基于深度学习的柴油发电机组故障诊断与检测装置及方法制造方法及图纸

一种基于深度学习的柴油发电机组故障诊断与检测装置及方法，包含有框体1、扬声器2、显示器6、存储器10、CPU11和数据采集装置18，在框体1内部设置为包含有深度学习模块24、自适应集成策略模块20、历史信号数据库23和故障类别专家系统库19，自适应集成策略模块20设置有集成策略生成器201，故障类别专家系统库19设置有故障类别数据库191、故障指标数据库192、故障标记数据库193和故障级别数据库194，深度学习模块24还包含有聚类算法，在框体1的上端部中间位置处设置有信号收发器5，因此，人们对柴油发电机组进行故障诊断和状态在线监测更准确方便。

Fault Diagnosis and Detection Device and Method of Diesel Generator Set Based on Deep Learning

【技术实现步骤摘要】
基于深度学习的柴油发电机组故障诊断与检测装置及方法
本专利技术涉及一种柴油发电机组故障诊断与状态监测装置，特别涉及一种基于深度学习的柴油发电机组故障诊断与检测装置及方法，属于故障诊断和人工智能

技术介绍
柴油发电机是电力推进船的动力心脏，同时也是大型商运船舶重要的动力源之一，对保障船舶的长时稳定航行具有不可替代的作用。船舶柴油发电机在复杂多变的海况环境下长时间连续运行时，常因其工作负荷重，负载多变、并车与解电切换频繁，受盐碱腐蚀和高温等影响易于发生各类故障。船舶作“独立”航行在海上的复杂系统，当航行过程中柴油发电机组发生故障时，所有的检修和排查工作都要求不能影响船舶的正常运行；若故障无法有效及时的诊断和排除，将面临“孤立无援”的局面，在强耦合状态下一旦故障危害蔓延将可能带来重大损失。船舶柴油发电机的故障诊断与状态在线监测对保障船舶的安全稳定运行至关重要，因此，船用柴油发电机组的故障诊断与状态在线监测系统装置是十分重要的船舶安全运行监测装备。在本专利技术之前，目前市面上针对船舶柴油发电机的故障诊断和状态监测的产品或方法较为稀少，运用较多的仍是传统的针对陆路装备的“事后维修”、“计划维修”和“定时维护”的方式，但是这套方法越来越不适于现代航运的需求，因为在海上突发故障时，由于海上无法给船员足够的时间去检修，而外部救援又无法及时到位，并且船舶这种长航时的大型装备又不可能遇到问题就反航，所以传统的方式方法往往效率十分低下且不具备智能性，并且以往的根据经验定期维护和定时更换部件，以经验估计零部件寿命的维护方式易于造成浪费和误判，带来安全隐患，因此不能满足船员智能故障诊断和在线状态监测的需求。在柴油机健康状态监测装置方面，中国专利CP203069611U公开了一种基于FPGA系统的船舶柴油机瞬时转速在线监测装置，该装置包含有磁电式转速传感器、FPGA系统和计算机组成，主要是将传感器安装在柴油机的自由端，分别用来测量上止点信号和曲轴转角信号，并将传感器的输出信号传入FPGA系统中进行处理，计算出柴油机的瞬时转速，通过计算瞬时转速波动率来进行故障诊断，该方法和装置功能单一，仅对转速单一指标进行测量，基本是针对小数据样本的故障诊断，无法在海量监测大数据环境下有效工作，且不具系统性，无法实现故障的预测、状态在线监测和健康评估的功能。
技术实现思路
为了克服上述技术缺点，本专利技术的目的是提供一种基于深度学习的柴油发电机组故障诊断与检测装置及方法，本专利技术能够自动的进行故障诊断，并实时对柴油发电机组的工作状态进行在线监测，使船员和设备维护人员更好的掌握设备当前的运行状况，因此，技术人员对船舶柴油发电机组的故障诊断、运行状态的监测更加灵活方便。