[發(fā)明專利]一種設備故障診斷方法

在審

• 申請?zhí)枺?/td>: 201910160658.1
• 申請日: 2019-03-04
• 公開（公告）號: CN109670595A
• 公開（公告）日: 2019-04-23
• 發(fā)明（設計）人: 游張平
• 申請（專利權(quán)）人: 麗水學院
• 主分類號: G06N5/02
• 分類號: G06N5/02;G06N3/02
• 代理公司: 杭州浙科專利事務所(普通合伙) 33213
• 代理人: 張健

1.一種設備故障診斷方法，其特征在于，依次包括如下步驟：

步驟1：故障診斷訓練步驟：總結(jié)基礎學習樣本；擴充基礎學習樣本；根據(jù)輸入與輸出數(shù)量，建立故障診斷結(jié)構(gòu)模型，存儲生成故障模式知識庫；

步驟2：故障診斷運行步驟：從實時數(shù)據(jù)庫中獲取異常樣本信息數(shù)據(jù)，經(jīng)濾波降噪處理后，進一步模糊預處理，進入已訓練好的神經(jīng)網(wǎng)絡模型中進行計算，輸出最終故障診斷結(jié)果。

2.根據(jù)權(quán)利要求1所述的一種設備故障診斷方法，其特征在于，所述步驟1的具體步驟為：

(1.1)根據(jù)領域知識歸納總結(jié)出用于故障識別的基礎學習樣本；

(1.2)按照表1區(qū)間與樣本數(shù)量的正態(tài)分布約束關(guān)系，隨機生成每種故障工況樣本數(shù)量為N的學習樣本數(shù)據(jù)，擴充基礎學習樣本，形成完備的學習樣本；表中，μ為正常工況下輸入樣本的均值，σ為正常工況下輸入樣本的均方差；表征正常工況下各測量參數(shù)樣本均方差與樣本均值的比值，即表中，[]表示對計算結(jié)果取整；

表1 樣本數(shù)量與樣本區(qū)間的關(guān)系

(1.3)將影響因素作為神經(jīng)網(wǎng)絡的輸入，故障類別作為神經(jīng)網(wǎng)絡的輸出，隱含層單元數(shù)則根據(jù)輸入層與輸出層的數(shù)量利用經(jīng)驗公式與試算進行確定，建立神經(jīng)網(wǎng)絡故障診斷結(jié)構(gòu)模型；

(1.4)利用已擴充完備的學習樣本訓練神經(jīng)網(wǎng)絡診斷模型，存儲生成故障模式知識庫。

3.根據(jù)權(quán)利要求1所述的一種設備故障診斷方法，其特征在于，所述步驟2的具體步驟為：

(2.1)從實時數(shù)據(jù)庫中獲取異常樣本信息數(shù)據(jù)；

(2.2)對異常樣本信息數(shù)據(jù)進行滑動平均濾波降噪處理；

(2.3)對濾波后的數(shù)據(jù)進行模糊量化預處理轉(zhuǎn)化為模糊數(shù)據(jù)；其中，狀態(tài)變量域低的轉(zhuǎn)換采用降半梯形分布的模糊隸屬函數(shù)，并確定權(quán)值系數(shù)為0.1；狀態(tài)變量域正常的轉(zhuǎn)換都采用梯形分布的隸屬函數(shù)，并確定權(quán)值系數(shù)為0.5；狀態(tài)變量域高的轉(zhuǎn)換采用升半梯形分布的隸屬函數(shù)，并確定權(quán)值系數(shù)為0.9；

(2.4)運用已訓練好的神經(jīng)網(wǎng)絡對模糊預處理后的數(shù)據(jù)進行數(shù)值計算，得到輸出層各神經(jīng)元的輸出；

(2.5)根據(jù)神經(jīng)網(wǎng)絡輸出層各神經(jīng)元的輸出；判斷故障類型。