[發明專利]一種基于深度學習的工業設備故障預測方法

有效

• 申請號: 201710469573.2
• 申請日: 2017-06-20
• 公開（公告）號: CN107238507B
• 公開（公告）日: 2019-12-31
• 發明（設計）人: 黃坤山;李力;王華龍
• 申請（專利權）人: 佛山市南海區廣工大數控裝備協同創新研究院;佛山市廣工大數控裝備技術發展有限公司
• 主分類號: G01M99/00
• 分類號: G01M99/00;G01R31/00;G06K9/62;G06N3/08
• 代理公司: 44329 廣東廣信君達律師事務所
• 代理人: 楊曉松

1.一種基于深度學習的工業設備故障預測方法，其特征在于：包括以下步驟：

S1.通過傳感器采集工業設備傳感數據；

S2.根據傳感數據固定時間內的時序波獲取頻譜圖；

S3.深度學習算法根據頻譜圖對工業設備進行故障預測；

所述步驟S3中深度學習算法采用卷積神經網絡，具體步驟如下：

S31.利用工業設備正常工作和不正常工作時的傳感數據頻譜圖離線訓練卷積神經網絡框架；

S32.利用訓練好的卷積神經網絡框架，根據傳感數據的頻譜圖，在線預測工業設備故障與否；

所述步驟S31利用工業設備正常工作和不正常工作時的傳感數據頻譜圖離線訓練卷積神經網絡框架，主要包括以下步驟：

S311.構造卷積神經網絡，具體步驟如下：

A.構造輸入層：把尺寸大小一樣的工業設備正常工作和不正常工作時的傳感數據頻譜圖作為輸入層；

B.構造卷積層：卷積層由K個卷積濾波器構成，對頻譜圖進行濾波得到K個特征圖s1；

C.構造下采樣層：下采樣層對特征圖進行采用，分別對K個特征圖的t×t大小的領域進行加權求和或者取其最大值等運算，再乘上一個乘子偏差，加上位移偏差，接著通過一個激活函數的運算，得到最后的下采樣特征圖c1；

D.重復步驟B和步驟C：下采樣特征圖c1再作為輸入層，通過B步驟得到第二層卷積層s2，再通過C步驟下采樣，得到第二層下采樣層c2，重復這兩個步驟，特征圖的大小變小直到最后一次濾波后光柵化為一維數據；

E.構造密集連接層:對光柵化為一維的數據加入有M個神經元的全連接層，即通過乘上全連接層的權重矩陣，加上偏置，然后對其使用激活函數ReLU，得到最后的全連接層；

F.構造輸出層：輸出層采用softmax層，跟全連接層相連，輸出最后的檢測結果；

S312.利用工業設備正常工作和不正常工作的傳感數據頻譜圖，采用Adam算法對卷積神經網絡的誤差梯度做最速下降優化，離線訓練卷積神經網絡。

2.根據權利要求1所述的一種基于深度學習的工業設備故障預測方法，其特征在于：所述步驟S2的具體步驟如下：

S21.把采集的各種傳感數據按t毫秒的固定時長分塊；

S22.把在t毫秒時間內的傳感數據繪成時序波；

S23.利用傅立葉變換運算分解時序波，求取各個頻帶的能量值，獲取各種傳感數據的時序波頻譜圖。