【《基于WT-SCNN半监督网络的冷水机组故障诊断分析》6100字】

基于WT-SCNN半监督网络的冷水机组故障诊断分析目录TOC\o"1-3"\h\u17545基于WT-SCNN半监督网络的冷水机组故障诊断分析 113621.1WT-SCNN半监督网络的结构与原理 1259451.1.1WT-SCNN半监督网络结构 1194691.1.2WT-SCNN半监督网络工作原理 2311771.2孪生卷积半监督网络自学习模型建立 4103621.3实验验证与结果分析 572701.3.1验证算法故障识别的鲁棒性 624581.3.2验证算法自学习能力 8195271.3.3网络训练所用时长 11301631.3.4实验结果分析 11相较于传统数据驱动的故障诊断方法，深度学习更适用于对复杂非线性、高维度化工过程数据的研究，但当前所建立基于深度学习的化工过程故障诊断算法，大部分建立在故障库完备并且样本充分的条件上。然而在工业应用中，多类别的样本常常难以获取或获取代价极高，造成所采集到的各类样本中无标签样本占据很大百分比，所以很难建立有效诊断模型。因此，急需建立基于不完备样本的智能故障诊断系统，其中最为核心的就是实现数据无监督或半监督的自主学习。CNN虽具有强大的特征提取能力，但无法实现无监督学习，因此，传统CNN对无标签数据难以识别，必须结合其他方法完成无监督或半监督学习。为了解决无标签数据集的分类问题，有学者提出了基于相似性度量的神经网络，从数据中去学习一个相似性度量，并用这个学习出来的度量去比较和匹配新的未知类别的样本[58]。综合上述研究思路，本章提出一种基于小波变换-孪生卷积半监督网络，即利用CNN的卷积层和池化层来构建孪生结构，最终给出一种基于小波预处理的孪生卷积半监督神经网络（WT-SCNN）来实现制冷系统冷水机组的智能故障分类网络。1.1WT-SCNN半监督网络的结构与原理1.1.1WT-SCNN半监督网络结构WT-SCNN半监督故障学习网络，是用两个完全一样的CNN的卷积层和池化层来构建孪生半监督网络，网络结构拓扑图如图4-1所示。图4-1SCNN网络结构拓扑图Fig.4-1SCNNnetworkstructure首先利用CNN的卷积层和池化层对输入网络的一对故障时频图进行特征提取，经过CNN的卷积层和池化层对故障时频图进行处理，得到特征矩阵，然后利用孪生结构将特征矩阵映射到低维空间，之后通过计算输入的未知故障与已知故障这一样本对，映射在低维空间坐标的欧式距离来判断无标签样本是否属于已知故障还是新故障。1.1.2WT-SCNN半监督网络工作原理WT-SCNN网络训练和测试过程的输入必须为成对的故障样本（即一个已知故障和一个未知故障构成样本对），将输入数据通过相同权重的CNN进行特征提取，通过双生网络将特征矩阵映射到低维空间，在低维空间使用欧式距离进行相似度的比。上一节已经对CNN进行特征提取作了详细介绍，这里就不在赘述了。如图4-1所示，左右两边的网络为共享权重W且完全相同的CNN结构，输入数据为一对故障样本图像（Y,x1,x2），其中Y是一个二值标签，Y=0表示x1,x2属于同一个故障类型，Y=1则表示x1,x2不是同一个故障类型。Gw(x1)和Gw(x2)为映射Ewx本文利用CNN的卷积层和池化层来构建双生网络构。即将CNN池化层的输出结果用于构造孪生网络的能量函数，将式（3-3）代入式（4-1），得到WT-SCNN网络的目标能量函数如下：Ewx假设来自一个训练集的真对为(x1,∃ℇ>0，使得Ewx1当上述条件成立时，我们可以假设这样一个损失函数，该函数的大小通过“能量”仅与网络的输入和参数有关，损失函数的定义为：ℊW它代表所有训练样本对的能量之和，P表示训练样本的数量，其中函数T的表达式如下：TW,其中(Y,x1,x2)i代表第个样本对，它包含一对图像和一个标签，TG代表损失函数真对的部分，TI代表损失函数假对的部分。当Y=0时，函数T仅代表真对的能量，Y=1时函数T仅代表假对部分的能量，模型可行需满足上述必要条件，即必须保证TG<TI，且TGTI这样设计的TG和TI，在使ℊ的能量最小化的同时，TG越小，T整个网络输出张成的空间为目标空间，而网络最后输出值为目标空间中的位置。网络训练的目的是降低真对的能量，增加假对的能量，使样本在目标空间具有同类别样本汇聚不同类别样本分离的特性。WT-SCNN网络将时频图映射到目标空间，通过多次实验根据检测准确率确定好最小聚类半径，计算训练集与测试集质心之间的欧式距离，若此距离小于最小聚类半径，则属于该训练集类型；以此类推，当该距离均不小于所有已知类型的最小聚类半径，则该测试集为新类型，即属于新故障类别。