CN115236272A - 多工况条件下的气体传感器故障诊断方法、装置及存储介质 - Google Patents
多工况条件下的气体传感器故障诊断方法、装置及存储介质 Download PDFInfo
- Publication number
- CN115236272A CN115236272A CN202210640996.7A CN202210640996A CN115236272A CN 115236272 A CN115236272 A CN 115236272A CN 202210640996 A CN202210640996 A CN 202210640996A CN 115236272 A CN115236272 A CN 115236272A
- Authority
- CN
- China
- Prior art keywords
- fault
- sensor
- gas sensor
- fault diagnosis
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/007—Arrangements to check the analyser
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Combustion & Propulsion (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明公开了多工况条件下的气体传感器故障诊断方法、装置及存储介质,利用该方法可以实现多工况条件下的气体传感器故障诊断。涉及气体传感器故障诊断技术领域。针对稳态、非稳态以及故障数据样本不均衡三种不同工况条件,采用多方法联合故障诊断。在样本充足的稳态工况条件下采用改进的卷积神经网络算法进行故障诊断;在非稳态工况条件下,采用基于卷积神经网络跨域分布算法进行故障诊断;在故障数据样本不均衡工况条件下,对于某类小样本故障数据通过深度卷积生成对抗网络算法进行人工数据生成,生成合成故障数据样本。本发明有效提升了多工况条件下气体传感器故障诊断的准确率,并且可视化了传感器故障数据在每个卷积层的特征信息。
Description
技术领域
本发明涉及气体传感器故障诊断技术领域,更具体地说,涉及多工况条件下气体传感器的故障诊断方法、装置及存储介质。
背景技术
气体传感器是一种将气体浓度转化成对应电信号的转换器,其在气体安全检测领域有着广泛的应用。在现实生活中,我们经常会遇到人类工作在危险气体的环境中,例如井下采矿可能会遇到甲烷气体等,在这种情况下利用气体传感器可以有效监测气体浓度,遇到危险及时报警,保障人类安全。同时在冶金、城市燃气、汽车动力、航空动力等领域都有广泛应用。而气体传感器经常受到震动、中毒等影响而发生故障,而且某些故障数据采集困难,数据获取有限,及时准确对气体传感器故障进行诊断具有重要意义。
目前,大部分气体传感器故障诊断方法是在稳态工况下利用传统的机器学习算法实现的,稳态工况下传统的人工智能故障诊断方法存在诊断精度不高、特征提取与模式识别相分离等问题。更重要的是,气体传感器在实际使用过程中工况条件复杂,除了稳态条件的工况,还会遇到非稳态和数据样本不均衡等工况条件,非稳态条件下故障信号数据有限,严重影响故障诊断精度;样本不均衡条件下,由于某类样本数据有限使得故障信号数据样本不均衡从而影响故障诊断精度。
因此,亟需一种能够在多工况条件下对气体传感器的故障进行高精度诊断的解决方案。
发明内容
有鉴于此,本发明提供多工况条件下气体传感器故障诊断方法、装置及存储介质,有效提升气体传感器的故障诊断准确率,保证人类井下工作安全及其他领域的工作安全和生命安全。
为了实现上述目的,现提出的方案如下:
一方面,本发明提供了一种多工况条件下气体传感器故障诊断方法,所述方法包括:
获取气体传感器故障数据集;所述气体传感器故障数据集中包括:一维传感器故障信号数据;
所述工况包括故障信号数据充足的稳定工况、故障信号数据有限的非稳态工况和某类故障信号数据有限的样本不均衡工况;
当所述气体传感器为稳态工况时,构建基于卷积神经网络的第一传感器故障诊断模型,利用所述气体传感器故障数据集训练所述第一传感器故障诊断模型;利用训练好的第一传感器故障诊断模型进行传感器故障诊断;所述第一传感器故障诊断模型以故障信号数据为输入,以传感器故障类型为输出;
当所述气体传感器为非稳态工况时,将稳态工况下训练好的第一传感器故障模型进行模型迁移,得到第二传感器故障诊断模型,利用所述第二传感器故障诊断模型进行故障诊断;所述第二传感器故障诊断模型以故障信号数据为输入,以传感器故障类型为输出;
