一种基于深度神经网络的机电设备故障诊断方法技术

本发明专利技术公开的一种基于深度神经网络的机电设备故障诊断方法，包括数据采集、数据预处理、深度神经网络训练、机电设备故障在线识别和未知故障自动学习。本发明专利技术不依赖人工选择故障特征，能够较为全面的学习设备状态监测数据中蕴含的信息，该方法可以实现设备状态数据到故障类别的自动拟合，减少了进行故障诊断算法开发的工作量，该方法通过对未知故障的学习，可以实现故障诊断功能的不断拓展，提高系统的投资效益。

【技术实现步骤摘要】
一种基于深度神经网络的机电设备故障诊断方法
本专利技术属于机电设备状态监测领域，特别是用于解决核电等领域机电设备状态监测和故障诊断领域。
技术介绍
机电设备健康监测已经进入大数据时代，机电设备大数据成为揭示机械故障演化过程及机理的重要资源。但机械装备本身结构和机理复杂，再加上其所处恶劣运行环境的干扰，以及其复杂任务带来的工况变化，致使机械设备大数据分析、处理与诊断困难重重。以往的智能诊断算法，难以应对大数据处理需求。因此需要以深度学习为代表的人工智能技术，来应对机电大数据处理需求。深度学习旨在通过模拟大脑的学习过程，构建深度神经网络，结合海量的训练数据，通过多层的非线性变换，组合低层特征形成更加抽象的高层表示，使得一个学习系统能够不依赖人工的特征选择，学习到复杂的表达函数，来发现大数据中蕴含的故障特征，即利用大数据来学习特征，从而刻画大数据丰富的内在信息，实现故障数据和设备故障类别的拟合，最终提升故障分类或预测的精度。同时，本方法对于与训练样本存在较大差异的未知故障进行判断，重新调整网络结构，学习网络参数，实现自动学习。
技术实现思路
本专利技术通过深度学习网络，针对监测系统获取的海量数据进行训练，通过多层非线性变换，对数据特征进行自动提取，完成故障数据和故障类别的拟合，最终实现机电设备故障的在线诊断功能。一种基于深度神经网络的机电设备故障诊断方法，包括数据采集、数据预处理、深度神经网络训练、机电设备故障在线识别和未知故障自动学习；所述数据采集系统是在机电设备上安装传感器和数据采集器，所述传感器采集设备状态信息，所述数据采集器将所述设备状态信息数据保存到历史数据库；所述数据预处理系统为将所述设备状态信息数据集进行包括无效剔除、格式规整、采样同步、数据去均值和数据去趋势；所述无效剔除为根据机电设备运行特点，利用异常检测方法对无效数据进行自动识别和剔除；所述格式规整为对采集后的数据进行长度匹配、时间节点对齐、数据格式统一；所述采样同步为确定各种机电设备的最大频谱分辨率，对其他数据进行重采样，以确保频谱分辨率一致；所述数据去均值为方便监测后续处理的计算工作量，调整数据信号均值不为零的方法；所述数据去趋势为采用最小二乘法以去除随着时间变化发生信号偏离趋势项；所述深度神经网络训练系统为自动获取数据中蕴含的特征，完成故障数据和故障类别的拟合，从而实现机电设备故障诊断；所述机电设备故障在线识别系统为自动采集机电设备状态数据，经过数据预处理之后，输入故障诊断深度神经网络，对设备健康状态进行诊断，输出诊断结果；所述自动学习未知故障系统为重构误差超过阈值，判断为输入数据特征模式与训练数据存在较大差异，可能是新出现的未知故障，对未知故障进行标记，确定实际的故障类别后更新故障类别表，形成新的所述设备状态信息数据集，调整网络结构，重置网络参数，通过添加了所述设备状态信息数据集的训练数据对模型进行重新训练，并使用验证数据集对所述设备故障诊断网络进行验证，完成验证后，形成新的所述设备故障诊断网络，并重新部署在设备所述数据采集系统。