CN107238507B - 一种基于深度学习的工业设备故障预测方法 - Google Patents

一种基于深度学习的工业设备故障预测方法 Download PDF

Info

Publication number
CN107238507B
CN107238507B CN201710469573.2A CN201710469573A CN107238507B CN 107238507 B CN107238507 B CN 107238507B CN 201710469573 A CN201710469573 A CN 201710469573A CN 107238507 B CN107238507 B CN 107238507B
Authority
CN
China
Prior art keywords
industrial equipment
layer
sensing data
spectrogram
deep learning
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710469573.2A
Other languages
English (en)
Other versions
CN107238507A (zh
Inventor
黄坤山
李力
王华龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Foshan Nanhai Guangdong Technology University CNC Equipment Cooperative Innovation Institute
Foshan Guangdong University CNC Equipment Technology Development Co. Ltd
Original Assignee
Foshan Nanhai Guangdong Technology University CNC Equipment Cooperative Innovation Institute
Foshan Guangdong University CNC Equipment Technology Development Co. Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Foshan Nanhai Guangdong Technology University CNC Equipment Cooperative Innovation Institute, Foshan Guangdong University CNC Equipment Technology Development Co. Ltd filed Critical Foshan Nanhai Guangdong Technology University CNC Equipment Cooperative Innovation Institute
Priority to CN201710469573.2A priority Critical patent/CN107238507B/zh
Publication of CN107238507A publication Critical patent/CN107238507A/zh
Application granted granted Critical
Publication of CN107238507B publication Critical patent/CN107238507B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Abstract

本发明涉及一种基于深度学习的工业设备故障预测方法，包括以下步骤：S1.通过传感器采集工业设备传感数据；S2.根据传感数据固定时间内的时序波获取频谱图；S3.深度学习算法根据频谱图对工业设备进行故障预测。本发明先通过传感器采集工业设备传感数据，然后根据传感数据固定时间内的时序波获取频谱图，最后采用基于卷积神经网络框架的深度学习算法根据频谱图对工业设备进行故障预测，准确地预测工业设备故障与否，大大提高工业设备寿命，避免工业生产中因为不确定的故障造成严重的后果，最大限度地保障企业的生产效益。

