一种基于VAE的信息增强解耦网络故障诊断方法及系统

本发明属于工业故障诊断，尤其涉及一种基于vae的信息增强解耦网络故障诊断方法及系统。

背景技术：

1、现代工业系统规模日趋庞大，组成愈加复杂，一旦系统出现故障，对工业生产经济效益和操作人员生命安全造成严重威胁。此外，如果系统出现的微小故障不能被及时检测和排除，会逐渐累积并随着系统流扩散到其他部位演化成重大系统故障。因此，准确、及时、高效的故障诊断对提高现代工业生产过程的安全性和稳定性尤为重要。

2、故障诊断一般包括三个子任务：故障检测、故障隔离和故障估计。故障检测判断系统是否发生了故障。故障隔离可以快速有效地定位故障原因，大大减少故障恢复时间。故障估计可以进一步确定故障类型以及故障的大小，并在观测数据中重构故障信号。总的来说，故障检测、故障隔离和故障估计之间的关系是层层递进、息息相关的。故障检测是故障诊断的第一步，故障隔离和故障估计是后续的延伸任务。

3、在故障检测任务中，残差生成器一直被广泛应用。残差信号生成方法可以分为基于模型的方法、基于浅层学习的方法和基于深度学习的方法。基于模型的方法需要事先建立所研究系统的精确数学模型或物理模型，但这要求在如今庞大且复杂的工业流程中通常难以满足。同时，在设计故障检测方案时需要应用大量的专家经验，因此，该方法在实际应用中存在难以克服的缺陷，受到极大的束缚；基于浅层学习的方法是通过将数据投影到特定的低维潜变量空间中来提取压缩特征，所提取的特征具有明确的数学物理意义。但依然难以处理大规模的数据，难以拟合复杂系统行为；基于深度学习的残差生成方法具有复杂的多层非线性结构，可以拟合足够复杂的过程系统模型，具有提取复杂非线性动态特征、自由识别系统参数等优点，变分自编码器就是其中一个典型代表，并在工业故障诊断领域备受关注。

4、检测到系统故障之后需要进一步实现故障隔离。现有的故障隔离方法主要基于模型解耦和贡献评价两种思路。基于模型的故障隔离方法通常是构造解耦传递矩阵，在结构上将不同类型的故障对残差信号的影响分离开；基于贡献评价的方法是通过分析各输入量对生成统计量的贡献实现故障隔离。虽然已经提出了一些故障隔离的方法，但是缺乏基于深度网络的故障解耦结构。由于深度网络的复杂多层非线性结构，且具有不透明和难解释的特点，在实施故障隔离任务时面临巨大的挑战，尽管基于可解释人工智能的归因方法在故障隔离任务中取得一些成功，但容易受到“涂抹效应”的影响，无法分析残差对测试统计量的贡献。因此，将解耦思想应用到深度学习的故障隔离方法中可以解决上述困境。

5、故障估计是故障诊断任务的最终目的。故障隔离之后变量之间不会干扰彼此的故障信号估计，可以为其提供正确的方向，有助于减少重构噪声，提升故障估计的准确性。当前最为常见的依然是基于模型的故障估计方法(如滑模观测器)，这类方法对于具备解耦能力的故障估计器研究较少，导致故障估计的精度难以保障。此外，基于深度网络的方法用于复杂非线性系统的故障估计依然是十分匮乏的。

6、通过上述分析，现有技术存在的问题及缺陷为：在故障检测方面，基于模型的故障检测方法在如今庞大且复杂的工业流程中通常难以建立精确的数学物理模型，无法满足实际需求；基于浅层学习的故障检测方法处理大规模数据的能力较弱，难以拟合复杂系统行为。在故障隔离方面，缺乏基于深度网络的故障解耦结构，且现有的故障隔离方法容易受到“涂抹效应”的影响，无法分析残差对测试统计量的贡献。在故障估计方面，对于具备解耦能力的故障估计研究较少导致故障估计精度难以保障。

