本發(fā)明屬于故障處理，具體涉及一種基于神經(jīng)網(wǎng)絡和假設檢驗的開集識別方法。

背景技術(shù)：

1、近年來，隨著人工智能和大數(shù)據(jù)的不斷發(fā)展使得基于數(shù)據(jù)驅(qū)動的故障診斷模型被廣泛應用，特別是卷積神經(jīng)網(wǎng)絡模型，因其快速準確的診斷性能逐漸成為了故障診斷的主要方法之一。然而，傳統(tǒng)的卷積神經(jīng)網(wǎng)絡模型在進行故障診斷時存在兩個明顯的局限：1、遵循閉集假設，即假設訓練集與測試集所含類別相同，不會出現(xiàn)從未見過的未知故障。但在現(xiàn)實世界中，由于難以搜集到所有故障類別信息，導致模型面臨的往往是一個既可能出現(xiàn)已知故障也可能出現(xiàn)未知故障的開放環(huán)境，在這種環(huán)境下如果仍然使用傳統(tǒng)卷積神經(jīng)網(wǎng)絡模型通常會造成未知故障被錯分為已知故障的問題。2、診斷依據(jù)單一，僅使用網(wǎng)絡提取的特征來衡量樣本之間的差異，導致網(wǎng)絡容易受到開放空間風險的影響，在開放環(huán)境下的診斷結(jié)果不準確。

2、因此，針對上述問題，本發(fā)明對卷積神經(jīng)網(wǎng)絡進行改進，首先，消除了閉集假設，用假設檢驗的方法替換了具有封閉性的softmax層。其次，加入了基于極值理論的元識別系統(tǒng)，將基于距離的分類信息反饋給特征，使得診斷結(jié)果不僅僅依賴網(wǎng)絡提取的特征，還在一定程度上受到距離信息的影響，避免分類依據(jù)過于單一。改進后的模型能夠更加適應真實的開放環(huán)境，在保證已知故障識別準確率的前提下更好的拒絕未知故障，降低未知故障樣本被模型分類到已知故障的風險。

技術(shù)實現(xiàn)思路

1、對現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種基于卷積神經(jīng)網(wǎng)絡和假設檢驗的開集識別方法，該方法在一定程度上克服了傳統(tǒng)卷積神經(jīng)網(wǎng)絡模型無法拒絕未知故障的問題，基本上實現(xiàn)了對所有已知故障的識別以及對大部分未知故障的拒絕，達到了讓模型適應真實開放環(huán)境，并更加符合實際應用的目的。

2、本發(fā)明的技術(shù)方案如下：

3、一種基于神經(jīng)網(wǎng)絡和假設檢驗的開集識別方法，包括如下步驟：

4、s1獲取故障數(shù)據(jù)并對所述故障數(shù)據(jù)進行預處理，劃分訓練集、驗證集和測試集；

5、s2建立聯(lián)合損失函數(shù)，并利用聯(lián)合損失函數(shù)訓練卷積神經(jīng)網(wǎng)絡(cnn)；

6、s3完成訓練后，利用cnn倒數(shù)第二個全連接層提取的特征建立元識別系統(tǒng)；

7、s4利用元識別系統(tǒng)的輸出對cnn最后一個全連接層提取的特征進行校準；

8、s5對校準后的特征進行假設檢驗并作出最終決策；

9、進一步地，所述s1中預處理具體為：

10、消除所述故障數(shù)據(jù)中的無關(guān)信息，簡化數(shù)據(jù)，同時將故障數(shù)據(jù)處理成二維形式。

11、進一步地，所述s2具體為：

12、s21設計網(wǎng)絡結(jié)構(gòu)，所述卷積神經(jīng)網(wǎng)絡主要由卷積、激活、批標準化、池化、全連接以及softmax組成；

13、s22確定損失函數(shù)，具體使用最后一個全連接層輸出的特征計算softmax損失，使用倒數(shù)第二個全連接層輸出的特征計算中心損失，再將中心損失與softmax損失相加得到聯(lián)合損失函數(shù)；

14、s23確定訓練網(wǎng)絡時用到的優(yōu)化器以及其他超參數(shù)；

15、s24通過上述參數(shù)對卷積神經(jīng)網(wǎng)絡進行訓練。

16、進一步地，所述s22中的聯(lián)合損失函數(shù)公式為：

17、

18、公式中的第一項為softmax損失函數(shù)，其中表示第yi類的第i個深層特征，d是特征維度，表示最后一個完全連接層中的權(quán)重的第j列，是偏置項，每次迭代的批量大小為m，總類別個數(shù)為n，公式中的第二項為中心損失函數(shù)，其中表示第yi類樣本深層特征的中心。

