一种基于深度置信网络的工业设备故障诊断方法及系统技术方案

本发明专利技术涉及一种基于深度置信网络的工业设备故障诊断方法及系统。该方法包括：构建深度置信网络；采用混沌模拟退火粒子群算法优化所述深度置信网络的超参数，得到优化的深度置信网络；采用训练数据训练所述优化的深度置信网络，得到故障诊断模型；所述训练数据为工业设备的机械振动信号数据集；获取工业设备的机械振动信号；所述机械振动信号由多个传感器采集；采用自适应加权融合算法对所述机械振动信号进行数据融合，得到融合振动信号；将所述融合振动信号输入所述故障诊断模型，输出所述工业设备的故障诊断结果。本发明专利技术可以提高故障诊断的准确度。断的准确度。断的准确度。

【技术实现步骤摘要】
一种基于深度置信网络的工业设备故障诊断方法及系统


[0001]本专利技术涉及工业设备故障诊断领域，特别是涉及一种基于深度置信网络的工业设备故障诊断方法及系统。

技术介绍

[0002]在工业生产过程中，工业设备长期运行会不可避免地出现各种故障，若不能及时发现与排查出故障，则可能严重影响整个工业生产的效率、质量甚至安全性。因此，故障诊断是工业生产中相当重要的一环。它通过分析工业设备相关的信息数据来及时、准确地判定设备的运行状态或故障类型，很大程度地减小了设备故障带来的损失，也减小了设备维护的成本。
[0003]通常，在复杂设备的故障诊断中，使用单一传感器采集的设备数据进行诊断难以准确反映设备的状态，因此可以使用多个传感器分别获取设备不同位置的振动信号，再通过信息融合方式，综合分析多传感器的数据信号，以得到更精准的设备状态和诊断结果。信息融合方式包括数据层融合、特征层融合和决策层融合。其中，数据层融合方式可以从原始数据中获取更多的细节和更高的精度，常用的数据层融合方法包括加权平均法和聚类方法等。
[0004]关于故障诊断方法，在基于数据驱动的故障诊断领域中，故障诊断方法有基于优化机器学习的方法，例如小波变换算法、蚁群算法等；也有基于深度学习的方法，例如深度置信网络、卷积神经网络、堆叠自动编码器等。其中，基于深度学习的方法无需专家经验知识即可进行故障诊断，且具有较强的特征提取和分类能力，所以在故障诊断领域得到了较为广泛的应用。
[0005]在基于深度学习的故障诊断方法中，深度置信网络因其提取特征的能力强，且能很好地处理高维、非平稳、非线性数据，因此非常适合处理工业大数据故障诊断问题。但DBN的隐含层节点、学习率、动量项等超参数的设置往往依靠人为经验，通过不断调试选取较优的超参数值，此举十分耗费时间和精力，因此由研究人员使用参数寻优算法自动搜寻DBN网络的超参数。其中粒子群算法便是一种被广泛使用的神经网络参数优化方法，它因为算法简单、容易实现而被广泛应用在函数优化、神经网络训练等领域。但传统的粒子群算法容易陷入局部最优解，而且存在收敛速度慢、精度不高等问题，这些缺陷都会影响参数优化的结果，进而导致故障诊断的结果不准确。

