[發明專利]基于集成深度學習的柴油發電機故障預測與監測系統裝置

在審

• 申請號: 201810449268.1
• 申請日: 2018-05-11
• 公開（公告）號: CN110297179A
• 公開（公告）日: 2019-10-01
• 發明（設計）人: 宮文峰;陳輝;張澤輝
• 申請（專利權）人: 宮文峰
• 主分類號: G01R31/34
• 分類號: G01R31/34;G06Q10/04;G06N3/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于集成深度學習的柴油發電機故障預測與監測系統裝置；包含有框體（1）、顯示器（4）、警報器（6）、電源（9）和數據處理裝置，其特征是：所述數據處理裝置設置為包含有深度學習集成模塊（5）、全生命周期歷史數據庫（14）、故障多模態專家系統數據庫（7），所述深度學習集成模塊（5）設置為包含有卷積神經網絡(CNN)、深度信念網絡(DBN)、遞歸神經網絡(RNN)、堆疊自編碼器(SAE)、深度玻爾茲曼機(DBM)、長短期記憶模型(LSTM)、門控循環單元網絡(GRU)及神經圖靈機(NTM)等深度學習網絡模型，深度學習集成模塊（5）采用集成學習方法，自動優化設計組合策略，將多個有監督和無監督的深度學習算法模型組合在一起并行數據處理，框體（1）設置有腔體，在框體（1）上側中間位置處設置有無線信號收發裝置（18），在無線信號收發裝置（18）的左側設置有數據采集模塊（17），在在無線信號收發裝置（18）的右側設置有電源啟動按鈕（2）和電源關閉按鈕（3），在無線信號收發裝置（18）的正下方設置有顯示器（4），在顯示器（4）的正下方中間處設置有深度學習集成模塊（5），在深度學習集成模塊（5）的左側設置有USB接口（15），在深度學習集成模塊（5）的右側設置有警報器（6），在深度學習集成模塊（5）的下方左側設置有全生命周期歷史數據庫（14），在全生命周期歷史數據庫（14）的右側設置有故障多模態專家系統數據庫（7），在故障多模態專家系統數據庫（7）的正下方右側設置有存儲器（8），在存儲器（8）的左側設置有GPU（10）、在GPU（10）的左側設置有CPU（11），在CPU（11）的左側設置有網絡模塊（13），在框體（1）的最底端右側設置有電源（9），在電源（9）的左側設置有外部設備控制接口（12），框體（1）內的所有部件采用導線（16）連接在一起構成通路。

2.根據權利要求1所述的基于集成深度學習的柴油發電機故障預測與監測系統裝置；其特征是：全生命周期歷史數據庫（14）設置為包含有已退役的K臺同類型的柴油發電機自服役到退役整個運行階段的全部監測離線數據總集{φ}，每臺機器采集N個指標，其指標設置為包含有振動信號、噪聲信號、電力信號、轉速信號及其他用于柴油發電機故障檢測的常規信號指標，每一種監測指標設置有Q個傳感器測量點，每一個傳感器所測得的數據均為一個時間序列樣本，數據總集{φ}是一個K×N×Q的多維多模態的高維張量矩陣數據集，所述故障多模態專家系統數據庫（7）設置為包含有全生命周期歷史數據庫（14）中的K臺柴油發電機自從服役到退役整個運行階段中所有出現過的故障特征數據組總集及對應的故障類別標記，中央處理器CPU（11）設置為采用反向倒推類比方法，對全生命周期歷史數據庫（14）中的監測大數據總集{φ}進行數據切割，將K臺同類型柴油發電機出現某類相同故障的數據段進行截斷提取重新組合，并按照反向時間序列的方式進行排序，假設該故障類別為故障A，即：以故障A出現的時刻為起點，至前一次他類故障（故障B）出現的時刻為終點，截取故障A至故障B之間的數據作為故障A的時間序列數據段；以M表示一臺機器中出現故障A的次數，N表示每一次故障A出現時均有N個指標（振動、噪聲、電力等）被監測，Q表示每一個監測指標均布置有Q個傳感器測量點，則一臺機器出現故障A所獲得的數據可構成一個M×N×Q的多維數據組{δ_A}；將全生命周期歷史數據庫（14）中所有的K臺機器出現過故障A的數據構成一個K×M×N×Q數據組總集{Ψ_A }；數據組總集{Ψ_A }在進行數據組合時，以故障A出現的時刻為參考點進行數據對齊，按時間軸的反方向構成反向時間序列樣本數據組總集{Ψ_A’}，數據組總集{Ψ_A’}對應故障類型A，共有K×M×N×Q個反向時間序列樣本；通過深度學習集成模塊（5）中的各類網絡模型對故障A的反向時間序列數據組總集{Ψ_A’}中的數據進行迭代學習，實現數據的深度挖掘和特征提取，并將故障A的數據組總集{Ψ_A’}以反向時間軸為方向按故障嚴重程序劃分為嚴重、顯著、輕微、微小和正常多種級別，最終把數據組總集{Ψ_A’}的特征信息集合和對應的故障A識別符號組成一個故障模式類存儲到故障多模態專家系統數據庫（7）中；每一類故障（故障B、故障C……）均采用這種方式建立一個對應的數據組總集（{Ψ_B’}_、{Ψ_C’}……），構成故障總集{Τ}，并將所有故障的總數據集{Τ}存儲到故障多模態專家系統數據庫（7）中。