一种基于LSTM的疲劳因子隐性异常检测及故障诊断方法技术

本发明专利技术公开了一种基于LSTM的疲劳因子隐性异常检测及故障诊断方法，包括下述步骤：S1.收集有关诊断对象目标设备的时序数据，并对数据进行经验模态分解；S2.使用正常数据，构建基于LSTM的设备振动信号预测模型；S3.对收集到的异常数据进行分类，构建基于LSTM的故障时序数据分类模型；S4.将获取的基于LSTM的振动信号预测模型的均方误差MSE作为初始疲劳因子阈值；S5.使用基于LSTM的振动信号预测模型对设备生产数据进行预测，计算预测值与实际值的均方误差，与初始疲劳因子阈值对比检测异常信号；S6.将异常信号通过故障时序数据分类模型进行分类，得到故障诊断结果。

【技术实现步骤摘要】
一种基于LSTM的疲劳因子隐性异常检测及故障诊断方法
本专利技术涉及设备故障诊断领域，具体涉及一种基于LSTM的疲劳因子隐性异常检测及故障诊断方法。
技术介绍
随着物联网、5G、人工智能、云计算等技术的“核聚变”式爆发，各主要工业国围绕智能制造所制定的“再工业化”战略也甚嚣尘上。我国在2019年的政府工作报告中首次提出了“智能+”的概念，将智能制造确定为了国家经济发展新动能的重要发展方向。目前的故障诊断方法主要分类两大类：基于信号处理的方法和基于机器学习的方法。基于信号处理的常用方法有谱峰度分析（SpectralKurtosis）、稀疏分解分析（SparseDecompositionAnalysis）、时频域分析（Time-frequencyAnalysis）、小波变换（WaveletTransform,WT）、经验模态分解（EmpiricalModeDecomposition,EMD）；基于机器学习的方法主要有隐马尔科夫模型（HiddenMarkovModel,HMM）、贝叶斯网络（BayesianNetwork）、支持向量机（Sup本文档来自技高网...

【技术保护点】
1.一种基于LSTM的疲劳因子隐性异常检测及故障诊断方法，其特征在于，包括下述步骤：/nS1. 收集有关诊断对象目标设备的时序样本数据，样本中包含正常数据和异常数据以及异常数据的故障类型，使用EMD方法对设备的时序样本数据进行经验模态分解；/nS2.提取时序样本数据中的正常数据样本，使用基于LSTM的深度神经网络构造设备震动信号预测模型；/nS3.提取时序样本数据中的异常数据样本，使用基于LSTM的深度神经网络构造故障时序数据分类模型；/nS4. 将所述S2中获取的基于LSTM的震动信号预测模型的均方误差MSE作为初始疲劳因子阈值；/nS5.使用基于LSTM的震动信号预测模型对设备生产数据进行...

【技术特征摘要】
1.一种基于LSTM的疲劳因子隐性异常检测及故障诊断方法，其特征在于，包括下述步骤：
S1.收集有关诊断对象目标设备的时序样本数据，样本中包含正常数据和异常数据以及异常数据的故障类型，使用EMD方法对设备的时序样本数据进行经验模态分解；
S2.提取时序样本数据中的正常数据样本，使用基于LSTM的深度神经网络构造设备震动信号预测模型；
S3.提取时序样本数据中的异常数据样本，使用基于LSTM的深度神经网络构造故障时序数据分类模型；
S4.将所述S2中获取的基于LSTM的震动信号预测模型的均方误差MSE作为初始疲劳因子阈值；
S5.使用基于LSTM的震动信号预测模型对设备生产数据进行预测，计算预测值与实际值的均方误差，与初始疲劳因子阈值对比检测异常信号，并根据实际情况动态调整阈值；
S6.将异常信号通过故障时序数据分类模型进行分类，得到故障诊断结果。


2.根据权利要求1所述的基于LSTM的疲劳因子隐性异常检测及故障诊断方法，其特征在于，所述步骤S2中基于LSTM的深度神经网络构造设备震动信号预测模型的流程包括以下步骤：
S2-1：特征工程：首先需要对收集到的原始数据进行处理，使用EMD经验模态分解及波形可视化技术进行辅助判断，通过观察IMF分量识别出异常震动频率；
S2-2：重采样：对原始数据重新采样，删除原始数据中的异常数据片段，确保留下来的数据中有且仅有连续的正常数据，规避非平衡数据带来的数据不平衡的问题；
S2-3：数据正规化：对时间序列中每一个维度的数据分别进行正规化处理，分别计算每一维度的均值和标准差，通过如下公式对时序样本数据X进行正规化，正规化后的数据为X＇：

（1）
S2-4：数据集格式转换：将非监督数据集转换为监督数据集，将正规化后的数据划分成长度为l的连续时间序列Xr，Xr的长度由模型输入长度ls和输出长度lp共同决定，它们的关系为总长度，将时序样本数据X划分为Xs和Xp两部分，作为模型的输入和输出样本；
S2-5：划分数据集：将数据随机排列，按相同比例划分输入数据Xs和输出数据Xp，得到训练数据集和验证数据集；
S2-6：构建模型：设置检查点，每一Epoch保存一次模型参数，调整Epoch和Dropout参数，并观察trainloss和valloss，在出现过拟合情况时使用提早停止机制；
S2-7：使用模型进行分类：输入一段时序样本数据X，得到预测向量，然后根据实际值y计算均方误差MSE，用来评估预测效果，n为序列数量：

（2）。


3.根据权利要求1所述的基于LSTM的疲劳因子隐性异常检测及故障诊断方法，其特征在于，所述步骤S3中基于LSTM的深度神经网络构造故障时序数据分类模型的流程包括以下步骤：
S3-1：首先对设备的时序样本数据的故障数据样本进行处...

【专利技术属性】
技术研发人员：冯海领，焦正杉，孙敬哲，王汉奇，王向敏，赵宜斌，
申请(专利权)人：天津开发区精诺瀚海数据科技有限公司，
类型：发明
国别省市：天津;12