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

本发明专利技术涉及故障诊断技术领域，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。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，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，并将其输入到云平台，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。实现故障定位。实现故障定位。

【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杂，包括故障现象多样、故障耦合、产生原因不一、故障定位难等，传统的故障诊断方法无法胜任机械设备故障诊断任务。
[0004]因此，提出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，通过对机械设备的运行数据在线监测诊断，对机械设备的运行状态分析判断，为机械设备的日常维护提供参考，在故障发生时，能够利用诊断贝叶斯网络实现机械设备快速、准确地故障诊断并分析产生原因，在实际应用中具有重要意义。

技术实现思路

[0005]本专利技术通过轻量化卷积神经网络监测机械设备在实际运行中的各项实时数据，实时诊断，在故障发生时能够及时发出警报，并利用贝叶斯网络推理故障原因，提供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。
[0006]本专利技术采取以下技术方案：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，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，并将其输入到云平台，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。
[0007]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。
[0008]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。
[0009]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。
[0010]步骤S34条件概率表确定的详细步骤为，首先要从一种故障形式搜集的案例中筛选出引起这一故障的原因的相关数据，进行定量分析，确定各种原因的先验概率P
先验
；其次统计由于各个原因引起故障发生的概率，将其作为故障与原因的条件概率；以此类推，每种故障都按照这样的步骤进行，由此确定诊断贝叶斯网络的条件概率表P
条件
。
[0011]步骤S5中贝叶斯网络进行条件概率的推理的具体过程为，S51：计算由于各种原因导致故障发生的概率，计算方法如下式，式中P
原因
为引起故障发生原因的概率，P
先验
为各种原因的先验概率，P
条件
为诊断贝叶斯网络的条件概率表，P
故障
为发生故障的概率；将各种原因中P
原因
中为最大概率值的故障形式作为诊断结论；S52：根据卷积神经网络诊断出的故障形式作为诊断贝叶斯网络模型的输入，会出现以下三种情况：1、如果通过检修发现该故障是由该节点对应的原因引起的，并且这个原因位于该故障树中的底层事件，那么表明该原因即为引起故障的原因；2、如果检修结果表明故障是由该节点对应的原因引起的，且这个原因是故障树的中层事件，则说明其发生是由底层事件引起的，则需要进一步推理；将该节点设置为100%发生，继续深入推理，找出后验概率最大的父节点再次进行检修；3、如果检修结果表明故障不是由该节点对应的原因引起的，说明此节点代表的原因并未发生，则需要将该节点设置为100%不发生，作为证据输入继续推理，找出后验概率最
大的父节点进行检修；对应检修结果，重复以上相关步骤，直至检修出引起故障的原因。
[0012]步骤S1中，乳化液泵的各项参数包括：电动机电流、电动机转矩、电动机转速、乳化液泵系统压力、乳化液流量、乳化液泵振动、乳化液浓度、乳化液温度、乳化液液位、乳化油位、润滑油温度、喷油压力、绕组温度、轴承温度、水箱水位以及声音信号。
[0013]步骤S2中，乳化液泵的故障形式包括：泵无法启动、泵启动后无压力或压力无法调高、压力脉动大流量不足或无流量、曲轴箱温度过高、系统压力调不上且缓慢下降、泵压力突然升高超过卸载阀调定压力、泵运转时噪声大、支架停止供液时卸载阀动作频繁、运行中泵无排液、配比浓度调不高、电动机故障一共11种故障形式。
[0014]与现有技术相比，本专利技术的优势在于将卷积神经网络与贝叶斯网络相结合，充分发挥了各自的优势，卷积层采用的可分离卷积，相比于普通卷积，减少了大量的参数，大大提高了模型的诊断效率，而且输入的数据为多源数据相融合，更能提高诊断的准确率。同时在最后池化层部分采用的是全局平均池化，相比于全连接层，避免了全连接层参数爆炸，从而导致模型过拟合的问题。故障诊断后又用贝叶斯网络对故障的原因进行了不确定性推理，相比于专家系统，不仅能推理出所有可能本文档来自技高网...

【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：