【技术实现步骤摘要】
基于卷积神经网络与贝叶斯网络的机械设备故障诊断方法
[0001]本专利技术涉及故障诊断
，具体为一种基于卷积神经网络与贝叶斯网络的机械设备故障诊断方法。
技术介绍
[0002]煤炭是我国重要的基础能源，根据中国工程院相关报告预测：到2030年，煤炭在我国能源结构中所占比例为50％；直至2050年，仍将以40％的占比高居榜首。 煤矿安全高效生产是确保我国经济发展和社会稳定的重要基础之一。目前，煤炭依然是我国主体能源，煤矿井下环境复杂恶劣，使煤矿设备故障频发，对采煤安全造成严重威胁，对煤矿经济收入造成严重损失。
[0003]在煤矿综采工作面的日常生产过程中，各种机械设备起到了关键的作用，但由于井下工况复杂，环境恶劣，所以设备的日常维护耗时耗力，且对一线设备工作人员有很高技术要求。当发生故障时，无法做到快速准确故障诊断，难以故障定位，极大延长了维修时间，导致长时间停机，加剧煤矿经济损失。目前对于机械设备故障诊断方法的研究还比较少，大多通过PLC等对机械设备参数在线监测，无法做到准确地预防、诊断。机械设备大多故障机理复...
【技术保护点】
【技术特征摘要】
1.一种基于卷积神经网络与贝叶斯网络的机械设备故障诊断方法，其特征在于：包括以下步骤，S1：通过传感器监测乳化液泵的各项参数；S2：采集乳化液泵发生各种故障时的各项监测数据，将其进行归一化、标准化预处理，利用预处理后的各项监测数据训练轻量化卷积神经网络模型，得到一个训练好的乳化液泵故障诊断模型；S3：搭建诊断贝叶斯网络，包括故障层与原因层；S4：将训练好的轻量化卷积神经网络与诊断贝叶斯网络所构成的乳化液泵故障诊断模型嵌入到云平台；S5：对乳化液泵运行时的各项数据进行实时监测，并将其输入到轻量化卷积神经网络，若诊断出故障，会发出预警，并将该诊断结果输入到贝叶斯网络中进行条件概率的推理，从而得出各故障原因的概率，实现故障定位。2.根据权利要求1所述的基于卷积神经网络与贝叶斯网络的机械设备故障诊断方法，其特征在于：所述的步骤S2采取以下方法，S21：正常状态以及每种故障形式均取100个样本，每个样本都包括了监测参数数据以及对应的标签，每个样本中的监测数据都按照采样频率100Hz进行采集，采集时长为1分钟，最后将所有样本按照6:2:2的比例划分训练集、验证集和测试集；S22：将划分的训练集输入到搭建的轻量化的卷积神经网络初始模型中进行训练，并用验证集进行验证，之后再将测试集输入到模型中进行测试，验证输出结果是否与实际故障类型相符；在训练的过程中采用的是Adam学习率自适应算法，通过交叉熵损失函数来找到最优的模型，保存最优模型的参数和结构，从而获得了一个训练好的乳化液泵故障诊断模型。3.根据权利要求2所述的基于卷积神经网络与贝叶斯网络的机械设备故障诊断方法，其特征在于：所述的轻量化卷积神经网络初始模型包括：二维可分离卷积层、二维最大池化层、全局平均池化层和Softmax分类器。4.根据权利要求3所述的基于卷积神经网络与贝叶斯网络的机械设备故障诊断方法，其特征在于：所述的步骤S3采取以下方法，S31：所述的故障层由乳化液泵的故障形式构成，原因层由引起每种故障发生的原因所构成；S32：搜集乳化液泵一段时间内的故障维修记录，根据记录找到每种故障形式各50个案例，每个案例都要有其对应的具体原因；S33：根据每个案例故障形式与原因的对应关系，确定诊断贝叶斯网络结构故障层与原因层之间的连接关系，从而确定贝叶斯网络的结构；S34：通过结合已经搭建好的贝叶斯网络结构与搜集的案例数据，来确定贝叶斯网络的结构中故障节点与原因节点之间的条件概率以及各个故障发生的先验概率，最终形成了贝叶斯网络的条件概率表。5.根据权利要求4所述的基于卷积神经网络与贝叶斯网络的机械设备故障诊断方法，其特征在于：所述的步骤S34条件概率表确定的详细步骤为...
【专利技术属性】
技术研发人员：丁华，孙晓春，王焱，牛锐祥，吕彦宝，孟祥龙，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。