[發明專利]一種復雜系統狀態監測及故障診斷方法

有效

• 申請號: 201910592051.0
• 申請日: 2019-07-03
• 公開（公告）號: CN110515781B
• 公開（公告）日: 2021-06-22
• 發明（設計）人: 沈海闊;姜婕;黃露
• 申請（專利權）人: 北京交通大學
• 主分類號: G06F11/22
• 分類號: G06F11/22;G06F11/07;G06K9/00;G06K9/62
• 代理公司: 北京市誠輝律師事務所 11430
• 代理人: 楊帥峰

1.一種復雜系統狀態監測及故障診斷方法，包括：

S1、采集待監測、診斷的信號進行解析；

S2、對所述信號進行閾值分析或者進行閾值分析和時序分析；

S3、若所述閾值分析和/或時序分析結果異常，則輸出異常結果至故障專家診斷模塊進行故障診斷；

在所述步驟S2中，利用閾值判斷模塊對解析后的信號進行閾值是否超差的判斷，并將超差標志位及解析后的數據按時序存儲至數據庫中；

在所述步驟S2中，對所述信號進行閾值分析之后，再判定是否需要對所述信號進行時序分析，判定需要對所述信號進行時序分析時，利用時序特征識別模型對所述信號進行時序分析，包括：

S21、構建卷積神經網絡模型作為時序特征識別模型；

S22、對信號數據進行可視化處理形成時序圖像；

S23、對所述時序圖像進行預處理；

S24、利用所述時序特征識別模型對于預處理后的時序圖像進行時序特征識別，輸出結果；

所述步驟S21包括：

S211、采集不同時序狀態下的信號數據，對信號數據基于時序進行可視化處理形成可視化圖像；

S212、根據采集時的時序狀態，對可視化圖像依次進行分類和預處理，將預處理后的圖像根據分類制作成數據集；

S213、創建卷積神經網絡模型和/或選擇現有的模型結構并設置預訓練參數；

S214、利用所述步驟S212中獲得的數據集對所述卷積神經網絡模型或現有模型結構進行訓練、測試及驗證后作為所述時序特征識別模型；

在所述步驟S212中，將預處理后的圖像按照正常類別和故障類分別制作成數據集；

所述數據集包括訓練集、測試集和驗證集；

在所述步驟S213中，創建Sample模型同時選擇現有的Inception-v3模型設置預訓練參數；

所述Sample模型包括一個輸入層、兩個隱藏層、兩個全連接層及一個softmax分類層；

所述步驟S214包括：

使用訓練集對Sample模型和Inception-v3模型進行訓練；

之后使用所述測試集對訓練后的所述模型進行測試，再使用所述驗證集對所述模型進行驗證，若所述模型滿足時序特征識別要求，則將其作為所述時序特征識別模型；

若不滿足，則修改歷史模式參數設置，重新對所述模型進行訓練、測試和驗證，直至滿足時序特征識別要求，將所述模型作為時序特征識別模型；

利用Inception-v3模型進行時序特征識別時通過限制圖像識別結果概率進行系統優化，在圖像識別結果概率低于90％時默認圖像識別結論錯誤，使用Sample模型重新進行該信號的時序特征識別；

在Inception-v3模型對信號時序特征識別監測到異常后，使用Sample模型對識別結果進行復核；若復核結果與Inception-v3模型的識別結果一致，則輸出異常結果；

若復核結果不一致，則使用Sample模型的識別到的異常結果替代Inception-v3模型識別到的異常結果，進行輸出；

在所述步驟S3中，根據閾值分析輸出的異常結果和/或時序分析輸出的異常結果，利用知識庫中的知識規則進行故障現象匹配，然后推理機基于知識規則進行故障推理，得到故障診斷結論；

所述故障推理類型包括基于單信號閾值分析輸出的異常結果確定的故障、基于單信號時序分析輸出的異常結果確定的故障、基于多個單信號閾值分析輸出的異常結果確定的故障、基于多個單信號時序分析輸出的異常結果確定的故障、基于閾值分析輸出的異常結果和時序分析輸出的異常結果確定的故障。