【《基于WT-SACNN半监督网络的冷水机组故障诊断分析案例》5100字】

基于WT-SACNN半监督网络的冷水机组故障诊断分析案例目录TOC\o"1-3"\h\u12096基于WT-SACNN半监督网络的冷水机组故障诊断分析案例 [61]等人通过最小化重构误差，成功学习了水平核和垂直核。Jin等人应用结构约束使二维卷积可分离，在获得相当精度的条件下时间加速了2倍。

1.1.1采用非对称卷积核减少权重参数的个数如图5-1（a）所示，在卷积过程中，标准卷积核K1（3×3）卷积二维数据时，建模1个像素输入特征时需要消耗9个权重参数；如图5-1(b)所示，3×3的对称卷积核K1可以由一个新的非对称（3×1）和（1×3）的卷积核K2代替。K2卷积二维数据时，建模1个像素输入特征时只需要消耗6个权重参数，大幅度提高建模效率。（a）3×3标准卷积核（b）2×1非对称卷积核图5-1不同卷积核卷积过程Fig.5-1convolutionprocesswithdifferentconvolutionkernels1.1.2采用非对称卷积核减少卷积层总参数量冷水机组故障时频图像素点为8×8，假设对于8×8×100的重构后冷水机组故障数据（8×8表示图片大小，100是通道数），期望利用CNN得到210个通道的输出，卷积核大小3×3，步长为1，采用图5-2（a）、图5-2（b）两种卷积核相对应的CNN模型架构（图中括号内数字表示输出通道数），其参数量分别为：图5-2（a）的传统卷积方法：卷积层参数量：100×3×3×210＝189000。图5-2（b）的非对称卷积方法，卷积层总的参数量：100×（3×1+1×3）×210＝126000。（a）标准卷积核（b）非对称卷积核图5-2CNN不同卷积核架构Fig.5-2differentconvolutioncorearchitecturesofCNN由图5-2可知：当标准卷积核替换为非对称卷积核时，卷积层总的参数量由189000降至126000，大幅度减少了模型参数量，从而加快了网络训练速度。1.1.3非对称卷积核的可加性卷积的一个有用性质：如果几个大小兼容的二维核在相同的输入上以相同的步幅操作以产生相同分辨率的输出，并且它们的输出被求和，可以将这些核在相应的位置相加，从而得到一个产生相同输出的等效核。也就是说，二维卷积的可加性可以成立，即使核大小不同，I∗K式（5-1）中I是一个矩阵，K(1)和K(2)是具有兼容尺寸的两个核，⨁是在对应位置的求和操作，所谓“兼容”就是可以把较小的内核“修补”到较大的内核上。在这种形式下，对于一个尺寸为M(p)通过研究滑动窗口形式的卷积计算，可以地验证1×3和3×1是和3×3兼容的。对于一个特定的卷积核，一个指定的点y,则输出可以使用下式计算：y=c=1其中，F代表对应通道尺寸为HxW的特征图，X是输入M上相应的滑动窗口。显然，当两个滤波器产生的输出通道相加时，如果一个通道上的每个y，其在另一个通道上的对应点共享相同的滑动窗口，则其相加性质式(5-1)成立。因此将3×3卷积核改为1×3和3×1非对称卷积核时，并不会影响其精度。综上所述，将标准卷积核改为非对称卷积核后，CNN卷积层特征提取过程减少了权重参数个数以及卷积层总参数量，从而加快网络训练速度，缩短网络运行时间，且不影响其精度。1.2WT-SACNN半监督网络的故障诊断模型延续上一章的思路，在WT-SCNN网络的基础上将原本标准CNN改为非对称卷积核的CNN，提出WT-SACNN，网络其他结构与原理不变，使网络不仅可以实现自主学习，还可以提高网络工作效率。本节利用冷水机组的7个典型故障对所提WT-SCNN和WT-SACNN算法进行训练，并对比其每个故障类型网络训练所用时长，结果见表5-1：表5-1每个epoch平均用时对比Table5-1comparisonofaveragetimeofeachepoch实验训练集每个epoch平均时间/s总用时/sWT-SCNNWT-SACNNWT-SCNNWT-SACNN1ro12.14251.60311071280152rl22.07131.60001035680003cf12.11021.61061055180534fwe11.99871.5908999379545eo22.15121.61131075680566nc22.05811.57091029078547fwc12.10241.6004105128002将其可视化为柱状图，如图5-3：图5-3WT-SCNN和WT-SACNN网络对典型故障训练所用时长对比图Fig.5-3comparisonofthetrainingtimeofWT-SCNNandWT-SACNNnetworksfortypicalfaults图5-3中，柱体代表网络训练总时长，其中灰色代表WT-SCNN的训练用时，黄色代表WT-SACNN的训练用时，折线代表网络每个epoch平均用时，其中蓝色代表WT-SCNN的训练用时，红色代表WT-SACNN的训练用时，从图中可直观看出对于冷水机组的7个典型故障，WT-SCNN、WT-SACNN对每个故障类型平均训练所需总时长分别为10000s和8000s,平均总用时减少了20%，说明所提算法可以减少网络训练用时，加快网络训练速度，从而提升网络特征提取效率。WT-SCNN和WT-SACNN两个模型对故障ro1的训练过程对比图如图5-4所示：图5-4模型训练误差对比Fig.5-4modeltrainingerrorcomparison根据图5-4得，在模型训练过程中，误差大幅减小阶段，WT-SACNN明显要快于WT-SCNN，如当迭代次数为200时，WT-SACNN模型的误差为0.1，而WT-SCNN模型的误差为0.3；且当训练过程误差趋于稳定时，两个模型的误差基本一致，说明WT-SACNN模型在对冷水机组故障数据进行故障诊断时，在提高特征提取效率的同时并没有降低诊断正确率。下一节还会做大量实验来验证WT-SACNN的诊断正确率。1.3实验验证和对比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。1.3.1验证WT-SACNN故障识别的鲁棒性实验及结果分析这部分共设计了6个实验用以验证算法对有标签故障数据的诊断效果以及算法对故障数据的鲁棒性，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同一类型其他等级样本准确识别，见表5-2。表5-2验证算法故障识别鲁棒性实验分组Table5-2experimentalgroupingofvalidationalgorithmforlabeleddatadiagnosiseffect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测试集各个故障经过WT-SACNN网络映射到目标空间的结果如图5-5所示，标签为8的红色聚类簇为将要识别的种类,图(a)、(b)、(c)、(d)、(e)、(f)分别对应实验1~6。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质心坐标与已知故障种类质心坐标的欧式距离，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5-3所示。