当所述气体传感器为样本不均衡工况时,构建并训练卷积生成对抗网络,利用所述卷积生成对抗网络进行仿真故障样本合成;将生成的仿真故障样本与真实故障样本结合形成均衡的故障信号数据样本,通过训练好的第一传感器故障诊断模型进行故障诊断。
进一步地,在进行传感器故障诊断之前,还包括:将所述一维传感器故障信号数据转换为二维灰度图片。
进一步地,将所述一维传感器故障信号数据转换为二维灰度图片,包括:
将所述一维传感器故障信号数据进行数据归一化,使得各种类型的数据按照比例转为0到1之间;
通过Matlab软件,将归一化后的数据转换为二维灰度图。
进一步地,基于卷积神经网络的第一传感器故障诊断模型包括:在卷积神经网络增加dropout和零填充。
进一步地,基于卷积神经网络的第一传感器故障诊断模型包括:增加卷积层数。
进一步地,所述气体传感器采集的气体为氢气。
进一步地,还包括:对通过卷积神经网络各层的故障数据进行特征可视化分析。
又一方面,本发明还提供了一种多工况条件下气体传感器故障诊断装置,所述装置包括:
数据获取单元,用于获取气体传感器故障数据集;所述气体传感器故障数据集中包括:一维传感器故障信号数据;
所述工况包括故障信号数据充足的稳定工况、故障信号数据有限的非稳态工况和故障信号数据不均衡的样本不均衡工况;
数据转换单元,用于将所述一维传感器故障信号数据转换为二维灰度图片;
第一诊断单元,用于当所述气体传感器为稳态工况时,构建基于改进的卷积神经网络的第一传感器故障诊断模型,利用所述气体传感器故障数据集训练所述第一传感器故障诊断模型;利用训练好的第一传感器故障诊断模型进行传感器故障诊断;所述第一传感器故障诊断模型以二维灰度图片为输入,以传感器故障类型为输出;
第二诊断单元,用于当所述气体传感器为非稳态工况时,将稳态工况下训练好的第一传感器故障模型进行模型迁移,得到第二传感器故障诊断模型,利用所述第二传感器故障诊断模型进行故障诊断;
第三诊断单元,用于当所述气体传感器为样本不均衡工况时,构建并训练卷积生成对抗网络,利用所述卷积生成对抗网络进行仿真故障样本合成;将生成的仿真故障样本与真实故障样本结合形成均衡的故障信号数据样本,通过训练好的第一传感器故障诊断模型进行故障诊断。
又一方面,本发明还提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机指令集,计算机指令集被处理器执行时实现上述多工况条件下气体传感器故障诊断方法。
从上述的技术方案可以看出,本发明提出了多工况条件下的气体传感器故障诊断方法,针对稳态工况、非稳态工况以及样本不均衡工况条件下故障数据样本特点,提出了与故障数据样本特点相适应的故障诊断方法,可以有效提升故障诊断的准确率。对于井下采矿、冶金、城市燃气、汽车动力、航空动力等领域的有效应用具有重要意义。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中多工况条件下的气体传感器故障诊断方法的流程图;
图2为本发明实施例中气体检测实验***的处理器单片机最小***原理图;
图3为本发明实施例中气体检测实验***A/D接口电路图转换原理图;
图4为本发明实施例中将所述一维传感器故障信号数据转换为二维灰度图片的流程图;
图5为本发明实施例中气体传感器故障诊断模型的网络结构示意图;
图6为本发明实施例中通过深度卷积生成对抗网络生成的加热丝虚焊故障仿真数据二维灰度图与真实的加热丝虚焊故障真实数据灰度图的对比图;
图7为本发明实施例中二维灰度图片采用基于信号特征边界分布的区域生长跟踪算法对样本生成质量进行评估。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
如图1所示,其示出了本发明实施例中多工况条件下的气体传感器故障诊断方法的流程图,该方法包括以下步骤:
S1、获取气体传感器故障数据集;所述气体传感器故障数据集中包括:一维传感器故障信号数据;
在具体实施中,采用气体传感器故障数据获取装置获取气体传感器故障数据,气体传感器故障数据获取装置主要包括气体传感器阵列板以及传感器电路控制板,通过此装置可以获取传感器故障信号数据。气体传感器阵列板是传感器故障信号数据获取的前端装置,通过此装置可以获取用于实验验证的故障信号数据,本发明中采用6个传感器阵列进行数据获取。传感器电路控制板是对气体传感器阵列板进行控制的装置,包括信号数据转换、供电以及开关等。采用外扩ADC芯片进行模拟电压的转化,ADC芯片采用的是AD7656芯片,该芯片具有6个独立的ADC通达,输入电压范围可达±10V,吞吐速率250KSPS,采用并行或SPI接口,具有片内基准电源。该装置可以根据需求更换传感器种类,同时可以根据实验要求模拟稳态和非稳态工况。最后通过所研制的实验***获取气体传感器的故障信号数据样本。其中,图2为气体检测实验***的处理器单片机最小***原理图,图3为气体检测实验***A/D接口电路图转换原理图,本发明采用的并行接口。
