一种基于迁移学习的现场总线故障诊断方法与流程

摘要: 本发明属于工业通信网络故障诊断,具体涉及一种基于迁移学习的现场总线故障诊断方法。背景技术:1、随着工业自动化水平的不断提升,现场总线技术已成为工业控制系统中不可...
一种基于迁移学习的现场总线故障诊断方法与流程

本发明属于工业通信网络故障诊断,具体涉及一种基于迁移学习的现场总线故障诊断方法。

背景技术:

1、随着工业自动化水平的不断提升,现场总线技术已成为工业控制系统中不可或缺的组成部分,广泛应用于电力、石化、冶金等流程工业领域。现场总线作为连接现场仪表、执行机构和控制系统的数字式通信网络,其可靠性和稳定性直接影响整个生产装置的安全运行。随着智能制造和工业物联网的发展,现场总线系统的拓扑结构日益复杂,节点数量持续增加,通信数据量呈爆发式增长,这对总线故障诊断技术提出了更高的要求。

2、然而,传统的现场总线故障诊断方法存在以下技术缺陷,且各缺陷相互耦合形成技术瓶颈。

3、在泛化能力方面,现有基于规则或专家系统的诊断方法严重依赖于人工总结的故障特征规则和专家经验知识库,面对工业现场层出不穷的新型故障、复合故障以及未知故障时,其泛化能力严重不足,无法有效识别未曾见过的故障类型,诊断准确率急剧下降,且知识库的维护和更新需要投入大量人力成本。

4、在训练数据方面,深度神经网络技术在故障诊断领域展现出较大潜力,但工业现场实际发生的故障样本极为稀少。直接利用有限的现场故障样本训练深度神经网络模型极易引发严重的过拟合现象,模型在训练集上表现良好但面对真实故障数据时诊断性能显著下降,难以满足工业现场的严苛要求。

5、在部署方面,工业现场对诊断实时性要求严苛,而高精度深度学习模型计算复杂度高,难以在资源受限的边缘端部署,形成精度与速度不可兼得的矛盾。

6、上述三方面缺陷相互制约:样本稀少导致模型精度低,为提升精度需增加模型复杂度,而复杂度增加又降低边缘部署可行性,形成难以突破的技术闭环。因此,如何在故障样本稀少的条件下训练出兼具高准确率和强泛化能力的深度学习模型,并将其部署于工业边缘端实现实时诊断,是当前工业通信网络故障诊断领域亟需解决的技术问题。

技术实现思路

1、本发明旨在至少解决现有技术中存在的技术问题之一,提供一种基于迁移学习的现场总线故障诊断方法。

2、为实现上述目的,本发明提供一种基于迁移学习的现场总线故障诊断方法,包括:

3、同步采集现场总线网络的物理层信号畸变数据和数据链路层通信行为数据,所述物理层信号畸变数据与所述数据链路层通信行为数据通过时间戳对齐,形成跨层关联样本对;

4、对所述跨层关联样本对执行多域特征提取,分别从时域、频域和统计域提取特征参数,将所述特征参数拼接构建耦合特征向量;

5、将所述耦合特征向量输入包含自适应激活函数的深度神经网络模型,采用迁移学习策略对所述深度神经网络模型依次执行预训练和微调两阶段的训练;

6、将训练完成的所述深度神经网络模型经量化压缩后部署于边缘计算节点,对实时采集的现场总线数据执行在线故障诊断,输出故障类型判定结果及故障置信度评估值,当所述故障置信度评估值低于预设阈值时触发增量学习。

7、进一步地,所述物理层信号畸变数据包括差分电压过冲幅度、振铃持续时间、上升沿时间、下降沿时间以及位定时偏差;

8、所述数据链路层通信行为数据包括从站节点地址、节点活跃度向量、数据场信息熵、报文间隔时间标准差及循环冗余校验码;

9、所述同步采集的采样频率根据总线实时负载率动态调整,当所述负载率大于预设高负载阈值时将所述采样频率提升至总线波特率的第一预设倍数,当所述负载率低于预设低负载阈值时将所述采样频率降低至所述总线波特率的第二预设倍数。

10、进一步地,所述预训练阶段利用仿真故障数据集和相似设备历史故障数据集对所述深度神经网络模型执行初始训练;

11、所述仿真故障数据集通过建立基于电报方程的现场总线物理层分布参数传输线模型并注入至少十二种典型故障模式生成;

12、所述相似设备历史故障数据集通过设备类型编码识别具有相似总线拓扑结构和通信协议的源设备,采用动态时间规整算法对所述源设备与目标设备的故障时序数据执行对齐处理,并通过最大均值差异最小化方法执行特征分布适配获得;