（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5-5各个故障映射到目标空间的结果图Fig.5-5resultgraphofeachfaultmappingtotargetspace表5-3验证算法故障识别鲁棒性实验结果Tab5-3experimentalresultsofvalidationalgorithmfortaggeddatadiagnosis实验已知故障未知故障ro1rl2cf1fwe1eo2nc2实验结果1ro20.207923.04721————ro2rl33.409480.30132————rl3cf21.097632.135290.61037———cf4fwe21.305292.163634.072360.30351——fwe5eo33.609472.810962.103123.904970.11736—eo6nc33.107842.503814.596973.100981.083910.79985nc准确率100%结果分析：根据图5-5、表5-3可得，6个实验的分类结果全部正确，验证了改进后的WT-SACNN算法对有标签数据可以实现准确分类，且具有较高的故障诊断鲁棒性。1.3.2验证WT-SACNN自学习能力实验及结果分析这部分为了验证改进后的WT-SACNN算法在提高特征提取效率的同时，并不影响其自学习能力，因此与上一章验证WT-SCNN自学习能力所设置的实验完全一样，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5-4，并与WT-SCNN算法的诊断结果做比较分析。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5-4验证WT-SACNN自学习能力实验分组Tab.5-4validationofWT-SACNNself-learningability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WT-SACNN网络映射到目标空间的部分结果如图5-6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5-5。(a)测试集ro1_rl2+fwe2(b)测试集ro1_rl2+fwc2(c)测试集ro1_rl2+cf1(d)测试集ro1_rl2_cf1+nc1(e)测试集ro1_rl2_cf1+fwc1(f)测试集ro1_rl2_cf1_fwe1+fwc2(g)测试集ro1_rl2_cf1_fwe1+eo1(h)测试集ro1_rl2_cf1_fwc1_eo2+fwc3(k)测试集ro1-rl2-cf1-fwe1-eo2-nc2+fwc2图5-6部分故障映射到目标空间的结果Fig.5-6resultofmappingpartialfaultstotargetspace表5-5验证WT-SACNN自学习能力测试集在目标空间的距离及分类结果Tab.5-5verifythedistanceandclassificationresultsofWT-SACNNself-learningabilitytestsetintargetspace（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1cf11.503713.13241new2fwe21.019252.80832new3eo33.609472.61031new4nc43.500132.71321new5fwc23.591844.00142new(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6fwe11.091823.061524.04213new7eo13.978012.140863.00021new8nc13.501170.996814.93591rl9fwc13.790023.389171.20772new10cf31.410063.160490.49108cf (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11eo23.409572.910322.820313.61958new12nc33.441022.711244.400313.50869new13fwc23.796193.606641.183974.83015new14cf41.440233.096180.330614.00321cf15rl33.430210.396983.130762.90261rl(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16nc23.298272.689514.306623.479181.09975new17fwc33.833153.599271.262124.788894.59991new18ro30.620313.410321.397781.150533.97841ro19rl43.389140.510323.193862.940312.72603rl20cf21.201943.298830.402124.100322.77969cf(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21fwc23.802033.650131.196834.779384.390171.20361new22ro40.503243.502411.406371.102034.189963.32011ro23rl13.420210.482983.300523.009032.870002.86503rl24eo43.380333.010362.853073.708210.603811.10036eo25nc33.411122.702024.355233.5009811.044020.90001nc准确率96%结果分析：根据图5-6可得当将要识别的未参与训练的未知故障和每一类已知故障构成样本对经过WT-SACNN网络映射到目标空间时，不同类故障都会形成单独的一簇，红色标签为8的故障为将要识别故障，全部为未参与过训练的故障类型，但依旧可以独立成为一簇，区别于已知故障，例如结果图4-6（a）对应实验2，训练集为已知故障ro1_rl2这两类，将要识别的故障为fwe2，测试集ro1_rl2+fwe2经过WT-SACNN映射到目标空间形成独立的3簇，说明故障fwe2是一个新故障，然后将故障fwe2加入故障库，则故障库由原来的两类变为三类，以此类推，到实验21，已知故障变为六类，分别是ro1-rl2-cf1-fwe1-eo2-nc2，将要识别的故障为fwc2，测试集ro1-rl2-cf1-fwe1-eo2-nc2+fwc2经过WT-SACNN映射到目标空间形成独立的7簇，说明故障fwc2为新故障，将其放入故障库，则故障库由原来的两类变为七类，证明WT-SACNN算法可以对无标签数据进行正确归类，可以实现故障库自增长，具有自学习能力；由表5-5可得，25个实验除了实验8将新类故障诊断为了已知故障中的一类，其余24个全部正确，对比WT-SCNN算法实验结果，诊断正确率并没有下降，依旧为96%，因此证明改进后的WT-SACNN算法精度并没有降低。1.3.3WT