[發(fā)明專利]一種面向工業(yè)設(shè)備數(shù)據(jù)的故障診斷方法及系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202011383852.5
• 申請(qǐng)日: 2020-12-01
• 公開(kāi)（公告）號(hào): CN112633493A
• 公開(kāi)（公告）日: 2021-04-09
• 發(fā)明（設(shè)計(jì)）人: 柴森春;王昭洋;王統(tǒng)銘;姚分喜;張百海;崔靈果;李慧芳
• 申請(qǐng)（專利權(quán)）人: 北京理工大學(xué)
• 主分類號(hào): G06N3/08
• 分類號(hào): G06N3/08;G06N3/04;G06N3/00;G06F17/16
• 代理公司: 北京高沃律師事務(wù)所 11569
• 代理人: 王愛(ài)濤

本發(fā)明涉及一種面向工業(yè)設(shè)備數(shù)據(jù)的故障診斷方法及系統(tǒng)，方法包括：獲取各種故障類型下多個(gè)傳感器的檢測(cè)數(shù)據(jù)，各所述傳感器的檢測(cè)數(shù)據(jù)為多個(gè)；為各所述傳感器構(gòu)建一個(gè)深度置信網(wǎng)絡(luò)；對(duì)各所述深度置信網(wǎng)絡(luò)進(jìn)行優(yōu)化，確定各所述深度置信網(wǎng)絡(luò)的網(wǎng)絡(luò)超參數(shù)；以所述傳感器的檢測(cè)數(shù)據(jù)為輸入，以所述傳感器的檢測(cè)數(shù)據(jù)對(duì)應(yīng)的故障類型的概率為輸出，訓(xùn)練優(yōu)化后的各所述深度置信網(wǎng)絡(luò)；將待診斷檢測(cè)數(shù)據(jù)輸入訓(xùn)練后的各所述深度置信網(wǎng)絡(luò)中，輸出多個(gè)各故障類型的概率；采用基于皮爾遜系數(shù)的改進(jìn)D?S證據(jù)理論對(duì)各所述故障類型的概率值進(jìn)行決策層融合，輸出故障類型。本發(fā)明提高了故障診斷的準(zhǔn)確性。

技術(shù)領(lǐng)域

本發(fā)明涉及故障診斷技術(shù)領(lǐng)域，特別是涉及一種面向工業(yè)設(shè)備數(shù)據(jù)的故障診斷方法及系統(tǒng)。

背景技術(shù)

目前，工業(yè)生產(chǎn)在不斷地向著復(fù)雜化、智能化、精密化的方向發(fā)展。但在工業(yè)互聯(lián)網(wǎng)的發(fā)展過(guò)程中，還存在信息孤島、數(shù)據(jù)異構(gòu)、數(shù)據(jù)兼容等各種問(wèn)題。制造執(zhí)行系統(tǒng)(Manufacturing Execution System，MES)是面向車間執(zhí)行層的信息管理系統(tǒng)，可以為企業(yè)提供生產(chǎn)計(jì)劃管理、生產(chǎn)過(guò)程控制、產(chǎn)品質(zhì)量管理等功能，并且能夠很好地解決信息孤島、數(shù)據(jù)異構(gòu)、數(shù)據(jù)兼容等問(wèn)題。

在工業(yè)生產(chǎn)的故障診斷領(lǐng)域，通過(guò)MES系統(tǒng)可以實(shí)現(xiàn)設(shè)備數(shù)據(jù)的互聯(lián)互通。MES系統(tǒng)采集工業(yè)現(xiàn)場(chǎng)的機(jī)械設(shè)備數(shù)據(jù)，并對(duì)數(shù)據(jù)進(jìn)行清洗和語(yǔ)義抽取，解決了數(shù)據(jù)的異常和異構(gòu)問(wèn)題，最后將處理后的數(shù)據(jù)存入到統(tǒng)一的標(biāo)識(shí)數(shù)據(jù)庫(kù)中，以進(jìn)行后續(xù)的對(duì)設(shè)備故障數(shù)據(jù)的智能分析和診斷。

關(guān)于故障診斷方法選取，在基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法中，故障診斷方法有基于優(yōu)化機(jī)器學(xué)習(xí)的方法，例如小波變換算法、蟻群算法等；也有基于深度學(xué)習(xí)的方法，例如深度置信網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、堆疊自動(dòng)編碼器等。其中，深度置信網(wǎng)絡(luò)因其提取特征的能力強(qiáng)，且能很好地處理高維、非平穩(wěn)、非線性數(shù)據(jù)，因此非常適合處理工業(yè)大數(shù)據(jù)的故障診斷問(wèn)題。

關(guān)于故障信號(hào)的獲取，在復(fù)雜設(shè)備的故障診斷中，使用單一傳感器采集的設(shè)備數(shù)據(jù)進(jìn)行診斷通常難以準(zhǔn)確反映設(shè)備的狀態(tài)。因此，為了提高診斷精度，可以使用多個(gè)傳感器獲取反映設(shè)備工作狀態(tài)的信號(hào)，再通過(guò)信息融合的方式，綜合分析多傳感器的數(shù)據(jù)信號(hào)，以得到更精準(zhǔn)的設(shè)備狀態(tài)和診斷結(jié)果。一般而言，信息融合方式包括數(shù)據(jù)層融合、特征層融合和決策層融合。其中，決策層融合方式可以對(duì)每個(gè)傳感器的診斷結(jié)果按照一定的權(quán)重進(jìn)行信息融合，因其計(jì)算量小和靈活性被廣泛應(yīng)用。在一系列決策層融合的方法中，D-S證據(jù)理論能高效解決傳感器的不確定性問(wèn)題中并取得較好的融合效果，但傳統(tǒng)的D-S證據(jù)理論存在一票否決和證據(jù)沖突的問(wèn)題。一旦某個(gè)傳感器的診斷結(jié)果異常，就有可能會(huì)影響最終的融合結(jié)果。

關(guān)于深度網(wǎng)絡(luò)的優(yōu)化，深度網(wǎng)絡(luò)的超參數(shù)的設(shè)置，往往依靠人為經(jīng)驗(yàn)，通過(guò)不斷調(diào)試選取較優(yōu)的超參數(shù)值，此舉十分耗費(fèi)時(shí)間和精力，因此有研究人員使用參數(shù)尋優(yōu)算法自動(dòng)搜尋DBN網(wǎng)絡(luò)的超參數(shù)。其中粒子群算法便是一種被廣泛使用的神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化方法，它因?yàn)樗惴ê?jiǎn)單、容易實(shí)現(xiàn)而被廣泛應(yīng)用在函數(shù)優(yōu)化、神經(jīng)網(wǎng)絡(luò)訓(xùn)練等領(lǐng)域。但傳統(tǒng)的粒子群算法容易陷入局部最優(yōu)解，而且需要設(shè)定的參數(shù)過(guò)多等問(wèn)題，這些缺陷都會(huì)影響參數(shù)優(yōu)化的結(jié)果。

發(fā)明內(nèi)容

基于此，本發(fā)明的目的是提供一種面向工業(yè)設(shè)備數(shù)據(jù)的故障診斷方法及系統(tǒng)，提高了故障診斷的準(zhǔn)確性。

為實(shí)現(xiàn)上述目的，本發(fā)明提供了如下方案：

一種面向工業(yè)設(shè)備數(shù)據(jù)的故障診斷方法，所述方法包括：

獲取各種故障類型下多個(gè)傳感器的檢測(cè)數(shù)據(jù)，各所述傳感器的檢測(cè)數(shù)據(jù)為多個(gè)；

為各所述傳感器構(gòu)建一個(gè)深度置信網(wǎng)絡(luò)；

對(duì)各所述深度置信網(wǎng)絡(luò)進(jìn)行優(yōu)化，確定各所述深度置信網(wǎng)絡(luò)的網(wǎng)絡(luò)超參數(shù)；

以所述傳感器的檢測(cè)數(shù)據(jù)為輸入，以所述傳感器的檢測(cè)數(shù)據(jù)對(duì)應(yīng)的故障類型的概率為輸出訓(xùn)練優(yōu)化后的各所述深度置信網(wǎng)絡(luò)；