为达到上述目的，本专利技术采取的技术方案是：包含有框体1、扬声器2、显示器6、存储器10、CPU11和数据采集装置18，所述框体1设置有腔体，其特征在于，在框体1内部设置为包含有集成深度学习装置、历史信号数据库23、故障类别专家系统库19和数据采集装置18，所述集成深度学习装置包含有深度学习模块24、自适应集成策略模块20，在框体1的上端部中间位置处设置有信号收发器5，在信号收发器5的右侧设置有扬声器2，在信号收发器5的左侧设置有电源关闭按钮7，在电源关闭按钮7的左侧设置有电源启动按钮8，在信号收发器5的正下方设置有显示器6，在显示器6的正下方左侧处设置有USB接口15，在USB接口15的正下方处设置有存储器10，在存储器10的正下方处设置有CPU11，在CPU11的正下方处设置有GPU12，在GPU12的正下方处设置有数据接口13，在显示器6的正下方右侧设置有历史信号数据库23，在历史信号数据库23的正下方设置有深度学习模块24，在深度学习模块24的正下方设置有自适应集成策略模块20，在自适应集成策略模块20的正下方设置有故障类别专家系统库19，在故障类别专家系统库19的正下方设置有数据采集装置18，框体1内的所有部件通过导线9连接在一起构成通路，数据采集装置18的通过导线9与框体1外部的检测单元25和传感器模块26连接在一起构成通路。本专利技术设计了，深度学习模块24设置为包含有深度信念网络(DBN)、卷积神经网络(CNN)、深度玻尔兹曼机(DBM)、递归神经网络(RNN)、堆叠自编码器(SAE)、长短期记忆模型(LSTM)、门控循环单元网络(GRU)及神经图灵机(NTM)等深度学习网络模型，深度学习模块24还包含有故障识别深度模型241，用于存储已训练好的模型程序。本专利技术设计了，自适应集成策略模块20设置有集成策略生成器201，用于将深度学习模块24内的多个有监督和无监督的深度学习算法模型（如：卷积神经网络(CNN)、深度信念网络(DBN)、递归神经网络(RNN)等）按照设计的集成组合策略集成在一起做并行数据处理，获得比单一学习模型显著优越的泛化性能和处理效果，集成策略生成器201将每一个深度学习网络模型定义为个体学习器，每一种个体学习器分别对故障指标数据库192中的振动信号数据集、噪声信号数据集等进行学习，集成策略生成器201自动优化设计组合策略，集成学习的方法设置为包含有Boosting法、Bagging法和“随机森林”集成学习方法。本专利技术设计了，历史信号数据库23设置为包含有K台已退役的同类型柴油发电机自从服役到退役整个运行阶段的全部监测离线数据总集{φ}，每台机器采集P个指标，其指标设置为包含有振动信号、噪声信号、电力信号、转速信号及其他用于柴油发电机故障检测的常规信号指标，不同的监测指标设置有不同个数的传感器测量点，例如：振动信号设置有T1个采集振动的传感器，噪声信号设置有T2个采集噪声的传感器，第P个指标设置有TP个测量指标P的传感器；每一个传感器所测得的数据均为一个全程运行周期的时间序列样本，因此，数据总集{φ}是一个K×(T1+T2+T3+…+TP)的高维张量矩阵数据集。本专利技术设计了，故障类别专家系统库19设置有故障类别数据库191、故障指标数据库192、故障标记数据库193和故障级别数据库194；所述故障指标数据库192设置有与历史信号数据库23的P个指标相对应的数据库，分别是振动信号数据库、噪声信号数据库、转速信号数据库、…和电力信号数据库等，中央处理器CPU11设置为采用反向倒推类比方法，对历史信号数据库23中的监测大数据总集{φ}按故障类别和次数进行数据切割并重新排序，将K台已退役的同类型柴油发电机出现某类相同故障的数据段进行截断提取并重新组合，按照反向时间序列的方式进行排序；假设该故障类别为故障A，即：以故障A出现的时刻为起点，至前一次他类故障（故障B）出现的时刻为终点，截取故障A至故障B之间的数据段作为故障A的时间序列数据段；以A1表示机器1中出现故障A的次数，以A2表示机器2中出现故障A的次数，以此类推，以AK表示机器K中出现故障A的次数，因此，K台机器中出现故障A的次数总和为：A1+A2+A3+…+AK；由于在历史信号数据库23的数据总集{φ}中，每一次故障A出现时均有P个指标（振动、噪声、电力等）被监测，且不同的监测指标设置有不同个数的传感器测量点，即：振动信号设置有T1个采集振动的传感器，噪声信号设置有T2个采集噪声传感器，第P个指标设置有TP个本文档来自技高网...