S2、根据所述气体传感器故障数据集中故障信号数据的数据量确定所述气体传感器的工况;所述工况包括故障信号数据充足的稳态工况(如,每种故障信号训练样本的数量大于等于500条)、故障信号数据有限的非稳态工况(如,每种故障信号训练样本的数量小于等于30条)和加热丝虚焊故障数据有限的样本不均衡工况(如,一些故障信号训练样本的数量大于等于500条,另一些故障信号训练样本的数量小于等于30条);
本发明实施例中,在稳态和非稳态条件下分别获取了一种正常传感器信号和5种故障信号。传感器故障包括:敏感提脱落、敏感体老化、加热丝老化、敏感体虚焊、加热丝断开。每个故障数据训练样本和测试样本如表1和表2所示。随着实验的深入进行,发现在稳态条件下还会偶尔遇到加热丝虚焊的情况,因此后续有对加热丝虚焊故障信号进行采集,由于受到实验条件限制,信号数据采集有限,形成了样本不均衡现象,如表3所示。
表1
表2
表3
S3、将所述一维传感器故障信号数据转换为二维灰度图片;
具体实施中,如图4为一维故障信号数据转换为二维灰度图像的过程,可以首先将所述一维传感器故障信号数据进行数据归一化,使得各种类型的数据按照比例转为0到1之间;然后通过Matlab软件,将归一化后的数据转换为二维灰度图。通过该方式将一维传感器故障信号数据无信息损失的转换为二维灰度图,为后续传感器故障诊断能够准确进行提供有效的数据预处理,由于卷积神经网络对图片的超强处理能力,相比直接采用原始故障信号数据进行故障诊断,不仅提高了准确率还减少了训练样本。
S4、根据确定出的气体传感器的工况进行气体传感器故障诊断;
当所述气体传感器为稳态工况时,构建基于改进的卷积神经网络的第一传感器故障诊断模型,利用所述气体传感器故障数据集训练所述第一传感器故障诊断模型;利用训练好的第一传感器故障诊断模型进行传感器故障诊断;所述第一传感器故障诊断模型以二维灰度图片为输入,以传感器故障类型为输出。
具体实施中,气体传感器故障诊断模型基于改进的卷积神经网络算法,具体结构如图5所示,气体传感器故障诊断模型的网络结构由第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层、第三最大池化层、第一全连接层、第二全连接层和分类器连接而成;分别在第一卷积层、第二卷积层和第三卷积层增加零填充,分别在第一最大池化层、第二最大池化层和第三最大池化层增加零填充和dropout。通过增加dropout和零填充,优化了卷积神经网络的结构,通过增加卷积层增加了特征提取的精确度。与其他传统的机器学习故障诊断算法进行了比较,验证算法的有效性。
当所述气体传感器为非稳态工况时,将稳态工况下训练好的第一传感器故障模型进行模型迁移,得到第二传感器故障诊断模型,利用所述第二传感器故障诊断模型进行故障诊断;
具体实施中,采用一种卷积神经网络跨域分布算法,该算法采用知识迁移机制,利用卷积神经网络对稳态工况条件下故障信号数据进行训练学习,将训练好的卷积神经网络进行迁移,迁移至非稳态工况条件下进行故障诊断,有效提升了故障诊断的准确率。同时为了避免负迁移的发生,进行了迁移预判,具体过程包括,采用最大均值差异算法对稳态和非稳态条件下的故障信号进行相似度比对,如其阈值大于边界阈值的时候就不对此类故障进行迁移学习,避免形成负迁移。与其他传统的机器学习故障诊断算法进行了比较,验证算法的有效性。
当所述气体传感器为样本不均衡工况时,构建并训练卷积生成对抗网络,利用所述卷积生成对抗网络进行仿真故障样本合成;将生成的仿真故障样本与真实故障样本结合形成均衡的故障信号数据样本,通过训练好的第一传感器故障诊断模型进行故障诊断。
其中,在传感器故障信号采集过程中,偶尔会遇到加热丝虚焊的情况,但由于实验条件、人力、物力限制仅能获取有限的故障数据样本,形成样本不均衡情况。在样本不均衡工况下,对于某类小样本故障数据通过深度卷积生成对抗网络进行人工数据生成,生成合成故障数据样本(如图6所示,其示出了通过深度卷积生成对抗网络生成的加热丝虚焊故障仿真数据二维灰度图与真实的加热丝虚焊故障真实数据灰度图的对比图)。同时采用基于信号特征边界分布的区域生长跟踪算法对生成的合成样本进行质量评估,确定生成最大均值差异阈值,对生成器增加阈值约束条件,提高了数据样本生成质量。信号特征边界分布的区域生长跟踪算法工作原理为对故障信号灰度图中某一点设定为种子点,然后将符合其特点的周边像素进行迭代扩充,形成共同区域,如果遇到不符合信号特征的区域将停止生长,然后再次随机选择某一生长点再次迭代扩充,实现图像分割的目的(如图7所示,其示出了通过信号特征边界分布的区域生长跟踪算法对二维故障信号图片进行特征跟踪)。
