[發明專利]一種基于DNN的復雜設備多重故障診斷方法

有效

• 申請號: 201810648180.2
• 申請日: 2018-06-22
• 公開（公告）號: CN109034368B
• 公開（公告）日: 2021-10-15
• 發明（設計）人: 楊順昆;邊沖;黃婷婷;楊嘉明;林歐雅;曾福萍;茍曉東;李大慶
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08
• 代理公司: 北京慧泉知識產權代理有限公司 11232
• 代理人: 王順榮;唐愛華

本發明提供一種基于DNN的復雜設備多重故障診斷方法，步驟如下：1、采集設備的多重故障日志，統計并匯總故障信息；2、依靠專家知識定位多重故障的根源；3、按照時間特征整合日志信息，得到時序數據集；4、預處理時序數據集；5、對數據集進行數值量化；使用詞嵌入作為DNN的首層網絡；在網絡層后添加Dropout；6、建立LSTM網絡層；7、建立MLP網絡層；8、設置DNN的學習參數；9、劃分數據集；10、使用劃分的數據集對DNN進行學習和測試；本發明對多重故障日志進行處理，得到時序數據集；建立包含詞嵌入網絡層、LSTM網絡層以及MLP網絡層的DNN模型；劃分數據集后，利用批量訓練數據集和驗證數據集對DNN進行學習，并采用測試數據集評估DNN識別根源故障的準確性。

技術領域

本發明提供一種基于DNN的復雜設備多重故障診斷方法，它涉及一種基于DNN的復雜設備多重故障診斷方法的實現，屬于復雜設備可靠性、復雜設備故障診斷領域。

背景技術

隨著工業技術的快速發展，現代設備的功能越來越強大，其規模與復雜度也隨之增加，設備故障或安全隱患若不能及時診斷并得到有效處理將導致災難性后果。通常，復雜設備由大量部件組成，這些部件在運行過程中存在著復雜、繁多的耦合關系，單一或少數部件發生的故障，會通過部件之間的耦合關系進行傳播，產生連鎖效應并演變為大范圍的故障，最終造成系統整體崩潰。在這種情況下，工作人員要在短時間內處理眾多故障信息并準確地判斷出故障根源是極其困難的，如何快速定位故障并加以消除，從而恢復設備的正常運行，是目前故障診斷領域的一個關鍵問題。本發明提出了一種基于深度神經網絡(DeepNeural Network，簡稱DNN)的復雜設備多重故障診斷方法，該方法首先使用數據預處理技術剔除多重故障時序數據中的無效信息。其次采用神經語言網絡模型對時序文本進行數值量化，獲得故障案例的時序向量。再次運用長短期記憶(Long-Short Term Memory，簡稱LSTM)神經網絡對多重故障時序向量進行學習并獲取多重故障的時間特征序列。最后利用全連接的多層感知器(Multi-layerPerceptron，簡稱MLP)神經網絡對時間特征序列進行學習，獲得能夠根據故障時序信息識別設備多重故障根源的DNN模型。

該方法基于DNN技術，融合故障分析與故障處理等相關理論、方法和技術進行實現，在提高復雜設備維護性的同時，達到提高復雜設備可靠性、安全性以及可用性的目的。

發明內容

(一)本發明目的

目前，基于機器學習的故障診斷方法盡管能夠精確地識別復雜設備的單一和多個獨立故障，但卻不能有效識別引發設備多重故障的根源故障，無法滿足安全苛求系統的高可靠需求。因此，本發明將克服現有技術的不足，提供一種基于DNN的復雜設備多重故障診斷方法。該方法使用詞嵌入網絡將多重故障案例文本轉換為時序向量。利用時序向量數據對LSTM網絡進行有監督學習，得到能夠識別多重故障時間特征的中間網絡層。并在LSTM中間層輸出的多重故障時間特征數據的基礎上，采用MLP網絡進行有監督學習，最后通過基于梯度的優化算法完成整體DNN的參數調節與構建。學習得到的DNN網絡在輸入設備的多重故障癥狀信息后，能有效地識別造成這一多重連鎖故障的根源故障，用于設備的故障診斷與預測。這一方法構建得到的DNN模型能對復雜設備的多重故障的根源進行有效識別和定位，為故障診斷領域提供了一種新的解決方法，并對現有的故障識別方法進行了創新。

(二)技術方案

本發明一種基于DNN的復雜設備多重故障診斷方法，其步驟如下：

步驟1、采集記錄設備多重故障的日志文件，統計并匯總設備故障發生的位置、類型、表現癥狀；

步驟2、依靠專家知識對多重故障的根源故障進行定位，得到各日志記錄的多重故障所對應的根源故障；

步驟3、對日志文件記錄的多重故障信息按照時間特征進行整合，得到多重故障時序數據集；

步驟4、對多重故障時序數據集的樣本進行預處理，獲得格式統一的時序數據集；