[發(fā)明專利]基于人工智能的設(shè)備故障診斷與識(shí)別方法及裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 202310417190.6
• 申請(qǐng)日: 2023-04-19
• 公開(kāi)（公告）號(hào): CN116150676B
• 公開(kāi)（公告）日: 2023-09-26
• 發(fā)明（設(shè)計(jì)）人: 尹旭;馬兵;張爍;續(xù)敏;王玉石;朱運(yùn)恒;蘇子康;朱家田
• 申請(qǐng)（專利權(quán)）人: 山東能源數(shù)智云科技有限公司
• 主分類號(hào): G06F18/241
• 分類號(hào): G06F18/241;G06F18/214;G06N3/006;G06N3/08
• 代理公司: 北京超凡宏宇知識(shí)產(chǎn)權(quán)代理有限公司 11463
• 代理人: 張文娥

本發(fā)明提供了一種基于人工智能的設(shè)備故障診斷與識(shí)別方法及裝置，涉及故障診斷技術(shù)領(lǐng)域，包括設(shè)備故障診斷模型的訓(xùn)練方法、裝置和設(shè)備故障診斷方法、裝置，其中，設(shè)備故障診斷模型的訓(xùn)練方法包括：獲取預(yù)先采集的信號(hào)數(shù)據(jù)集；信號(hào)數(shù)據(jù)集中包括表征設(shè)備的正常運(yùn)行狀態(tài)的第一特征參數(shù)和多種非正常狀態(tài)的第二特征參數(shù)；對(duì)第一特征參數(shù)和第二特征參數(shù)分別進(jìn)行特征提取，得到第一特征參數(shù)和第二特征參數(shù)分別包含的目標(biāo)特征參數(shù)；將目標(biāo)特征參數(shù)輸入至預(yù)先設(shè)置的初始分類器，對(duì)初始分類器進(jìn)行訓(xùn)練，得到設(shè)備故障診斷模型。本發(fā)明所對(duì)應(yīng)的設(shè)備故障診斷模型在設(shè)備故障診斷任務(wù)中，能夠有效提高設(shè)備故障的識(shí)別精度。

技術(shù)領(lǐng)域

本發(fā)明涉及故障診斷技術(shù)領(lǐng)域，尤其涉及一種基于人工智能的設(shè)備故障診斷與識(shí)別方法及裝置。

背景技術(shù)

隨著科技的發(fā)展和制造工藝的進(jìn)步，設(shè)備的復(fù)雜度不斷增加，在使用過(guò)程中的任何異常或故障不僅直接影響產(chǎn)品的使用，而且還可能造成嚴(yán)重的安全事故。經(jīng)過(guò)長(zhǎng)期的實(shí)踐和經(jīng)驗(yàn)，要使設(shè)備或系統(tǒng)能夠安全、可靠、有效地運(yùn)行，必須要對(duì)其進(jìn)行故障檢測(cè)與診斷。傳統(tǒng)的故障診斷在操作時(shí)對(duì)技術(shù)人員水平要求較高，且不適用于更深層次的診斷場(chǎng)景，因此，故障診斷技術(shù)伴隨著人工智能及其衍生物的不斷發(fā)展，逐漸實(shí)現(xiàn)了向智能故障診斷方向的轉(zhuǎn)型。

智能故障診斷的核心在于生成一個(gè)能夠以“專家”身份來(lái)對(duì)設(shè)備進(jìn)行故障診斷的實(shí)體，可以給出與傳統(tǒng)專家檢測(cè)相同的診斷結(jié)果。與此同時(shí)，隨著機(jī)器學(xué)習(xí)不斷地發(fā)展，其在故障診斷領(lǐng)域的表現(xiàn)也越來(lái)越優(yōu)異。早期的故障檢測(cè)與診斷主要依賴于專家或技術(shù)人員的決策，然而專業(yè)人員容易受到壓力、疲勞、心理因素、自身知識(shí)水平、技能等影響，做出與實(shí)際狀態(tài)相差較大的分析，從而產(chǎn)生錯(cuò)誤的判斷。隨著技術(shù)的不斷進(jìn)步，待測(cè)對(duì)象不斷復(fù)雜化、大型化、非線性化、系統(tǒng)化，建立精確的數(shù)學(xué)模型難度越來(lái)越大，各設(shè)備之間存在的耦合，使得模型難度也會(huì)成指數(shù)增加。