【技术保护点】
1.一种基于深度学习的柴油发电机组故障诊断与检测装置；包含有框体（1）、扬声器（2）、显示器（6）、存储器（10）、CPU（11）和数据采集装置（18），所述框体（1）设置有腔体，其特征在于，在框体（1）内部设置为包含有集成深度学习装置、历史信号数据库（23）、故障类别专家系统库（19）和数据采集装置（18），所述集成深度学习装置包含有深度学习模块（24）、自适应集成策略模块（20），在框体（1）的上端部中间位置处设置有信号收发器（5），在信号收发器（5）的右侧设置有扬声器（2），在信号收发器（5）的正下方设置有显示器（6），在显示器（6）的正下方左侧处设置有USB接口（15），在USB接口（15）的正下方处设置有存储器（10），在存储器（10）的正下方处设置有CPU（11），在CPU（11）的正下方处设置有GPU（12），在GPU（12）的正下方处设置有数据接口（13），在显示器（6）的正下方右侧设置有历史信号数据库（23），在历史信号数据库（23）的正下方设置有深度学习模块（24），在深度学习模块（24）的正下方设置有自适应集成策略模块（20），在自适应集成策略模块（20）的正下方设置有故障类别专家系统库（19），在故障类别专家系统库（19）的正下方设置有数据采集装置（18），框体（1）内的所有部件通过导线（9）连接在一起构成通路，数据采集装置（18）的通过导线（9）与框体（1）外部的检测单元（25）和传感器模块（26）连接在一起构成通路。...

【技术特征摘要】
1.一种基于深度学习的柴油发电机组故障诊断与检测装置；包含有框体（1）、扬声器（2）、显示器（6）、存储器（10）、CPU（11）和数据采集装置（18），所述框体（1）设置有腔体，其特征在于，在框体（1）内部设置为包含有集成深度学习装置、历史信号数据库（23）、故障类别专家系统库（19）和数据采集装置（18），所述集成深度学习装置包含有深度学习模块（24）、自适应集成策略模块（20），在框体（1）的上端部中间位置处设置有信号收发器（5），在信号收发器（5）的右侧设置有扬声器（2），在信号收发器（5）的正下方设置有显示器（6），在显示器（6）的正下方左侧处设置有USB接口（15），在USB接口（15）的正下方处设置有存储器（10），在存储器（10）的正下方处设置有CPU（11），在CPU（11）的正下方处设置有GPU（12），在GPU（12）的正下方处设置有数据接口（13），在显示器（6）的正下方右侧设置有历史信号数据库（23），在历史信号数据库（23）的正下方设置有深度学习模块（24），在深度学习模块（24）的正下方设置有自适应集成策略模块（20），在自适应集成策略模块（20）的正下方设置有故障类别专家系统库（19），在故障类别专家系统库（19）的正下方设置有数据采集装置（18），框体（1）内的所有部件通过导线（9）连接在一起构成通路，数据采集装置（18）的通过导线（9）与框体（1）外部的检测单元（25）和传感器模块（26）连接在一起构成通路。2.根据权利要求1所述的基于深度学习的柴油发电机组故障诊断与检测装置及方法；其特征是：深度学习模块（24）设置为包含有深度信念网络(DBN)、卷积神经网络(CNN)、深度玻尔兹曼机(DBM)、递归神经网络(RNN)、堆叠自编码器(SAE)、长短期记忆模型(LSTM)、门控循环单元网络(GRU)及神经图灵机(NTM)深度学习网络模型，深度学习模块（24）还包含有故障识别深度模型（241），用于存储已训练好的模型程序。3.