一种复杂机电设备的故障辨识与溯源方法技术

本发明专利技术提供了一种复杂机电设备的故障辨识与溯源方法，包括以下步骤：S1，通过多维传感器获取机电设备的状态监测信息；S2，将机电设备的状态监测信息带入图卷积神经网络获得诊断证据信息；S3，融合各种诊断证据信息，基于证据推理原则进行故障辨识；S4，根据故障辨识结果，通过故障传播模型进行故障溯源，获得故障根本原因定位。本发明专利技术弥补了原有数据处理水平和智能化水平不足等问题。

【技术实现步骤摘要】
一种复杂机电设备的故障辨识与溯源方法
本专利技术属于复杂系统故障
，具体涉及一种复杂机电设备的故障辨识与溯源方法。
技术介绍
机电系统通常是由有限的、完成特定功能的设备部件按照一定的方式和要素聚合而成，决定了复杂系统故障传播和诊断的复杂性，主要表现为故障原因与故障征兆之间错综联系。而且由于工作状况复杂、状态变化剧烈、高温高湿霉菌盐雾海洋环境、多物理场耦合、器部件尽限应用、故障模式多、多种设备组合工作等因素，对于故障尤其是复合或隐藏的故障难以诊断定位和溯源。传统稳态分析方法或单纯物理建模方法只能解决单一模式下的单个故障，缺乏通用和专用系统/设备故障建模的手段，从系统的角度进行故障传播溯源。
技术实现思路
本专利技术的目的就是为了解决上述
技术介绍
存在的不足，提供一种复杂机电设备的故障辨识与溯源方法，弥补原有数据处理水平和智能化水平不足等问题。本专利技术采用的技术方案是：一种复杂机电设备的故障辨识与溯源方法，其特征在于：包括以下步骤：S1，通过多维传感器获取机电设备的状态监测信息；S2，将机电设备的状态监测信息带入图卷积神经网络和长短时神经网络获得诊断证据信息；S3，融合各种诊断证据信息，基于证据推理原则进行故障辨识；S4，根据故障辨识结果，通过故障传播模型和证据网络进行故障溯源，获得故障根本原因定位。上述技术方案中，所述多维传感器用于对机电设备的可见光几何现象、瞬时电气现象、持续热学现象的信息感知。上述技术方案中，步骤S2中的图卷积神经网络和长短时神经网络的构建方法包括以下步骤：a，利用机电设备的历史状态监测信息构建具备图样本结构表征的故障特征图；b，根据故障特征图构建图卷积神经网络和长短时神经网络。上述技术方案中，所述步骤a具体包括以下步骤：从机电设备的历史状态监测信息中提取故障特征，并进行特征样本增强；根据故障特征，选择具有时空关系和逻辑关系的事件和健康数据信息，利用信息的时空和逻辑关系构建故障特征图；所述故障特征图包括空间域特征图、关系域特征图和时间域特征图；其中，空间域特征图和关系域特征图具有相同的拓扑结构，用于构建统图卷积神经网络，作为其学习输入；时间域特征图用于构建长短时神经网络，作为其学习输入。上述技术方案中，所述步骤b具体包括以下步骤：通过节点属性与边权重的一致性量化方法，将故障特征图预处理为纯节点连接图；通过空间卷积算法从纯节点连接图中提取含有结构化信息的节点特征向量；基于图注意力机制实现节点特征向量到图样本特征向量的转化，并设计与其匹配的分类层，生成图卷积神经网络。上述技术方案中，空间域故障特征图构建方法包括以下步骤：基于机电设备的关键部位的节点与其他节点之间的相对影响关系获取节点间连接边的权重值，构成空间域故障特征图。上述技术方案中，关系域故障特征图构建方法包括以下步骤：通过定性趋势分析方法提取机电设备各个节点的变量样本序列的定性变化趋势特征，将其作为节点属性值；并根据各节点之间的定性变化趋势特征相似性度量结果确定及节点间连接边及其权重值，用其反映各节点的变量样本序列之间的关联关系，构成关系域故障特征图。上述技术方案中，时间域故障特征图构建方法包括以下步骤：针对机电设备各个时间节点的不同时间间隔中的序列片段进行精细化的故障特征提取，并将提取到的故障特征作为节点的属性值；获取健康或事件数据的产生间隔时间，将间隔时间标准化后生成间隔差异因子，将间隔差异因子作为时间节点间连接边的权重值，构成时间域故障特征图。上述技术方案中，步骤S3具体包括以下步骤：根据获取的不同的故障特征图支持下的诊断证据，评判机电设备的系统部件各种故障发生的信度；利用证据推理规则将多个故障特征图中的诊断证据进行融合，获得故障辨识结果。上述技术方案中，步骤S4中的故障传播模型和证据网络的构建方法包括以下步骤：首先构建用于反映机电设备的部件物理工作关系的故障传播模型；然后基于故障传播模型结合故障模式、影响和危害性分析，建立描述机电设备的部件间故障传播关系的证据网络，给出故障节点间故障转移条件化信度的求取方法。本专利技术的有益效果是：本专利技术利用多源传感器感知设备多维信息，通过信息处理方法产生证据，基于证据递归融合方法，解决了不确定或干扰条件下的数据信息可信度问题。本专利技术针对故障特征辨识困难的问题，利用复杂机电设备具有时空关系和逻辑关系的事件、健康等数据，构建具备“图样本”结构表征的辨识样板库，采用图神经网络方法，形成证据信息，解决了故障特征快速辨识的问题。本专利技术构建了故障诊断与溯源框架，结合多种故障诊断的优点，解决装备在极端条件下故障诊断和健康管理的运行效率问题，为复杂工况及恶劣环境下复杂机电设备可靠运行提供完整的解决方案。本专利技术通过对大量历史数据的挖掘，获得潜在信息与知识，并利用数据驱动的方法，解决复杂机电设备极端条件下故障诊断和健康管理的建模复杂性问题，提出具有鲁棒性和泛化能力的方法，能够适应系统状态多变的情况。附图说明图1为本专利技术的流程示意图。图2某机电系统通用故障层级分解。具体实施方式下面结合附图和具体实施例对本专利技术作进一步的详细说明，便于清楚地了解本专利技术，但它们不对本专利技术构成限定。如图1所示，本专利技术提供了一种复杂机电设备的故障辨识与溯源方法，该方法针对系统级或设备级出现的状态异常和失效，构建层级式故障诊断与溯源框架。首先建立系统级的故障模型，通过建模确立传感器的选择和布置，为故障诊断和健康管理提供数据支撑。目前选择和布置传感器需要根据具体的系统实例进行设计。然后在装置运行全寿命周期，构建系统状态辨识和层级式故障诊断与溯源框架，采用逐级触发的层级式故障处置机制，“自上而下”启动逐步精细化的诊断过程，从而弥补原有数据处理水平和智能化水平不足等问题。该方法包括以下步骤：（1）针对普通一维传感器状态感知维度单一、整体性不强的不足，构建新型多维度状态感知方法，增强数据的互补性，解决复杂机电设备状态的表现把握不全面的问题。采用多谱段视觉感知手段，布置多维传感器以获取机电设备的状态监测信息。针对复杂机电设备设备表面健康状态、机械液压整体结构状态、执行机构运转情况等可见光几何现象，电缆微动、打火、放电等瞬时电气现象，以及设备元器件发热等持续热学现象，进行持续、高精度、多维度的信息感知，提升系统多维状态感知能力。（2）在信息流控制能量流的运行过程中，产生了具有时间关系、空间关系和逻辑关系的数据信息（如健康数据、事件数据、日志数据和操作数据等），可利用信息的时空和逻辑关系进行故障辨识研究。首先，从历史的状态监测信息中提取故障特征，并进行特征样本增强；然后，根据故障特征，选择数据信息，构建故障辨识样板库。基于故障辨识样本库，通过信号分析、多元统计和机器学习等方法，获得用于故障辨识的神经网络模型，将机电设备的状态监测信息带入该神经网络模型，生成故障辨识的证据信息。最后，融合各种证据信息，基于证据推理，实现故障辨识。（3）故障辨识完成后，需要结合故障传播模型本文档来自技高网...