其中,卷积生成对抗网络具体采用的是深度卷积生成对抗网络,深度卷积生成对抗网络模型(CGAN,Deep Convolutional Generative Adversarial Networks)包括生成器和鉴别器;生成器的目的是生成假的图像使鉴别网络无法鉴别真假,鉴别器的目的是努力分辨真假图像,练就火眼金睛,最终直到鉴别器分辨不出生成器生成的以假乱真的图像为止。在训练DCGAN时需要分别对生成器和鉴别器进行训练,同时对生成器增加最大均值差异阈值限制,对生成的信号和原始信号相似度进行比对,并且设定阀值,只有符合阀值要求的才可使用。将采用生成对抗网络算法生成故障数据的诊断结果与原始数据利用卷积神经网络算法的故障诊断结果做对比,验证方法的有效性。
在另一实施例中,还包括步骤:在诊断的过程中对于传感器故障数据在卷积神经网络的各层的核函数及特征映射进行可视化分析,将黑盒的工作模式转换为可视化的工作模式,便于科研人员及时了解特征映射在各个层中的变化。
本发明实施例中的不同工况条件下气体传感器故障诊断方法,在稳态工况下,提出了一种基于改进的卷积神经网络(CNN)算法进行故障诊断,对CNN通过增加dropout和零填充两种方法优化了神经网络结构,将一维故障信号数据转换为二维灰度图像,提升了CNN的诊断效果,同时并对CNN的各层数据进行了可视化特征分析,对于科研人员来讲,了解故障数据在CNN各层的变化情况具有非常重要的现实意义。非稳态工况下,故障信号数据获取有限,针对于此问题提出了一种基于卷积神经网络跨域分布算法,该方法将稳态条件下训练好的改进的CNN进行迁移,将迁移后的CNN在非稳态条件进行从新训练和诊断,有效提升故障诊断的准确率。样本不均衡工况下,利用卷积生成对抗网络生成人工合成故障信号数据样本,采用基于信号特征边界分布的区域生长跟踪算法对合成的信号进行特征分布分析,确定最大均值差异阈值,同时对卷积生成对抗网络的生成器进行约束性限制,提升了人工合成故障信号数据样本的生成质量,最后将合成后的均衡的故障信号数据样本放入CNN进行故障诊断,提升故障诊断的准确率。通过采用改进的CNN、CNN跨域分布及深度生成对抗网络算法可以使得气体传感器在不同的工况条件下都可以有效提升故障诊断的准确率。
对应上述实施例中的一种多工况条件下气体传感器故障诊断方法,本发明还提供了一种多工况条件下气体传感器故障诊断装置,所述装置包括:
数据获取单元,用于获取气体传感器故障数据集;所述气体传感器故障数据集中包括:一维传感器故障信号数据;
工况确定单元,所述工况包括故障信号数据充足的稳定工况、故障信号数据有限的非稳态工况和故障信号数据不均衡的样本不均衡工况;
数据转换单元,用于将所述一维传感器故障信号数据转换为二维灰度图片;
第一诊断单元,用于当所述气体传感器为稳态工况时,构建基于改进的卷积神经网络的第一传感器故障诊断模型,利用所述气体传感器故障数据集训练所述第一传感器故障诊断模型;利用训练好的第一传感器故障诊断模型进行传感器故障诊断;所述第一传感器故障诊断模型以二维灰度图片为输入,以传感器故障类型为输出;
第二诊断单元,用于当所述气体传感器为非稳态工况时,将稳态工况下训练好的第一传感器故障模型进行模型迁移,得到第二传感器故障诊断模型,利用所述第二传感器故障诊断模型进行故障诊断;
第三诊断单元,用于当所述气体传感器为样本不均衡工况时,构建并训练卷积生成对抗网络,利用所述卷积生成对抗网络进行仿真故障样本合成;将生成的仿真故障样本与真实故障样本结合形成均衡的故障信号数据样本,通过训练好的第一传感器故障诊断模型进行故障诊断。
对于本发明实施例的一种多工况条件下气体传感器故障诊断装置而言,由于其与上面实施例中的一种多工况条件下气体传感器故障诊断方法相对应,所以描述的比较简单,相关相似之处请参见上面实施例中一种多工况条件下气体传感器故障诊断方法部分的说明即可,此处不再详述。
本发明实施例还公开了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机指令集,计算机指令集被处理器执行时实现如上文任一实施例所提供的一种多工况条件下气体传感器故障诊断方法。
在本发明所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (9)
1.一种多工况条件下气体传感器故障诊断方法,其特征在于,所述方法包括:
获取气体传感器故障数据集;所述气体传感器故障数据集中包括:一维传感器故障信号数据;
根据所述气体传感器故障数据集中故障信号数据的数据量及工作环境条件确定所述气体传感器的工况;所述工况包括故障信号数据充足的稳态工况、故障信号数据有限的非稳态工况和某类故障信号数据有限的样本不均衡工况;
