(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 202111589058.0 (22)申请日 2021.12.23 (71)申请人 宜宾电子科技大 学研究院 地址 644005 四川省宜宾市临港经济开发 区港园路西段9号208号 (72)发明人 凡时财　张季阳　郑宏　何建　 (74)专利代理 机构 成都行之智 信知识产权代理 有限公司 5125 6 代理人 温利平 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 119/12(2020.01) (54)发明名称 基于AM-TCN的故障诊断方法 (57)摘要 本发明公开了一种基于AM ‑TCN的故障诊断 方法， 首先在工业过程的正常和各个故障运行状 态下， 采用传感器设备采集状态监控数据， 构建 时间序列训练样本； 然后构建基于A M‑TCN的故障 诊断模型， 包括注意力机制层、 时间卷积网络、 全 连接层和SoftMax层， 其中时间卷积网络由多个 时间卷积块堆叠而成； 采用训练样本对基于AM ‑ TCN的故障诊断模型进行训练； 在工业过程的实 际运行过程， 采集状态监控数据并构建时间序 列， 将时间序列输入训练好的基于A M‑TCN的故障 诊断模型中， 得到故障诊断结果。 本发明结合注 意力机制和时间卷积网络构建基于AM ‑TCN的故 障诊断模型， 提升对时序数据的特征提取效果， 从而提高工业过程的故障诊断的准确性和鲁棒 性。 权利要求书3页 说明书9页 附图2页 CN 114297921 A 2022.04.08 CN 114297921 A 1.一种基于AM ‑TCN的故障诊断方法， 其特 征在于， 包括以下步骤： S1： 在工业过程的正常运行状态和预设K种故障运行状态下， 采用M个传感器设备分别 采集得到Tk个采样时刻的状态监控数据， 记第k种运行状态下采样时刻为t时第m个传感器 设备的测量数据为 其中， k＝0表示正常运行状态， k＝1,2, …,K表示故障状态序号， t ＝1,2,…,Tk， Tk表示在第k种运行状态下的采样时刻 数量， m＝1,2, …,M； 则第k种运行状态 下采样时刻为t时得到的数据向量 S2： 将得到的Tk个测量数据向量 作为行向量， 按照采样时刻进行升序排列构成数据 矩阵Zk： 对于正常运行状态下的数据矩阵Z0， 计算数据向量均值mean(Z0)和标准差st d(Z0)， 计 算公式如下： 根据均值mean(Z0)和标准差std(Z0)对各种运行状态 下得到的各个测量数据向量 进 行标准化处理得到标准 化数据向量 计算公式如下： S3： 将每种运行状态下经过数据标准化处理的标准化数据向量 的转置作 为列向量， 按照采样时刻的顺序升序构成时间序列 其中， 上标T表示转置； S4： 采用长度为N、 步长为Δ的滑动窗口对时间序列 进行滑动窗口采样， 提取得到时 间序列子序列 权　利　要　求　书 1/3 页 2 CN 114297921 A 2其中， h＝1,2, …,Hk， Hk表示第k种运行状态下 所提取到的时间序列子序列的数量； 将提取得到的子序列 作为输入序列， 所对应的运行状态编号k作为期望输出， 即构成 一个训练样本； S5： 构建基于AM ‑TCN的故障诊断模型， 包括注意力机制层、 时间卷积网络、 全连接层和 SoftMax层， 其中： 注意力机制层用于接收输入序列， 为序列中不同时刻的状态监控数据赋予不同权重， 得到加权后的时间序列并输出至时间卷积网络， 具体方法如下： 记输入序列为S： 其中， 表示输入序列S中第m维测量数据的N个时刻的时序向量， sn,m表示输入序列S中坐标为(m,n)的元 素， n＝1,2,…,N； 然后计算行向量 的重要性权 重αm， 计算公式为： 其中， 表示在故障诊断模型训练过程中需要学习的查询向量， score( ·)是注 意力机制的打 分函数， 其计算公式为： 采用如下公式对行向量 进行重要性加权得到加权行向量cm： 记输入序列S通过注意力机制加权得到的时间序列为C： 权　利　要　求　书 2/3 页 3 CN 114297921 A 3