本发明专利技术提供一种基于深度神经网络的设备故障诊断方法及系统，方法包括：获取待检测设备的检测信号，所述检测信号包括振动信号或电流信号；对所述检测信号进行信号处理，将处理后的检测信号输入到训练好的故障诊断模型中，得到所述待检测设备的故障诊断结果；其中，所述故障诊断模型包括振动检测模型或电流检测模型，所述振动检测模型或电流检测模型是将工业设备中的设备数据样本作为训练样本集，根据设备的故障状况将所述训练样本集划分为正样本和负样本，并基于所述正样本和负样本对初始模型进行训练得到的。本发明专利技术提高了工业设备的故障诊断的精确度和效率。
【技术实现步骤摘要】
本专利技术属于设备检测领域，更具体地，涉及一种基于深度神经网络的设备故障诊断方法及系统。
技术介绍
1、工业设备的质量和运行状态监控是生产力的根本保障，设备的故障若不能及时被发现，将造成巨大的经济损失，甚至可能造成人员伤亡。而基于人工智能的诊断方法为工业设备的持续正常运行提供了良好的技术支撑，针对工业设备的故障预测，要精确到具体的故障类型，故障部位，故障的程度，腾云ieplat智慧运维系统是以具体的设备故障作为预测目标，建立预测模型，预测分析该故障当前发生的概率，根据设备的多种故障的预测结果重构设备的健康状态，提出维修、维护和使用方面的意见。
2、目前，工业设备故障主要通过传统的机器学习分类方式，对原始数据进行特征的提取和选择，进行故障诊断。传统的机器学习方法需要对特征进行选择，提取什么样的特征需要依靠专家的经验，特征选择对于故障诊断的准确性有着较大的影响。然而基于深度学习的诊断方法中，缺乏故障信息丰富、健康信息标记充足的平衡数据集，对于非健康的样本数量往往极少，因此，深度学习的模型难以构建与验证，因此造成设备的故障诊断结果不准确且销量较低的问题。
技术实现思路
1、针对现有技术的缺陷，本专利技术的目的在于对工业设备中的设备数据样本进行故障划分，分为正样本和负样本之后再对模型进行训练，旨在解决目前的深度学习模型的非健康样本数量较少，训练得到的模型的诊断结果不佳的问题。
2、为实现上述目的，本专利技术提供了一种基于深度神经网络的设备故障诊断方法，包括：
3、获取待检测设备的检测信号，所述检测信号包括振动信号或电流信号；
4、对所述检测信号进行信号处理，将处理后的检测信号输入到训练好的故障诊断模型中，得到所述待检测设备的故障诊断结果；
5、其中，所述故障诊断模型包括振动检测模型或电流检测模型，所述振动检测模型或电流检测模型是将工业设备中的设备数据样本作为训练样本集，根据设备的故障状况将所述训练样本集划分为正样本和负样本，并基于所述正样本和负样本对初始模型进行训练得到的。
6、可选地，所述故障诊断模型的训练过程包括：
7、建立初始模型；
8、获取所述工业设备的设备数据样本，所述设备数据样本包括振动信号样本或电流信号样本；
9、根据所述设备数据样本的频谱特征得到所述训练样本集，根据设备的故障状况将所述训练样本集划分为正样本和负样本；
10、将所述正样本和负样本输入至所述初始模型中，得到所述设备数据样本对应的故障诊断结果；
11、基于所述故障诊断结果和诊断标签确定模型训练的损失值，基于所述损失值对所述初始模型进行迭代参数更新，直至模型收敛得到训练好的所述故障诊断模型。
12、可选地，所述根据设备的故障状况将所述训练样本集划分为正样本和负样本，包括：
13、对来自三轴加速度传感器设备的三轴方向的所述振动信号样本进行滤波处理，并按照分段频谱重心频率和分段频谱功率谱的方式提取特征值，得到所述振动信号样本的频谱特征；以及获取所述电流信号的谐波数据；
14、在所述训练样本集不足的情况下，基于各种故障的特征排序以及含量生成样本数据，将所述样本数据添加至所述训练样本集中；
15、将所述训练样本集中符合故障的排序特征以及占比特征的频谱特征对应的振动信号样本作为正样本，将所述训练集中健康的振动信号样本作为负样本，以及将符合故障的谐波排序特征以及占比特征的谐波数据对应的电流信号样本作为正样本，将健康的电流信号样本作为负样本。
16、可选地，还包括：
17、在所述故障诊断模型的训练过程中，基于正则化技术dropout对所述故障诊断模型的神经元进行正常保留、随机丢弃以及汇总，以提高所述故障诊断模型的鲁棒和泛化能力。
18、可选地，所述振动信号包括三轴加速度传感器有载端的三轴信号和无载端的三轴信号，所述电流信号包括三相电流信号；
19、相应地，所述故障诊断结果包括所述有载端和无载端的三轴信号对应的诊断结果，或，所述三相电流信号对应的诊断结果；
20、所述将处理后的检测信号输入到训练好的故障诊断模型中，得到所述待检测设备的故障诊断结果之后，还包括：
21、基于阈值平均法确定所述三相电流信号对应的电流诊断结果，并上报所述电流诊断结果；