技术实现思路

1、针对现有技术存在的问题，本发明提供了一种基于vae的信息增强解耦网络故障诊断方法及系统。

2、本发明是这样实现的，一种基于vae的信息增强解耦网络故障诊断方法，基于vae的信息增强解耦网络故障诊断方法包括：

3、s1：将正常状态的数据x输入iedn-vae，得到输出实现对输入的解耦重构；

4、s2：构建一个与输入、输出观测值相关的残差生成器r；

5、s3：对残差信号采用t2统计量将其转化成标量信号，并确定正常样本的阈值jth；

6、s4：计算在线样本残差信号的t2检验统计量，判断在线样本的状态，完成故障检测任务；

7、s5：将残差信号进一步用于定位输入样本中引起故障的原因变量，完成故障隔离任务；

8、s6：根据故障隔离的结果，构建一个基于梯度下降策略的故障估计器完成故障估计任务。

9、进一步，s1中信息增强解耦网络包括：

10、s101，输入数据：输入记为x，x＝(x1,…,xm)；其中，m表示采集输入数据的传感器个数；离线过程的输入数据均处于正常状态，即

11、

12、

13、其中，表示整个观测空间，和分别表示维度为m的正常域空间和故障域空间；

14、将x进行对角化处理：

15、diag{x}＝[χ1,…,χm]t＝x；

16、每一个矩阵行向量作为一个新的样本，的第k个元素满足：

17、

18、s102，前映射ppre：xpre＝xγ＝[χ1,…,χm]tγ。其中，γ是一个循环矩阵，可以保证xpre对每个变量都是公平的；

19、循环矩阵可由其第一行确定，如第一行为[1,2,3,4]的循环矩阵可以构造如下

20、

21、选择循环矩阵即：xpre＝[χ1,…,χm]tγpre；

22、其中，1<n<m，n的取值过小会影响xpre对输入x有效信息的继承能力，n的取值过大则会对模型的泛化能力产生消极影响；

23、s103，vae重构：vae网络属于典型的无监督神经网络，其内部包括编码器和解码器两部分，均由全连接层构成；任意相邻两层(l-1,l)之间可以写成：

24、x(l)＝σ(l)(w(l-1,l)x(l-1)+b(l))；

25、其中，x(l-1)和x(l)分别表示第l-1层和第l层的值，w表示权重系数，b表示偏置，σ表示激活函数；

26、xpre作为vae的输入，得到的输出记为

27、

28、表示vae网络的映射函数，θvae表示网络参数；

29、s104，后映射ppost：

30、和γik分别表示和γ第i行第k列的元素，级联前面定义的函数映射，整个idn描述如下：

31、

32、其中，即为输入数据x的解耦重构；

33、s105，训练iedn-vae的过程包括内部损失lin和外部损失lout两个部分。lin表示内部vae的重构损失，lout表示iedn-vae的解耦重构损失：

34、

35、

36、在利用正常数据样本进行充分的训练之后，lin和lout会满足：

37、

38、进一步，s2中残差生成器的构建方法包括：

39、

40、其中，表示iedn-vae训练后的最优模型参数；

41、残差生成器r的作用在于量化iedn-vae的重构偏差，此时r是一个偏差向量：

42、

43、进一步，s3中确定正常样本阈值jth的方法包括：

44、首先，采用霍特林统计量(t2)将s2生成残差信号转换成一个标量：

45、

46、

47、其中，rn(t)表示采样的第t个正常样本残差信号，n表示离线过程的训练样本量；

48、正常样本t2的随机性可以用阈值来描述，利用核密度估计方法确定的值；在核密度估计方法中，处的概率密度表示如下：

49、

50、

51、其中，k(·)表示核函数，ρ表示对有显著影响的带宽，ρ中mt2＝1。处的累积密度函数计算如下：

52、

53、上式描述不超过具体边界(阈值)的置信水平，δ表示置信水平，通常取值为99.5％。

54、进一步，s4中判断在线样本状态的方法包括：

55、离线训练完成之后，学到的值将被用作在线过程中的逻辑决策条件以确定系统是否处于正常状态，在设定置信水平后，可由上式的逆函数计算得到；

56、在线过程中，iedn-vae的输入样本状态未知，需先计算未知状态样本残差信号的检验统计量t2(r)；在设定置信水平后，通过以下规则来确定在线样本的状态：

57、

58、进一步，s5中将残差信号进一步应用于故障隔离任务的方法包括：

59、根据s1所述，iedn-vae的输出只与输入xi有关，与其他输入变量无关，因此将s2定义的残差生成器进一步应用到故障隔离任务时：

60、

61、其中，表示引起故障的原因变量，表示rf的第i个变量，表示的第i个对角线元素；i是一个m×m的单位矩阵。

62、进一步，s6中完成故障估计任务的方法包括：

63、离线过程对故障检测模型进行了良好的训练，已经充分学习到正常状态样本的知识；由于故障估计的任务就是重构添加到正常样本xn中的故障信号f，且xf是可以观测的，则准确重构出故障信号添加前的正常样本(记为)对估计f的值尤为重要；因此，设计了一个合理重构的损失函数：

64、

65、将s1得到的iedn-vae参数固定不变，通过优化输入样本最小化根据链式法则，在第k次更新输入时，对输入的梯度表示为：

66、

67、其中：

68、

69、第k+1次的输入样本为

70、

71、输入样本进行不断迭代，直到停止，此时的输入样本已经属于正常状态，可以将得到的输入样本当作时原始故障输入样本xf对应的正常样本

72、最后，可以计算出添加到正常样本xn中的故障信号f：

73、

74、此时：

75、

76、本发明的另一目的在于提供一种应用所述的基于vae的信息增强解耦网络故障诊断方法的基于vae的信息增强解耦网络故障诊断系统，基于vae的信息增强解耦网络故障诊断系统包括：