优选的，所述深度神经网络训练系统主要由编码器和解码器组成；输入X通过所述编码器进行编码后，得到一个隐层空间的低维向量Z，用于表示输入X的数据特征；Z包括两个部分，即均值Z_Mean，和标准差Z_Log_Var，Z满足正态分布；低维向量Z输入所述解码器，通过所述解码器网络，获得输出向量将隐层空间低维向量Z输入全连接分类神经网络，网络包括三层，分别为输入层、隐含层和输出层；所述输入层维数和Z向量维数一致，所述输出层维数为k，所述输出层采用Softmax函数，网络输出为构造损失函数L＝L1+α*L2+β*L3，其中：L1为自编码器网络重构误差，L2为学习分布和先验分布的KL散度，L2＝∑KL(p(z|x)||N(0,1))L3为分类神经网络预测值与实际值的均方差，α，β分别为损失项L2和L3的系数。采用随机梯度下降法对损失函数L进行优化，并对模型参数进行更新,最后获得最优参数，保存网络模型。优选的，所述设备状态信息数据集的训练数据集为{Xm,Tk}l，其中Xm为经过预处理的监测数据，Tk为对应的故障类别，k表示当前为k类故障，Tk采用one-hot编码。本专利技术利用深度神经网络，通过输入设备状态信息进行训练，获取状态信息的分布特征，实现数据的降维，并利用该分布特征，完成故障类别的判断。同时，网络通过比较网络输入输出数据的重构误差，判断设备运行状态的异常，获取并保存未知故障的状态信息。网络通过自动调整自身结构，利用未知故障状态信息重新训练，对未知故障进行自动学习。该方法不依赖人工选择故障特征，能够较为全面的学习设备状态监测数据中蕴含的信息，同时，该方法可以实现设备状态数据到故障类别的自动拟合，减少了进行故障诊断算法开发的工作量。另外，该方法通过对未知故障的学习，可以实现故障诊断功能的不断拓展，提高系统的投资效益。附图说明图1为机电设备故障诊断步骤流程图；图2为本专利技术变分自编码神经网络示意图；图3为本专利技术故障类别判断神经网络示意图。具体实施方式为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本专利技术作进一步详细的说明。本方法提出了一种基于深度学习理论的机电设备故障诊断方法，本方法使用深度学习网络，对机电监测系统获得的海量数据进行训练，通过多层非线性变换，获取数据中蕴含的特征信息，完成机电状态数据到故障类别的拟合，实现机电设备故障的自动诊断。如图1所示，本方法主要包括以下步骤：●数据采集●数据预处理●深度神经网络训练●机电设备故障在线识别●未知故障自动学习本方法通过安装在机电设备上的各种传感器和数据采集系统，采集并监测设备状态信息。这些信息用于实时指示设备运行状态。系统将设备正常运行及工艺瞬态的数据保存到历史数据库；当设备发生异常时，历史数据库保存状态异常期间的状态数据。这些数据经过预处理，完成无效剔除、格式规整、去均值、去趋势等步骤后，形成数据集，用于深度神经网络的训练，以及网络部署后的故障自动识别。用于深度神经网络的训练数据集为{Xm,Tk}l，其中Xm为经过预处理的监测数据，Tk为对应的故障类别，k表示当前为k类故障，Tk采用one-hot编码。深度神经网络包括两部分构成，一部分为变分自编码器，用于提取信息的分布特征，同时监测设备异常。另一部分为全连接网络，用于判断故障类别。变分自编码器由编码器和解码器组成。输入向量Xm∈Rm输入神经网络后，获取隐含层输出：hencoder＝f1θ1(Xm)＝fen(WTXm+b)(1)其中θ1＝{W,b}为该隐含层网络的参数集合，fen为编码网络的非线性激活函数。隐含层输出通过输入编码器网络，分别输出均值向量本文档来自技高网...

