(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111682756.5 (22)申请日 2021.12.3 0 (71)申请人 杭州电子科技大 学 地址 310018 浙江省杭州市下沙高教园区2 号大街 (72)发明人 张程　吴锋　张日东　 (74)专利代理 机构 杭州浙科专利事务所(普通 合伙) 33213 代理人 孙孟辉 (51)Int.Cl. G05B 19/418(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种多尺度卷积与深度双向GRU网络融合性 能评估方法 (57)摘要 本发明属于自动化过程控制领域， 公开了一 种化工过程的多尺度卷积与 深度双向GRU网络融 合性能评估方法， 包括如下步骤： 步骤1、 以频率 采集工业过程系统变量的运行数据， 建立一个含 有多变量， 多类型故障的数据集， 并对其进行数 据预处理， 在此基础上对故障类型进行编号打标 签， 设置对应的关系， 之后对故障类型和标签划 分相应的训练集和测试集； 步骤2、 构建多尺度卷 积与深度双 向GRU网络故障诊断模型； 步骤3、 将 数据集按照一定的比例进行划分， 并输入到多尺 度卷积与深度双向GRU网络模型中进行训练； 步 骤4、 将分割好的测试集输入到训练好的模型中， 进行故障识别， 输 出诊断结果， Softmax回归分类 器的输出 可以反映模型 预测的故障类型。 权利要求书2页 说明书7页 附图4页 CN 114326638 A 2022.04.12 CN 114326638 A 1.一种化工过程的多尺度卷积与深度双向GRU网络融合 性能评估方法， 包括如下步骤： 步骤1、 以频率fs采集工业过程系统变量的运行数据， 建立一个含有多变量， 多类 型故障 的数据集， 并对其进 行数据预处理， 在此基础上对故障类型进 行编号打标签， 设置对应的关 系， 之后对故障类型和标签划分相应的训练集和 测试集； 步骤2、 构建多尺度卷积与深度双向GRU网络故障诊断模型； 步骤3、 将数据集按照一定的比例进行划分， 并输入到多尺度卷积与深度双向GRU网络 模型中进行训练； 步骤4、 将分割好的测试集输入到训练好的模型中， 进行故障识别， 输出诊断结果， Softmax回归分类 器的输出 可以反映模型 预测的故障类型。 2.如权利要求1所述的化工过程的多尺度 卷积与深度双向GRU网络融合性能评估方法， 其特征在于： 步骤1中， 所述数据预处理是指对数据集进行离差标准化处理(Min ‑ maxnormalization),该方法可以对采集的原始信号数据集进行线性变化， 使数据样 本落在 [0， 1]区间， 相关转换函数如下： 式中min{·}表示样本数据中的最大值， max{ ·}表示样本数据中的最小 值， xi表示样本 数据。 3.如权利要求2所述的化工过程的多尺度 卷积与深度双向GRU网络融合性能评估方法， 其特征在于： 所述故 障类型进行编号打标签是指对数据集进行one ‑hot编码， 使用N位状态 寄存器来对N个故障进行编码， 每个故障都有各自独立的寄存器位， 且在任意时刻， 只有其 中一位有效。 4.如权利要求3所述的化工过程的多尺度 卷积与深度双向GRU网络融合性能评估方法， 其特征在于： 所述多尺度卷积与深度双向GRU网络故障诊断模型 由多尺度卷积神经网络模 块、 深度双向GRU网络模块以及分类模块组成。 5.如权利要求4所述的化工过程的多尺度 卷积与深度双向GRU网络融合性能评估方法， 其特征在于： 所述多尺度卷积神经网络模块采用了三个分支通路一起进行特征提取， 具体 的卷积神经网络计算公式如下： X(l)＝W(l)*Y(l‑1)+b(l) 其中X(l)表示第l层输出， l表示第l层卷积， W(l)表示卷积层第l层权重向量， b(l)表示第l 层偏置， Y(l)表示第l层输出， 表示所用的激活函数； 多尺度卷积神经网络模块中的每一层增 加BN层： 权　利　要　求　书 1/2 页 2 CN 114326638 A 2β(k)＝E[x(k)] 式中y(k)为BN层输出； x(k)为输入特征； E为输入特征值的均值； Var表示输入特征的方 差； γ、 β 为神经 元的参数； 还在每个卷积网络中引入了L2正则化方法。 公式如下： 式中X、 y为训练样本和相应标签； w为权重系数； J为目标函数； α为参数， 控制正则化的 强弱； Ω(w)为 惩罚项； 池化层采用最大池化层， 每个最大池化层的处理结果作为下一个卷积层的输入， 其运 算公式如下： h＝max(c(t) ) 式中h表示池化层的输出， c(t)表示输入特征中每个神经元的数值集合， t,表示第t个 神经元； 每个卷积神经网络都采用了ReLU激活函数， 具体公式如下： f(x)＝max(0,x) 将提取到的特征数据y1、 y2和y3拼接成特征向量y＝[y1,y2,y3]， 通过多尺度特征连接模 块进行特征融合得到 输出特征y， 之后输入到深度双向GRU模块。 6.如权利要求5所述的化工过程的多尺度 卷积与深度双向GRU网络融合性能评估方法， 其特征在于： 所述深度双向GRU模块是由三层双向GRU堆叠而成， 同时在每一层网络之后叠 加BN层和最大池化层， 使用tanh函数作为激活函数， 具体公式如下： 7.如权利要求6所述的化工过程的多尺度 卷积与深度双向GRU网络融合性能评估方法， 其特征在于： 所述分类模块由3个全连接层和3个Dr opout层交替组成， 全连接层将上述网络 模型提取到的局部特征进行展平加权后， 再输入到Dr opout层； Dr opout层以概率p随机丢弃 网络中的神经元， 之后将输出结果输入到Softmax分类层； Softmax分类层将输入特征进行 分类运算， 其计算公式如下： 其中Vi是第i个节点的输出值。 8.如权利要求7所述的化工过程的多尺度 卷积与深度双向GRU网络融合性能评估方法， 其特征在于： 步骤3具体为： 将上述划分好的训练集输入到MCNN ‑DBiGRU模 型中进行训练， 以 故障类型标签作为所述模型 的输出， 将输出标签与真实标签的交叉熵作为损失函数， 利用 Nadam优化器进行反向传播， 更新整个模型的参数， 优化损失函数。权　利　要　求　书 2/2 页 3 CN 114326638 A 3