The invention relates to a prediction method for industrial equipment fault based on deep learning, which comprises the following steps: S1. sensor data acquisition of industrial equipment through the sensor; S2. sensor data based on temporal fixed time wave spectrum acquisition; S3. deep learning algorithm according to the spectrum of industry equipment fault prediction. The present invention first through the sensors to collect sensor data, industrial equipment, and then according to the timing of sensor data, fixed time wave spectrum acquisition, finally uses the learning algorithm according to the spectrum of industrial equipment fault prediction framework of convolutional neural network based on depth, accurately predict industrial equipment failure or not, greatly improving the industrial equipment life, avoid industry in the production because of uncertain fault cause serious consequences, to maximize the protection of the production of the enterprise benefit.
【技术实现步骤摘要】
一种基于深度学习的工业设备故障预测方法
本专利技术涉及智能的
,尤其涉及到一种基于深度学习的工业设备故障预测方法。
技术介绍
在制造业生产线上,工业生产设备都会受到持续的振动和冲击,这导致设备材料和零件的磨损老化,从而导致工业设备容易产生故障,而当人们意识到故障时,可能已经产生了很多不良品,甚至整个工业设备已经奔溃停机,从而造成巨大的损失。如果能在故障发生之前进行故障预测,提前维修更换即将出现问题的零部件,这样就可以提高工业设备的寿命以及避免某个设备突然出现故障对整个工业生产带来严重的影响。随着工业4.0的到来,智能工厂的工业设备都配上了各种感应器,采集其振动、温度、电流、电压等数据显得轻而易举,通过分析这些实时的传感数据,对工业设备进行故障预测将是一种行之有效的措施。
技术实现思路
本专利技术的目的在于克服现有技术的不足,提供一种大大提高工业设备寿命、避免工业设备出现故障从而减少生产出不良品机率、保障企业生产效益的基于深度学习的工业设备故障预测方法。为实现上述目的,本专利技术所提供的技术方案为:其包括以下步骤:S1.通过传感器采集工业设备传感数据;S2.根据传感数据固定时间内的时序波获取频谱图;S3.深度学习算法根据频谱图对工业设备进行故障预测。进一步地,步骤S2的具体步骤如下:S21.把采集的各种传感数据按t毫秒的固定时长分块;S22.把在t毫秒时间内的传感数据绘成时序波;S23.利用傅立叶变换运算分解时序波,求取各个频带的能量值,获取各种传感数据的时序波频谱图。进一步地,步骤S3中深度学习算法采用卷积神经网络,具体步骤如下:S31.利用工业设备正常 ...
【技术保护点】
一种基于深度学习的工业设备故障预测方法,其特征在于:包括以下步骤:S1.通过传感器采集工业设备传感数据;S2.根据传感数据固定时间内的时序波获取频谱图;S3.深度学习算法根据频谱图对工业设备进行故障预测。
【技术特征摘要】
1.一种基于深度学习的工业设备故障预测方法,其特征在于:包括以下步骤:S1.通过传感器采集工业设备传感数据;S2.根据传感数据固定时间内的时序波获取频谱图;S3.深度学习算法根据频谱图对工业设备进行故障预测。2.根据权利要求1所述的一种基于深度学习的工业设备故障预测方法,其特征在于:所述步骤S2的具体步骤如下:S21.把采集的各种传感数据按t毫秒的固定时长分块;S22.把在t毫秒时间内的传感数据绘成时序波;S23.利用傅立叶变换运算分解时序波,求取各个频带的能量值,获取各种传感数据的时序波频谱图。3.根据权利要求1所述的一种基于深度学习的工业设备故障预测方法,其特征在于:所述步骤S3中深度学习算法采用卷积神经网络,具体步骤如下:S31.利用工业设备正常工作和不正常工作时的传感数据频谱图离线训练卷积神经网络框架;S32.利用训练好的卷积神经网络框架,根据传感数据的频谱图,在线预测工业设备故障与否。4.根据权利要求3所述的一种基于深度学习的工业设备故障预测方法,其特征在于:所述步骤S31利用工业设备正常工作和不正常工作的传感数据频谱图离线训练深度学习算法,包括以下步骤:S3...
【专利技术属性】
技术研发人员:黄坤山,李力,王华龙,
申请(专利权)人:佛山市南海区广工大数控装备协同创新研究院,佛山市广工大数控装备技术发展有限公司,
类型:发明
国别省市:广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。