由此可实现故障自主学习，达到故障网络自增长的目的。1.2孪生卷积半监督网络自学习模型建立本章提出的WT-SCNN算法流程图如图4-2所示，首先将冷水机组的故障数据进行归一化处理，数据重组，然后利用小波变换，得到故障数据时频图；将时频图输入到WT-SCNN网络，CNN对时频图进行特征提取，利用双生结构将提取到的特征映射到低维空间，并基于欧式距离进行相似度比较，最终实现对冷水机组故障类型的分类与新故障自主学习。描述算法具体步骤如下：(1)数据归一化处理考虑到各个特征的单位和数量级不一样，如果不对原始特征进行归一化，在后续的模型训练过程中可能会出现准确率低或者难以收敛的现象，因此首先对原始故障数据进行归一化处理，其数学表达式为：x'式中x，x'分别代表原始数据和归一化之后的数据，xmax，(2)获取数据时频图直接将故障数据作为网络的输入，特征只在时间域学习，未考虑过程的频率特性；此外，小波变换对非平稳信号的时域局部细节有很强的刻画能力，利用小波变换可以将局部细节清晰刻画。综上考虑，将归一化的故障数据进行小波变换，利用小波变换后的数据获得其时频图；(3)模型训练阶段网络模型的训练。初始化WT-SCNN的参数和结构，将少量带有标签的故障时频图以成对的形式输入到模型中。训练网络使得损失函数ℊW(4)在线故障诊断故障诊断阶段，将未知样本时频图和每一个标签样本时频图构成一个样本对。将样本对输入到训练好的网络，得到时频图在目标空间的位置坐标，求每簇集合的质心坐标，计算测试集质心A与训练集各故障质心B、C…在目标空间位置的欧式距离d，如果这个样本对的欧式距离小于最小聚类半径（此处最小聚类半径通过实验验证取值为1时诊断效果最佳），则认为它们是同类，若大于最小聚类半径，则为新故障。图4-2整体算法流程图Figure4-2overallalgorithmflowchart1.3实验验证与结果分析所有实验定义故障ro、rl、cf、fwe、eo、nc、fwc的标签依次为1、2、3、4、5、6、7，将要识别的故障拟标签为8。每类故障每一等级各210个样本，选取其中80%作为训练集，20%作为测试集。选取5层卷积网络，5个卷积层的卷积核个数依次为16、32、64、128、256，卷积核大小为3×3，优化算法选取Adam，Adam对超参数（学习率、正则化系数等）的选择具有很好鲁棒性，最大训练次数为5000次。最大池化层的池化窗口大小是2×2。卷积层和池化层的激活函数都是ReLU。在五个卷积层后面插入一个Dropout层以缓解过拟合，Dropout层的概率设置为0.2。为了分析WT-SCNN网络的最小聚类半径对于分类准确率的影响，分别设置了0.4，0.6，0.8，1.0，1.2，1.4，1.6，7种不同最小聚类半径，通过对31组实验（实验具体内容在下文中有详细描述）进行测试，其中当最小聚类半径分别设为0.4，0.6，0.8，1.0，1.2，1.4，1.6时，将未知故障准确分类的实验总数分别为20，24，26，30，27，24，定义准确率公式如下：A=n其中，A为准确率，n为总实验数，n0由图4-3可知，当最小聚类半径分别设为0.4，0.6，0.8，1.0，1.2，1.4，1.6时，未知故障诊断准确率分别为64%，77%，83%，96%，87%，77%。根据图中曲线趋势结合理论可得：1）当最小聚类半径比较小的时候，部分与已知故障同类的样本会被误诊断为新故障。从仿真结果来看，最小聚类半径较小时，准确率不高。2）相对的，如果最小聚类半径很大，部分新故障则会被误诊为与已知故障同类的已有故障。从仿真结果来看，最小聚类半径较大时，准确率也不高。由此可知，曲线最高点则为最小半径最佳取值，当最小聚类半径设定为1.0的时候，模型的分类准确率达到最高。因此，本文仿真对象中模型的最小聚类半径设定为1.0。图4-3不同最小聚类半径的准确率Fig.3-6accuracyofdifferentminimumclusteringradius1.3.1验证算法故障识别的鲁棒性这部分共设计了6个实验用以验证算法故障识别的鲁棒性，6个实验都是利用同一故障的某一等级去训练网络，然后将此类故障的其他损伤等级样本作为将要识别的种类，测试网络能否将未参与训练的其他损伤等级样本准确识别，见表4-1。实验1训练集为ro1和rl2，将要识别的种类为ro2；实验2训练集为ro1和rl2，将要识别的种类为rl3；实验3训练集为ro1、rl2和cf1，将要识别的种类为cf2；实验4训练集为ro1、rl2、cf1和fwe1，将要识别的种类为fwe2；实验5训练集为ro1、rl2、cf1、fwe1和eo2，将要识别的种类为eo3；实验6训练集为ro1、rl2、cf1、fwe1、eo2和nc2，将要识别的种类为nc3。