77、重构模块：用于将正常状态的数据x输入iedn-vae，得到输出实现对输入的解耦重构；

78、残差生成器构建模块：用于构建一个与输入、输出观测值相关的残差生成器r；

79、阈值确定模块：对残差信号采用t2统计量将其转化成标量信号，并确定正常样本的阈值jth；

80、故障检测模块：用于计算在线样本残差信号的t2检验统计量，判断在线样本的状态，完成故障检测任务；

81、故障隔离模块：用于将残差信号进一步用于定位输入样本中引起故障的原因变量，完成故障隔离任务；

82、故障估计模块：用于根据故障隔离的结果，构建一个基于梯度下降策略的故障估计器完成故障估计任务。

83、本发明的另一目的在于提供一种计算机设备，计算机设备包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行所述的基于vae的信息增强解耦网络故障诊断方法的步骤。

84、本发明的另一目的在于提供一种信息数据处理终端，信息数据处理终端用于实现所述的基于vae的信息增强解耦网络故障诊断系统。

85、结合上述的技术方案和解决的技术问题，本发明所要保护的技术方案所具备的优点及积极效果为：

86、第一，本发明提供的一种基于vae的故障诊断方法是一种基于数据驱动的智能方法，通过重构偏差设计一个观测器模拟系统在正常状态下的行为，一旦系统出现故障信号，观测器会对不可容忍的重构偏差敏感；而解耦的设计可以帮助我们找到重构向量中发生不可容忍偏差行为的特定位置，即实现故障信号的隔离；再通过固定深度网络的参数，利用梯度下降算法对输入样本进行迭代更新最小化重构偏差值，最终找到测试的故障样本在正常域的对应值，计算故障信号的估计值。总结起来，基于vae的解耦网络在进行故障检测的同时可以将各故障变量的影响区分开以实现故障隔离，再通过更新故障输入样本找到其对应的正常域的值实现故障估计。

87、第二，本发明提供的一种基于vae的故障诊断方法，针对故障隔离任务提出了一种新的前映射和后映射方式，可以帮助构建一个基于深度网络的故障解耦结构，更好地实现输入数据的解耦重构。

88、本发明提供的一种基于vae的故障诊断方法，针对故障估计任务提出了一种可解释的故障估计方法，通过将训练完毕的深度网络参数固定住，计算重构损失与输入样本的梯度，根据链式法则，反向传播对输入进行更新，将处于故障域的样本数据拉回到正常域，最终比较初始故障样本和正常域样本计算出故障的估计值。

89、第三，本发明的技术方案是否克服了技术偏见：故障诊断技术通过对系统故障的检测、隔离及辨识实现对故障信号有无的监测、根源的定位及大小的重构。深度学习由于多层非线性结构使其具有模拟复杂过程特性的能力，在被用于故障诊断任务时能够大大提升了诊断效果。但是，深度网络的多层非线性结构普遍被视为一个“黑箱模型”，它不能为其输出或决策过程提供相应的证据和支撑，因此人们对其输出结果持有怀疑态度，认为深度网络的结果缺乏可解释性。本发明中，通过充分利用深度网络模型所学习到的系统正常域知识，基于梯度下降算法更新输入故障样本，将故障域样本迁移回正常域。利用该方法找到的输入可以让训练好的深度网络实现最好的重构性能，最终的输入有理由认为是故障样本在正常域的原型，可以解释深度网络在学习过程中提取的特定知识的原型，增强对多层非线性结构学习表示的理解，因此该方法可利于提升深度学习的透明性，对深度网络的学习表示具有可解释性，可以帮助人们理解深度网络的决策行为和预测结果，进而促进其更加安全地使用。

90、第四，这种基于vae的信息增强解耦网络(iedn-vae)故障诊断方法涉及到多个步骤，每个步骤都有其独特的技术进步。

91、s1：解耦重构：通过使用iedn-vae模型，该方法能够实现对正常状态数据的解耦重构。这是一个显著的技术进步，因为它使我们能够从复杂的数据中提取有价值的信息，从而更好地理解系统的正常运行状态。

92、s2：残差生成器：这种方法通过构建一个与输入、输出观测值相关的残差生成器，可以精确地识别出系统的异常行为。这是一个重要的技术进步，因为它提供了一种有效的方式来监测系统的健康状态。

93、s3：阈值确定：通过对残差信号采用统计量将其转化成标量信号，并确定正常样本的阈值，这是一个显著的技术进步，因为它为系统提供了一种可靠的判断标准，从而有效地识别出故障。

94、s4：故障检测：计算在线样本残差信号的检验统计量，判断在线样本的状态，完成故障检测任务。这是一个重要的技术进步，因为它使得故障检测可以在实时或接近实时的条件下进行，从而尽早发现并处理故障。

95、s5：故障隔离：将残差信号进一步用于定位输入样本中引起故障的原因变量，完成故障隔离任务。这是一个显著的技术进步，因为它提供了一种系统化的方法来确定故障的来源，从而有针对性地进行维修。

96、s6：故障估计：根据故障隔离的结果，构建一个基于梯度下降策略的故障估计器完成故障估计任务。这是一个重要的技术进步，因为它提供了一种有效的方法来估计故障的影响程度，从而制定出更有效的维修策略。