一种面向工业设备数据的故障诊断方法及系统技术方案

本发明专利技术涉及一种面向工业设备数据的故障诊断方法及系统，方法包括：获取各种故障类型下多个传感器的检测数据，各所述传感器的检测数据为多个；为各所述传感器构建一个深度置信网络；对各所述深度置信网络进行优化，确定各所述深度置信网络的网络超参数；以所述传感器的检测数据为输入，以所述传感器的检测数据对应的故障类型的概率为输出，训练优化后的各所述深度置信网络；将待诊断检测数据输入训练后的各所述深度置信网络中，输出多个各故障类型的概率；采用基于皮尔逊系数的改进D‑S证据理论对各所述故障类型的概率值进行决策层融合，输出故障类型。本发明专利技术提高了故障诊断的准确性。

【技术实现步骤摘要】
一种面向工业设备数据的故障诊断方法及系统
本专利技术涉及故障诊断
，特别是涉及一种面向工业设备数据的故障诊断方法及系统。
技术介绍
目前，工业生产在不断地向着复杂化、智能化、精密化的方向发展。但在工业互联网的发展过程中，还存在信息孤岛、数据异构、数据兼容等各种问题。制造执行系统(ManufacturingExecutionSystem，MES)是面向车间执行层的信息管理系统，可以为企业提供生产计划管理、生产过程控制、产品质量管理等功能，并且能够很好地解决信息孤岛、数据异构、数据兼容等问题。在工业生产的故障诊断领域，通过MES系统可以实现设备数据的互联互通。MES系统采集工业现场的机械设备数据，并对数据进行清洗和语义抽取，解决了数据的异常和异构问题，最后将处理后的数据存入到统一的标识数据库中，以进行后续的对设备故障数据的智能分析和诊断。关于故障诊断方法选取，在基于数据驱动的故障诊断方法中，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，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的故障诊断问题。关于故障信号的获取，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通常难以准确反映设备的状态。因此，为了提高诊断精度，可以使用多个传感器获取反映设备工作状态的信号，再通过信息融合的方式，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。一般而言，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，决策层融合方式可以对每个传感器的诊断结果按照一定的权重进行信息融合，因其计算量小和灵活性被广泛应用。在一系列决策层融合的方法中，D-S证据理论能高效解决传感器的不确定性问题中并取得较好的融合效果，但传统的D-S证据理论存在一票否决和证据冲突的问题。一旦某个传感器的诊断结果异常，就有可能会影响最终的融合结果。关于深度网络的优化，深度网络的超参数的设置，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，因此有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，而且需要设定的参数过多等问题，这些缺陷都会影响参数优化的结果。
技术实现思路
基于此，本专利技术的目的是提供一种面向工业设备数据的故障诊断方法及系统，提高了故障诊断的准确性。为实现上述目的，本专利技术提供了如下方案：一种面向工业设备数据的故障诊断方法，所述方法包括：获取各种故障类型下多个传感器的检测数据，各所述传感器的检测数据为多个；为各所述传感器构建一个深度置信网络；对各所述深度置信网络进行优化，确定各所述深度置信网络的网络超参数；以所述传感器的检测数据为输入，以所述传感器的检测数据对应的故障类型的概率为输出训练优化后的各所述深度置信网络；将待诊断检测数据输入训练后的各所述深度置信网络中，输出多个各故障类型的概率；采用基于皮尔逊系数的改进D-S证据理论对各所述故障类型的概率值进行决策层融合，输出故障类型。可选地，所述为各所述传感器构建一个深度置信网络，具体包括：初始化各深度置信网络：设置各所述深度置信网络的网络节点数、训练学习率、动量参数和迭代次数。可选地，所述对各所述深度置信网络进行优化，确定各所述深度置信网络的网络超参数，具体包括：采用量子粒子群算法对各所述深度置信网络进行优化，确定各所述深度置信网络的网络超参数。可选地，所述采用量子粒子群算法对各所述深度置信网络进行优化，确定各所述深度置信网络的网络超参数，具体包括：设定粒子群的种群规模和最大迭代数，并生成给定数量的粒子群；所述粒子群中每个粒子表示一个所述深度置信网络的待优化超参数；设定所述粒子群的适应度函数；计算各粒子的初始适应度；将各粒子的初始适应度作为各粒子的个体极值；将各个体极值中的最优值作为群体极值并计算所述粒子的平均适应度；根据所述群体极值、所述平均适应度和各粒子的所述个体极值更新各粒子的位置；计算各粒子的适应度，初始化迭代数；将各粒子的所述适应度作为各粒子的个体极值；将各个体极值中的最优值作为群体极值并计算所述粒子的平均适应度，所述迭代数加1；判断所述迭代数是否达到最大迭代数；若否，则返回“根据所述群体极值、所述平均适应度和各粒子的所述个体极值更新各粒子的位置”；若是，则将所述群体极值对应的粒子表示的参数作为所述深度置信网络的网络超参数。可选地，所述采用基于皮尔逊系数的改进D-S证据理论对各所述故障类型的概率值进行决策层融合，输出故障类型，具体包括：将各所述深度置信网络输出的多个各故障类型的概率作为初始概率分配矩阵；计算各传感器证据体之间的相关性系数；根据各所述相关性系数获得各传感器证据体之间的相关性矩阵；计算各所述传感器证据体的可信度；根据各所述传感器证据体的可信度修正所述初始概率分配矩阵；将修正后的所述初始概率分配矩阵中概率为0的项修改为0.001，将概率最大的项减去0.001，获得修正后的概率分配矩阵；根据所述修正后的概率分配矩阵，采用D-S证据理论的合成规则计算每个故障类型的概率值；将各故障类型的概率值中最大值对应的故障类型作为输出结果。本专利技术还公开了一种面向工业设备数据的故障诊断系统，所述系统包括：检测数据获取模块，用于获取各种故障类型下多个传感器的检测数据，各所述传感器的检测数据为多个；深度置信网络构建模块，用于为各所述传感器构建一个深度置信网络；网络超参数确定模块，用于对各所述深度置信网络进行优化，确定各所述深度置信网络的网络超参数；深度置信网络训练模块，用于以所述传感器的检测数据为输入，以所述传感器的检测数据对应的故障类型的概率为输出训练优化后的各所述深度置信网络；深度置信网络诊断模块，用于将待诊断检测数据输入训练后的各所述深度置信网络中，输出多个各故障类型的概率；故障类型输出模块，用于采用基于皮尔逊系数的改进D-S证据理论对各所述故障类型的概率值进行决策层融合，输出故障类型。可选地，所述深度置信网络构建模块，具体包括：初始化单元，用于初始化各深度置信网络：设置各所述深度置信网络的网络节点数、训练学习率、动量参数和迭代次数。可选地，所述网络超参数确定模块，具体包括：网络超参数确定单元，用于采用量子粒子群算法对各所述深度置信网络进行优化，确定各所述深度置信网络的网络超参数。可选地，所述网络超参数确定单元，具体包括：初始化子单元，用于设定粒子群的种群规模本文档来自技高网...