Description

一种基于深度学习的工业设备故障预测方法
技术领域
本发明涉及智能的技术领域，尤其涉及到一种基于深度学习的工业设备故障预测方法。
背景技术
在制造业生产线上，工业生产设备都会受到持续的振动和冲击，这导致设备材料和零件的磨损老化，从而导致工业设备容易产生故障，而当人们意识到故障时，可能已经产生了很多不良品，甚至整个工业设备已经奔溃停机，从而造成巨大的损失。如果能在故障发生之前进行故障预测，提前维修更换即将出现问题的零部件，这样就可以提高工业设备的寿命以及避免某个设备突然出现故障对整个工业生产带来严重的影响。
随着工业4.0的到来，智能工厂的工业设备都配上了各种感应器，采集其振动、温度、电流、电压等数据显得轻而易举，通过分析这些实时的传感数据，对工业设备进行故障预测将是一种行之有效的措施。
发明内容
本发明的目的在于克服现有技术的不足，提供一种大大提高工业设备寿命、避免工业设备出现故障从而减少生产出不良品机率、保障企业生产效益的基于深度学习的工业设备故障预测方法。
为实现上述目的，本发明所提供的技术方案为：其包括以下步骤：
S1.通过传感器采集工业设备传感数据；
S2.根据传感数据固定时间内的时序波获取频谱图；
S3.深度学习算法根据频谱图对工业设备进行故障预测。
进一步地，步骤S2的具体步骤如下：
S21.把采集的各种传感数据按t毫秒的固定时长分块；
S22.把在t毫秒时间内的传感数据绘成时序波；
S23.利用傅立叶变换运算分解时序波，求取各个频带的能量值，获取各种传感数据的时序波频谱图。
进一步地，步骤S3中深度学习算法采用卷积神经网络，具体步骤如下：
S31.利用工业设备正常工作和不正常工作的传感数据频谱图离线训练卷积神经网络框架；
S32.利用训练好的卷积神经网络框架，根据传感数据的频谱图，在线预测工业设备故障与否。
进一步地，步骤S31利用工业设备正常工作和不正常工作的传感数据频谱图离线训练深度学习算法，主要包括以下步骤:
S311.构造卷积神经网络，具体步骤如下：
A.构造输入层：把尺寸大小一样的工业设备正常工作和不正常工作时的传感数据频谱图作为输入层；
B.构造卷积层：卷积层由K个卷积滤波器构成，对频谱图进行滤波得到K个特征图s1；
C.构造下采样层：下采样层对特征图进行采用，分别对K个特征图的t×t大小的领域进行加权求和或者取其最大值等运算，再乘上一个乘子偏差，加上位移偏差，接着通过一个激活函数的运算，得到最后的下采样特征图c1；
D.重复步骤B和步骤C：下采样特征图c1再作为输入层，通过B步骤得到第二层卷积层s2，再通过C步骤下采样，得到第二层下采样层c2，重复这两个步骤，特征图的大小变小直到最后一次滤波后光栅化为一维数据；
E.构造密集连接层:对光栅化为一维的数据加入有M个神经元的全连接层，即通过乘上全连接层的权重矩阵，加上偏置，然后对其使用激活函数ReLU，得到最后的全连接层；
F.构造输出层：输出层采用softmax层，跟全连接层相连，输出最后的检测结果；
S312.利用工业设备正常工作和不正常工作的传感数据频谱图，采用Adam算法对卷积神经网络的误差梯度做最速下降优化，离线训练卷积神经网络。
与现有技术相比，本方案原理和优点如下：
先通过传感器采集工业设备传感数据，然后根据传感数据固定时间内的时序波获取频谱图，最后采用基于卷积神经网络框架的深度学习算法根据频谱图对工业设备进行故障预测，准确地预测工业设备故障与否，大大提高工业设备寿命，避免工业生产中因为不确定的故障造成严重的后果，最大限度地保障企业的生产效益。
附图说明
图1为本发明一种基于深度学习的工业设备故障预测方法的流程示意图；
图2为本发明实施例中卷积神经网络框架示意图。
具体实施方式
下面结合具体实施例对本发明作进一步说明：
参见附图1所示，本实施例所述的一种基于深度学习的工业设备故障预测方法，包括以下步骤：
S1.通过传感器采集振动、温度、电流、电压等各种工业设备传感数据；
S2.根据传感数据固定时间内的时序波获取频谱图：
S21.把采集的各种传感数据按t毫秒的固定时长分块；
S22.把在t毫秒时间内的传感数据绘成时序波；
S23.利用傅立叶变换运算分解时序波，求取各个频带的能量值，获取各种传感数据的时序波频谱图；
S3.深度学习算法根据频谱图对工业设备进行故障预测：
S31.深度学习算法利用工业设备正常工作和不正常工作时的传感数据频谱图离线训练卷积神经网络框架：
S311.构造卷积神经网络：
A.构造输入层：把尺寸大小一样的工业设备正常工作和不正常工作时的传感数据频谱图作为输入层；
B.构造卷积层：卷积层由K个卷积滤波器构成，对频谱图进行滤波得到K个特征图s1；
C.构造下采样层：下采样层对特征图进行采用，分别对K个特征图的t×t大小的领域进行加权求和或者取其最大值等运算，再乘上一个乘子偏差，加上位移偏差，接着通过一个激活函数的运算，得到最后的下采样特征图c1；
D.重复步骤B和步骤C：下采样特征图c1再作为输入层，通过B步骤得到第二层卷积层s2，再通过C步骤下采样，得到第二层下采样层c2，重复这两个步骤，特征图的大小变小直到最后一次滤波后光栅化为一维数据；
E.构造密集连接层:对光栅化为一维的数据加入有M个神经元的全连接层，即通过乘上全连接层的权重矩阵，加上偏置，然后对其使用激活函数ReLU，得到最后的全连接层；
F.构造输出层：输出层采用softmax层，跟全连接层相连，输出最后的检测结果；
如图2所示，假如输入层为一副传感数据在一定时间内的大小为28×28的频谱图，第一层卷积层采用6个卷积核，可得到6幅24×4的特征图，经过采样层得到6幅采样后12×12的特征图；经过第二层卷积层，其由12个卷积核构成，可得到得到12幅8×8的特征图，再经过采样层得到12幅4×4的特征图；12幅4×4的特征图通过光栅后，与全连层相连，提取频谱图整体的特征信息，得到最终频谱图的高层特征向量，用于后续sotfmax分类器的输入，从而对工业设备进行障碍预测；该卷积神经网络只是用于示意说明，其输入的图像大小，通道数可以变化，卷积核的个数，网络的深度也可变。
S312.利用工业设备正常工作和不正常工作的传感数据频谱图，采用Adam算法对卷积神经网络的误差梯度做最速下降优化，离线训练卷积神经网络；
S32.利用训练好的卷积神经网络框架，根据传感数据的频谱图，在线预测工业设备故障与否。
本实施例先通过传感器采集工业设备传感数据，然后根据传感数据固定时间内的时序波获取频谱图，最后采用基于卷积神经网络框架的深度学习算法根据频谱图对工业设备进行故障预测，准确地预测工业设备故障与否，大大提高工业设备寿命，避免工业生产中因为不确定的故障造成严重的后果，最大限度地保障企业的生产效益。
以上所述之实施例子只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (2)