現(xiàn)有技術(shù)中，通常通過(guò)判斷特征值是否異常來(lái)判斷待測(cè)對(duì)象是否發(fā)生故障，該方法只是對(duì)待測(cè)對(duì)象的信號(hào)數(shù)據(jù)進(jìn)行分析，對(duì)系統(tǒng)高維信號(hào)之間的耦合性和關(guān)聯(lián)度挖掘不夠，沒(méi)有更加深入地利用待測(cè)對(duì)象的深層信息。此外，還可以通過(guò)機(jī)器學(xué)習(xí)來(lái)對(duì)數(shù)據(jù)進(jìn)行分析，然而，傳統(tǒng)的機(jī)器學(xué)習(xí)方法往往基于既得的監(jiān)測(cè)數(shù)據(jù)，需要人工提取大量的特征，且模型的訓(xùn)練精度受訓(xùn)練樣本的數(shù)量和質(zhì)量的限制較大，對(duì)設(shè)備進(jìn)行故障檢測(cè)的精度難以進(jìn)一步提高。

其中，現(xiàn)有的許多方法難以對(duì)設(shè)備故障數(shù)據(jù)進(jìn)行深度特征提取，導(dǎo)致算法難以進(jìn)行精準(zhǔn)識(shí)別與分類。并且，在利用深度學(xué)習(xí)或神經(jīng)網(wǎng)絡(luò)進(jìn)行設(shè)備故障識(shí)別時(shí)，傳統(tǒng)的反向傳播方式更新模型參數(shù)過(guò)程中，容易出現(xiàn)梯度消失和梯度爆炸的問(wèn)題，使得模型訓(xùn)練效果差，識(shí)別精度低。此外，利用深度學(xué)習(xí)或神經(jīng)網(wǎng)絡(luò)進(jìn)行設(shè)備故障識(shí)別時(shí)，常會(huì)出現(xiàn)局部最小化以及收斂速度慢的問(wèn)題，對(duì)模型訓(xùn)練造成影響，嚴(yán)重影響設(shè)備故障的識(shí)別效率。且，在實(shí)際設(shè)備故障識(shí)別應(yīng)用現(xiàn)場(chǎng)中，故障數(shù)據(jù)采集困難，各故障類別數(shù)據(jù)通常不均衡，算法存在執(zhí)行能力弱、適應(yīng)性不強(qiáng)、穩(wěn)定性差等問(wèn)題。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明的目的在于提供一種基于人工智能的設(shè)備故障診斷與識(shí)別方法及裝置，包括設(shè)備故障診斷模型的訓(xùn)練方法、裝置和設(shè)備故障診斷方法、裝置，能夠有效提高設(shè)備故障診斷任務(wù)中設(shè)備故障的識(shí)別精度。

第一方面，本發(fā)明實(shí)施例提供了一種設(shè)備故障診斷模型的訓(xùn)練方法，該方法包括：獲取預(yù)先采集的信號(hào)數(shù)據(jù)集；信號(hào)數(shù)據(jù)集中包括表征設(shè)備的正常運(yùn)行狀態(tài)的第一特征參數(shù)和多種非正常狀態(tài)的第二特征參數(shù)；對(duì)第一特征參數(shù)和第二特征參數(shù)分別進(jìn)行特征提取，得到第一特征參數(shù)和第二特征參數(shù)分別包含的目標(biāo)特征參數(shù)；將目標(biāo)特征參數(shù)輸入至預(yù)先設(shè)置的初始分類器，對(duì)初始分類器進(jìn)行訓(xùn)練，得到設(shè)備故障診斷模型；設(shè)備故障診斷模型用于對(duì)目標(biāo)設(shè)備進(jìn)行故障診斷。

結(jié)合第一方面，本發(fā)明實(shí)施例提供了第一方面的第一種可能的實(shí)施方式，其中，對(duì)第一特征參數(shù)和第二特征參數(shù)分別進(jìn)行特征提取，得到第一特征參數(shù)和第二特征參數(shù)分別包含的目標(biāo)特征參數(shù)的步驟，包括：將第一特征參數(shù)和第二特征參數(shù)輸入至預(yù)設(shè)的深度神經(jīng)網(wǎng)絡(luò)，通過(guò)深度神經(jīng)網(wǎng)絡(luò)分別提取第一特征參數(shù)和第二特征參數(shù)包含的目標(biāo)特征參數(shù)；其中，深度神經(jīng)網(wǎng)絡(luò)為利用粒子群算法處理的深度神經(jīng)網(wǎng)絡(luò)。