(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111260743.9 (22)申请日 2021.10.27 (65)同一申请的已公布的文献号 申请公布号 CN 114065613 A (43)申请公布日 2022.02.18 (73)专利权人 中国华能集团清洁能源技 术研究 院有限公司 地址 102209 北京市昌平区北七家未来科 技城华能人才创新创业基地实验楼A 楼 专利权人 华能 （浙江） 能源开发有限公司清 洁能源分公司 (72)发明人 吴昊　傅望安　张育钧　任鑫　 武青　祝金涛　吕亮　朱俊杰　 房扩　陈高楼　(74)专利代理 机构 北京清亦华知识产权代理事 务所(普通 合伙) 11201 专利代理师 赵迪 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06F 119/02(2020.01) (56)对比文件 CN 112183581 A,2021.01.0 5 毛冠通等.基于迁移学习的滚动轴承在线故 障诊断. 《航空科 学技术》 .2020,(第01期), 蒋强等.基 于深度学习的故障诊断方法研 究. 《计算机 仿真》 .2018,(第07期), 审查员 王玉鹏 (54)发明名称 基于深度迁移学习的多工况流程工业故障 检测诊断方法 (57)摘要 本申请提出了一种基于深度迁移学习的多 工况流程工业故障检测诊断方法， 该方法包括： 获取流程工业在多个工况下的历史数据， 包括正 常运行数据和故障数据， 并构建故障库； 将历史 数据进行标准化， 整理成二维矩阵； 结合深度迁 移学习的最大均值差异MMD训练设计的故障检测 模型和故障诊断模型， 计算故障检测模型的检测 阈值； 采集实时数据， 进行相应的标准化和整理 处理后,输入至训练完成的故障检测模 型计算损 失函数值， 将损失函数值与检测阈值进行比较， 以判断生产系统是否发生异常； 如果发生异常， 则将实时数据输入至故障诊断模型确定生产系 统的故障类型。 该方法构建了多工况通用的故障 检测和诊断模 型， 提高了多工况流程工业的监控 效率。 权利要求书3页 说明书12页 附图4页 CN 114065613 B 2022.12.09 CN 114065613 B 1.一种基于深度迁移学习的多工况流程工业故障检测诊断方法， 其特征在于， 包括以 下步骤： 获取流程工业的生产系统在多个工况下的历史数据， 所述历史数据包括正常运行数据 和故障数据， 并对所述故障数据进行 标注以构建故障库； 将每种工况的所述历史数据进行 标准化处理， 并整理成二维矩阵； 根据所述二维矩阵设计一个变分自动编码器作为故障检测模型， 并设计一个卷积神经 网络作为故障诊断模型； 将整理后的每个工况的所述正常运行数据划分为训练集和测试集， 并基于所述训练 集， 结合深度迁移学习的最大均值差异MMD训练所述 故障检测模型， 基于所述测试集计算所 述故障检测模型的检测阈值； 基于整理后的故障数据， 结合深度迁移学习的最大均值差异MMD训练所述故障诊断模 型； 采集流程工业中的实时数据， 将所述实时数据进行所述标准化处理并整理成所述二维 矩阵的大小， 并将所述 实时数据对应的二维矩阵输入至训练完成的故障检测模型计算损失 函数值， 将所述损失函数值与所述检测阈值进行比较， 以判断所述 生产系统是否发生异常； 如果发生异常， 则将所述实时数据对应的二维矩阵输入至训练完成的故障诊断模型， 通过故障分类确定所述 生产系统的故障类型。 2.根据权利要求1所述的方法， 其特征在于， 所述将每种工况的所述历史数据进行标准 化处理， 包括： 计算每种工况的所述正常运行数据的平均值和标准差， 以所述平均值和所述标准差作 为z‑score标准化参数； 通过以下公式对每 个工况的历史数据进行z ‑score标准化： 其中， σ 是平均值， μ是 标准差,x是待标准 化的个体数据。 