[發(fā)明專利]一種基于深度神經(jīng)網(wǎng)絡(luò)的機(jī)電設(shè)備故障診斷方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010426915.4
• 申請(qǐng)日: 2020-05-19
• 公開（公告）號(hào): CN111666982B
• 公開（公告）日: 2023-04-18
• 發(fā)明（設(shè)計(jì)）人: 張健鵬;張東生;畢道偉;匡紅波;鐘華;卜江濤;劉歡;張艷婷
• 申請(qǐng)（專利權(quán)）人: 上海核工程研究設(shè)計(jì)院股份有限公司
• 主分類號(hào): G06F18/24
• 分類號(hào): G06F18/24;G06N3/045;G06N3/088;G06N3/084;G06N3/09;G06F18/214;G06Q10/20
• 代理公司: 上海政濟(jì)知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 31479
• 代理人: 輦甲武

本發(fā)明公開的一種基于深度神經(jīng)網(wǎng)絡(luò)的機(jī)電設(shè)備故障診斷方法，包括數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理、深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練、機(jī)電設(shè)備故障在線識(shí)別和未知故障自動(dòng)學(xué)習(xí)。本發(fā)明不依賴人工選擇故障特征，能夠較為全面的學(xué)習(xí)設(shè)備狀態(tài)監(jiān)測(cè)數(shù)據(jù)中蘊(yùn)含的信息，該方法可以實(shí)現(xiàn)設(shè)備狀態(tài)數(shù)據(jù)到故障類別的自動(dòng)擬合，減少了進(jìn)行故障診斷算法開發(fā)的工作量，該方法通過(guò)對(duì)未知故障的學(xué)習(xí)，可以實(shí)現(xiàn)故障診斷功能的不斷拓展，提高系統(tǒng)的投資效益。

技術(shù)領(lǐng)域

本發(fā)明屬于機(jī)電設(shè)備狀態(tài)監(jiān)測(cè)領(lǐng)域，特別是用于解決核電等領(lǐng)域機(jī)電設(shè)備狀態(tài)監(jiān)測(cè)和故障診斷領(lǐng)域。

背景技術(shù)

機(jī)電設(shè)備健康監(jiān)測(cè)已經(jīng)進(jìn)入大數(shù)據(jù)時(shí)代，機(jī)電設(shè)備大數(shù)據(jù)成為揭示機(jī)械故障演化過(guò)程及機(jī)理的重要資源。但機(jī)械裝備本身結(jié)構(gòu)和機(jī)理復(fù)雜，再加上其所處惡劣運(yùn)行環(huán)境的干擾，以及其復(fù)雜任務(wù)帶來(lái)的工況變化，致使機(jī)械設(shè)備大數(shù)據(jù)分析、處理與診斷困難重重。以往的智能診斷算法，難以應(yīng)對(duì)大數(shù)據(jù)處理需求。因此需要以深度學(xué)習(xí)為代表的人工智能技術(shù)，來(lái)應(yīng)對(duì)機(jī)電大數(shù)據(jù)處理需求。

深度學(xué)習(xí)旨在通過(guò)模擬大腦的學(xué)習(xí)過(guò)程，構(gòu)建深度神經(jīng)網(wǎng)絡(luò)，結(jié)合海量的訓(xùn)練數(shù)據(jù)，通過(guò)多層的非線性變換，組合低層特征形成更加抽象的高層表示，使得一個(gè)學(xué)習(xí)系統(tǒng)能夠不依賴人工的特征選擇，學(xué)習(xí)到復(fù)雜的表達(dá)函數(shù)，來(lái)發(fā)現(xiàn)大數(shù)據(jù)中蘊(yùn)含的故障特征，即利用大數(shù)據(jù)來(lái)學(xué)習(xí)特征，從而刻畫大數(shù)據(jù)豐富的內(nèi)在信息，實(shí)現(xiàn)故障數(shù)據(jù)和設(shè)備故障類別的擬合，最終提升故障分類或預(yù)測(cè)的精度。同時(shí)，本方法對(duì)于與訓(xùn)練樣本存在較大差異的未知故障進(jìn)行判斷，重新調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)，學(xué)習(xí)網(wǎng)絡(luò)參數(shù)，實(shí)現(xiàn)自動(dòng)學(xué)習(xí)。