【技术保护点】
1.一种复杂机电设备的故障辨识与溯源方法，其特征在于：包括以下步骤：/nS1，通过多维传感器获取机电设备的状态监测信息；/nS2，将机电设备的状态监测信息带入图卷积神经网络和长短时神经网络获得诊断证据信息；/nS3，融合各种诊断证据信息，基于证据推理原则进行故障辨识；/nS4，根据故障辨识结果，通过故障传播模型和证据网络进行故障溯源，获得故障根本原因定位。/n

【技术特征摘要】
1.一种复杂机电设备的故障辨识与溯源方法，其特征在于：包括以下步骤：
S1，通过多维传感器获取机电设备的状态监测信息；
S2，将机电设备的状态监测信息带入图卷积神经网络和长短时神经网络获得诊断证据信息；
S3，融合各种诊断证据信息，基于证据推理原则进行故障辨识；
S4，根据故障辨识结果，通过故障传播模型和证据网络进行故障溯源，获得故障根本原因定位。


2.根据权利要求1所述的一种复杂机电设备的故障辨识与溯源方法，其特征在于：所述多维传感器用于对机电设备的可见光几何现象、瞬时电气现象、持续热学现象的信息感知。


3.根据权利要求1所述的一种复杂机电设备的故障辨识与溯源方法，其特征在于：步骤S2中的图卷积神经网络和长短时神经网络的构建方法包括以下步骤：
a，利用机电设备的历史状态监测信息构建具备图样本结构表征的故障特征图；
b，根据故障特征图构建图卷积神经网络和长短时神经网络。


4.根据权利要求3所述的一种复杂机电设备的故障辨识与溯源方法，其特征在于：所述步骤a具体包括以下步骤：从机电设备的历史状态监测信息中提取故障特征，并进行特征样本增强；根据故障特征，选择具有时空关系和逻辑关系的事件和健康数据信息，利用信息的时空和逻辑关系构建故障特征图；所述故障特征图包括空间域特征图、关系域特征图和时间域特征图；其中，空间域特征图和关系域特征图具有相同的拓扑结构，用于构建图卷积神经网络，作为其学习输入；时间域特征图用于构建长短时神经网络，作为其学习输入。


5.根据权利要求4所述的一种复杂机电设备的故障辨识与溯源方法，其特征在于：所述步骤b具体包括以下步骤：通过节点属性与边权重的一致性量化方法，将故障特征图预处理为纯节点连接图；通过空间卷积算法从纯节点连接图中提取含有结构化信息的节点特征向量；基于图注意力机制实现节点特征向量到图样本特征向量的转化，并设...

【专利技术属性】
技术研发人员：郭威，崔小鹏，胡安琪，张明远，邱少华，王志伟，孙文，汪洋，李逸飞，陈璐珈，
申请(专利权)人：中国人民解放军海军工程大学，
类型：发明
国别省市：湖北;42