测试集各个故障经过S-CNN网络映射到目标空间的结果如图4-4所示，标签为8的红色聚类簇为将要识别的种类。将测试集在目标空间的映射结果进行解析，计算出将要识别的种类与已知故障种类的欧式距离，根据最小聚类半径确定将要识别的故障种类，即将要识别的种类与已知故障种类的欧式距离若小于1.0则将要识别的种类为已知故障，若大于1.0则判定所识别的种类为新故障，相应的仿真结果见表4-2所示。表4-1验证算法故障诊断鲁棒性实验分组Tab.4-1experimentalgroupofverificationalgorithmcommoncaptureability实验已知故障种类将要识别的种类1ro1-rl2ro22ro1-rl2rl33ro1-rl2-cf1cf24ro1-rl2-cf1-fwe1fwe25ro1-rl2-cf1-fwe1-eo2eo36ro1-rl2-cf1-fwe1-eo2-nc2nc3（a）测试集ro1_rl2+ro2(b)测试集ro1_rl2+rl3(c)测试集ro1_rl2_cf1+cf2(d)测试集ro1_rl2_cf1_fwe1+fwe2(e)测试集ro1_rl2_cf1_fwe1_eo2+eo3(f)测试集ro1_rl2_cf1_fwe1_eo2_nc2+nc3图4-4各个故障映射到目标空间的结果图Fig.4-4resultgraphofeachfaultmappingtotargetspace表4-2验证算法共性捕捉能力实验测试集在目标空间的距离及分类结果Tab.4-2thedistanceandclassificationresultsoftheexperimentaltestsetforverifyingthecommoncaptureabilityofthealgorithminthetargetspace实验已知故障未知故障ro1rl2cf1fwe1eo2nc2实验结果1ro20.187923.23461————ro2rl33.375490.26543————rl3cf25.197652.109840.59545———cf4fwe25.336572.087133.968750.29692——fwe5eo33.582312.765972.091833.876930.10819—eo6nc33.093892.490941.675213.109231.901570.80893nc准确率100%1.3.2验证算法自学习能力这部分设置了5组实验，每组包括5个，共25个实验用以验证所提算法的自学习能力，见表4-3。组1训练集为ro1和rl2，将要识别的种类分别为cf1、fwe2、eo3、nc4、fwc2；组2训练集为ro1、rl2和cf1，将要识别的种类为fwe1、eo1、nc1、fwc1、cf3；组3训练集为ro1、rl2、cf1和fwe1，将要识别的种类为eo2、nc3、fwc2、cf4、rl3；组4训练集为ro1、rl2、cf1、fwe1和eo2，将要识别的种类为nc2、fwc3、ro3、rl4、cf2；组5训练集为ro1、rl2、cf1、fwe1、eo2和nc2，将要识别的种类为fwc2、ro4、rl1、eo4、nc3。表4-3验证算法自学习能力实验分组Tab.4-3experimentalgroupingofself-learningabilityofverificationalgorithm实验组别已知故障种类将要识别的故障种类1ro1-rl2实验1实验2实验3实验4实验5cf1fwe2eo3nc4fwc22ro1-rl2-cf1实验6实验7实验8实验9实验10fwe1eo1nc1fwc1cf33ro1-rl2-cf1-fwe1实验11实验12实验13实验14实验15eo2nc3fwc2cf4rl34ro1-rl2-cf1-fwe1-eo2实验16实验17实验18实验19实验20nc2fwc3ro3rl4cf25ro1-rl2-cf1-fwe1-eo2-nc2实验21实验22实验23实验24实验25fwc2ro4rl1eo4nc3测试集各个故障经过S-CNN网络映射到目标空间的部分结果如图4-5所示。将测试集在目标空间的映射结果进行解析，计算出将要识别的种类与已知故障种类的欧式距离，根据最小聚类半径确定将要识别的故障种类，即将要识别的种类与已知故障种类的欧式距离若小于1.0则将要识别的种类为已知故障，若大于1.0则将要识别的种类为新故障，结果见表4-4。