發(fā)明內(nèi)容

本發(fā)明通過(guò)深度學(xué)習(xí)網(wǎng)絡(luò)，針對(duì)監(jiān)測(cè)系統(tǒng)獲取的海量數(shù)據(jù)進(jìn)行訓(xùn)練，通過(guò)多層非線性變換，對(duì)數(shù)據(jù)特征進(jìn)行自動(dòng)提取，完成故障數(shù)據(jù)和故障類別的擬合，最終實(shí)現(xiàn)機(jī)電設(shè)備故障的在線診斷功能。

一種基于深度神經(jīng)網(wǎng)絡(luò)的機(jī)電設(shè)備故障診斷方法，包括數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理、深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練、機(jī)電設(shè)備故障在線識(shí)別和未知故障自動(dòng)學(xué)習(xí)；

所述數(shù)據(jù)采集系統(tǒng)是在機(jī)電設(shè)備上安裝傳感器和數(shù)據(jù)采集器，所述傳感器采集設(shè)備狀態(tài)信息，所述數(shù)據(jù)采集器將所述設(shè)備狀態(tài)信息數(shù)據(jù)保存到歷史數(shù)據(jù)庫(kù)；

所述數(shù)據(jù)預(yù)處理系統(tǒng)為將所述設(shè)備狀態(tài)信息數(shù)據(jù)集進(jìn)行包括無(wú)效剔除、格式規(guī)整、采樣同步、數(shù)據(jù)去均值和數(shù)據(jù)去趨勢(shì)；

所述無(wú)效剔除為根據(jù)機(jī)電設(shè)備運(yùn)行特點(diǎn)，利用異常檢測(cè)方法對(duì)無(wú)效數(shù)據(jù)進(jìn)行自動(dòng)識(shí)別和剔除；

所述格式規(guī)整為對(duì)采集后的數(shù)據(jù)進(jìn)行長(zhǎng)度匹配、時(shí)間節(jié)點(diǎn)對(duì)齊、數(shù)據(jù)格式統(tǒng)一；

所述采樣同步為確定各種機(jī)電設(shè)備的最大頻譜分辨率，對(duì)其他數(shù)據(jù)進(jìn)行重采樣，以確保頻譜分辨率一致；

所述數(shù)據(jù)去均值為方便監(jiān)測(cè)后續(xù)處理的計(jì)算工作量，調(diào)整數(shù)據(jù)信號(hào)均值不為零的方法；

所述數(shù)據(jù)去趨勢(shì)為采用最小二乘法以去除隨著時(shí)間變化發(fā)生信號(hào)偏離趨勢(shì)項(xiàng)；

所述深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練系統(tǒng)為自動(dòng)獲取數(shù)據(jù)中蘊(yùn)含的特征，完成故障數(shù)據(jù)和故障類別的擬合，從而實(shí)現(xiàn)機(jī)電設(shè)備故障診斷；

所述機(jī)電設(shè)備故障在線識(shí)別系統(tǒng)為自動(dòng)采集機(jī)電設(shè)備狀態(tài)數(shù)據(jù)，經(jīng)過(guò)數(shù)據(jù)預(yù)處理之后，輸入故障診斷深度神經(jīng)網(wǎng)絡(luò)，對(duì)設(shè)備健康狀態(tài)進(jìn)行診斷，輸出診斷結(jié)果；

所述自動(dòng)學(xué)習(xí)未知故障系統(tǒng)為重構(gòu)誤差超過(guò)閾值，判斷為輸入數(shù)據(jù)特征模式與訓(xùn)練數(shù)據(jù)存在較大差異，可能是新出現(xiàn)的未知故障，對(duì)未知故障進(jìn)行標(biāo)記，確定實(shí)際的故障類別后更新故障類別表，形成新的所述設(shè)備狀態(tài)信息數(shù)據(jù)集，調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)，重置網(wǎng)絡(luò)參數(shù)，通過(guò)添加了所述設(shè)備狀態(tài)信息數(shù)據(jù)集的訓(xùn)練數(shù)據(jù)對(duì)模型進(jìn)行重新訓(xùn)練，并使用驗(yàn)證數(shù)據(jù)集對(duì)所述設(shè)備故障診斷網(wǎng)絡(luò)進(jìn)行驗(yàn)證，完成驗(yàn)證后，形成新的所述設(shè)備故障診斷網(wǎng)絡(luò)，并重新部署在設(shè)備所述數(shù)據(jù)采集系統(tǒng)。