19、進一步地，所述s3具體為：

20、s31將驗證集送入訓練好的卷積神經(jīng)網(wǎng)絡中，保存被正確分類的樣本在倒數(shù)第二個全連接層中輸出的特征，計算每一類特征的均值，并將該均值當作每一類的中心；

21、s32計算每一類被正確分類的樣本到各自類中心的距離；

22、s33根據(jù)極值理論，利用每一類距離的尾部極大值擬合各自的韋布爾分布模型。韋布爾分布的公式如下：

23、

24、其中，l為隨機變量，是樣本到類中心的距離，k為形狀參數(shù)，λ為縮放因子。

25、s34所有類別的韋布爾分布模型共同組成了元識別系統(tǒng)。

26、進一步地，所述s4具體為：

27、s41設元識別系統(tǒng)的輸出為pi＝1-weibulli(l)

28、s42將pi與最后一個全連接層輸出的特征依次相乘從而實現(xiàn)校準。

29、進一步地，所述s5具體為：

30、首先是幾分類就建立幾個零假設和備擇假設，然后將驗證集中的樣本送入帶有元識別系統(tǒng)的卷積神經(jīng)網(wǎng)絡中保存被正確分類的樣本在經(jīng)過校準后的特征，并找到每一類對應那組特征值的α分位數(shù)，將特征小于或等于分位數(shù)的部分設為拒絕域，若樣本的最大特征值落入了拒絕域則該樣本屬于未知類，否則屬于最大特征值對應的已知類。

31、與現(xiàn)有技術(shù)相比，本發(fā)明具有以下優(yōu)點：

32、一方面，消除了傳統(tǒng)的閉集假設，使用更具開放性的假設檢驗方法替換具有封閉性的softmax層，使得模型能在一定置信度水平下合理的拒絕未知故障。另一方面，在傳統(tǒng)卷積神經(jīng)網(wǎng)絡的基礎之上加入基于極值理論的元識別系統(tǒng)，可以將該系統(tǒng)得到的基于距離的分類信息反饋給最后一個全連接層輸出的特征，使得診斷結(jié)果不僅僅依賴卷積神經(jīng)網(wǎng)絡提取的特征，還在一定程度上受到距離信息的影響，充分利用了特征以及特征空間中的信息，避免了僅僅使用神經(jīng)網(wǎng)絡提取的特征進行分類，提高了開放環(huán)境下故障診斷的穩(wěn)定性以及準確率。

技術(shù)特征：

1.一種基于神經(jīng)網(wǎng)絡和假設檢驗的開集識別方法，其特征在于，包括如下步驟

2.根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡和假設檢驗的開集識別方法，其特征在于，所述s1中預處理具體為：

3.根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡和假設檢驗的開集識別方法，其特征在于，所述s2具體為：

4.根據(jù)權(quán)利要求3所述的基于神經(jīng)網(wǎng)絡和假設檢驗的開集識別方法，其特征在于，所述s22中的聯(lián)合損失函數(shù)公式為：

5.根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡和假設檢驗的開集識別方法，其特征在于，所述s3具體為：

6.根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡和假設檢驗的開集識別方法，其特征在于，所述s4具體為：

7.根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡和假設檢驗的開集識別方法，其特征在于，所述s5具體為：

技術(shù)總結(jié)
本發(fā)明提供一種基于神經(jīng)網(wǎng)絡和假設檢驗的開集識別方法，包括如下步驟：S1獲取故障數(shù)據(jù)并對所述故障數(shù)據(jù)進行預處理，劃分訓練集、驗證集和測試集；S2建立聯(lián)合損失函數(shù)，并利用聯(lián)合損失函數(shù)訓練卷積神經(jīng)網(wǎng)絡(CNN)；S3完成訓練后通過CNN倒數(shù)第二個全連接層提取的特征建立元識別系統(tǒng)；S4利用元識別系統(tǒng)的輸出對CNN最后一個全連接層提取的特征進行校準；S5對校準后的特征進行假設檢驗并作出最終決策。本發(fā)明能夠更加適應真實的開放環(huán)境，在保證已知故障識別準確率的前提下更好的拒絕未知故障，降低未知故障樣本被模型分類到已知故障的風險。

技術(shù)研發(fā)人員：沈繼紅,潘威,肖凱,王淑娟,王博,譚思超,楊盼,孫占豪,何正熙,簡一帆,楊鵬程
受保護的技術(shù)使用者：哈爾濱工程大學
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/6