【技术实现步骤摘要】
一种基于DNN的复杂设备多重故障诊断方法
本专利技术提供一种基于DNN的复杂设备多重故障诊断方法，它涉及一种基于DNN的复杂设备多重故障诊断方法的实现，属于复杂设备可靠性、复杂设备故障诊断领域。
技术介绍
随着工业技术的快速发展，现代设备的功能越来越强大，其规模与复杂度也随之增加，设备故障或安全隐患若不能及时诊断并得到有效处理将导致灾难性后果。通常，复杂设备由大量部件组成，这些部件在运行过程中存在着复杂、繁多的耦合关系，单一或少数部件发生的故障，会通过部件之间的耦合关系进行传播，产生连锁效应并演变为大范围的故障，最终造成系统整体崩溃。在这种情况下，工作人员要在短时间内处理众多故障信息并准确地判断出故障根源是极其困难的，如何快速定位故障并加以消除，从而恢复设备的正常运行，是目前故障诊断领域的一个关键问题。本专利技术提出了一种基于深度神经网络(DeepNeuralNetwork，简称DNN)的复杂设备多重故障诊断方法，该方法首先使用数据预处理技术剔除多重故障时序数据中的无效信息。其次采用神经语言网络模型对时序文本进行数值量化，获得故障案例的时序向量。再次运用长短期记忆...
【技术保护点】
1.一种基于DNN的复杂设备多重故障诊断方法，其特征在于：其步骤如下：步骤1、采集记录设备多重故障的日志文件，统计并汇总设备故障发生的位置、类型、表现症状；步骤2、依靠专家知识对多重故障的根源故障进行定位，得到各日志记录的多重故障所对应的根源故障；步骤3、对日志文件记录的多重故障信息按照时间特征进行整合，得到多重故障时序数据集；步骤4、对多重故障时序数据集的样本进行预处理，获得格式统一的时序数据集；步骤5、对预处理后的时序文本数据集进行数值量化；使用词嵌入网络层作为DNN的首层网络用于生成时间序列的特征向量数据；在词嵌入网络层后添加Dropout网络层，减轻DNN的过拟合问...
【技术特征摘要】
1.一种基于DNN的复杂设备多重故障诊断方法，其特征在于：其步骤如下：步骤1、采集记录设备多重故障的日志文件，统计并汇总设备故障发生的位置、类型、表现症状；步骤2、依靠专家知识对多重故障的根源故障进行定位，得到各日志记录的多重故障所对应的根源故障；步骤3、对日志文件记录的多重故障信息按照时间特征进行整合，得到多重故障时序数据集；步骤4、对多重故障时序数据集的样本进行预处理，获得格式统一的时序数据集；步骤5、对预处理后的时序文本数据集进行数值量化；使用词嵌入网络层作为DNN的首层网络用于生成时间序列的特征向量数据；在词嵌入网络层后添加Dropout网络层，减轻DNN的过拟合问题；步骤6、建立LSTM网络中间层并对LSTM的参数进行设置；步骤7、建立MLP网络层并对MLP的参数进行设置，以完成DNN整体结构的构建；步骤8、对DNN的学习过程参数进行设置；步骤9、采用训练、验证、测试三分法对特征向量数据集进行划分；步骤10、使用划分好的数据集对DNN进行学习和测试，得到用于多重故障根源识别的诊断模型；通过上述步骤，能实现基于DNN的复杂设备多重故障诊断方法，该方法首先对多重故障的日志文件进行预处理，获得多重故障时序数据集；然后针对设备多重故障的特点建立DNN模型，该模型包含词嵌入网络层、LSTM网络层以及MLP网络层，其中词嵌入网络层用于对多重故障时序样本进行向量化，LSTM网络层用于学习多重故障时序向量的时间特征，MLP网络层利用多重故障的时序信息识别多重故障的根源故障；最后利用批量训练样本和验证数据集对DNN进行训练，并采用测试样本数据集对这一DNN识别多重故障根源的准确性验证，以证明这一方法的可行性。2.