13、所述微调阶段利用目标设备现场采集的不超过预设组数的真实故障样本对预训练后的模型参数执行微调。

14、进一步地,所述微调阶段采用分层学习率策略,对所述深度神经网络模型的最后两个隐藏层使用第一学习率,对其余层使用第二学习率,所述第一学习率大于所述第二学习率;

15、学习率调整采用余弦退火算法,所述余弦退火算法的周期参数设置为微调样本数量的预设倍数;

16、并且采用梯度累积策略,每累积预设数量个样本更新一次模型参数。

17、进一步地,所述多域特征提取中的时域特征通过双阈值边沿检测计算获得,所述双阈值设定为信号幅值的第一预设百分比和第二预设百分比,所述时域特征包括上升沿时间、下降沿时间、差分电压过冲幅度及主站-从站报文响应延迟时间;

18、所述频域特征通过对所述物理层信号畸变数据加自适应汉宁窗后执行快速傅里叶变换获得,所述频域特征包括主频率分量、总谐波失真度及频谱能量分布熵,所述汉宁窗的窗函数宽度根据总线波特率动态调整;

19、所述统计特征在预设时间滑动窗口内计算获得,所述统计特征包括报文错误率、各从站节点活跃度向量、数据场信息熵及报文间隔时间标准差。

20、进一步地,所述频谱能量分布熵的计算方式为:

21、;

22、其中,表示所述频谱能量分布熵,表示第个频谱分量的归一化能量占比,表示频谱分析点数;

23、所述汉宁窗的窗函数宽度的动态调整方式为:

24、当总线波特率大于预设波特率阈值时采用第一预设点数窗口,当所述总线波特率不大于所述预设波特率阈值时采用第二预设点数窗口。

25、进一步地,所述自适应激活函数的数学表达式为:

26、当输入时,;

27、当输入时,;

28、其中,为动态斜率参数,所述动态斜率参数的计算方式为:

29、;

30、其中,表示sigmoid函数,和为可训练参数,和分别为输入特征的批量均值和标准差,和分别为所述动态斜率参数的上限值和下限值。

31、进一步地,所述量化压缩采用基于kl散度最小化的混合精度量化方式,其中权重量化为8位整型,激活值量化为16位整型;

32、所述量化压缩通过以下步骤执行:

33、使用无标签现场正常运行数据构成校准数据集,统计各层权重和激活值的动态范围,针对各候选量化区间计算量化前后的kl散度,选择使所述kl散度最小化的量化阈值确定量化映射公式。

34、进一步地,所述故障置信度评估值的计算方式为:

35、;

36、其中,表示所述故障置信度评估值,表示神经网络输出层softmax结果中的最大概率值,表示归一化负熵,和为权重系数且满足;所述归一化负熵的计算方式为:

37、;

38、其中,表示输出概率分布的负熵,为故障类别总数;

39、所述权重系数根据故障类型的预设安全等级动态调整。

40、进一步地,所述增量学习的执行方式为:

41、当所述故障置信度评估值低于所述预设阈值时,将中间层激活值分布上传至远程平台;

42、当所述远程平台返回反馈结果后,采用知识蒸馏技术固定所述深度神经网络模型的预训练部分网络参数,仅更新最后两个隐藏层的权重参数;

43、当增量数据累积至预设样本数量时触发在线增量学习,所述在线增量学习的学习率设定为所述微调阶段学习率的预设比例值。

44、本发明的有益效果如下:

45、本发明通过物理层信号畸变特征与数据链路层通信行为特征的跨层耦合,结合共享尺度参数的批量归一化层与自适应汉宁窗宽度调整机制,实现了特征提取与模型训练的端到端联合优化,产生了单维度特征叠加无法获得的协同诊断增益。

46、本发明将迁移学习策略应用于现场总线故障诊断领域,通过仿真数据和相似设备数据扩展训练样本,从根本上解决了工业现场故障样本稀少的瓶颈问题,在仅使用少量现场真实故障样本微调的情况下,模型诊断性能即可达到传统方法需要大量样本才能实现的水平。

47、本发明设计的自适应激活函数使神经网络在不同隐藏层和不同训练批次中能够自动调整非线性表达能力,对故障诊断任务中常见的非线性可分问题具有更强的特征提取能力。

48、本发明采用基于kl散度最小化的混合精度量化压缩技术,在保持诊断精度基本不变的前提下显著提升推理速度并降低存储空间需求,满足工业边缘端的实时诊断要求。