根据权利要求2所述的基于深度学习的柴油发电机组故障诊断与检测装置；其特征是：自适应集成策略模块（20）设置有集成策略生成器（201），用于将深度学习模块（24）内的多个有监督和无监督的深度学习算法模型按照设计的集成组合策略集成在一起做并行数据处理，集成策略生成器（201）将每一个深度学习网络模型定义为个体学习器，每一个体学习器分别对故障指标数据库（192）中的振动信号数据集、噪声信号数据集等进行学习，集成策略生成器（201）自动优化设计组合策略，集成学习的方法设置为包含有Boosting法、Bagging法和“随机森林”集成学习方法。4.根据权利要求1所述的基于深度学习的柴油发电机组故障诊断与检测装置；其特征是：历史信号数据库（23）设置为包含有K台已退役的同类型柴油发电机自从服役到退役整个运行阶段的全部监测离线数据总集{φ}，每台机器采集P个指标，其指标设置为包含有振动信号、噪声信号、电力信号、转速信号及其他用于柴油发电机故障检测的常规信号指标，不同的监测指标设置有不同个数的传感器测量点，例如：振动信号设置有T1个采集振动的传感器，噪声信号设置有T2个采集噪声的传感器，第P个指标设置有TP个测量指标P的传感器；每一个传感器所测得的数据均为一个全程运行周期的时间序列样本，因此，数据总集{φ}是一个K×(T1+T2+T3+…+TP)的高维张量矩阵数据集。5.根据权利要求1所述的基于深度学习的柴油发电机组故障诊断与检测装置；其特征是：故障类别专家系统库（19）设置有故障类别数据库（191）、故障指标数据库（192）、故障标记数据库（193）和故障级别数据库（194）；所述故障指标数据库（192）设置有与历史信号数据库（23）的P个指标相对应的数据库，分别是振动信号数据库、噪声信号数据库、转速信号数据库、…和电力信号数据库等，中央处理器CPU（11）设置为采用反向倒推类比方法，对历史信号数据库（23）中的监测大数据总集{φ}按故障类别和次数进行数据切割并重新排序，将K台已退役的同类型柴油发电机出现某类相同故障的数据段进行截断提取并重新组合，按照反向时间序列的方式进行排序；假设该故障类别为故障A，即：以故障A出现的时刻为起点，至前一次他类故障（故障B）出现的时刻为终点，截取故障A至故障B之间的数据段作为故障A的时间序列数据段；以A1表示机器1中出现故障A的次数，以A2表示机器2中出现故障A的次数，以此类推，以AK表示机器K中出现故障A的次数，因此，K台机器中出现故障A的次数总和为：A1+A2+A3+…+AK；由于在历史信号数据库（23）的数据总集{φ}中，每一次故障A出现时均有P个指标（振动、噪声、电力等）被监测，且不同的监测指标设置有不同个数的传感器测量点，即：振动信号设置有T1个采集振动的传感器，噪声信号设置有T2个采集噪声传感器，第P个指标设置有TP个测量指标P的传感器，则机器1出现全部次数的故障A所获得的数据可构成一个A1×(T1+T2+T3+…+TP)的数据组{δA}；因此，历史信号数据库（23）中所有的K台机器出现过故障A的数据构成一个(A1+A2+A3+…+AK)×(T1+T2+T3+…+TP)的数据组总集{ΨA}；按照同样的方法，所有的K台机器出现过故障B的数据构成一个(B1+B2+B3+…+BK)×(T1+T2+T3+…+TP)的数据组总集{ΨB}，以此类推，所有K台机器出现过故障N的数据将构成一个(N1+N2+N3+…+NK)×(T1+T2+T3+…+TP)的数据组总集{ΨN}；故障A的数据组总集{ΨA}中包含的K台机器出现故障A时所采集的振动信号的总个数为(A1+A2+A3+…+AK)×T1，所构成的数据集记为{ΨA振}；数据组总集{ΨA}中包含的K台机器出现故障A时所采集的噪声信号的总个数为(A1+A2+A3+…+AK)×T2，所构成的数据集记为{ΨA噪}；以此类推，数据组总集{ΨA}中包含的K台机器出现故障A时所采集的电力信号（假设电力信号为指标P）的总个数为(A1+A2+A3+…+AK)×TP，所构成的数据集记为{ΨA电}；按照同样的方法依此类推，故障N的数据组总集