当所述气体传感器为稳态工况时,构建基于卷积神经网络的第一传感器故障诊断模型,利用所述气体传感器故障数据集训练所述第一传感器故障诊断模型;利用训练好的第一传感器故障诊断模型进行传感器故障诊断;所述第一传感器故障诊断模型以故障信号数据为输入,以传感器故障类型为输出;
当所述气体传感器为非稳态工况时,将稳态工况下训练好的第一传感器故障模型进行模型迁移,得到第二传感器故障诊断模型,利用所述第二传感器故障诊断模型进行故障诊断;所述第二传感器故障诊断模型以故障信号数据为输入,以传感器故障类型为输出;
当所述气体传感器为样本不均衡工况时,构建并训练卷积生成对抗网络,利用所述卷积生成对抗网络进行仿真故障样本合成;将生成的仿真故障样本与真实故障样本结合形成均衡的故障信号数据样本,通过训练好的第一传感器故障诊断模型进行故障诊断。
2.根据权利要求1所述的多工况条件下气体传感器故障诊断方法,其特征在于,在进行传感器故障诊断之前,还包括:将所述一维传感器故障信号数据转换为二维灰度图片。
3.根据权利要求2所述的多工况条件下气体传感器故障诊断方法,其特征在于,将所述一维传感器故障信号数据转换为二维灰度图片,包括:
将所述一维传感器故障信号数据进行数据归一化,使得各种类型的数据按照比例转为0到1之间;
通过Matlab软件,将归一化后的数据转换为二维灰度图。
4.根据权利要求1所述的多工况条件下气体传感器故障诊断方法,其特征在于,基于卷积神经网络的第一传感器故障诊断模型包括:在卷积神经网络增加dropout和零填充。
5.根据权利要求3所述的多工况条件下气体传感器故障诊断方法,其特征在于,基于卷积神经网络的第一传感器故障诊断模型包括:增加卷积层数。
6.根据权利要求1所述的多工况条件下气体传感器故障诊断方法,其特征在于,所述气体传感器采集的气体为氢气。
7.根据权利要求1所述的多工况条件下气体传感器故障诊断方法,其特征在于,还包括:对通过卷积神经网络各层的故障数据进行特征可视化分析。
8.一种多工况条件下气体传感器故障诊断装置,其特征在于,所述装置包括:
数据获取单元,用于获取气体传感器故障数据集;所述气体传感器故障数据集中包括:一维传感器故障信号数据;
工况确定单元,用于根据所述气体传感器故障数据集中故障信号数据的数据量确定所述气体传感器的工况;所述工况包括故障信号数据充足的稳态工况、故障信号数据有限的非稳态工况和故障信号数据不均衡的样本不均衡工况;
数据转换单元,用于将所述一维传感器故障信号数据转换为二维灰度图片;
第一诊断单元,用于当所述气体传感器为稳态工况时,构建基于改进的卷积神经网络的第一传感器故障诊断模型,利用所述气体传感器故障数据集训练所述第一传感器故障诊断模型;利用训练好的第一传感器故障诊断模型进行传感器故障诊断;所述第一传感器故障诊断模型以二维灰度图片为输入,以传感器故障类型为输出;
第二诊断单元,用于当所述气体传感器为非稳态工况时,将稳态工况下训练好的第一传感器故障模型进行模型迁移,得到第二传感器故障诊断模型,利用所述第二传感器故障诊断模型进行故障诊断;
第三诊断单元,用于当所述气体传感器为样本不均衡工况时,构建并训练卷积生成对抗网络,利用所述卷积生成对抗网络进行仿真故障样本合成;将生成的仿真故障样本与真实故障样本结合形成均衡的故障信号数据样本,通过训练好的第一传感器故障诊断模型进行故障诊断。
9.一种计算机可读存储介质,其特征在于,该计算机可读存储介质内存储计算机指令集,计算机指令集被处理器执行时实现如权利要求1至7任一项所述多工况条件下气体传感器故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210640996.7A CN115236272A (zh) | 2022-06-07 | 2022-06-07 | 多工况条件下的气体传感器故障诊断方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210640996.7A CN115236272A (zh) | 2022-06-07 | 2022-06-07 | 多工况条件下的气体传感器故障诊断方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115236272A true CN115236272A (zh) | 2022-10-25 |
Family
ID=83670195