技术实现思路

[0006]本专利技术的目的是提供一种基于深度置信网络的工业设备故障诊断方法及系统，以提高故障诊断的准确度。
[0007]为实现上述目的，本专利技术提供了如下方案：
[0008]一种基于深度置信网络的工业设备故障诊断方法，包括：
[0009]构建深度置信网络；
[0010]采用混沌模拟退火粒子群算法优化所述深度置信网络的超参数，得到优化的深度置信网络；
[0011]采用训练数据训练所述优化的深度置信网络，得到故障诊断模型；所述训练数据为工业设备的机械振动信号数据集；
[0012]获取工业设备的机械振动信号；所述机械振动信号由多个传感器采集；
[0013]采用自适应加权融合算法对所述机械振动信号进行数据融合，得到融合振动信号；
[0014]将所述融合振动信号输入所述故障诊断模型，输出所述工业设备的故障诊断结果。
[0015]可选的，所述采用混沌模拟退火粒子群算法优化所述深度置信网络的超参数，得到优化的深度置信网络，具体包括：
[0016]生成给定数量的粒子群；所述粒子群中每个粒子都表示深度置信网络的一组待优化超参数；
[0017]对于每一次迭代，计算每个粒子的适应度；
[0018]根据每个粒子的适应度更新每个粒子的历史极值以及当前迭代的群体极值；粒子的历史极值为当前粒子的历史适应度的最优值；当前迭代的群体极值为所有粒子的历史极值中的最优值；
[0019]判断是否满足迭代停止条件；所述迭代停止条件为当前迭代的群体极值小于设定阈值或当前迭代次数达到最大迭代次数；
[0020]当满足迭代停止条件时，迭代停止，将当前迭代的群体极值对应的粒子确定为所述深度置信网络的超参数，得到优化的深度置信网络；
[0021]当不满足迭代停止条件时，根据当前迭代每个粒子的历史极值以及群体极值，计算每个粒子更新后的位置和速度；
[0022]根据每个粒子更新后的位置和速度计算每个粒子更新后的适应度；
[0023]基于前一次迭代得到的退火温度，根据每个粒子更新后的适应度，采用模拟退火算法判定每个粒子是否需要更新；
[0024]根据所述模拟退火算法的判定结果，对粒子群中每个需要更新的粒子按照计算得到的更新后的位置和速度进行更新，得到更新后的粒子群；
[0025]根据当前迭代每个粒子的适应度计算当前迭代的退火温度；
[0026]迭代次数加1，基于更新后的粒子群，返回计算每个粒子的适应度的步骤，进入下一次迭代。
[0027]可选的，所述当不满足迭代停止条件时，根据当前迭代每个粒子的历史极值以及群体极值，计算每个粒子更新后的位置和速度，具体包括：
[0028]利用公式v
i+1
＝ω(t)
×
v
i
+c1×
r1×
(pbest
i-x
i
)+c2×
r2×
(gbest(t)-x
i
)计算每个粒子更新后的速度；式中，v
i+1
为第i个粒子更新后的速度；v
i
为第i个粒子更新前的速度；ω(t)为当前迭代的惯性因子，ω
max
为历史惯性因子的最大值，ω
min
为历史惯性因子的最小值，t为当前迭代次数，t
max
为最大迭代次数；c1和c2为学习因子；r1和r2为0～1之间的随机数；pbest
i
为当前迭代第i个粒子的历史极值；gbest(t)为当
前迭代的群体极值；
[0029]利用公式x
i+1
＝x
i
+v
i+1
计算每个粒子更新后的位置；式中，x
i+1
为第i个粒子更新后的位置；x
i
为第i个粒子更新前的位置。
[0030]可选的，随机数r1和随机数r2基于logistic模型产生的混沌序列，利用随机性遍历搜索空间优化得到；优化公式为：
[0031]r
i
＝4
×
r
i
(t-1)
×
(1-r
i
(t-1)),i＝1,2；
[0032]式中，r
i
为当前迭代的随机数，即r
i
(t)；r
i
(t-1)为前一次迭代的随机数。
[0033]可选的，所述基于前一次迭代得到的退火温度，根据每个粒子更新后的适应度，采用模拟退火算法判定每个粒子是否需要更新，具体包括：
[0034]利用公式判定每个粒子需要更新的概率；式中，P为第i个粒子需要更新的概率；f
i...