{ΨN}中包含的K台机器出现故障N时所采集的振动信号的总个数为(N1+N2+N3+…+NK)×T1，所构成的数据集记为{ΨN振}；数据组总集{ΨN}中包含的K台机器出现故障N时所采集的电力信号的总个数为(N1+N2+N3+…+NK)×TP，所构成的数据集记为{ΨN电}；对数据组总集{ΨA}中所有故障A的时间序列数据段在进行数据组合时，按照以故障A出现的时刻为参考点进行数据对齐，并且按照时间轴的反方向构成反向时间序列数据组总集{ΨA’}，数据组总集{ΨA’}对应故障类型A，共有(A1+A2+A3+…+AK)×(T1+T2+T3+…+TP)个反向时间序列样本，即：数据组总集{ΨA’}中包含(A1+A2+A3+…+AK)×T1个振动信号反向时间序列样本、(A1+A2+A3+…+AK)×T2个噪声信号反向时间序列样本、…、(A1+A2+A3+…+AK)×TP个电力信号反向时间序列样本，所构成的反向时间序列数据集分别记为{ΨA振’}、{ΨA噪’}、…、{ΨA电’}，即数据组总集{ΨA’}={{ΨA振’}、{ΨA噪’}、…、{ΨA电’}}；按照同样的方式，对数据组总集{ΨB}中所有故障B的时间序列数据段进行数据组合时，同样以故障B出现的时刻为参考点进行数据对齐，按照时间轴的反方向构成反向时间序列数据组总集{ΨB’}，数据组总集{ΨB’}对应故障类型B，共有(B1+B2+B3+…+BK)×(T1+T2+T3+…+TP)个反向时间序列样本，所构成的反向时间序列数据集分别为{ΨB振’}、{ΨB噪’}、…、{ΨB电’}，即数据组总集{ΨB’}={{ΨB振’}、{ΨB噪’}、…、{ΨB电’}}；依次类推，数据组总集{ΨN’}对应故障类型N，共有(N1+N2+N3+…+NK)×(T1+T2+T3+…+TP)个反向时间序列样本，即数据组总集{ΨN’}中包含(N1+N2+N3+…+NK)×T1个振动信号反向时间序列样本、(A1+A2+A3+…+AK)×T2个噪声信号反向时间序列样本、…、(N1+N2+N3+…+NK)×TP个电力信号反向时间序列样本，所构成的反向时间序列数据集分别为{ΨN振’}、{ΨN噪’}、…、{ΨN电’}，即数据组总集{ΨN’}={{ΨN振’}、{ΨN噪’}、…、{ΨN电’}}；从而建立K台机器全部的故障类别的反向时间序列数据段总集{Ψ总’}={{ΨA’}、{ΨB’}、…、{ΨN’}}，并将故障类别总数据集{Ψ总’}存储到故障类别专家系统库（19）中的故障类别数据库（191）中。6.根据权利要求1或2或3或4或5所述的基于深度学习的柴油发电机组故障诊断与检测装置；其特征是：故障指标数据库（192）设置为存储所有机器的所有故障中各类指标数据，即：将所有机器的所有故障中的振动信号反向时间序列数据段进行集合即可得到{Ψ总振’}={{ΨA振’}、{ΨB振’}、…、{ΨN振’}}，并将{Ψ总振’}存入故障指标数据库（192）的振动信号数据库中，将所有机器的所有故障中的噪声信号反向时间序列数据段进行集合即可得到{Ψ总噪’}={{ΨA噪’}、{ΨB噪’}、…、{ΨN噪’}}，并将{Ψ总噪’}存入故障指标数据库（192）的噪声信号数据库中，依次类推，将所有机器的所有故障中的电力信号反向时间序列数据段进行集合即可得到{Ψ总电’}={{ΨA电’}、{ΨB电’}、…、{ΨN电’}}，并将{Ψ总电’}存入故障指标数据库（192）的电力信号数据库中，至此，故障指标数据库（192）建立完毕；故障指标数据库（192）中包含了所有K台柴油发电机自从服役到退役整个运行阶段中所有出现过的N类故障的P种检测指标的数据组总集及对应的故障类别标记。7.