(a)测试集ro1_rl2+cf1(b)测试集ro1_rl2+eo3(c)测试集ro1_rl2_cf1+fwe1(d)测试集ro1_rl2_cf1+eo1(e)测试集ro1_rl2_cf1_fwe1+eo1(f)测试集ro1_rl2_cf1_fwe1+nc3(g)测试集ro1_rl2_cf1_fwc1_eo2+nc3(h)测试集ro1_rl2_cf1_fwc1_eo2+fwc3(i)测试集ro1_rl2+nc4图4-5部分故障映射到目标空间的结果Fig.4-5showstheresultofmappingsomefaultstothetargetspace表4-4验证算法自学习能力实验测试集在目标空间的距离及分类结果Tab.4-4thedistanceandclassificationresultsoftheexperimentaltestsetforverifyingtheself-learningabilityofthealgorithminthetargetspace（a）训练集为ro1-rl2的分类结果实验已知故障未知故障ro1rl2实验结果1cf15.498212.98629new2fwe25.137452.76092new3eo33.639872.59761new4nc43.485912.69322new5fwc23.640573.94813new(b)训练集为ro1-rl2-cf1的分类结果实验已知故障未知故障ro1rl2cf1实验结果6fwe15.123152.982733.97286new7eo13.968712.093712.97036new8nc13.304812.609611.92835new9fwc13.805863.403825.19503new10cf35.405263.015390.50721cf(c)训练集为ro1-rl2-cf1-fwe1的分类结果实验已知故障未知故障ro1rl2cf1fwe1实验结果11eo23.439522.860972.794623.69481new12nc33.390782.697401.396043.49502new13fwc23.851323.595725.203161.80927new14cf45.370843.132140.319583.96041cf15rl33.376590.409263.132422.91083rl(d)训练集为ro1-rl2-cf1-fwe1-eo2的分类结果实验已知故障未知故障ro1rl2cf1fwe1eo2实验结果16nc23.3109582.701791.290853.508195.13028new17fwc33.801863.606145.251841.831521.60291new18ro30.614533.354125.401515.142821.01532ro19rl43.405210.482413.205132.908462.70968rl20cf25.195263.314270.397181.018422.80572cf(e)训练集为ro1-rl2-cf1-fwe1-eo2-nc2实验已知故障未知故障ro1rl2cf1fwe1eo2nc2实验结果21fwc23.796213.648315.201971.805741.409210.96218nc22ro40.486173.472145.395195.094171.206523.29630ro23rl13.387920.502643.285093.109632.869472.86049rl24eo43.379522.976282.847313.750420.614265.07369eo25nc33.407142.684951.341083.496875.038130.88423nc正确率96%1.3.3网络训练所用时长统计第二部分25个实验每个实验网络训练所用时间如表4-5：表4-5网络训练所用时长Table4-5networktrainingtime实验组别训练集网络训练时长/s1ro1-rl2实验1实验2实验3实验4实验522108219652189822093217992ro1-rl2-cf1实验6实验7实验8实验9实验1030972312052988531136309483ro1-rl2-cf1-fwe1实验11实验12实验13实验14实验1539908407964092438697410244ro1-rl2-cf1-fwe1-eo2实验16实验17实验18实验19实验20501725100449281511243489965ro1-rl2-cf1-fwe1-eo2-nc2实验21实验22实验23实验24实验255979358986