[發明專利]一種工業系統的故障診斷方法、裝置、設備及存儲介質

在審

• 申請號: 202010171480.3
• 申請日: 2020-03-12
• 公開（公告）號: CN111340238A
• 公開（公告）日: 2020-06-26
• 發明（設計）人: 黃科科;陽春華;吳淑潔;朱紅求;李勇剛
• 申請（專利權）人: 中南大學
• 主分類號: G06N20/00
• 分類號: G06N20/00;G06N3/04;G06N3/08;G06K9/62;G01M99/00;G01M13/04;G01R31/00
• 代理公司: 長沙市融智專利事務所(普通合伙) 43114
• 代理人: 龔燕妮

本發明公開了一種工業系統的故障診斷方法、裝置、設備及存儲介質，其中方法包括：獲取工業系統預設的多個傳感器所輸出的歷史原始序列以及對應的工業系統故障類型，將不同傳感器在同一時間片段內的數據依次進行拼接，并將拼接得到的重構序列進行歸一化處理，得到與時間片段對應的預處理序列，以作為訓練樣本；以所有訓練樣本訓練深度學習模型，得到工業系統故障診斷模型；按照與訓練樣本相同的獲取方法，從實時獲取的原始序列中獲取診斷樣本，使用工業系統故障診斷模型和診斷樣本對工業系統進行在線診斷。本發明對不同傳感器的采樣率沒有要求，可以保留傳感器的大部分原始數據，提高故障診斷的準確度。

技術領域

本發明涉及故障診斷領域，具體涉及一種工業系統的故障診斷方法、裝置、設備及存儲介質。

背景技術

隨著工業系統的開支和復雜性的增加，故障診斷受到了廣泛的關注，準確的故障診斷可以顯著減少安全隱患、降低性能退化以及提高生產效率。智能制造的蓬勃發展為數據驅動的故障診斷方法提供了新的機遇，它利用歷史數據建立故障診斷模型，基于傳感器采集的在線數據進行決策。

數據驅動的故障診斷方法通常包括四個步驟：數據收集、特征提取、模型訓練和基于模型的故障診斷。在數據采集的過程中，多種傳感器數據信號，如振動、電流、壓力、速度和溫度等信號，可以提供比使用單一傳感器更多的信息，從而提高診斷的準確性。因此，在復雜的系統中，多傳感器數據融合是一種更好的故障診斷方法。機器學習是傳統的數據驅動故障診斷方法之一。Banerjee等人提出了一種基于支持向量機(SVM)和短時傅里葉變換的多傳感器數據融合方法。He等人提取頻域和時域故障特征作為條件指標，構建了一個基于k近鄰算法的故障分類器。Li等人利用聲學和振動信號提出了一種用于齒輪箱故障診斷的深度隨機森林(RF)融合技術。盡管機器學習方法成果顯著，它們仍然存在一些弱點。首先，手工特征提取需要先驗領域知識和專家知識；其次，特征提取和機器學習模型無法被同時優化；最后，由于數據驅動方法一般是基于特定系統的，因此對于一個新系統而言有必要重新設計其特征提取方案。

作為機器學習的一個分支，深度學習成功地解決了以上問題。深度學習的特點是不需要專家知識就可以挖掘原始數據的特征信息。通過建立深度模型，可以很好地建立輸入數據與故障類別之間的映射關系，從而避免重新設計新模型。另外，由于特征學習和目標預測自適應地融合到整個神經網絡中，深度學習可以自動地對所有模型參數進行聯合訓練和優化。Jing等人提出了一種基于深度卷積神經網絡(deep convolutional neuralnetworks,DCNN)的自適應多傳感器數據融合方法，該方法可以為特定的任務選擇最佳的融合水平。Wang等人提出了一種基于多傳感器數據融合和瓶頸層優化卷積神經網絡(MB-CNN)的旋轉機械故障識別方法。Chen等人提出了一種基于DCNN的數據融合方法，將水平和垂直振動信號的原始數據融合在一起，自動提取特征。Wang等人通過對電機振動和定子電流信號的多尺度分析，提出了一種基于深度學習的多分辨率多傳感器融合網絡(MRSFN)模型用于電機故障診斷。