【技术保护点】
1.一种面向工业设备数据的故障诊断方法，其特征在于，所述方法包括：/n获取各种故障类型下多个传感器的检测数据，各所述传感器的检测数据为多个；/n为各所述传感器构建一个深度置信网络；/n对各所述深度置信网络进行优化，确定各所述深度置信网络的网络超参数；/n以所述传感器的检测数据为输入，以所述传感器的检测数据对应的故障类型的概率为输出，训练优化后的各所述深度置信网络；/n将待诊断检测数据输入训练后的各所述深度置信网络中，输出多个各故障类型的概率；/n采用基于皮尔逊系数的改进D-S证据理论对各所述故障类型的概率值进行决策层融合，输出故障类型。/n

【技术特征摘要】
1.一种面向工业设备数据的故障诊断方法，其特征在于，所述方法包括：
获取各种故障类型下多个传感器的检测数据，各所述传感器的检测数据为多个；
为各所述传感器构建一个深度置信网络；
对各所述深度置信网络进行优化，确定各所述深度置信网络的网络超参数；
以所述传感器的检测数据为输入，以所述传感器的检测数据对应的故障类型的概率为输出，训练优化后的各所述深度置信网络；
将待诊断检测数据输入训练后的各所述深度置信网络中，输出多个各故障类型的概率；
采用基于皮尔逊系数的改进D-S证据理论对各所述故障类型的概率值进行决策层融合，输出故障类型。


2.根据权利要求1所述的面向工业设备数据的故障诊断方法，其特征在于，所述为各所述传感器构建一个深度置信网络，具体包括：
初始化各深度置信网络：设置各所述深度置信网络的网络节点数、训练学习率、动量参数和迭代次数。


3.根据权利要求1所述的面向工业设备数据的故障诊断方法，其特征在于，所述对各所述深度置信网络进行优化，确定各所述深度置信网络的网络超参数，具体包括：
采用量子粒子群算法对各所述深度置信网络进行优化，确定各所述深度置信网络的网络超参数。


4.根据权利要求3所述的面向工业设备数据的故障诊断方法，其特征在于，所述采用量子粒子群算法对各所述深度置信网络进行优化，确定各所述深度置信网络的网络超参数，具体包括：
设定粒子群的种群规模和最大迭代数，并生成给定数量的粒子群；所述粒子群中每个粒子表示一个所述深度置信网络的待优化超参数；
设定所述粒子群的适应度函数；
计算各粒子的初始适应度；
将各粒子的初始适应度作为各粒子的个体极值；
将各个体极值中的最优值作为群体极值并计算所述粒子的平均适应度；
根据所述群体极值、所述平均适应度和各粒子的所述个体极值更新各粒子的位置；
计算各粒子的适应度，初始化迭代数；
将各粒子的所述适应度作为各粒子的个体极值；
将各个体极值中的最优值作为群体极值并计算所述粒子的平均适应度，所述迭代数加1；
判断所述迭代数是否达到最大迭代数；
若否，则返回“根据所述群体极值、所述平均适应度和各粒子的所述个体极值更新各粒子的位置”；
若是，则将所述群体极值对应的粒子表示的参数作为所述深度置信网络的网络超参数。


5.根据权利要求1所述的面向工业设备数据的故障诊断方法，其特征在于，所述采用基于皮尔逊系数的改进D-S证据理论对各所述故障类型的概率值进行决策层融合，输出故障类型，具体包括：
将各所述深度置信网络输出的多个各故障类型的概率作为初始概率分配矩阵；
计算各传感器证据体之间的相关性系数；
根据各所述相关性系数获得各传感器证据体之间的相关性矩阵；
计算各所述传感器证据体的可信度；
根据各所述传感器证据体的可信度修正所述初始概率分配矩阵；
将修正后的所述初始概率分配矩阵中概率为0的项修改为0.001，将概率最大的项减去0.001，获得修正后的概率分配矩阵；
根据所述修正后的概率分配矩阵，采用D-S证据理论的合成规则计算每个故障类型的概率值；
将各故障类型的概率值中最大值对应的故障类型作为输出结果。


6.一种面向工业设备数据的故障诊断系统，其特征在于，所述系统包括：
检测数据获取模块，用于获取各种故障类型下多个传感器的检测数据，各所述传感器的检测数据为多个；
深度置信网络构建模块，用于为各所述传感器构建一个...

【专利技术属性】
技术研发人员：柴森春，王昭洋，王统铭，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：北京;11