CN119494034A 一种基于瓶颈状态观测器与分布优化的故障诊断方法 （湖南工商大学）

一种基于瓶颈状态观测器与分布优化的故本申请涉及一种基于瓶颈状态观测器与分算T22算所述当前时刻开始的输出数据与真实输出数通过滑窗采样待诊断数据中若干个历史连续时刻的待诊将系统当前时刻的状态数据以及当前时刻待诊断数据样本中的输入数据经过训练好2.根据权利要求1所述的基于瓶颈状态观测器与分布优化的故障诊断方法，其特征在窗口下的状态数据；将当前窗口下的状态数据以及当前窗口下第q个正常数据样本的输入数据经过瓶颈状态观测器中的第二个全连接神经网络，得到当前窗口下的第q个正常数据正常数据样本的预测输出数据与真实输出数据之间33.根据权利要求2所述的基于瓶颈状态观测器与分布优化的故障诊断方法，其特征在;; 中前q_1个连续时刻的正常数据样本的输入数据；刻的正常数据样本的真实输出数据；ua表示第w次滑窗中第q个正常数据4.根据权利要求2所述的基于瓶颈状态观测器与分布优化的故障诊断方法，其特征在样本的输入数据、真实输出数据经过训练好的瓶颈状态观测器中的第一个全连接神经网;状态数据；表示向右映射的方向；表示第t_q+1时刻的待诊断数据样本的输入数示第t_q+2时刻的待诊断数据样本的真实输出数据；表示第t_1时刻的待诊断数据样本步骤2.2：将第t时刻的状态数据以及第t时刻的待诊断数据样本的输入数据经过训练4;;5.根据权利要求1所述的基于瓶颈状态观测器与分布优化的故障诊断方法，其特征在;;;表示第t时刻开始三水箱系统的预测输出数据；y:o表示第t时刻三水箱系统的真实输tp表示未来方向的时间范围；表示第t+1时刻三水箱系统的真实输出数示第t+tp-1时刻三水箱系统的预测输出数据。6.根据权利要求3所述的基于瓶颈状态观测器与分布优化的故障诊断方法，其特征在7.根据权利要求6所述的基于瓶颈状态观测器与分布优化的故障诊断方法，其特征在5在非线性独立分量估计模型的训练过程中，为最大化第二;8.根据权利要求1所述的基于瓶颈状态观测器与分布优化的故障诊断方法，其特征在2统计量阈值的过程为：将由第w个窗口开始各窗口中第q个正常数据样本计算出的第二残差经过非线性独立;9.根据权利要求8所述的基于瓶颈状态观测器与分布优化的故障诊断方法，其特征在t时刻的残差经非线性独立分量估计模型映射的数据；hy表示第t+tp-1时刻的残差经;;6第t+k_1时刻的残差经非线性独立分量估7在当前窗口下的状态数据；将当前窗口下的状态数据以及当前窗口下第q个正常数据样本的输入数据经过瓶颈状态观测器中的第二个全连接神经网络，得到当前窗口下的第q个正8q个正常数据样本的预测输出数据与真实输出数据之间的第二残差；;时刻的正常数据样本的真实输出数据；ua表示第w次滑窗中第q个正常数据样本的输入数;t时刻前q_1个连续时刻的待诊断数据样本的真实输出数据；表示三水箱系统第t时刻的9状态数据；表示向右映射的方向；表示第t_q+1时刻的待诊断数据样本的输入数示第t_q+2时刻的待诊断数据样本的真实输出数据；表示第t_1时刻的待诊断数据样本步骤2.2：将第t时刻的状态数据以及第t时刻的待诊断数据样本的输入数据经过;其中，uzo表示第t时刻的待诊断数据样本的输入数据；y':o表示三水箱系统第t;示第t+tp-1时刻三水箱系统的预测输出数据。由多个加性耦合层堆叠形成，用于将当前时刻开始的残差的复杂分布转换为近似正态分最小化第二残差经映射变换后的潜在表示中的二范数训练所述非线性独立分量估计模型，使其学习到从复杂分布到近似正态分布的映射;其中，表示第二残差的对数似然；f(J)表示第二残差经映射变换后的潜在表示；表示潜在变量服从近似正态分布的对数概率；f()表示从复杂分布到近似正态分布的映射规则；表示由第w个窗口开始各窗口中第q将由第w个窗口开始各窗口中第q个正常数据样本计算出的第二残差经过非线性;表示第t时刻的残差经非线性独立分量估计模型映射的数据；hy表示第t+tg-1;;;表示第t+k_1时刻的残差经非线性独立分量估计模型[0016]图1为本申请实施例中基于瓶颈状态观测器与分布优化的故障诊断方法的流程[0024]如图1所示，本实施例提供了一种基于瓶颈状态观测器与分布优化的故障诊断方H2基于该模型的可观测性理论，瓶颈状态观测器的状态表示可以直接对应于物理系统的状TTS系统的正常数据中的输入数据表示为输出数据表示为：在当前窗口下的状态数据；将当前窗口下的状态数据以及当前窗口下第q个正常数据样本的输入数据经过瓶颈状态观测器中的第二个全连接神经网络，得到当前窗口下的第q个正正常数据样本的预测输出数据与真实输出数据之间;;时刻的正常数据样本的真实输出数据；ua表示第w次滑窗中第q个正常数据样本的输入数;t时刻前q_1个连续时刻的待诊断数据样本的真实输出数据；表示三水箱系统第t时刻的状态数据；表示向右映射的方向；表示第t_q+1时刻的待诊断数据样本的输入数示第t_q+2时刻的待诊断数据样本的真实输出数据；表示第t_1时刻的待诊断数据样本步骤2.2：将第t时刻的状态数据以及第t时刻的待诊断数据样本的输入数据经过;其中，uzo表示第t时刻的待诊断数据样本的输入数据；y':o表示三水箱系统第t;示第t+tp-1时刻三水箱系统的预测输出数据。;;;logp(f(x))是近似正态分布的对数概率，是雅可比行的计算成本计算雅可比行列式，所述非线性独立分量估计模型由多个加性耦合层堆叠形z1;;;;;;;1)是基于z1计算的加性变换函数；表示第2个加性耦合层是基于计算的加性变换函数；表示第3个加性耦合层中数据空间的第1个数据样;其中，表示第二残差的对数似然；f(J)表示第二残差经映射变换后的潜在表示；表示潜在变量服从近似正态分布的对数概率；f()表示从复杂分布到近似正态分布的映射规则；表示由第w个窗口开始各窗口中第q;将第由第w个窗口开始各窗口中第q个正常数据样本计算出的第二残差经过非线性独立分量估计模型转换为近似正态分布的;t+tp-1时刻的残差经非线性独立分量估计模型映射的数据；tp表示未来方向的时间范;;表示第t+k_1时刻的残差经非线性独立分量估计模型;;了现有技术中深度网络残差统计量分布复杂，对其进行统计压缩时易造成价值信息丢失，[004