[發(fā)明專(zhuān)利]一種工業(yè)系統(tǒng)的故障診斷方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202010171480.3
• 申請(qǐng)日: 2020-03-12
• 公開(kāi)（公告）號(hào): CN111340238A
• 公開(kāi)（公告）日: 2020-06-26
• 發(fā)明（設(shè)計(jì)）人: 黃科科;陽(yáng)春華;吳淑潔;朱紅求;李勇剛
• 申請(qǐng)（專(zhuān)利權(quán)）人: 中南大學(xué)
• 主分類(lèi)號(hào): G06N20/00
• 分類(lèi)號(hào): G06N20/00;G06N3/04;G06N3/08;G06K9/62;G01M99/00;G01M13/04;G01R31/00
• 代理公司: 長(zhǎng)沙市融智專(zhuān)利事務(wù)所(普通合伙) 43114
• 代理人: 龔燕妮

1.一種工業(yè)系統(tǒng)的故障診斷方法，其特征在于，包括：

構(gòu)建訓(xùn)練樣本集：獲取工業(yè)系統(tǒng)預(yù)設(shè)的多個(gè)傳感器所輸出的歷史原始序列以及對(duì)應(yīng)的工業(yè)系統(tǒng)故障類(lèi)型；針對(duì)每種故障類(lèi)型，均從歷史原始序列中隨機(jī)選取時(shí)間跨度為T(mén)的N個(gè)時(shí)間片段，將不同傳感器在同一時(shí)間片段內(nèi)的數(shù)據(jù)依次進(jìn)行拼接，并將拼接得到的重構(gòu)序列進(jìn)行歸一化處理，得到與時(shí)間片段對(duì)應(yīng)的預(yù)處理序列；將每個(gè)預(yù)處理序列均作為1個(gè)訓(xùn)練樣本，故每種故障類(lèi)型的N個(gè)時(shí)間片段，對(duì)應(yīng)得到N個(gè)訓(xùn)練樣本；

訓(xùn)練故障診斷模型：以所有訓(xùn)練樣本為輸入、訓(xùn)練樣本對(duì)應(yīng)的故障類(lèi)型為輸出，訓(xùn)練深度學(xué)習(xí)模型，得到工業(yè)系統(tǒng)故障診斷模型；

診斷樣本預(yù)處理：實(shí)時(shí)獲取工業(yè)系統(tǒng)預(yù)設(shè)的多個(gè)傳感器所輸出的原始序列，從中截取時(shí)間跨度為T(mén)的時(shí)間片段，將不同傳感器在該時(shí)間片段內(nèi)的數(shù)據(jù)依次進(jìn)行拼接，并將拼接得到的重構(gòu)序列進(jìn)行歸一化處理，得到診斷樣本；

在線診斷工業(yè)系統(tǒng)的故障：將診斷樣本輸入至工業(yè)系統(tǒng)故障診斷模型，得到工業(yè)系統(tǒng)的故障類(lèi)型。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述預(yù)設(shè)的多個(gè)傳感器，包括至少3種不同的采樣率。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，每?jī)蓚€(gè)傳感器的采樣率之比均小于1：30。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述機(jī)器學(xué)習(xí)模型的構(gòu)架，按輸入至輸出的順序依次包括：1D-CNN、LSTM、全連接層、批歸一化層和分類(lèi)器。

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述1D-CNN包括3個(gè)卷積層和分別跟隨于每個(gè)卷積層后設(shè)置的3個(gè)池化層；所述3個(gè)卷積層分別采用不同大小的卷積核，且所述池化層采用最大池化層。

6.根據(jù)權(quán)利要求4所述的方法，其特征在于，若工業(yè)系統(tǒng)的故障類(lèi)型僅有2個(gè)，則所述分類(lèi)器采用Sigmoid函數(shù)；若工業(yè)系統(tǒng)的故障類(lèi)型大于2個(gè)，則所述分類(lèi)器采用Softmax函數(shù)。

7.根據(jù)權(quán)利要求1所述的方法，其特征在于，采用反向傳播算法訓(xùn)練故障診斷模型，并以交叉熵函數(shù)作為代價(jià)函數(shù)驅(qū)動(dòng)故障診斷模型的參數(shù)更新和優(yōu)化；在訓(xùn)練故障診斷模型的過(guò)程中，采用自適應(yīng)矩估計(jì)隨機(jī)優(yōu)化算法來(lái)最小化代價(jià)函數(shù)。

8.一種工業(yè)系統(tǒng)的故障診斷裝置，其特征在于，包括：

訓(xùn)練樣本集構(gòu)建模塊，用于：獲取工業(yè)系統(tǒng)預(yù)設(shè)的多個(gè)傳感器所輸出的歷史原始序列以及對(duì)應(yīng)的工業(yè)系統(tǒng)故障類(lèi)型；針對(duì)每種故障類(lèi)型，均從歷史原始序列中隨機(jī)選取時(shí)間跨度為T(mén)的N個(gè)時(shí)間片段，將不同傳感器在同一時(shí)間片段內(nèi)的數(shù)據(jù)依次進(jìn)行拼接，并將拼接得到的重構(gòu)序列進(jìn)行歸一化處理，得到與時(shí)間片段對(duì)應(yīng)的預(yù)處理序列；將每個(gè)預(yù)處理序列均作為1個(gè)訓(xùn)練樣本，故每種故障類(lèi)型的N個(gè)時(shí)間片段，對(duì)應(yīng)得到N個(gè)訓(xùn)練樣本；

故障診斷模型訓(xùn)練模塊，用于：以所有訓(xùn)練樣本為輸入、訓(xùn)練樣本對(duì)應(yīng)的故障類(lèi)型為輸出，訓(xùn)練深度學(xué)習(xí)模型，得到工業(yè)系統(tǒng)故障診斷模型；

診斷樣本預(yù)處理模塊，用于：實(shí)時(shí)獲取工業(yè)系統(tǒng)預(yù)設(shè)的多個(gè)傳感器所輸出的原始序列，從中截取時(shí)間跨度為T(mén)的時(shí)間片段，將不同傳感器在該時(shí)間片段內(nèi)的數(shù)據(jù)依次進(jìn)行拼接，并將拼接得到的重構(gòu)序列進(jìn)行歸一化處理，得到診斷樣本；

工業(yè)系統(tǒng)故障在線診斷模塊，即由故障診斷模型訓(xùn)練模塊得到的工業(yè)系統(tǒng)故障診斷模型，用于：對(duì)診斷樣本進(jìn)行診斷，得到工業(yè)系統(tǒng)的故障類(lèi)型。

9.一種設(shè)備，其特征在于，包括處理器和存儲(chǔ)器；其中：所述存儲(chǔ)器用于存儲(chǔ)計(jì)算機(jī)指令；所述處理器用于執(zhí)行所述存儲(chǔ)器存儲(chǔ)的計(jì)算機(jī)指令，具體執(zhí)行如權(quán)利要求1-7任一所述的方法。

10.一種計(jì)算機(jī)存儲(chǔ)介質(zhì)，其特征在于，用于存儲(chǔ)程序，所述程序被執(zhí)行時(shí)，用于實(shí)現(xiàn)如權(quán)利要求1-7任一所述的方法。