根据权利要求1或2或3所述的基于深度学习的柴油发电机组故障诊断与检测装置；其特征是：集成深度学习装置运用深度学习模块（24）中的各类深度学习网络模型对故障指标数据库（192）的振动信号、噪声信号、转速信号、…和电力信号等海量大数据集进行迭代学习，并且联合运用自适应集成策略模块（20）中的集成策略生成器（201），将深度学习模块（24）内的多个有监督和无监督的深度学习算法模型集成在一起做并行数据处理，由于集成策略生成器（201）将每一个深度学习网络模型视为个体学习器，通过每一个个体学习器分别对故障指标数据库（192）中的振动信号数据集、噪声信号数据集、电力信号数据库等进行有监督学习，训练网络模型，进行数据的深度挖掘和特征学习，并将特征信息保存在网络模型的连接权值中；训练过程中，随机选取故障指标数据库（192）中的80%的数据作为训练数据，剩余20%的数据作为测试数据，当测试的正确率超过95%时，认为模型训练合格；集成策略生成器（201）根据不同的深度学习模型所预测的准确率，自动生成组合策略，自动选取Boosting法、Bagging法和“随机森林”等集成学习方法，为每个模型分配输出权重系数，训练结束后，将所有的特征训练信息和模型结构的程序存储在深度学习模块（24）的故障识别深度模型（241）中；通过对故障指标数据库（192）的振动信号、噪声信号、转速信号、…和电力信号等海量大数据集进行深度挖掘和特征提取，获得每一类故障所对应的振动特征数据、噪声特征数据、模态特征数据、电力特征数据等，并将每一类故障与其对应的包含有P个指标的特征数据集一一对应，进行故障标记，并将全部故障的特征数据集和对应的故障类别标记存储在故障类别专家系统库（19）中的故障标记数据库（193）中。8.根据权利要求1或2所述的基于深度学习的柴油发电机组故障诊断与检测装置；其特征是：深度学习模块（24）还包含有聚类算法，用于对故障标记数据库（193）中已存储的全部故障的特征数据集进行无监督学习，将每一类故障的特征数据按照严重程度进行聚类，生成多个级别不同的簇，每一簇对应一个故障的显著等级，从而将每一类故障划分为严重、显著、轻微、微小和正常多种级别，并对等级进行标记，最后，将聚类划分的故障等级标签和相应的特征数据一一对应并存储在故障类别专家系统库（19）中的故障级别数据库（194）中。9.根据权利要求1所述的基于深度学习的柴油发电机组故障诊断与检测装置；其特征是：数据采集装置（18）设置为包含有检测单元（25）和传感器模块（26），检测单元（25）设置为包含有P类指标检测单元，分别为振动检测单元、模态检测单元、噪声检测单元、频率检测单元和转速检测单元等P种用于检测柴油发电机故障的常规检测方式，传感器模块（26）设置为包含有与检测单元（25）一一对应的检测传感器，故障检测时数据采集装置（18）通过检测单元（25）的检测传感器（26）对现场的柴油发电机进行信号采集，每一台柴油发电机所采集的数据构成一个数据集，多台柴油发电机之间的数据集彼此相互独立；故障检测时，每一台柴油发电机采集振动、噪声、电力等P个指标，每个指标采集不同个数的测量点的信号，每个指标采集的数据均构成一个指标数据组，因此，每台机器现场采集的数据均构成一个包含有P个检测指标的数据组总集记为{T现场}，{T现场}={{T振}、{T噪}、…、{T电}}；将现场采集的数据输入到深度学习模块（24）的故障识别深度模型（241）中，已训练好的深度学习模型程序自动对数据组总集{T现场}中的{T振}、{T噪}和{T电}等数据进行学习，并且实时得到故障的分类结果；当前现场采集的柴油机的振动监测信号、噪声监测信号、转速监测信号和电力监测信号等数据输入到故障识别深度模型（241）中存储的已训练好的深度学习模型程序中，该程序自动对输入的数据进行学习，通过对输入数据进行特征提取，并与故障类别专家...

【专利技术属性】
技术研发人员：宫文峰，陈辉，张泽辉，管冲，高海波，
申请(专利权)人：宫文峰，
类型：发明
国别省市：广西,45