMD方法对设备的时序样本数据进行经验模态分解；

S2.提取时序样本数据中的正常数据样本，使用基于LSTM的深度神经网络构造设备震动信号预测模型；所述的基于LSTM的深度神经网络构造设备震动信号预测模型的流程包括以下步骤：

S2-1：特征工程：首先需要对收集到的原始数据进行处理，使用EMD经验模态分解及波形可视化技术进行辅助判断，通过观察IMF分量识别出异常震动频率；

S2-2：重采样：对原始数据重新采样，删除原始数据中的异常数据片段，确保留下来的数据中有且仅有连续的正常数据，规避非平衡数据带来的数据不平衡的问题；

S2-3：数据正规化：对时间序列中每一个维度的数据分别进行正规化处理，分别计算每一维度的均值μ和标准差σ，通过如下公式对时序样本数据X进行正规化，正规化后的数据为X′：

S2-4：生成数据集：将非监督数据集转换为监督数据集，将正规化后的数据划分成长度为l的连续时间序列X_r，X_r的长度由模型输入长度l_s和输出长度l_p共同决定，它们的关系为总长度l＝l_s+l_p，将时序样本数据X划分为X_s和X_p两部分，作为模型的输入和输出样本；

S2-5：划分数据集：将数据随机排列，按相同比例划分输入数据X_s和输出数据X_p，得到训练数据集{X_train,y_train}和验证数据集{X_val,y_val}；

S2-6：构建模型：设置检查点，每一Epoch保存一次模型参数，调整Epoch和Dropout参数，并观察trainloss和valloss，在出现过拟合情况时使用提早停止机制；

S2-7：使用模型进行预测：输入一段时序样本数据X，得到预测向量然后根据实际值y计算均方误差MSE，用来评估预测效果，n为序列数量：

S3.提取时序样本数据中的异常数据样本，使用基于LSTM的深度神经网络构造故障时序数据分类模型；

S4.将所述S2中获取的基于LSTM的震动信号预测模型的均方误差MSE作为初始疲劳因子阈值；

S5.使用基于LSTM的震动信号预测模型对设备生产数据进行预测，计算预测值与实际值的均方误差，将其均方误差与疲劳因子阈值对比用来检测异常信号，并根据实际情况动态调整疲劳因子阈值Δ；所述的使用基于LSTM的震动信号预测模型对设备生产数据进行预测具体为：

使用预测模型将时间点t的预测值计算出来，根据实际值y^(t)计算预测误差：

其中i为真实监测值的维度，然后把每一个误差e^(t)添加到预测误差的向量中：

h是用来评估当前误差的历史误差数量，l_s为输入序列的长度，然后对这组误差e进行平滑处理，为在误差集合中选择一个误差阈值ε——在阈值以上的均方误差的值被归类为异常：

ε＝μ(e_s)+zσ(e_s) (8)

ε为一组阈值误差的向量，e_s为序列误差向量，z为常数，μ为均值σ为标准差，其中ε由式(9)确定：

其中：

式(9)中的E_seq为e_a∈e_a的连续序列；

ε的估计值由z∈Z确定，Z是一组有序的正整数，表示大于μ(e_s)的标准偏差数，Z的值取决于实验数据，一旦argmax(ε)被确定下来，就可以为每一个产生均方误差的异常序列e_seq∈E_seq进行打分，分数s用来表示异常的严重程度，即疲劳因子：

然后，每个异常误差序列中的最高均方误差根据其与所选阈值Δ的距离进行归一化；

所述的根据实际情况动态调整疲劳因子阈值Δ具体为：

创建一个新的集合e_max，其中包含按降序排序的所有e_seq的最大值max(e_seq)，然后把最大的非异常均方误差添加到e_max末尾，这个序列逐步递减，第i步的降幅为：

如果在某一步i的降幅d⁽ⁱ⁾大于最小降幅p，所有满足的序列仍然是异常序列；如果降幅d⁽ⁱ⁾小于最小降幅p，那么后续所有误差的降幅都被重新分类为正常值；去掉异常序列后，再次重新计算留下的正常序列的均方误差，并作为调整后的疲劳因子阈值Δ；

S6.将异常信号通过故障时序数据分类模型进行分类，得到故障诊断结果。

2.根据权利要求1所述的基于LSTM的疲劳因子隐性异常检测及故障诊断方法，其特征在于，所述步骤S3中基于LSTM的深度神经网络构造故障时序数据分类模型的流程包括以下步骤：

S3-1：首先对设备的时序样本数据的故障数据样本进行处理，使用有异常并且已经确定故障类型的数据，另外再增加与每种故障样本相同数量的正常样本；

S3-2：对时序样本数据进行经验模态分解(EMD)，得到含有IMF分量的m维向量imf＝{imf₁,imf₂,…,imf_m}，m大小由经验模态分解方式确定，imf_i为第i维分量；

S3-3：对n类时序数据的imf进行编号，得到模型输入数据X_C

根据编号确定模型的输出数据y_C

S3-4：正规化数据，计算样本均值μ和标准差σ，正规化后的数据为X′_C：

S3-5：划分数据集，将数据随机排列，按相同比例划分输入数据X′_C和输出数据y_C，得到训练数据集{X_train,y_train}和验证数据集{X_val,y_val}；

S3-6：训练模型，设置检查点，每一Epoch保存一次模型参数，调整Epoch和Dropout参数，并观察trainloss和valloss，在出现过拟合情况时使用提早停止机制；

S3-7：使用模型进行分类，输入一段模型输入数据X_d，得到分类向量y′，则故障编号y′_d＝argmax(y′)，通过编号找到对应的故障，argmax为最大值的参数。