[發(fā)明專利]一種基于深度學(xué)習(xí)的工業(yè)設(shè)備故障預(yù)測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201710469573.2
• 申請(qǐng)日: 2017-06-20
• 公開（公告）號(hào): CN107238507B
• 公開（公告）日: 2019-12-31
• 發(fā)明（設(shè)計(jì)）人: 黃坤山;李力;王華龍
• 申請(qǐng)（專利權(quán)）人: 佛山市南海區(qū)廣工大數(shù)控裝備協(xié)同創(chuàng)新研究院;佛山市廣工大數(shù)控裝備技術(shù)發(fā)展有限公司
• 主分類號(hào): G01M99/00
• 分類號(hào): G01M99/00;G01R31/00;G06K9/62;G06N3/08
• 代理公司: 44329 廣東廣信君達(dá)律師事務(wù)所
• 代理人: 楊曉松

本發(fā)明涉及一種基于深度學(xué)習(xí)的工業(yè)設(shè)備故障預(yù)測(cè)方法，包括以下步驟：S1.通過傳感器采集工業(yè)設(shè)備傳感數(shù)據(jù)；S2.根據(jù)傳感數(shù)據(jù)固定時(shí)間內(nèi)的時(shí)序波獲取頻譜圖；S3.深度學(xué)習(xí)算法根據(jù)頻譜圖對(duì)工業(yè)設(shè)備進(jìn)行故障預(yù)測(cè)。本發(fā)明先通過傳感器采集工業(yè)設(shè)備傳感數(shù)據(jù)，然后根據(jù)傳感數(shù)據(jù)固定時(shí)間內(nèi)的時(shí)序波獲取頻譜圖，最后采用基于卷積神經(jīng)網(wǎng)絡(luò)框架的深度學(xué)習(xí)算法根據(jù)頻譜圖對(duì)工業(yè)設(shè)備進(jìn)行故障預(yù)測(cè)，準(zhǔn)確地預(yù)測(cè)工業(yè)設(shè)備故障與否，大大提高工業(yè)設(shè)備壽命，避免工業(yè)生產(chǎn)中因?yàn)椴淮_定的故障造成嚴(yán)重的后果，最大限度地保障企業(yè)的生產(chǎn)效益。

技術(shù)領(lǐng)域

本發(fā)明涉及智能的技術(shù)領(lǐng)域，尤其涉及到一種基于深度學(xué)習(xí)的工業(yè)設(shè)備故障預(yù)測(cè)方法。

背景技術(shù)

在制造業(yè)生產(chǎn)線上，工業(yè)生產(chǎn)設(shè)備都會(huì)受到持續(xù)的振動(dòng)和沖擊，這導(dǎo)致設(shè)備材料和零件的磨損老化，從而導(dǎo)致工業(yè)設(shè)備容易產(chǎn)生故障，而當(dāng)人們意識(shí)到故障時(shí)，可能已經(jīng)產(chǎn)生了很多不良品，甚至整個(gè)工業(yè)設(shè)備已經(jīng)奔潰停機(jī)，從而造成巨大的損失。如果能在故障發(fā)生之前進(jìn)行故障預(yù)測(cè)，提前維修更換即將出現(xiàn)問題的零部件，這樣就可以提高工業(yè)設(shè)備的壽命以及避免某個(gè)設(shè)備突然出現(xiàn)故障對(duì)整個(gè)工業(yè)生產(chǎn)帶來嚴(yán)重的影響。

隨著工業(yè)4.0的到來，智能工廠的工業(yè)設(shè)備都配上了各種感應(yīng)器，采集其振動(dòng)、溫度、電流、電壓等數(shù)據(jù)顯得輕而易舉，通過分析這些實(shí)時(shí)的傳感數(shù)據(jù)，對(duì)工業(yè)設(shè)備進(jìn)行故障預(yù)測(cè)將是一種行之有效的措施。

發(fā)明內(nèi)容

本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供一種大大提高工業(yè)設(shè)備壽命、避免工業(yè)設(shè)備出現(xiàn)故障從而減少生產(chǎn)出不良品機(jī)率、保障企業(yè)生產(chǎn)效益的基于深度學(xué)習(xí)的工業(yè)設(shè)備故障預(yù)測(cè)方法。

為實(shí)現(xiàn)上述目的，本發(fā)明所提供的技術(shù)方案為：其包括以下步驟：

S1.通過傳感器采集工業(yè)設(shè)備傳感數(shù)據(jù)；

S2.根據(jù)傳感數(shù)據(jù)固定時(shí)間內(nèi)的時(shí)序波獲取頻譜圖；

S3.深度學(xué)習(xí)算法根據(jù)頻譜圖對(duì)工業(yè)設(shè)備進(jìn)行故障預(yù)測(cè)。

進(jìn)一步地，步驟S2的具體步驟如下：

S21.把采集的各種傳感數(shù)據(jù)按t毫秒的固定時(shí)長(zhǎng)分塊；

S22.把在t毫秒時(shí)間內(nèi)的傳感數(shù)據(jù)繪成時(shí)序波；

S23.利用傅立葉變換運(yùn)算分解時(shí)序波，求取各個(gè)頻帶的能量值，獲取各種傳感數(shù)據(jù)的時(shí)序波頻譜圖。

進(jìn)一步地，步驟S3中深度學(xué)習(xí)算法采用卷積神經(jīng)網(wǎng)絡(luò)，具體步驟如下：

S31.利用工業(yè)設(shè)備正常工作和不正常工作的傳感數(shù)據(jù)頻譜圖離線訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)框架；

S32.利用訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)框架，根據(jù)傳感數(shù)據(jù)的頻譜圖，在線預(yù)測(cè)工業(yè)設(shè)備故障與否。

進(jìn)一步地，步驟S31利用工業(yè)設(shè)備正常工作和不正常工作的傳感數(shù)據(jù)頻譜圖離線訓(xùn)練深度學(xué)習(xí)算法，主要包括以下步驟:

S311.構(gòu)造卷積神經(jīng)網(wǎng)絡(luò)，具體步驟如下：

A.構(gòu)造輸入層：把尺寸大小一樣的工業(yè)設(shè)備正常工作和不正常工作時(shí)的傳感數(shù)據(jù)頻譜圖作為輸入層；

B.構(gòu)造卷積層：卷積層由K個(gè)卷積濾波器構(gòu)成，對(duì)頻譜圖進(jìn)行濾波得到K個(gè)特征圖s1；

C.構(gòu)造下采樣層：下采樣層對(duì)特征圖進(jìn)行采用，分別對(duì)K個(gè)特征圖的t×t大小的領(lǐng)域進(jìn)行加權(quán)求和或者取其最大值等運(yùn)算，再乘上一個(gè)乘子偏差，加上位移偏差，接著通過一個(gè)激活函數(shù)的運(yùn)算，得到最后的下采樣特征圖c1；

D.重復(fù)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(fù)這兩個(gè)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(shù)據(jù)；