【技术保护点】

【技术特征摘要】
1.一种基于深度置信网络的工业设备故障诊断方法，其特征在于，包括：构建深度置信网络；采用混沌模拟退火粒子群算法优化所述深度置信网络的超参数，得到优化的深度置信网络；采用训练数据训练所述优化的深度置信网络，得到故障诊断模型；所述训练数据为工业设备的机械振动信号数据集；获取工业设备的机械振动信号；所述机械振动信号由多个传感器采集；采用自适应加权融合算法对所述机械振动信号进行数据融合，得到融合振动信号；将所述融合振动信号输入所述故障诊断模型，输出所述工业设备的故障诊断结果。2.根据权利要求1所述的基于深度置信网络的工业设备故障诊断方法，其特征在于，所述采用混沌模拟退火粒子群算法优化所述深度置信网络的超参数，得到优化的深度置信网络，具体包括：生成给定数量的粒子群；所述粒子群中每个粒子都表示深度置信网络的一组待优化超参数；对于每一次迭代，计算每个粒子的适应度；根据每个粒子的适应度更新每个粒子的历史极值以及当前迭代的群体极值；粒子的历史极值为当前粒子的历史适应度的最优值；当前迭代的群体极值为所有粒子的历史极值中的最优值；判断是否满足迭代停止条件；所述迭代停止条件为当前迭代的群体极值小于设定阈值或当前迭代次数达到最大迭代次数；当满足迭代停止条件时，迭代停止，将当前迭代的群体极值对应的粒子确定为所述深度置信网络的超参数，得到优化的深度置信网络；当不满足迭代停止条件时，根据当前迭代的每个粒子的历史极值以及群体极值，计算每个粒子更新后的位置和速度；根据每个粒子更新后的位置和速度计算每个粒子更新后的适应度；基于前一次迭代得到的退火温度，根据每个粒子更新后的适应度，采用模拟退火算法判定每个粒子是否需要更新；根据所述模拟退火算法的判定结果，对粒子群中每个需要更新的粒子按照计算得到的更新后的位置和速度进行更新，得到更新后的粒子群；根据当前迭代的每个粒子的适应度计算当前迭代的退火温度；迭代次数加1，基于更新后的粒子群，返回计算每个粒子的适应度的步骤，进入下一次迭代。3.根据权利要求2所述的基于深度置信网络的工业设备故障诊断方法，其特征在于，所述当不满足迭代停止条件时，根据当前迭代的每个粒子的历史极值以及群体极值，计算每个粒子更新后的位置和速度，具体包括：利用公式v
i+1
＝ω(t)
×
v
i
+c1×
r1×
(pbest
i-x
i
)+c2×
r2×
(gbest(t)-x
i
)计算每个粒子更新后的速度；式中，v
i+1
为第i个粒子更新后的速度；v
i
为第i个粒子更新前的速度；ω(t)
为当前迭代的惯性因子，ω
max
为历史惯性因子的最大值，ω
min
为历史惯性因子的最小值，t为当前迭代次数，t
max
为最大迭代次数；c1和c2为学习因子；r1和r2为0～1之间的随机数；pbest
i
为当前迭代第i个粒子的历史极值；gbest(t)为当前迭代的群体极值；利用公式x
i+1
＝x
i
+v
i+1
计算每个粒子更新后的位置；式中，x
i+1
为第i个粒子更新后的位置；x
i
为第i个粒子更新前的位置。4.根据权利要求3所述的基于深度置信网络的工业设备故障诊断方法，其特征在于，随机数r1和随机数r2基于logistic模型产生的混沌序列，利用随机性遍历搜索空间优化得到；优化公式为：r
i
＝4
×
r
i
(t-1)
×
(1-r
i
(t-1)),i＝1,2；式中，r
i
为当前迭代的随机数，即r
i
(t)；r
i
(t-1)为前一次迭代的随机数。5.根据权利要求2所述的基于深度置信网络的工业设备故障诊断方法，其特征在于，所述基于前一次迭代得到的退火温度，根据每个粒子更新后的适应度，采用模拟退火算法判定每个粒子是否需要更新，具体包括：利用公式判定每个粒子需要更新的概率；式中，P为第i个粒子需要更新的概率；f

【专利技术属性】
技术研发人员：柴森春，王统铭，王昭洋，姚分喜，张百海，崔灵果，李慧芳，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：