一种基于深度学习的机器故障的预测和分类方法技术

本发明专利技术提供了一种基于深度学习的机器故障的预测和分类方法，包括：数据预处理阶段，特征提取阶段，建立基于CNN的自动编码器的特征提取模型，提取预处理后的数据集的特征；预测模型训练阶段，构建基于双向LSTM的预测模型，利用特征提取阶段得到的特征训练所述预测模型；分类模型训练阶段，利用特征提取阶段得到的特征并采用有监督学习的方式训练基于自动编码器的DNN分类模型；及模型使用阶段，利用训练后的预测模型来预测故障发生的时间，并且利用训练后的分类模型对即将发生的故障进行模式分类、故障类别分类、故障源定位和故障程度划分，本发明专利技术能够预测故障的发生，且在预测故障发生的同时对将要发生的故障进行分类。

A method of machine fault prediction and classification based on deep learning

【技术实现步骤摘要】
一种基于深度学习的机器故障的预测和分类方法
本专利技术涉及机器健康监测领域，尤其涉及一种基于深度学习的机器故障的预测和分类方法。
技术介绍
制造系统通常会因性能下降或异常运行而导致故障，从而导致超负荷、变形、破裂、过热、腐蚀和磨损。故障可能导致更高的运营成本，更低的生产率，更不合格的零件浪费，甚至是意外的停机时间。为了实施智能制造，对于智能工厂而言，监视机械状况、识别初期缺陷、诊断故障的根本原因，然后将信息纳入制造生产和控制至关重要。现有技术公开了一种于迁移卷积神经网络的故障预测方法，通过采集故障发生后的信号来预测故障的类别；现有技术还公开了一种滚动轴承故障预测方法，通过深度长短记忆网络能够实现故障时间预测，上述研究和专利技术都对机器健康监测起到了巨大的推动作用，但都只能实现单一的预测故障时间或故障类型。
技术实现思路
针对现有技术中存在不足，本专利技术提供了一种基于深度学习的机器故障的预测和分类方法，能够预测故障的发生，且在预测故障发生的同时对将要发生的故障进行分类。本专利技术是通过以下技术手段实现本文档来自技高网...

【技术保护点】
1.一种基于深度学习的机器故障的预测和分类方法，其特征在于，包括：/n数据预处理阶段，对获取的时序数据进行预处理；/n特征提取阶段，建立基于CNN的自动编码器的特征提取模型，然后利用所述特征提取模型提取预处理后的数据集的特征；/n预测模型训练阶段，构建基于双向LSTM的预测模型，利用特征提取阶段得到的特征训练所述预测模型；/n分类模型训练阶段，利用特征提取阶段得到的特征并采用有监督学习的方式训练基于自动编码器的DNNs分类模型；及/n模型使用阶段，利用训练后的预测模型来预测故障发生的时间，并且利用训练后的分类模型对即将发生的故障进行模式分类、故障类别分类、故障源定位和故障程度划分。/n

【技术特征摘要】
1.一种基于深度学习的机器故障的预测和分类方法，其特征在于，包括：
数据预处理阶段，对获取的时序数据进行预处理；
特征提取阶段，建立基于CNN的自动编码器的特征提取模型，然后利用所述特征提取模型提取预处理后的数据集的特征；
预测模型训练阶段，构建基于双向LSTM的预测模型，利用特征提取阶段得到的特征训练所述预测模型；
分类模型训练阶段，利用特征提取阶段得到的特征并采用有监督学习的方式训练基于自动编码器的DNNs分类模型；及
模型使用阶段，利用训练后的预测模型来预测故障发生的时间，并且利用训练后的分类模型对即将发生的故障进行模式分类、故障类别分类、故障源定位和故障程度划分。


2.根据权利要求1所述的基于深度学习的机器故障的预测和分类方法，其特征在于，所述数据预处理阶段通过传感器等获取时序数据并进行预处理，包括数据异常值处理、缺失值填补、数据降维。


3.根据权利要求1所述的基于深度学习的机器故障的预测和分类方法，其特征在于，所述特征提取阶段具体为：
构建一个包含输入层、编码层、解码层、输出层的基于CNN的自动编码器，输入层的输入N为数据预处理阶段得到的数据集，编码层进行下采样和特征提取，得到特征Feature，解码层通过反卷积，将Feature还原为输入N，建立损失函数F(Y，N)，损失函数为MSE，通过梯度下降法来降低损失函数，使得输入N等于输出Y来提取输入的特征。


4.根据权利要求1所述的基于深度学习的机器故障的预测和分类方法，其特征在于，
构建基于双向LSTM的预测模型具体步骤为：
构建两层双向LSTM神经网络，以对时间模式进行编...

【专利技术属性】
技术研发人员：顾寄南，彭伟，王文波，
申请(专利权)人：江苏大学，
类型：发明
国别省市：江苏;32