3.根据权利要求2所述的方法， 其特征在于， 所述基于所述训练集， 结合深度迁移学习 的最大均值差异M MD训练所述故障检测模型,包括: 通过以下变分 自动编码器的训练损失函数的公式， 计算所述训练集中每个二维矩阵的 损失函数值： 其中， x表示输入数据， z表示故障检测模型计算的重构数据， xs表示第一工况的数据,xt 表示第二工况的数据， k( ·)表示高斯核函数； 通过梯度下降方法训练故障检测模型直至所述训练集的平均损失函数值收敛。 4.根据权利要求3所述的方法， 其特征在于， 所述基于所述测试集计算所述故障检测模 型的检测阈值,包括: 通过所述变分 自动编码器的训练损失函数的公式， 计算所述测试集中每个二维矩阵的 损失函数值； 基于所述测试集中每个二维矩阵数据的损失函数值， 通过核密度估计取预设数值的置权　利　要　求　书 1/3 页 2 CN 114065613 B 2信水平作为所述模型的检测阈值。 5.根据权利要求  2所述的方法， 其特征在于， 所述基于整理后的故障数据， 结合深度迁 移学习的最大均值差异M MD训练所述故障诊断模型,包括: 通过所述整理后的故障数据和所述整理后的故障数据在所述故障库中的对应故障类 型标签， 计算所述故障诊断模型输出的分类结果的分类准确率； 通过以下公式最小化卷积神经网络的训练损失函数： 其中， y表示故 障数据的真实类别， z表示故障诊断模型输出的类别概率， xs表示第一工 况的数据， xt表示第二工况的数据， k( ·)表示高斯核函数； 通过梯度下降方法训练故障诊断模型直至所述整理后的故障数据的平均分类准确率 收敛。 6.根据权利要求2所述的方法， 所述确定所述 生产系统的故障类型之后， 还 包括： 对所述生产系统 的故障类型进行判定， 如果判定所述生产系统的故障类型是所述故障 库中的故障类型标签和专家知识之外的故障类型， 则更新所述故障库和所述故障诊断模 型。 7.一种基于深度迁移学习的多工况流 程工业故障检测诊断系统， 其特 征在于， 包括： 获取模块， 用于获取流程工业的生产系统在多个工况下的历史数据， 所述历史数据包 括正常运行 数据和故障数据， 并对所述故障数据进行 标注以构建故障库； 标注模块， 用于将每种工况的所述历史数据进行 标准化处理， 并整理成二维矩阵； 设计模块， 用于根据所述二维矩阵设计一个变分自动编码器作为故障检测模型， 并设 计一个卷积神经网络作为故障诊断模型； 第一训练模块， 用于将整理后的每个工况的所述正常运行数据划分为训练集和测试 集， 并基于所述训练集， 结合深度迁移学习的最大均值差异MMD训练所述故障检测模型， 基 于所述测试集计算所述故障检测模型的检测阈值； 第二训练模块， 用于基于整理后的故障数据， 结合深度迁移学习的最大均值差异MMD训 练所述故障诊断模型； 故障检测模块， 用于采集流程工业中的实时数据， 将所述实时数据进行所述标准化处 理并整理成所述二维矩阵的大小， 并将所述 实时数据对应的二维矩阵输入至训练完成的故 障检测模型计算损失函数值， 将所述损失函数值与所述检测阈值进行比较， 以判断所述生 产系统是否发生异常； 故障诊断模块， 用于如果发生异常， 则将所述实时数据对应的二维矩阵输入至训练完 成的故障诊断模型， 通过故障分类确定所述 生产系统的故障类型。 8.根据权利要求7 所述的系统， 其特 征在于， 所述标注模块， 具体用于： 计算每种工况的所述正常运行数据的平均值和标准差， 以所述平均值和所述标准差作 为z‑score标准化参数； 通过以下公式对每 个工况的历史数据进行z ‑score标准化：权　利　要　求　书 2/3 页 3 CN 114065613 B 3