22、对所述三轴加速度传感器有载端的三轴信号和无载端的三轴信号分别进行耦合运算，得到有载端的耦合结果和无载端的耦合结果，将有载端的耦合结果和无载端的耦合结果基于阈值平均法确定振动诊断结果，并上报所述振动诊断结果；
23、在所述电流诊断结果或振动诊断结果对应多种故障的情况下，对所述多种故障进行权重分配，基于权重分配比例对所述多种故障的故障诊断结果进行耦合处理，对所述多种故障的耦合结果作为最终检测结果。
24、可选地，所述对所述检测信号进行信号处理，包括：
25、对所述振动信号进行低通滤波处理，并对低通滤波处理后的信号进行快速傅里叶变换，得到加速度频谱图，基于所述加速度频谱图确定所述振动信号的功率谱排序和占比；
26、或，
27、获取所述电流信号的电流谐波频率以及谐波幅值含量，根据所述电流谐波频率以及谐波幅值含量将电流信号转换为谐波排序和占比。
28、第二方面，本专利技术还提供一种基于深度神经网络的设备故障诊断系统，包括：
29、获取模块，用于获取待检测设备的检测信号，所述检测信号包括振动信号或电流信号；
30、诊断模块，用于对所述检测信号进行信号处理，将处理后的检测信号输入到训练好的故障诊断模型中，得到所述待检测设备的故障诊断结果；
31、其中，所述故障诊断模型包括振动检测模型或电流检测模型，所述振动检测模型或电流检测模型是将工业设备中的设备数据样本作为训练样本集，根据设备的故障状况将所述训练样本集划分为正样本和负样本，并基于所述正样本和负样本对初始模型进行训练得到的。
32、第三方面，本专利技术提供一种电子设备，包括：至少一个存储器，用于存储程序；至少一个处理器，用于执行存储器存储的程序，当存储器存储的程序被执行时，处理器用于执行第一方面或第一方面的任一种可能的实现方式所描述的方法。
33、第四方面，本专利技术提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，当计算机程序在处理器上运行时，使得处理器执行第一方面或第一方面的任一种可能的实现方式所描述的方法。
34、第五方面，本专利技术提供一种计算机程序产品，当计算机程序产品在处理器上运行时，使得处理器执行第一方面或第一方面的任一种可能的实现方式所描述的方法。
35、可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
36、总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，具有以下有益效果：
37、本文档来自技高网
...
【技术保护点】
1.一种基于深度神经网络的设备故障诊断方法，其特征在于，包括：
2.根据权利要求1所述的基于深度神经网络的设备故障诊断方法，其特征在于，所述故障诊断模型的训练过程包括：
3.根据权利要求2所述的基于深度神经网络的设备故障诊断方法，其特征在于，所述根据设备的故障状况将所述训练样本集划分为正样本和负样本，包括：
4.根据权利要求1所述的基于深度神经网络的设备故障诊断方法，其特征在于，还包括：
5.根据权利要求1所述的基于深度神经网络的设备故障诊断方法，其特征在于，所述振动信号包括三轴加速度传感器有载端的三轴信号和无载端的三轴信号，所述电流信号包括三相电流信号；
6.根据权利要求1所述的基于深度神经网络的设备故障诊断方法，其特征在于，所述对所述检测信号进行信号处理，包括：
7.一种基于深度神经网络的设备故障诊断系统，其特征在于，包括：
8.一种电子设备，其特征在于，包括：
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，当所述计算机程序在处理器上运行时，使得所述处理器执行如权利要求1-6任一所述的方法。
10.一种计算机程序产品，其特征在于，当所述计算机程序产品在处理器上运行时，使得所述处理器执行如权利要求1-6任一所述的方法。
...
【技术特征摘要】
1.一种基于深度神经网络的设备故障诊断方法，其特征在于，包括：
2.根据权利要求1所述的基于深度神经网络的设备故障诊断方法，其特征在于，所述故障诊断模型的训练过程包括：
3.根据权利要求2所述的基于深度神经网络的设备故障诊断方法，其特征在于，所述根据设备的故障状况将所述训练样本集划分为正样本和负样本，包括：
4.根据权利要求1所述的基于深度神经网络的设备故障诊断方法，其特征在于，还包括：
5.根据权利要求1所述的基于深度神经网络的设备故障诊断方法，其特征在于，所述振动信号包括三轴加速度传感器有载端的三轴信号和无载端的三轴信号，所述电流信...
【专利技术属性】
技术研发人员：宁国云，柳雨，夏腾，马艳龙，
申请(专利权)人：武汉中云康崇科技有限公司，
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。