根据权利要求1所述的一种基于DNN的复杂设备多重故障诊断方法，其特征在于：在步骤1中所述的“日志文件”，是指由自然语言构成的文本数据，它记录的设备运行信息属于半结构化文本信息，具体包括记录日期、记录时间、系统时间戳以及对应的记录语句。3.根据权利要求1所述的一种基于DNN的复杂设备多重故障诊断方法，其特征在于：在步骤2中所述的“专家知识”，是指通过专家对设备故障的知识积累，建立的大量推理规则；在步骤2中所述的“依靠专家知识对多重故障的根源故障进行定位，得到各日志记录的多重故障所对应的根源故障”，其做法如下：将多重故障所表现的症状与建立的专家推理规则进行匹配，若故障症状信息与规则的匹配度高，则说明推理成功，推理的结论能用于确定多重故障所对应的根源故障类型；若故障症状信息与规则的匹配度低，则说明推理失败，需要把多重故障信息反馈至设备生产厂家，厂家确认后给出最终的诊断信息，从而获得多重故障所对应的根源故障类型。4.根据权利要求1所述的一种基于DNN的复杂设备多重故障诊断方法，其特征在于：在步骤3中所述的“对日志文件记录的多重故障信息按照时间特征进行整合”，其作法如下：步骤3.1：设第i个(i＝1，…，N)日志记录的第j个关联故障对应的故障描述信息文本为(ti，j，xi，j)，其中，ti，j是第i个日志记录的第j个关联故障的发生时间，xi，j是第i个日志记录的第j个关联故障症状的描述信息，N是日志的个数；步骤3.2：按照ti，j(i＝1，…，N)的先后顺序对第i个日志的关联故障进行排序，得到新的多重故障时序文本x′i，进一步得到所有日志的文本集合X＝{x′i|i＝1，…，N}；步骤3.3：统计根源故障的种类和数目，并按照数目由大到小排序，得到标签集合Y＝{yi|i＝1，…，K}，其中，yi是根源故障类型的描述，K是根源故障的种类；步骤3.4：对集合X中各多重故障时序文本分配对应的标签，整合后得到多重故障时序数据集Z＝{(x′i，yi)|i＝1，…，N下。5.根据权利要求1所述的一种基于DNN的复杂设备多重故障诊断方法，其特征在于：在步骤4中所述的“对多重故障时序数据集的样本进行预处理”，其作法如下：步骤4.1：对时序数据集中各样本的描述信息进行分词处理，去除词与词之间的标点符号；步骤4.2：去除各样本描述信息的特殊符号，避免对模型学习造成影响；步骤4.3：去除各样本描述信息的停用词，缩小样本描述信息的维数，得到经预处理后的描述文本x′i(i＝1，…，N)；步骤4.4：对时序数据中各样本的标签进行有效编码转换，得到用于模型学习的标签向量y′i(i＝1，…，N)；步骤4.5：对x″i(i＝1，…，N)和y′i(i＝1，…，N)进行合并，获得格式统一的文本数据集Z′＝{(x″i，y′i)|i＝1，…，N}。6.根据权利要求1所述的一种基于DNN的复杂设备多重故障诊断方法，其特征在于：在步骤5中所述的“对预处理后的时序文本数据集进行数值量化”，其作法如下：步骤5.1：读取时序文本数据集Z′所有样本的描述信息x″i(i＝1，…，N)，对x″i中文本词汇出现的次数进行统计并排序；步骤5.2：定义时序文本词典，将排序的前P个词汇列入至词典中，得到dic＝{(wordi，idxi)|i＝1，…，P}，其中，wordi是词典中排序在第i位的词汇，idxi是...
【专利技术属性】
技术研发人员：杨顺昆，边冲，黄婷婷，杨嘉明，林欧雅，曾福萍，苟晓东，李大庆，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京,11
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。