1.一种基于深度学习的工业设备故障预测方法，其特征在于：包括以下步骤：
S1.通过传感器采集工业设备传感数据；
S2.根据传感数据固定时间内的时序波获取频谱图；
S3.深度学习算法根据频谱图对工业设备进行故障预测；
所述步骤S3中深度学习算法采用卷积神经网络，具体步骤如下：
S31.利用工业设备正常工作和不正常工作时的传感数据频谱图离线训练卷积神经网络框架；
S32.利用训练好的卷积神经网络框架，根据传感数据的频谱图，在线预测工业设备故障与否；
所述步骤S31利用工业设备正常工作和不正常工作时的传感数据频谱图离线训练卷积神经网络框架，主要包括以下步骤：
S311.构造卷积神经网络，具体步骤如下：
A.构造输入层：把尺寸大小一样的工业设备正常工作和不正常工作时的传感数据频谱图作为输入层；
B.构造卷积层：卷积层由K个卷积滤波器构成，对频谱图进行滤波得到K个特征图s1；
C.构造下采样层：下采样层对特征图进行采用，分别对K个特征图的t×t大小的领域进行加权求和或者取其最大值等运算，再乘上一个乘子偏差，加上位移偏差，接着通过一个激活函数的运算，得到最后的下采样特征图c1；
D.重复步骤B和步骤C：下采样特征图c1再作为输入层，通过B步骤得到第二层卷积层s2，再通过C步骤下采样，得到第二层下采样层c2，重复这两个步骤，特征图的大小变小直到最后一次滤波后光栅化为一维数据；
E.构造密集连接层:对光栅化为一维的数据加入有M个神经元的全连接层，即通过乘上全连接层的权重矩阵，加上偏置，然后对其使用激活函数ReLU，得到最后的全连接层；
F.构造输出层：输出层采用softmax层，跟全连接层相连，输出最后的检测结果；
S312.利用工业设备正常工作和不正常工作的传感数据频谱图，采用Adam算法对卷积神经网络的误差梯度做最速下降优化，离线训练卷积神经网络。
2.根据权利要求1所述的一种基于深度学习的工业设备故障预测方法，其特征在于：所述步骤S2的具体步骤如下：
S21.把采集的各种传感数据按t毫秒的固定时长分块；
S22.把在t毫秒时间内的传感数据绘成时序波；
S23.利用傅立叶变换运算分解时序波，求取各个频带的能量值，获取各种传感数据的时序波频谱图。
CN201710469573.2A 2017-06-20 2017-06-20 一种基于深度学习的工业设备故障预测方法 Active CN107238507B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710469573.2A CN107238507B (zh) 2017-06-20 2017-06-20 一种基于深度学习的工业设备故障预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710469573.2A CN107238507B (zh) 2017-06-20 2017-06-20 一种基于深度学习的工业设备故障预测方法

Publications (2)

Publication Number Publication Date
CN107238507A CN107238507A (zh) 2017-10-10
CN107238507B true CN107238507B (zh) 2019-12-31

Family

ID=59986531

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710469573.2A Active CN107238507B (zh) 2017-06-20 2017-06-20 一种基于深度学习的工业设备故障预测方法

Country Status (1)

