[發明專利]一種面向工業設備數據的故障診斷方法及系統

在審

• 申請號: 202011383852.5
• 申請日: 2020-12-01
• 公開（公告）號: CN112633493A
• 公開（公告）日: 2021-04-09
• 發明（設計）人: 柴森春;王昭洋;王統銘;姚分喜;張百海;崔靈果;李慧芳
• 申請（專利權）人: 北京理工大學
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06N3/04;G06N3/00;G06F17/16
• 代理公司: 北京高沃律師事務所 11569
• 代理人: 王愛濤

1.一種面向工業設備數據的故障診斷方法，其特征在于，所述方法包括：

獲取各種故障類型下多個傳感器的檢測數據，各所述傳感器的檢測數據為多個；

為各所述傳感器構建一個深度置信網絡；

對各所述深度置信網絡進行優化，確定各所述深度置信網絡的網絡超參數；

以所述傳感器的檢測數據為輸入，以所述傳感器的檢測數據對應的故障類型的概率為輸出，訓練優化后的各所述深度置信網絡；

將待診斷檢測數據輸入訓練后的各所述深度置信網絡中，輸出多個各故障類型的概率；

采用基于皮爾遜系數的改進D-S證據理論對各所述故障類型的概率值進行決策層融合，輸出故障類型。

2.根據權利要求1所述的面向工業設備數據的故障診斷方法，其特征在于，所述為各所述傳感器構建一個深度置信網絡，具體包括：

初始化各深度置信網絡：設置各所述深度置信網絡的網絡節點數、訓練學習率、動量參數和迭代次數。

3.根據權利要求1所述的面向工業設備數據的故障診斷方法，其特征在于，所述對各所述深度置信網絡進行優化，確定各所述深度置信網絡的網絡超參數，具體包括：

采用量子粒子群算法對各所述深度置信網絡進行優化，確定各所述深度置信網絡的網絡超參數。

4.根據權利要求3所述的面向工業設備數據的故障診斷方法，其特征在于，所述采用量子粒子群算法對各所述深度置信網絡進行優化，確定各所述深度置信網絡的網絡超參數，具體包括：

設定粒子群的種群規模和最大迭代數，并生成給定數量的粒子群；所述粒子群中每個粒子表示一個所述深度置信網絡的待優化超參數；

設定所述粒子群的適應度函數；

計算各粒子的初始適應度；

將各粒子的初始適應度作為各粒子的個體極值；

將各個體極值中的最優值作為群體極值并計算所述粒子的平均適應度；

根據所述群體極值、所述平均適應度和各粒子的所述個體極值更新各粒子的位置；

計算各粒子的適應度，初始化迭代數；

將各粒子的所述適應度作為各粒子的個體極值；

將各個體極值中的最優值作為群體極值并計算所述粒子的平均適應度，所述迭代數加1；

判斷所述迭代數是否達到最大迭代數；

若否，則返回“根據所述群體極值、所述平均適應度和各粒子的所述個體極值更新各粒子的位置”；

若是，則將所述群體極值對應的粒子表示的參數作為所述深度置信網絡的網絡超參數。

5.根據權利要求1所述的面向工業設備數據的故障診斷方法，其特征在于，所述采用基于皮爾遜系數的改進D-S證據理論對各所述故障類型的概率值進行決策層融合，輸出故障類型，具體包括：

將各所述深度置信網絡輸出的多個各故障類型的概率作為初始概率分配矩陣；

計算各傳感器證據體之間的相關性系數；

根據各所述相關性系數獲得各傳感器證據體之間的相關性矩陣；

計算各所述傳感器證據體的可信度；

根據各所述傳感器證據體的可信度修正所述初始概率分配矩陣；

將修正后的所述初始概率分配矩陣中概率為0的項修改為0.001，將概率最大的項減去0.001，獲得修正后的概率分配矩陣；

根據所述修正后的概率分配矩陣，采用D-S證據理論的合成規則計算每個故障類型的概率值；

將各故障類型的概率值中最大值對應的故障類型作為輸出結果。