CN115147645B 基于多特征信息融合的膜组件膜污染检测方法 （兰州理工大学）

基于多特征信息融合的膜组件膜污染检测本发明公开基于多特征信息融合的膜组件CNN网络模型进行调整和优化；将测试集数据信膜组件膜污染检测中，该网络模型综合性能优异，能够有效实现所有膜污染的高效分类与定23）利用图像处理技术扩大数据集，得时域图片集，利用图像傅里叶变换得频域数据证CBAM-MIL-CNN网络模型的误差，再将验证集数据信息输入CBAM-MIL-CNN网络模型，对CBAM-MIL-CNN网络模型进行调6）将测试集数据信息输入优化后的CBAM-MIL-CNN网络模型，对膜组件膜污染状态进行识别；5*5*64的输出；模式识别单元3的全连接层有2个，2个全连接层的神经元个数分别设置为3[0002]膜生物反应器(MBR)是将膜分离技术与生物处理技术有机结合的新型污废水处理的策略来增强废水处理过程的故障检测，开发的统计图用于检测系统中的平均故障或/和人提出了基于变分自动编码器(VAE)和深度残差网络结构(ResNetVAE)集成的缺失数据插4(SOT2FNN)和智能识别方法的智能故障检测(IFD)方法，用于检测和识别不同类型的故障。和特征提取能力在故障诊断领域中广泛应用。Zhao等人提出了一种基于深度置信网络经网络，简化诊断过程提高了诊断效率和性能，验证了CNN网络在该类问题中应用的优越性。Zhang等人采用后向差分策略对数据进行处理，并引入了一种具有全局平均池化(globalaveragepooling,GAP)的卷积神经网络(CNN-GAP)进行特征提取和故障分类，实包分解(waveletpacketdecomposition,WPD)和双层卷积神经网络(bilayer的故障样本中获得了更丰富的各种时间和频率尺度的信息，有助于解决数据不平衡问题。Networks(SENet)到SelectiveKernelNetworks(SKNet)再到convolutionalblockattentionmodule(ECA)都在不同程度上优化了CNN，张红斌等人利用SENet中具有良好互且深度学习中故障诊断存在模型复杂和本质特征5[0013]5)构建CBAM-MIL-CNN网络模型，将训练集数据信息输入CBAM-MIL-CNN网络模型对CBAM-MIL-CNN网络模型进行进行识别。[0015]步骤5)CBAM-MIL-CNN模型由网络模型单元1、网络模型单元2、模式识别单元3构的输出端,模式识别单元3利用全连接层将网络模型单元1和网络模型单元2的特征信息进[0023]本发明构建了基于多输入卷积神经网络与自注意力机制相结合的模型(CBAM-别提取时域特征和频域特征，另外，在卷积层和池化层之间添加批归一化层(batchnormalization,BN层)，可有效降低过拟合；其次，在批归一化层后添加convolutional6[0033]图10，(e)为中空纤维膜各膜污染模式下的小波转化能量谱图；(f)中空纤维膜7[0057]为了充分利用CNN强大特征提取的能力，本文采用了multiple-convolutional[0058]1)在模型单元1(Net1)和模型单元2(Net2)处分别送入图像进行卷积池化等操作认特征图(featuremap,FM)的每个通道是同等重要的，但由于所承载的信息重要性的不立的子模块，通道注意力模块(channelattentionmodule,CAM)和空间注意力模块8和高度的全局最大池化(globalmaxpooling)和全局平均池化(globalaverage9[0086]5)构建CBAM-MIL-CNN网络模型，将训练集数据信息输入CBAM-MIL-CNN网络模型对CBAM-MIL-CNN网络模型进行进行识别。[0088]步骤5)CBAM-MIL-CNN模型由网络模型单元1、网络模型单元2、模式识别单元3构数9)和卷积层e(即为卷积层e+ReLU激活函数10)，网络模型单元1中输入大小为256*256时包括通道注意力模块和空间注意力模块，卷积层e+ReLU激活函数10添加有BN层3和池化层[0089]步骤5)中，CBAM-MIL-CNN网络模型优化策略为Adam[0090]步骤5)中，利用重叠采样生成的大小为256*256故障图片集输入到卷积层中进行间隐含层神经元个数压缩设为C/r(r为压缩倍数)，输出层神经元个数为C，分别得到结果而AdamW直接将正则项的梯度加入反向传播的公式中，避免了手动在损失函数中添加正则项。容差1--[0116]4)将步骤3)时域图片集和频域数据集均按7:2:1比例分别划分为训练集、测试集[0117]5)构建CBAM-MIL-CNN网络模型，将训练集数据信息输入CBAM-MIL-CNN网络模型对CBAM-MIL-CNN网络模型进行的容差设置为7如上表2中容差1所示。当串联式管式膜装置中膜污染影响因素的大小超间差异细微，数据对比度不够强，所以BP(backpropagation)神经网络，支持向量机先对数据进行预处理。方法如下：对9类故障数据采用小波变换法(wavelettransform,在串联式管式膜装置10次实验测试中，膜污染诊断模型准确率并不高，诊断准确率均在75％以下。WTF-LargeVis-ELM诊断模ELM模型错分率接近50无法在实际生产活动中应用。WTF+LargeVis+BP模型和WTF+和SKNet优化过的MIL-CNN网络对膜污染的诊断性能虽然优于MIL-CNN网络，但仍低于用明的CBAM-MIL-CNN膜污染诊断模型在型进行膜污染诊断，为了验证本发明的网络模型在故障诊断方面的优越性，将其与MIL-CNN、Squeeze-and-ExcitationNetworks-MIL-CNN(SENet-CNN)、SelectiveKernelNetworks-MIL-CNN(SKNet-CNN)进行比较，同时与G.Li[G.Li,J.Wu,C.Deng,Z.Chen,X.Shao,Convolutionalneuralnetwork-basedbayesianGaussianmixtureforintelligentfaultdiagnosisofrotatingmachinery,IEEETrans.Instrum.Meas.70(2021)1–10.]和H.Wu[H.Wu,J.Zhao,Deepconvolutionalneuralnetworkmodelbasedchemicalprocessfaultdiagnosis,Comput.Chem.Eng.115(2018)185–197.]提出的改进和贝叶斯-高斯混合(BGM)的三步智能故障诊断方法(简称CNN-BGM)。将本文所方法得到的和SKNet-MIL-CNN的方法从特征通道之间的关系入手，对特征通道之间的关系进行建模表滤波器进行局部连接，这有助于更好地提取局部模式或特征，同时可以通过使用dropout