Country Link
CN (1) CN107238507B (zh)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108053836B (zh) * 2018-01-18 2021-03-23 成都嗨翻屋科技有限公司 一种基于深度学习的音频自动化标注方法
CN108334948B (zh) * 2018-02-09 2020-08-11 武汉理工大学 一种基于宽残差网络学习模型的机械轴承故障诊断技术
CN108429753A (zh) * 2018-03-16 2018-08-21 重庆邮电大学 一种快速特征匹配的工业网络DDoS入侵检测方法
CN110555341B (zh) * 2018-05-31 2023-04-07 赛灵思电子科技(北京)有限公司 池化方法和装置、检测方法和设备、电子设备、存储介质
EP3598256B1 (en) * 2018-07-16 2023-11-29 ABB Schweiz AG Apparatus for prediction of the residual lifetime of an electrical system
CN111144560B (zh) * 2018-11-05 2024-02-02 杭州海康威视数字技术股份有限公司 一种深度神经网络运算方法及装置
CN109917758A (zh) * 2019-01-25 2019-06-21 北京交通大学 一种工业设备数据的处理方法及系统
US11348813B2 (en) * 2019-01-31 2022-05-31 Applied Materials, Inc. Correcting component failures in ion implant semiconductor manufacturing tool
ES2780448A1 (es) 2019-02-22 2020-08-25 Ormazabal Corp Technology Aie Método y sistema de reconocimiento de descargas parciales para diagnóstico de redes eléctricas
CN109992915A (zh) * 2019-04-09 2019-07-09 山东超越数控电子股份有限公司 一种基于深度学习的机务外场飞机燃油系统故障预测方法，终端机及可读存储介质
CN110261122B (zh) * 2019-06-20 2020-06-16 大连理工大学 一种基于分块的船舶柴油机故障监测方法
CN110807481A (zh) * 2019-10-29 2020-02-18 东北大学 一种基于多源数据的针对起重机械的故障预测方法
CN111791103B (zh) * 2020-06-30 2022-04-29 北京百度网讯科技有限公司 滤波器调试方法、装置、电子设备和可读存储介质
CN113392578A (zh) * 2021-05-19 2021-09-14 桂林电子科技大学 基于dcfm模型的设备故障预测方法
CN115115284B (zh) * 2022-08-29 2022-11-15 同方德诚(山东)科技股份公司 一种基于神经网络的能耗分析方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106291351B (zh) * 2016-09-20 2019-01-18 西安工程大学 基于卷积神经网络算法的高压断路器故障检测方法
CN106546892A (zh) * 2016-11-10 2017-03-29 华乘电气科技（上海）股份有限公司 基于深度学习的局部放电超声音频识别方法及系统
CN106441946B (zh) * 2016-11-15 2018-10-19 重庆工商大学 基于振动信号的车辆液压减震器故障识别方法及系统
CN106680576B (zh) * 2017-01-11 2019-07-09 福州大学 基于分块时频谱和深度学习算法的配电网内部过电压识别方法

Also Published As

Publication number Publication date
CN107238507A (zh) 2017-10-10

Similar Documents

Publication Publication Date Title
CN107238507B (zh) 一种基于深度学习的工业设备故障预测方法
CN110221558B (zh) 一种基于边缘计算技术的电液伺服阀在线故障诊断网关
US20190285517A1 (en) Method for evaluating health status of mechanical equipment
Hong et al. Condition assessment for the performance degradation of bearing based on a combinatorial feature extraction method
CN113128561A (zh) 一种机床轴承故障诊断方法
KR102178787B1 (ko) 진동 신호를 이용하여 설비 또는 부품의 잔여 수명을 예측하는 딥러닝 기반의 분석 장치 및 방법
US20220011763A1 (en) Automated analysis of non-stationary machine performance
Amezquita-Sanchez et al. Fractal dimension and fuzzy logic systems for broken rotor bar detection in induction motors at start-up and steady-state regimes
CN110334865B (zh) 一种基于卷积神经网络的电力设备故障率预测方法及系统
CN111678699B (zh) 一种面向滚动轴承早期故障监测与诊断方法及系统
CN106682159A (zh) 一种阈值配置方法
CN112926644A (zh) 一种滚动轴承剩余使用寿命预测方法及系统
CN116186520A (zh) 一种多任务联合的高压隔离开关故障诊断方法
CN110737976A (zh) 一种基于多维度信息融合的机械设备健康评估方法
Zhou et al. An attention-enhanced multi-modal deep learning algorithm for robotic compound fault diagnosis
CN117375237A (zh) 基于数字孪生技术变电站运维方法及系统
Neupane et al. Deep learning-based bearing fault detection using 2-D illustration of time sequence
KR102163155B1 (ko) 중첩 산점도를 이용한 데이터 변환 방법 및 장치
CN112305388A (zh) 一种发电机定子绕组绝缘局部放电故障在线监测诊断方法
CN116106672B (zh) 一种基于数据驱动与工程知识的车网谐振检测方法及装置
CN117589233A (zh) 继电保护装置运行状态智能检测方法及系统
CN115827318A (zh) 数据中心的异常处理方法、装置、电子设备及介质
CN110807481A (zh) 一种基于多源数据的针对起重机械的故障预测方法
Kusumaningrum et al. Machine learning for predictive maintenance
CN111855817B (zh) 复杂结构件云边端协同检测疲劳裂纹的方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant