[發明專利]基于人工智能的設備故障診斷與識別方法及裝置

有效

• 申請號: 202310417190.6
• 申請日: 2023-04-19
• 公開（公告）號: CN116150676B
• 公開（公告）日: 2023-09-26
• 發明（設計）人: 尹旭;馬兵;張爍;續敏;王玉石;朱運恒;蘇子康;朱家田
• 申請（專利權）人: 山東能源數智云科技有限公司
• 主分類號: G06F18/241
• 分類號: G06F18/241;G06F18/214;G06N3/006;G06N3/08
• 代理公司: 北京超凡宏宇知識產權代理有限公司 11463
• 代理人: 張文娥

1.一種設備故障診斷模型的訓練方法，其特征在于，所述方法包括：

獲取預先采集的信號數據集；所述信號數據集中包括表征設備的正常運行狀態的第一特征參數和多種非正常狀態的第二特征參數；

對所述第一特征參數和所述第二特征參數分別進行特征提取，得到所述第一特征參數和所述第二特征參數分別包含的目標特征參數；

將所述目標特征參數輸入至預先設置的初始分類器，對所述初始分類器進行訓練，得到設備故障診斷模型；所述設備故障診斷模型用于對目標設備進行故障診斷；

對所述第一特征參數和所述第二特征參數分別進行特征提取，得到所述第一特征參數和所述第二特征參數分別包含的目標特征參數的步驟，包括：

將所述第一特征參數和所述第二特征參數輸入至預設的深度神經網絡，通過所述深度神經網絡分別提取所述第一特征參數和所述第二特征參數包含的目標特征參數；

其中，所述深度神經網絡為利用粒子群算法處理的深度神經網絡；

所述方法還包括：

將所述信號數據集輸入至初始神經網絡中，根據所述信號數據集和所述初始神經網絡的神經元權重向量的歐氏距離，確定所述信號數據集和所述神經元權重向量對應的適應度函數；所述適應度函數中包括所述信號數據集和所述神經元權重向量的歐氏距離；

根據所述適應度函數和所述初始神經網絡的神經元權重向量，利用粒子群算法對所述初始神經網絡進行參數搜索，確定初始神經元權重向量；

根據所述初始神經元權重向量和所述信號數據集對應的數量積，從所述適應度函數中確定目標歐氏距離指示的目標神經元；

對所述目標神經元及其對應的拓撲鄰域內神經元的神經元權重向量進行調整修正，并使用所述粒子群算法對所述目標神經元的權重向量迭代處理，更新所述初始神經網絡的神經元權重向量；

以及，在所述迭代處理指示的目標神經元的權重向量滿足預設迭代閾值時，得到包括所述目標神經元的權重向量的深度神經網絡。

2.根據權利要求1所述的方法，其特征在于，所述參數搜索包括第一分支搜索和第二分支搜索，所述第一分支搜索和所述第二分支搜索的分支方向不同；

根據所述適應度函數和所述初始神經網絡的神經元權重向量，利用粒子群算法對所述初始神經網絡進行參數搜索，確定初始神經元權重向量的步驟，包括：

針對所述初始神經網絡的所述神經元權重向量，按照所述第一分支搜索指示的所述神經元權重向量的第一分支坐標值和所述適應度函數，確定對應的第一適應度值；

以及，按照所述第二分支搜索指示的所述神經元權重向量的第二分支坐標值和所述適應度函數，確定對應的第二適應度值；

根據所述第一適應度值和所述第二適應度值，確定所述參數搜索對應的更新粒子位置；所述更新粒子位置通過下述公式確定：

其中，為所述更新粒子位置，為更新前的搜索粒子位置，為數學中的符號函數，為搜索步長，為所述第一適應度值，為所述第二適應度值，為搜索粒子隨機向量；

將所述更新粒子位置對應的神經元權重向量確定為所述初始神經元權重向量。

3.根據權利要求1所述的方法，其特征在于，根據所述初始神經元權重向量和所述信號數據集對應的數量積，從所述適應度函數中確定目標歐氏距離指示的目標神經元的步驟，包括：

對所述信號數據集和所述初始神經元權重向量進行歸一化處理，得到歸一化信號數據集和歸一化神經元權重向量；

對所述歸一化信號數據集和所述歸一化神經元權重向量進行數量積矢量運算，確定所述數量積；

將所述數量積滿足預設的數量積閾值時指示的歸一化神經元權重向量確定為目標神經元的權重向量，得到所述目標神經元；其中，所述預設的數量積閾值對應于所述適應度函數中的目標歐氏距離。

4.一種設備故障診斷方法，其特征在于，所述方法包括：

獲取目標設備的待測數據；

將所述待測數據輸入至預先構建的設備故障診斷模型中，通過所述設備故障診斷模型對所述待測數據進行數據識別，并輸出識別結果；

其中，所述設備故障診斷模型為基于權利要求1~3任一項所述的設備故障診斷模型的訓練方法訓練得到的；

基于所述識別結果對所述目標設備進行故障診斷。