【技术保护点】
1.一种基于深度神经网络的机电设备故障诊断方法，其特征在于，包括数据采集、数据预处理、深度神经网络训练、机电设备故障在线识别和未知故障自动学习；/n所述数据采集系统是在机电设备上安装传感器和数据采集器，所述传感器采集设备状态信息，所述数据采集器将所述设备状态信息数据保存到历史数据库；/n所述数据预处理系统为将所述设备状态信息数据集进行包括无效剔除、格式规整、采样同步、数据去均值和数据去趋势；/n所述无效剔除为根据机电设备运行特点，利用异常检测方法对无效数据进行自动识别和剔除；/n所述格式规整为对采集后的数据进行长度匹配、时间节点对齐、数据格式统一；/n所述采样同步为确定各种机电设备的最大频谱分辨率，对其他数据进行重采样，以确保频谱分辨率一致；/n所述数据去均值为方便监测后续处理的计算工作量，调整数据信号均值不为零的方法；/n所述数据去趋势为采用最小二乘法以去除随着时间变化发生信号偏离趋势项；/n所述深度神经网络训练系统为自动获取数据中蕴含的特征，完成故障数据和故障类别的拟合，从而实现机电设备故障诊断；/n所述机电设备故障在线识别系统为自动采集机电设备状态数据，经过数据预处理之后，输入故障诊断深度神经网络，对设备健康状态进行诊断，输出诊断结果；/n所述自动学习未知故障系统为重构误差超过阈值，判断为输入数据特征模式与训练数据存在较大差异，可能是新出现的未知故障，对未知故障进行标记，确定实际的故障类别后更新故障类别表，形成新的所述设备状态信息数据集，调整网络结构，重置网络参数，通过添加了所述设备状态信息数据集的训练数据对模型进行重新训练，并使用验证数据集对所述设备故障诊断网络进行验证，完成验证后，形成新的所述设备故障诊断网络，并重新部署在设备所述数据采集系统。/n...

【技术特征摘要】
1.一种基于深度神经网络的机电设备故障诊断方法，其特征在于，包括数据采集、数据预处理、深度神经网络训练、机电设备故障在线识别和未知故障自动学习；
所述数据采集系统是在机电设备上安装传感器和数据采集器，所述传感器采集设备状态信息，所述数据采集器将所述设备状态信息数据保存到历史数据库；
所述数据预处理系统为将所述设备状态信息数据集进行包括无效剔除、格式规整、采样同步、数据去均值和数据去趋势；
所述无效剔除为根据机电设备运行特点，利用异常检测方法对无效数据进行自动识别和剔除；
所述格式规整为对采集后的数据进行长度匹配、时间节点对齐、数据格式统一；
所述采样同步为确定各种机电设备的最大频谱分辨率，对其他数据进行重采样，以确保频谱分辨率一致；
所述数据去均值为方便监测后续处理的计算工作量，调整数据信号均值不为零的方法；
所述数据去趋势为采用最小二乘法以去除随着时间变化发生信号偏离趋势项；
所述深度神经网络训练系统为自动获取数据中蕴含的特征，完成故障数据和故障类别的拟合，从而实现机电设备故障诊断；
所述机电设备故障在线识别系统为自动采集机电设备状态数据，经过数据预处理之后，输入故障诊断深度神经网络，对设备健康状态进行诊断，输出诊断结果；
所述自动学习未知故障系统为重构误差超过阈值，判断为输入数据特征模式与训练数据存在较大差异，可能是新出现的未知故障，对未知故障进行标记，确定实际的故障类别后更新故障类别表，形成新的所述设备状态信息数据集，调整网络结构，重置网络参数，通过添加了所述设备状态信息数据集的训练数据对模型进行重新...

【专利技术属性】
技术研发人员：张健鹏，张东生，毕道伟，匡红波，钟华，卜江涛，刘欢，张艳婷，
申请(专利权)人：上海核工程研究设计院有限公司，
类型：发明
国别省市：上海;31