一种基于深度学习的复杂装备故障诊断系统技术方案

本发明专利技术公开了一种基于深度学习的复杂装备故障诊断系统，用于对复杂装备进行状态检测以及故障检测，该系统由状态监测仪表、数据采集板卡、数据库、数据预处理模块、特征压缩编码模块、自主学习模块以及故障显示控制模块依次相连组成。本发明专利技术克服已有的复杂装备故障状态诊断精度不高的不足，利用特征压缩编码技术和跳跃连接双向门控循环网络对时间相关性强大的提取能力，提高了复杂装备故障状态诊断的精度。度。

【技术实现步骤摘要】
一种基于深度学习的复杂装备故障诊断系统


[0001]本专利技术涉及复杂装备故障诊断领域、信号处理领域以及机器学习领域，尤其涉及一种结合数字特征压缩提取和门控循环网络的复杂装备故障诊断系统。

技术介绍

[0002]随着工业信息化的不断深入，越来越多的先进复杂装备得到了开发和应用，极大地提高了工业生产规模和效率，为工业5.0时代奠定夯实的现实基础。然而，复杂装备的健康状况是影响工业生产能力的关键因素。传统的复杂装备故障诊断集中于提取装备的性能参数和错误日志，根据故障特征和错误日志中记录的异常运行返回码来进行分析、诊断。但工业生产是以大规模生产为基础的工业过程，复杂装备是朝着复杂化、智能化、系统化和集成化发展的，故障的产生涉及各方面因素而不仅仅在于复杂装备本身，且每个故障都有可能产生严重的危害，给复杂装备的健康管理带来极大地挑战。因此，复杂装备的健康管理已然成为一个亟待解决的问题。
[0003]复杂装备的故障诊断作为健康管理的重要环节，其本质是复杂装备的状态模式识别，是一个根据故障征兆信息确定系统故障原因的过程。复杂装备的故障诊断需要通过检测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的复杂装备故障诊断系统，用于对复杂装备进行状态检测以及故障检测；其特征在于，该系统由状态监测仪表、数据采集板卡、数据库、数据预处理模块、特征压缩编码模块、自主学习模块以及故障显示控制模块依次相连组成；所述系统的运行过程包括以下步骤：步骤A1：开启状态监测仪表用于实时获取复杂装备的装备型号、编号、配发单位番号，并测量复杂装备的运行参数；步骤A2：由复杂装备状态监测仪表检测到的复杂装备运行参数通过数据采集板卡经总线传输到数据库中；步骤A3：数据库经总线将检测得到的复杂装备运行参数传输到基于深度学习的故障诊断系统中；步骤A4：经过离线训练好的基于深度学习的故障诊断系统对输入的复杂装备运行参数进行处理和前向预测，诊断得到当前采样点时刻复杂装备的故障状态；步骤A5：由基于深度学习的故障诊断系统诊断得到的复杂装备故障状态信息通过总线传输到故障显示控制模块中，记录得到复杂装备的故障状态；步骤A6：用户通过故障显示控制模块监测复杂装备的故障状态，当复杂装备出现需停机检修的故障时，用户故障显示控制模块下达停机指令；步骤A7：停机指令经总线到达控制站，对复杂装备实施停机更换或维修处理。2.根据权利要求1所述的基于深度学习的复杂装备故障诊断系统，其特征在于，所述的基于深度学习的故障诊断系统的搭建、离线训练以及复杂装备的故障状态前项诊断过程，采用如下步骤实现：步骤B1：从数据库中获取复杂装备的运行参数，包括采样获取的工作温度P1、工作功耗P2、工作能源消耗P3、工作压力P4、工作电压P5、工作电流P6、机械磨损P7、机械振动P8、工作时间P9和传动效率P10共10个运行参数，将获取的所有采样得到的复杂装备运行参数按顺序进行拼接，作为该采样点时刻的10维复杂装备运行参数样本向量x；步骤B2：对步骤B1获取的采样点时刻的运行参数样本进行数据预处理，对每个采样点处的运行参数样本向量x提取时域、频域以及时频域特征；步骤B3：对步骤B2获取得到的时域、频域以及时频域特征进行归一化，防止不同的量纲引起数据量级之间的误差，归一化公式如下：其中，F
norm
是归一化后的特征向量，F＝{f1，f2，...，f
M
}是由整个复杂装备历史运行参数提取出的特征向量，F
min
是特征向量F中的最小值，F
max
是特征向量F中的最大值；步骤B4：将步骤B3得到的归一化后的特征矩阵输入到特征压缩编码模块中进行特征重构训练；步骤B5：建立跳跃连接双向门控循环网络，包含门控循环单元(GRU)、跳跃连接结构以及双向连接结构，其中门控循环单元的前向传播公式为：r
t
＝σ(W
r
·
[h
t
‑1，v
t
])
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)z
t
＝σ(W
z
·
[h
t
‑1，v
t
])
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
y
t
＝σ(W
o
·
h
t
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)其中，r
t
是重置门；z
t
是更新门；v
t
是t采样时刻的特征向量；h
t
‑1、h
t
分别是t
‑
1采样时刻和t采样时刻的GRU的隐含向量；y
t
是输出向量；[]表示两个向量相连接，*表示矩阵的乘积；W
r
表示重置门的权值矩阵；W
z
表示更新门的权值矩阵，表示隐含层神经元之间的权值矩阵，W
o
表示输出权值矩阵；σ表示Sigmoid激活函数，充当门控信号；对于深度网络的训练来说能够缓解梯度爆炸以及梯度消失的问题，其前向传播公式为：为：为：其中，是指t采样时刻第k层跳跃连接GRU的输入特征向量；是指t采样时刻第k层跳跃连接GRU来自上一采样时刻的隐含层信息；H
k
是指第k层GRU简化变换函数；双向连接结构的简化前向传播公式为：双向连接结构的简化前向传播公式为：双向连接结构的简化前向传播公式为：其中，U
...

【专利技术属性】
技术研发人员：潘黎铖，张承龙，付强，曹宇飞，黄煦，马梦颖，杨水锋，韦文书，赵强，李洋，王文海，刘兴高，
申请(专利权)人：浙江大学，
类型：发明
国别省市：