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210640996.7A Pending CN115236272A (zh) | 2022-06-07 | 2022-06-07 | 多工况条件下的气体传感器故障诊断方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115236272A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117607756A (zh) * | 2024-01-18 | 2024-02-27 | 杭州布雷科电气有限公司 | 基于对抗神经网络的熔断器性能测试平台 |
-
2022
- 2022-06-07 CN CN202210640996.7A patent/CN115236272A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117607756A (zh) * | 2024-01-18 | 2024-02-27 | 杭州布雷科电气有限公司 | 基于对抗神经网络的熔断器性能测试平台 |
CN117607756B (zh) * | 2024-01-18 | 2024-04-05 | 杭州布雷科电气有限公司 | 基于对抗神经网络的熔断器性能测试平台 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111964908B (zh) | 一种基于多尺度权值分配卷积神经网络模型的变工况下轴承故障诊断方法 | |
Lin et al. | Detection and classification of multiple power-quality disturbances with wavelet multiclass SVM | |
KR102189269B1 (ko) | 컨볼루션 신경망을 이용한 유도 모터의 결함 진단방법 및 시스템 | |
CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
CN103630244B (zh) | 电力***设备故障诊断方法及*** | |
CN110147732A (zh) | 指静脉识别方法、装置、计算机设备及存储介质 | |
CN106951669B (zh) | 一种基于视觉认知的滚动轴承变工况故障诊断方法 | |
CN110346142A (zh) | 基于无监督特征对齐的变负载下滚动轴承故障诊断方法 | |
CN105572572B (zh) | 基于wknn-lssvm的模拟电路故障诊断方法 | |
CN111044570A (zh) | 电力设备的缺陷识别及预警方法、装置及计算机设备 | |
CN106777622A (zh) | 基于人工智能的机电设备在线故障诊断的方法及*** | |
CN111078552A (zh) | 页面显示异常的检测方法、装置及存储介质 | |
CN109009084A (zh) | 多导联心电信号的qrs波群校验方法、装置及设备、介质 | |
CN109617526A (zh) | 一种基于小波多分辨分析和svm的光伏发电阵列故障诊断和分类的方法 | |
CN113392749A (zh) | 一种基于gaf-vgg的滚动轴承故障诊断方法及装置 | |
CN113655348A (zh) | 一种基于深度孪生网络的电力设备局部放电故障诊断方法、***终端及可读存储介质 | |
CN110633870A (zh) | 一种谐波预警方法、谐波预警装置及终端设备 | |
CN101738998A (zh) | 一种基于局部判别分析的工业过程监测***及方法 | |
CN108564569B (zh) | 一种基于多核分类学习的混凝土裂缝检测方法及装置 | |
CN110705694A (zh) | 基于特征提取的面向边缘数据中心的窃电监测方法 | |
CN115236272A (zh) | 多工况条件下的气体传感器故障诊断方法、装置及存储介质 | |
CN115617010A (zh) | 一种基于视觉增强的燃气轮机传感器故障诊断方法及*** | |
CN114755010A (zh) | 一种旋转机械振动故障诊断方法及其*** | |
CN114357372A (zh) | 一种基于多传感器数据驱动的飞机故障诊断模型生成方法 | |
Xue et al. | A novel framework for motor bearing fault diagnosis based on multi-transformation domain and multi-source data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |