CN108681747B - 基于深度学习的旋转机械故障诊断与状态监测系统及方法 - Google Patents
基于深度学习的旋转机械故障诊断与状态监测系统及方法 Download PDFInfo
- Publication number
- CN108681747B CN108681747B CN201810447212.2A CN201810447212A CN108681747B CN 108681747 B CN108681747 B CN 108681747B CN 201810447212 A CN201810447212 A CN 201810447212A CN 108681747 B CN108681747 B CN 108681747B
- Authority
- CN
- China
- Prior art keywords
- fault
- data
- database
- deep learning
- signal
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提出一种基于深度学习的旋转机械故障诊断与状态监测系统及方法,包括壳体、扬声器、显示器、存储器、中央处理器CPU和数据采集装置,壳体内部设有集成深度学习装置、历史信号数据库、故障类别专家系统库和数据采集装置,在壳体的上端部中间位置设有信号收发器,右侧设有所述扬声器,在信号收发器的正下方设有显示器,在显示器的正下方左侧处设有USB接口,在USB接口的正下方处设有存储器,在存储器的正下方处设有CPU,在CPU的正下方处设置有图形处理器GPU,在GPU的正下方处设有数据接口,壳体内的所有部件通过导线连接在一起构成通路。本发明对旋转机械进行故障诊断和状态在线监测更准确方便。
Description
技术领域
本发明属于旋转机械故障诊断及监测的技术领域,尤其涉及一种基于深度学习的旋转机械故障诊断与状态监测系统及方法。
背景技术
随着科学技术的快速发展,旋转机械装备日益朝着高速化、精密化、自动化和集成化方向快速发展,旋转机械主要包含动力装置,如柴油机、汽轮机、发动机、电动机等,还包含旋转部件,如轴承、轴瓦、主轴等。随着旋转机械的工作环境多样化,尤其是在复杂多变的工作环境下长时间连续运行时,常因其工作负荷重,负载多变以及受盐碱腐蚀和高温等影响易于发生各类故障。若故障无法有效及时的诊断和排除,在强耦合状态下一旦故障危害蔓延将可能带来重大损失。因此对旋转机械的故障诊断与状态在线监测对保障设备的安全稳定运行至关重要,因此,旋转机械的故障诊断与状态在线监测系统装置是十分重要的安全运行监测装备。
在本发明之前,目前市面上针对旋转机械的故障诊断和状态监测的产品或方法较为稀少,运用较多的仍是传统的“事后维修”、“计划维修”和“定时维护”的方式,这种方式方法往往效率十分低下且不具备智能性,并且以往的根据经验定期维护和定时更换部件,以经验估计零部件寿命的维护方式易于造成浪费和误判,带来安全隐患,因此不能满足技术人员智能故障诊断和在线状态监测的需求。
发明内容
本发明所要解决的技术问题在于针对上述存在的问题,提供一种基于深度学习的旋转机械故障诊断与状态监测系统及方法,并以用在柴油发电机上为例进行说明,本发明能够自动的进行故障诊断,并实时对柴油发电机组的工作状态进行在线监测,使技术人员和设备维护人员更好的掌握设备当前的运行状况,使技术人员对旋转机械的故障诊断、运行状态的监测更加灵活方便。
本发明解决上述技术问题所采用的技术方案是:基于深度学习的旋转机械故障诊断与状态监测系统,其特征在于,包括壳体、扬声器、显示器、存储器、中央处理器CPU和数据采集装置,所述壳体设有腔体,在腔体内部设有集成深度学习装置、历史信号数据库、故障类别专家系统库和所述数据采集装置,所述集成深度学习装置包含有深度学习模块、自适应集成策略模块,在壳体的上端部中间位置设有信号收发器,在信号收发器的右侧设有所述扬声器,在信号收发器的正下方设有所述显示器,在显示器的正下方左侧处设有USB接口,在USB接口的正下方处设有所述存储器,在存储器的正下方处设有所述CPU,在CPU的正下方处设置有图形处理器GPU,在GPU的正下方处设有数据接口,在显示器的正下方右侧设有所述历史信号数据库,在历史信号数据库的正下方设有所述深度学习模块,在深度学习模块的正下方设有所述自适应集成策略模块,在自适应集成策略模块的正下方设有所述故障类别专家系统库,在故障类别专家系统库的正下方设有数据采集装置,壳体内的所有部件通过导线连接在一起构成通路。
按上述方案,所述深度学习模块设置为包含有深度信念网络、卷积神经网络、深度玻尔兹曼机、递归神经网络、堆叠自编码器、长短期记忆模型、门控循环单元网络及神经图灵机的深度学习网络模型,深度学习模块还包含有故障识别深度模型,用于存储已训练好的模型程序。
按上述方案,所述自适应集成策略模块设有集成策略生成器,所述集成策略生成器将每一个深度学习网络模型定义为个体学习器,每一个体学习器分别对故障指标数据库中的数据集等进行学习,集成策略生成器自动优化设计组合策略。
按上述方案,所述历史信号数据库为包含有K台已退役的同类型旋转机械自从服役到退役整个运行阶段的全部监测离线数据总集每台旋转机械采集P个指标,所述P个指标包括振动信号、噪声信号、转速信号和电力信号,所述电力信号包括电压信号和电流信号,不同的监测指标设置有不同个数的传感器测量点T;每一个传感器所测得的数据均为一个全程运行周期的时间序列样本,数据总集是一个K×(T1+T2+T3+…+TP)的高维张量矩阵数据集。
按上述方案,所述故障类别专家系统库包括故障类别数据库、故障指标数据库、故障标记数据库和故障级别数据库;所述故障指标数据库设有与所述历史信号数据库的P个指标相对应的数据库,中央处理器CPU采用反向倒推类比方法,对历史信号数据库中的监测大数据总集按故障类别和次数进行数据切割并重新排序,将K台已退役的同类型旋转机械出现某类相同故障的数据段进行截断提取并重新组合,按照反向时间序列的方式进行排序,构成历史信号数据库中所有的K台机器出现过故障A的数据组总集{ΨA’},建立K台机器全部的故障类别的反向时间序列数据段总集{Ψ总’}={{ΨA’}、{ΨB’}、…、{ΨN’}},并将故障类别总数据集{Ψ总’}存储到故障类别专家系统库中的故障类别数据库中。
按上述方案,所述故障指标数据库设为存储所有机器的所有故障中各类指标数据,故障指标数据库中包含了所有K台旋转机械自从服役到退役整个运行阶段中所有出现过的N类故障的P种检测指标的数据组总集及对应的故障类别标记。
按上述方案,所述故障标记数据库通过集成深度学习装置运用深度学习模块中的各类深度学习网络模型对故障指标数据库的振动信号、噪声信号、转速信号和电力信号海量大数据集进行迭代学习,并且联合运用自适应集成策略模块中的集成策略生成器,将深度学习模块内的多个有监督和无监督的深度学习算法模型集成在一起做并行数据处理,获得每一类故障所对应的振动特征数据、噪声特征数据、模态特征数据、电力特征数据,并将每一类故障与其对应的包含有P个指标的特征数据集一一对应,进行故障标记,并将全部故障的特征数据集和对应的故障类别标记存储在故障类别专家系统库中的故障标记数据库中。
按上述方案,所述故障级别数据库通过深度学习模块对故障标记数据库中已存储的全部故障的特征数据集进行无监督学习,将每一类故障的特征数据按照严重程度进行聚类,生成多个级别不同的簇,每一簇对应一个故障的显著等级,从而将每一类故障划分为严重、显著、轻微、微小和正常多种级别,并对等级进行标记,最后,将聚类划分的故障等级标签和相应的特征数据一一对应并存储在故障类别专家系统库中的故障级别数据库中。
按上述方案,所述数据采集装置包括检测单元和传感器模块,检测单元包含有P类指标检测单元,分别为振动检测单元、模态检测单元、噪声检测单元、频率检测单元和转速检测单元,传感器模块由与检测单元一一对应的检测传感器组成,通过检测单元的检测传感器对现场的旋转机械进行信号采集,每一台旋转机械采集P个指标,每个指标采集不同个数的测量点的信号,将现场采集的数据输入到深度学习模块的故障识别深度模型中,已训练好的深度学习模型程序自动对数据进行学习,并且实时得到故障的分类结果。
一种基于深度学习的旋转机械故障诊断与状态监测的方法,其特征在于,包括如下步骤:
S2)对历史信号数据库中的监测大数据总集按故障类别和次数进行数据切割并重新排序;中央处理器CPU设置为采用反向倒推类比方法,将K台已退役的同类型旋转机械出现某类相同故障的数据段进行截断提取并重新组合,按照反向时间序列的方式进行排序,假设该故障类别为故障A,即:以故障A出现的时刻为起点,至前一次他类故障B出现的时刻为终点,截取故障A至故障B之间的数据段作为故障A的时间序列数据段;
以A1表示机器一中出现故障A的次数,以A2表示机器二中出现故障A的次数,以此类推,以AK表示机器K中出现故障A的次数,K台机器中出现故障A的次数总和为:A1+A2+A3+…+AK;由于在历史信号数据库的数据总集中,每一次故障A出现时均有P个指标被监测,且不同的监测指标设置有不同个数的传感器测量点,振动信号设置有T1个采集振动的传感器,噪声信号设置有T2个采集噪声传感器,第P个指标设置有TP个测量指标P的传感器,则机器1出现全部次数的故障A所获得的数据可构成一个A1×(T1+T2+T3+…+TP)的数据组{δA};历史信号数据库中所有的K台机器出现过故障A的数据构成一个(A1+A2+A3+…+AK)×(T1+T2+T3+…+TP)的数据组总集{ΨA};
按照同样的方法,所有的K台机器出现过故障B的数据构成一个(B1+B2+B3+…+BK)×(T1+T2+T3+…+TP)的数据组总集{ΨB},以此类推,所有K台机器出现过故障N的数据将构成一个(N1+N2+N3+…+NK)×(T1+T2+T3+…+TP)的数据组总集{ΨN};
故障A的数据组总集{ΨA}中包含的K台机器出现故障A时所采集的振动信号的总个数为(A1+A2+A3+…+AK)×T1,所构成的数据集记为{ΨA振};数据组总集{ΨA}中包含的K台机器出现故障A时所采集的噪声信号的总个数为(A1+A2+A3+…+AK)×T2,所构成的数据集记为{ΨA噪};以此类推,数据组总集{ΨA}中包含的K台机器出现故障A时所采集的电力信号的总个数为(A1+A2+A3+…+AK)×TP,所构成的数据集记为{ΨA电};
按照同样的方法依此类推,故障N的数据组总集{ΨN}中包含的K台机器出现故障N时所采集的振动信号的总个数为(N1+N2+N3+…+NK)×T1,所构成的数据集记为{ΨN振};数据组总集{ΨN}中包含的K台机器出现故障N时所采集的电力信号的总个数为(N1+N2+N3+…+NK)×TP,所构成的数据集记为{ΨN电};
S3)建立K台机器全部的故障类别的反向时间序列数据段总集{Ψ总’};
对数据组总集{ΨA}中所有故障A的时间序列数据段在进行数据组合时,按照以故障A出现的时刻为参考点进行数据对齐,并且按照时间轴的反方向构成反向时间序列数据组总集{ΨA’},数据组总集{ΨA’}对应故障类型A,共有(A1+A2+A3+…+AK)×(T1+T2+T3+…+TP)个反向时间序列样本,即:数据组总集{ΨA’}中包含(A1+A2+A3+…+AK)×T1个振动信号反向时间序列样本、(A1+A2+A3+…+AK)×T2个噪声信号反向时间序列样本、(A1+A2+A3+…+AK)×TP个电力信号反向时间序列样本,所构成的反向时间序列数据集分别记为{ΨA振’}、{ΨA噪’}、{ΨA电’},即数据组总集{ΨA’}={{ΨA振’}、{ΨA噪’}、{ΨA电’}};
按照同样的方式,对数据组总集{ΨB}中所有故障B的时间序列数据段进行数据组合时,同样以故障B出现的时刻为参考点进行数据对齐,按照时间轴的反方向构成反向时间序列数据组总集{ΨB’},数据组总集{ΨB’}对应故障类型B,共有(B1+B2+B3+…+BK)×(T1+T2+T3+…+TP)个反向时间序列样本,所构成的反向时间序列数据集分别为{ΨB振’}、{ΨB噪’}、{ΨB电’},即数据组总集{ΨB’}={{ΨB振’}、{ΨB噪’}、{ΨB电’}};
依次类推,数据组总集{ΨN’}对应故障类型N,共有(N1+N2+N3+…+NK)×(T1+T2+T3+…+TP)个反向时间序列样本,即数据组总集{ΨN’}中包含(N1+N2+N3+…+NK)×T1个振动信号反向时间序列样本、(A1+A2+A3+…+AK)×T2个噪声信号反向时间序列样本、(N1+N2+N3+…+NK)×TP个电力信号反向时间序列样本,所构成的反向时间序列数据集分别为{ΨN振’}、{ΨN噪’}、{ΨN电’},即数据组总集{ΨN’}={{ΨN振’}、{ΨN噪’}、{ΨN电’}};
从而建立K台机器全部的故障类别的反向时间序列数据段总集{Ψ总’}={{ΨA’}、{ΨB’}、…、{ΨN’}},并将故障类别总数据集{Ψ总’}存储到故障类别专家系统库中的故障类别数据库中;
S4)建立故障指标数据库;
将所有机器的所有故障中的振动信号反向时间序列数据段进行集合即可得到{Ψ总振’}={{ΨA振’}、{ΨB振’}、…、{ΨN振’}},并将{Ψ总振’}存入故障指标数据库(192)的振动信号数据库中,将所有机器的所有故障中的噪声信号反向时间序列数据段进行集合即可得到{Ψ总噪’}={{ΨA噪’}、{ΨB噪’}、…、{ΨN噪’}},并将{Ψ总噪’}存入故障指标数据库的噪声信号数据库中,依次类推,将所有机器的所有故障中的电力信号反向时间序列数据段进行集合即可得到{Ψ总电’}={{ΨA电’}、{ΨB电’}、…、{ΨN电’}},并将{Ψ总电’}存入故障指标数据库的电力信号数据库中,至此,故障指标数据库建立完毕;故障指标数据库中包含了所有K台旋转机械自从服役到退役整个运行阶段中所有出现过的N类故障的P种检测指标的数据组总集及对应的故障类别标记;
S5)对故障指标数据库的数据进行集成深度学习,建立故障识别深度模型;
运用深度学习模块中的各类深度学习网络模型对故障指标数据库的振动信号、噪声信号、转速信号和电力信号等海量大数据集进行迭代学习,并且联合运用自适应集成策略模块中的集成策略生成器,将深度学习模块内的多个有监督和无监督的深度学习算法模型集成在一起做并行数据处理,由于集成策略生成器将每一个深度学习网络模型视为个体学习器,通过每一个个体学习器分别对故障指标数据库中的振动信号数据集、噪声信号数据集、电力信号数据库进行有监督学习,训练网络模型,进行数据的深度挖掘和特征学习,并将特征信息保存在网络模型的连接权值中;训练过程中,随机选取故障指标数据库中的80%的数据作为训练数据,剩余20%的数据作为测试数据,当测试的正确率超过95%时,认为模型训练合格;集成策略生成器根据不同的深度学习模型所预测的准确率,自动生成组合策略,自动选取Boosting法、Bagging法和“随机森林”等集成学习方法,为每个模型分配输出权重系数,获得比单一学习模型显著优越的泛化性能和处理效果,训练结束后,将所有的特征训练信息和模型结构的程序存储在深度学习模块的故障识别深度模型中;
S6)建立故障标记数据库;
通过对故障指标数据库的振动信号、噪声信号、转速信号和电力信号海量大数据集进行深度挖掘和特征提取,获得每一类故障所对应的振动特征数据、噪声特征数据、模态特征数据、电力特征数据等,并将每一类故障与其对应的包含有P个指标的特征数据集一一对应,进行故障标记,并将全部故障的特征数据集和对应的故障类别标记存储在故障类别专家系统库中的故障标记数据库中;
S7)建立故障级别数据库;
深度学习模块还包含有聚类算法,用于对故障标记数据库中已存储的全部故障的特征数据集进行无监督学习,将每一类故障的特征数据按照严重程度进行聚类,生成多个级别不同的簇,每一簇对应一个故障的显著等级,从而将每一类故障划分为严重、显著、轻微、微小和正常多种级别,并对等级进行标记,最后,将聚类划分的故障等级标签和相应的特征数据一一对应并存储在故障类别专家系统库中的故障级别数据库中;
S8)采集现场数据,进行故障在线诊断和状态监测;
CPU发出指令控制数据采集装置通过检测单元的检测传感器对现场的旋转机械进行信号采集,每一台旋转机械所采集的数据构成一个数据集,多台旋转机械之间的数据集彼此相互独立;故障检测时,每一台旋转机械采集振动、噪声、电力P个指标,每个指标采集不同个数的测量点的信号,每个指标采集的数据均构成一个指标数据组,因此,每台机器现场采集的数据均构成一个包含有P个检测指标的数据组总集记为{T现场},{T现场}={{T振}、{T噪}、…、{T电}};
将现场采集的数据输入到深度学习模块的故障识别深度模型中,已训练好的深度学习模型程序自动对数据组总集{T现场}中的{T振}、{T噪}和{T电}等数据进行学习,并且实时得到故障的分类结果;
当前现场采集的旋转机械的振动监测信号、噪声监测信号、转速监测信号和电力监测信号等数据输入到故障识别深度模型中存储的已训练好的深度学习模型程序中,该程序自动对输入的数据进行学习,通过对输入数据进行特征提取,并与故障类别专家系统库中的故障标记数据库中已存储的全部故障的特征数据集进行特征匹配,对当前采集的数据集提取的特征与故障标记数据库中的对应故障的特征数据匹配后相似度很高,则本发明就会识别出当前设备发生了该故障,并通过扬声器发出故障警报信号,CPU会通过信号收发器将故障警报信息发送至技术人员的控制台或安全监控中心,提醒技术人员及时排查该故障;
若当前采集的数据集的特征数据与故障类别专家系统库中的故障标记数据库中已存储的全部故障的特征数据集匹配均不相似且与正常稳态特征相似,则认为当前状态为正常状态;
若当前采集的数据集的特征数据与故障类别专家系统库中的故障标记数据库中已存储的全部故障的特征数据集匹配均不相似而且与正常稳态特征也不相似,则系统认为机器产生了新的故障,系统自动将当前数据段特征识别为新的故障,并进行新故障类别标记,同时系统自动将该新故障特征数据和标记值更新到故障类别专家系统库中的故障标记数据库中;特征匹配相似度的门限值设置为90%,超过门限值则认为是相似,低于门限值则认为是不相似,相似度门限值人们还可以选择由深度学习模块的算法自动设定;
S9)判定当前工作状态并输出故障的显著程度等级;
故障识别深度模型中已训练好的深度学习模型程序对现场采集的数据诊断出故障类型后,系统将自动运用深度学习模块中的聚类算法进一步对该故障的特征数据进行特征提取,将该故障的特征与故障类别专家系统库中的故障级别数据库中对应该故障的级别进行匹配,最终输出该故障的显著程度等级,并在显示器和扩展屏上输出当前故障的等级
本发明的有益效果是:提供一种基于深度学习的旋转机械故障诊断与状态监测系统及方法,可自动智能的进行故障诊断,可以实时的监测当前旋转机械的运行工作状态,通过提取现场的监测数据特征并与本发明的故障类别专家系统库中的故障标记数据库和故障级别数据库的特征数据实时对比,可以清晰的诊断出当前机组发生了何种故障,并根据故障的数据特征评估出诊断到的故障目前是何种风险状态,还是微小故障状态、显著故障状态,还是重大风险阶段等,或者是稳定状态,从而评估当前设备的健康状况,对机器运行状态进行实时检测,并且准确的对故障类型进行实时预测,从而使技术人员可以在故障未发生之前或早期微小故障时能够进行及时的维护和保养。
附图说明
图1为本发明一个实施例的结构示意图。
图2为本发明一个实施例的历史信号数据库的数据集框架示意图。
图3为本发明一个实施例的故障类别专家系统库的组成示意图。
图4为本发明一个实施例的故障类别数据库的故障数据集组成示意图。
图5为本发明一个实施例的集成深度学习装置的网络模型训练框架示意图。
图6为本发明一个实施例的故障识别深度模型进行故障诊断的框架示意图。
具体实施方式
为更好地理解本发明,下面结合附图和实施例对本发明进一步的描述。
如图1所示,包含有壳体1、扬声器2、显示器6、存储器10、CPU11和数据采集装置18,壳体1设置有腔体,腔体内部设置为包含有集成深度学习装置、历史信号数据库23、故障类别专家系统库19和数据采集装置18,集成深度学习装置包含有深度学习模块24、自适应集成策略模块20,在壳体1的上端部中间位置处设置有信号收发器5,在信号收发器5的右侧设置有扬声器2,在信号收发器5的左侧设置有电源关闭按钮7,在电源关闭按钮7的左侧设置有电源启动按钮8,在信号收发器5的正下方设置有显示器6,在显示器6的正下方左侧处设置有USB接口15,在USB接口15的正下方处设置有存储器10,在存储器10的正下方处设置有CPU11,在CPU11的正下方处设置有GPU12,在GPU12的正下方处设置有数据接口13,在显示器6的正下方右侧设置有历史信号数据库23,在历史信号数据库23的正下方设置有深度学习模块24,在深度学习模块24的正下方设置有自适应集成策略模块20,在自适应集成策略模块20的正下方设置有故障类别专家系统库19,在故障类别专家系统库19的正下方设置有数据采集装置18,框体1内的所有部件通过导线9连接在一起构成通路。
深度学习模块24设置为包含有深度信念网络(DBN)、卷积神经网络(CNN)、深度玻尔兹曼机(DBM)、递归神经网络(RNN)、堆叠自编码器(SAE)、长短期记忆模型(LSTM)、门控循环单元网络(GRU)及神经图灵机(NTM)等深度学习网络模型,深度学习模块24还包含有故障识别深度模型241,用于存储已训练好的模型程序。
自适应集成策略模块20设置有集成策略生成器201,用于将深度学习模块24内的多个有监督和无监督的深度学习算法模型(如:卷积神经网络(CNN)、深度信念网络(DBN)、递归神经网络(RNN)等)按照设计的集成组合策略集成在一起做并行数据处理,获得比单一学习模型显著优越的泛化性能和处理效果,集成策略生成器201将每一个深度学习网络模型定义为个体学习器,每一个体学习器分别对故障指标数据库192中的振动信号数据集、噪声信号数据集等进行有监督学习,集成策略生成器201自动优化设计组合策略,集成学习的方法设置为包含有Boosting法、Bagging法和“随机森林”集成学习方法。
历史信号数据库23设置为包含有K台已退役的同类型柴油发电机自从服役到退役整个运行阶段的全部监测离线数据总集如附图2所示,每台机器采集P个指标,其指标设置为包含有振动信号、噪声信号、电力信号、转速信号及其他用于柴油发电机故障检测的常规信号指标,不同的监测指标设置有不同个数的传感器测量点,例如:振动信号设置有T1个采集振动的传感器,噪声信号设置有T2个采集噪声的传感器,第P个指标设置有TP个测量指标P的传感器;每一个传感器所测得的数据均为一个全程运行周期的时间序列样本,因此,数据总集是一个K×(T1+T2+T3+…+TP)的高维张量矩阵数据集。
如附图3所示,故障类别专家系统库19设置有故障类别数据库191、故障指标数据库192、故障标记数据库193和故障级别数据库194;所述故障指标数据库192设置有与历史信号数据库23的P个指标相对应的数据库,分别是振动信号数据库、噪声信号数据库、转速信号数据库、…和电力信号数据库等,中央处理器CPU11设置为采用反向倒推类比方法,对历史信号数据库23中的监测大数据总集按故障类别和次数进行数据切割并重新排序,将K台已退役的同类型旋转机械出现某类相同故障的数据段进行截断提取并重新组合,按照反向时间序列的方式进行排序;如附图4所示,假设该故障类别为故障A,即:以故障A出现的时刻为起点,至前一次他类故障(故障B)出现的时刻为终点,截取故障A至故障B之间的数据段作为故障A的时间序列数据段;以A1表示机器1中出现故障A的次数,以A2表示机器2中出现故障A的次数,以此类推,以AK表示机器K中出现故障A的次数,因此,K台机器中出现故障A的次数总和为:A1+A2+A3+…+AK;由于在历史信号数据库23的数据总集中,每一次故障A出现时均有P个指标(振动、噪声、电力等)被监测,且不同的监测指标设置有不同个数的传感器测量点,即:振动信号设置有T1个采集振动的传感器,噪声信号设置有T2个采集噪声传感器,第P个指标设置有TP个测量指标P的传感器,则机器1出现全部次数的故障A所获得的数据可构成一个A1×(T1+T2+T3+…+TP)的数据组{δA};因此,历史信号数据库23中所有的K台机器出现过故障A的数据构成一个(A1+A2+A3+…+AK)×(T1+T2+T3+…+TP)的数据组总集{ΨA};按照同样的方法,所有的K台机器出现过故障B的数据构成一个(B1+B2+B3+…+BK)×(T1+T2+T3+…+TP)的数据组总集{ΨB},以此类推,所有K台机器出现过故障N的数据将构成一个(N1+N2+N3+…+NK)×(T1+T2+T3+…+TP)的数据组总集{ΨN}。
故障A的数据组总集{ΨA}中包含的K台机器出现故障A时所采集的振动信号的总个数为(A1+A2+A3+…+AK)×T1,所构成的数据集记为{ΨA振};数据组总集{ΨA}中包含的K台机器出现故障A时所采集的噪声信号的总个数为(A1+A2+A3+…+AK)×T2,所构成的数据集记为{ΨA噪};以此类推,数据组总集{ΨA}中包含的K台机器出现故障A时所采集的电力信号(假设电力信号为指标P)的总个数为(A1+A2+A3+…+AK)×TP,所构成的数据集记为{ΨA电};按照同样的方法依此类推,故障N的数据组总集{ΨN}中包含的K台机器出现故障N时所采集的振动信号的总个数为(N1+N2+N3+…+NK)×T1,所构成的数据集记为{ΨN振};数据组总集{ΨN}中包含的K台机器出现故障N时所采集的电力信号的总个数为(N1+N2+N3+…+NK)×TP,所构成的数据集记为{ΨN电}。
对数据组总集{ΨA}中所有故障A的时间序列数据段在进行数据组合时,按照以故障A出现的时刻为参考点进行数据对齐,并且按照时间轴的反方向构成反向时间序列数据组总集{ΨA’},数据组总集{ΨA’}对应故障类型A,共有(A1+A2+A3+…+AK)×(T1+T2+T3+…+TP)个反向时间序列样本,即:数据组总集{ΨA’}中包含(A1+A2+A3+…+AK)×T1个振动信号反向时间序列样本、(A1+A2+A3+…+AK)×T2个噪声信号反向时间序列样本、…、(A1+A2+A3+…+AK)×TP个电力信号反向时间序列样本,所构成的反向时间序列数据集分别记为{ΨA振’}、{ΨA噪’}、…、{ΨA电’},即数据组总集{ΨA’}={{ΨA振’}、{ΨA噪’}、…、{ΨA电’}};按照同样的方式,对数据组总集{ΨB}中所有故障B的时间序列数据段进行数据组合时,同样以故障B出现的时刻为参考点进行数据对齐,按照时间轴的反方向构成反向时间序列数据组总集{ΨB’},数据组总集{ΨB’}对应故障类型B,共有(B1+B2+B3+…+BK)×(T1+T2+T3+…+TP)个反向时间序列样本,所构成的反向时间序列数据集分别为{ΨB振’}、{ΨB噪’}、…、{ΨB电’},即数据组总集{ΨB’}={{ΨB振’}、{ΨB噪’}、…、{ΨB电’}};依次类推,数据组总集{ΨN’}对应故障类型N,共有(N1+N2+N3+…+NK)×(T1+T2+T3+…+TP)个反向时间序列样本,即数据组总集{ΨN’}中包含(N1+N2+N3+…+NK)×T1个振动信号反向时间序列样本、(A1+A2+A3+…+AK)×T2个噪声信号反向时间序列样本、…、(N1+N2+N3+…+NK)×TP个电力信号反向时间序列样本,所构成的反向时间序列数据集分别为{ΨN振’}、{ΨN噪’}、…、{ΨN电’},即数据组总集{ΨN’}={{ΨN振’}、{ΨN噪’}、…、{ΨN电’}};从而建立K台机器全部的故障类别的反向时间序列数据段总集{Ψ总’}={{ΨA’}、{ΨB’}、…、{ΨN’}},并将故障类别总数据集{Ψ总’}存储到故障类别专家系统库19中的故障类别数据库191中。
如附图5所示,将所有机器的所有故障中的振动信号反向时间序列数据段进行集合即可得到{Ψ总振’}={{ΨA振’}、{ΨB振’}、…、{ΨN振’}},并将{Ψ总振’}存入故障指标数据库192的振动信号数据库中,将所有机器的所有故障中的噪声信号反向时间序列数据段进行集合即可得到{Ψ总噪’}={{ΨA噪’}、{ΨB噪’}、…、{ΨN噪’}},并将{Ψ总噪’}存入故障指标数据库192的噪声信号数据库中,依次类推,将所有机器的所有故障中的电力信号反向时间序列数据段进行集合即可得到{Ψ总电’}={{ΨA电’}、{ΨB电’}、…、{ΨN电’}},并将{Ψ总电’}存入故障指标数据库192的电力信号数据库中,至此,故障指标数据库192建立完毕;故障指标数据库192中包含了所有K台旋转机械自从服役到退役整个运行阶段中所有出现过的N类故障的P种检测指标的数据组总集及对应的故障类别标记。
运用深度学习模块24中的各类深度学习网络模型对故障指标数据库192的振动信号、噪声信号、转速信号、…和电力信号等海量大数据集进行迭代学习,并且联合运用自适应集成策略模块20中的集成策略生成器201,将深度学习模块24内的多个有监督和无监督的深度学习算法模型(如:卷积神经网络(CNN)、深度信念网络(DBN)、递归神经网络(RNN)等)集成在一起做并行数据处理,由于集成策略生成器201将每一个深度学习网络模型视为个体学习器,通过每一个个体学习器分别对故障指标数据库192中的振动信号数据集、噪声信号数据集、电力信号数据库等进行有监督学习,训练网络模型,进行数据的深度挖掘和特征学习,并将特征信息保存在网络模型的连接权值中;训练过程中,深度学习模块24随机选取故障指标数据库192中的80%的数据作为训练数据,剩余20%的数据作为测试数据,当测试的正确率超过95%时,认为模型训练合格;由于不同的深度学习模型所擅长识别的对象不同,若单一使用一种深度学习网络模型难以有效同时对振动、噪声、电力等多种信号指标类型进行有效处理,因此集成策略生成器201根据不同的深度学习模型所预测的准确率,自动生成组合策略,自动选取Boosting法、Bagging法和“随机森林”等集成学习方法,为每个模型分配输出权重系数,获得比单一学习模型显著优越的泛化性能和处理效果,训练结束后,将所有的特征训练信息和模型结构的程序存储在深度学习模块24的故障识别深度模型241中。通过对故障指标数据库192的振动信号、噪声信号、转速信号、…和电力信号等海量大数据集进行深度挖掘和特征提取,获得每一类故障所对应的振动特征数据、噪声特征数据、模态特征数据、电力特征数据等,并将每一类故障与其对应的包含有P个指标的特征数据集一一对应,进行故障标记,并将全部故障的特征数据集和对应的故障类别标记存储在故障类别专家系统库19中的故障标记数据库193中。
深度学习模块24还包含有聚类算法,用于对故障标记数据库193中已存储的全部故障的特征数据集进行无监督学习,将每一类故障的特征数据按照严重程度进行聚类,生成多个级别不同的簇,每一簇对应一个故障的显著等级,从而将每一类故障划分为严重、显著、轻微、微小和正常多种级别,并对等级进行标记,最后,将聚类划分的故障等级标签和相应的特征数据一一对应并存储在故障类别专家系统库19中的故障级别数据库194中。
数据采集装置18设置为包含有检测单元25和传感器模块26,检测单元25设置为包含有P类指标检测单元,分别为振动检测单元、模态检测单元、噪声检测单元、频率检测单元和转速检测单元等P种用于检测旋转机械故障的常规检测方式,传感器模块26设置为包含有与检测单元25一一对应的检测传感器,即:振动检测单元对应振动传感器,噪声检测单元对应噪声传感器,传感器模块26中的每一类检测传感器26设置有不同个数的测试点。
故障检测时,CPU11发出指令控制数据采集装置18通过检测单元25的检测传感器26对现场的旋转机械进行信号采集,每一台旋转机械所采集的数据构成一个数据集,多台旋转机械之间的数据集彼此相互独立;故障检测时,每一台旋转机械采集振动、噪声、电力等P个指标,每个指标采集不同个数的测量点的信号,每个指标采集的数据均构成一个指标数据组,因此,每台机器现场采集的数据均构成一个包含有P个检测指标的数据组总集记为{T现场},{T现场}={{T振}、{T噪}、…、{T电}}。
如附图6所示,将现场采集的数据输入到深度学习模块24的故障识别深度模型241中,已训练好的深度学习模型程序自动对数据组总集{T现场}中的{T振}、{T噪}和{T电}等数据进行学习,并且实时得到故障的分类结果。例如:当前现场采集的旋转机械的振动监测信号、噪声监测信号、转速监测信号和电力监测信号等数据输入到故障识别深度模型241中存储的已训练好的深度学习模型程序中,该程序自动对输入的数据进行学习,通过对输入数据进行特征提取,并与故障类别专家系统库19中的故障标记数据库193中已存储的全部故障的特征数据集进行特征匹配,假设对当前采集的数据集提取的特征与故障标记数据库193中的故障C的特征数据匹配后相似度很高,则本发明就会识别出当前设备发生了故障C,并通过扬声器2发出故障警报信号,CPU11会通过信号收发器5将故障警报信息发送至技术人员的控制台或安全监控中心,提醒技术人员及时排查故障C;若当前采集的数据集的特征数据与故障类别专家系统库19中的故障标记数据库193中已存储的全部故障的特征数据集匹配均不相似且与正常稳态特征相似,则认为当前状态为正常状态;若当前采集的数据集的特征数据与故障类别专家系统库19中的故障标记数据库193中已存储的全部故障的特征数据集匹配均不相似而且与正常稳态特征也不相似,则系统认为机器产生了新的故障,系统自动将当前数据段特征识别为新的故障,并进行新故障类别标记,同时系统自动将该新故障特征数据和标记值更新到故障类别专家系统库19中的故障标记数据库193中;特征匹配相似度的门限值设置为90%,超过门限值则认为是相似,低于门限值则认为是不相似,相似度门限值人们还可以选择由深度学习模块24的算法自动设定。
当本发明故障识别深度模型241中已训练好的深度学习模型程序对现场采集的数据诊断出故障类型后,本发明将自动运用深度学习模块24中的聚类算法进一步对该故障的特征数据进行特征提取,将该故障的特征与故障类别专家系统库19中的故障级别数据库194中对应该故障的级别进行匹配,最终输出该故障的显著程度等级,并在显示器6和扩展屏4上输出当前故障的等级(严重、显著、轻微、微小或正常其中的一种)。
在实际使用本发明时,历史信号数据库23中的K台机器中每台机器并非必须要采集P个指标,每个指标也并非设置不同的多个测量点,根据实际情况,若采集的指标个数少于P个,在构建数据集时,可将未采集的指标的数据组数据视为0,本发明在进行数据处理时,会自动剔除整行或整列为0的数据。
在壳体1的右侧上方还设置有扩展屏4,扩展屏4采用液晶彩色显示屏,与显示器6配合使用,显示实时的监测信号特征和状态信息等。显示器6设置为带背景灯光的LED显示屏。
检测单元25包含有P类指标检测单元,P值设计为1~100。
本发明系统装置的所有控制指令均由CPU11发出,所有的数据均保存在存储器10中,人机交互的操作流程以及结果的输出的可视化由显示器6和扩展屏4显示,扬声器2设置为对操作步骤进行语音提示和故障报警,GPU12设置为对深度学习模块24和自适应集成策略模块20内的算法模型进行训练、数据处理以及辅助CPU11做深度学习运算,信号收发器5设置为将无线传感器、智能手机等无线电设备产生的无线电信号进行接收、发射以及将本发明与互联网无线连接,USB接口15用于将外部数据输入到本发明历史信号数据库23中,数据接口13用于将本发明与笔记本电脑、大屏幕显示器、服务器等外部设备连接进行外部数据处理,提高本发明的工作效率和使用便利性。
通过使用本发明,可自动智能的进行故障诊断,可以实时的监测当前旋转机械的运行工作状态,通过提取现场的监测数据特征并与本发明的故障类别专家系统库19中的故障标记数据库193和故障级别数据库194的特征数据实时对比,可以清晰的诊断出当前机组发生了何种故障,并根据故障的数据特征评估出诊断到的故障目前是何种风险状态,还是微小故障状态、显著故障状态,还是重大风险阶段等,或者是稳定状态,从而评估当前设备的健康状况,对机器运行状态进行实时检测,并且准确的对故障类型进行实时预测,从而使技术人员可以在故障未发生之前或早期微小故障时能够进行及时的维护和保养。
以柴油发电机为例,使用本发明进行故障诊断和状态在线监测的流程为:
首先按下电源启动按钮8,这时本发明系统装置启动工作,显示器6点亮,进入工作状态。
1)将批量已退役的K台同类型的柴油发电机自从服役到退役整个运行阶段的全部监测离线数据总集通过USB接口15或数据接口13输入到历史信号数据库23中,数据总集包含了K台同类型的柴油发电机的所有全程历史运行监测数据,每台机器采集P个信号指标,其指标设置为包含有振动信号、噪声信号、电力信号、转速信号及其他用于柴油发电机故障检测的常规信号指标,不同的监测指标设置有不同个数的传感器测量点,例如:振动信号设置有T1个采集振动的传感器,噪声信号设置有T2个采集噪声的传感器,第P个指标设置有TP个测量指标P的传感器;每一个传感器所测得的数据均为一个全程运行周期的时间序列样本,因此数据总集是一个K×(T1+T2+T3+…+TP)的高维张量矩阵数据集。
中央处理器CPU11设置为采用反向倒推类比方法,将K台已退役的同类型柴油发电机出现某类相同故障的数据段进行截断提取并重新组合,按照反向时间序列的方式进行排序,假设该故障类别为故障A,即:以故障A出现的时刻为起点,至前一次他类故障(故障B)出现的时刻为终点,截取故障A至故障B之间的数据段作为故障A的时间序列数据段;以A1表示机器1中出现故障A的次数,以A2表示机器2中出现故障A的次数,以此类推,以AK表示机器K中出现故障A的次数,因此,K台机器中出现故障A的次数总和为:A1+A2+A3+…+AK;由于在历史信号数据库23的数据总集中,每一次故障A出现时均有P个指标(振动、噪声、电力等)被监测,且不同的监测指标设置有不同个数的传感器测量点,即:振动信号设置有T1个采集振动的传感器,噪声信号设置有T2个采集噪声传感器,第P个指标设置有TP个测量指标P的传感器,则机器1出现全部次数的故障A所获得的数据可构成一个A1×(T1+T2+T3+…+TP)的数据组{δA};因此,历史信号数据库23中所有的K台机器出现过故障A的数据构成一个(A1+A2+A3+…+AK)×(T1+T2+T3+…+TP)的数据组总集{ΨA};按照同样的方法,所有的K台机器出现过故障B的数据构成一个(B1+B2+B3+…+BK)×(T1+T2+T3+…+TP)的数据组总集{ΨB},以此类推,所有K台机器出现过故障N的数据将构成一个(N1+N2+N3+…+NK)×(T1+T2+T3+…+TP)的数据组总集{ΨN};故障A的数据组总集{ΨA}中包含的K台机器出现故障A时所采集的振动信号的总个数为(A1+A2+A3+…+AK)×T1,所构成的数据集记为{ΨA振};数据组总集{ΨA}中包含的K台机器出现故障A时所采集的噪声信号的总个数为(A1+A2+A3+…+AK)×T2,所构成的数据集记为{ΨA噪};以此类推,数据组总集{ΨA}中包含的K台机器出现故障A时所采集的电力信号(假设电力信号为指标P)的总个数为(A1+A2+A3+…+AK)×TP,所构成的数据集记为{ΨA电};按照同样的方法依此类推,故障N的数据组总集{ΨN}中包含的K台机器出现故障N时所采集的振动信号的总个数为(N1+N2+N3+…+NK)×T1,所构成的数据集记为{ΨN振};数据组总集{ΨN}中包含的K台机器出现故障N时所采集的电力信号的总个数为(N1+N2+N3+…+NK)×TP,所构成的数据集记为{ΨN电}。
3)建立K台机器全部的故障类别的反向时间序列数据段总集{Ψ总’};
对数据组总集{ΨA}中所有故障A的时间序列数据段在进行数据组合时,按照以故障A出现的时刻为参考点进行数据对齐,并且按照时间轴的反方向构成反向时间序列数据组总集{ΨA’},数据组总集{ΨA’}对应故障类型A,共有(A1+A2+A3+…+AK)×(T1+T2+T3+…+TP)个反向时间序列样本,即:数据组总集{ΨA’}中包含(A1+A2+A3+…+AK)×T1个振动信号反向时间序列样本、(A1+A2+A3+…+AK)×T2个噪声信号反向时间序列样本、…、(A1+A2+A3+…+AK)×TP个电力信号反向时间序列样本,所构成的反向时间序列数据集分别记为{ΨA振’}、{ΨA噪’}、…、{ΨA电’},即数据组总集{ΨA’}={{ΨA振’}、{ΨA噪’}、…、{ΨA电’}};按照同样的方式,对数据组总集{ΨB}中所有故障B的时间序列数据段进行数据组合时,同样以故障B出现的时刻为参考点进行数据对齐,按照时间轴的反方向构成反向时间序列数据组总集{ΨB’},数据组总集{ΨB’}对应故障类型B,共有(B1+B2+B3+…+BK)×(T1+T2+T3+…+TP)个反向时间序列样本,所构成的反向时间序列数据集分别为{ΨB振’}、{ΨB噪’}、…、{ΨB电’},即数据组总集{ΨB’}={{ΨB振’}、{ΨB噪’}、…、{ΨB电’}};依次类推,数据组总集{ΨN’}对应故障类型N,共有(N1+N2+N3+…+NK)×(T1+T2+T3+…+TP)个反向时间序列样本,即数据组总集{ΨN’}中包含(N1+N2+N3+…+NK)×T1个振动信号反向时间序列样本、(A1+A2+A3+…+AK)×T2个噪声信号反向时间序列样本、…、(N1+N2+N3+…+NK)×TP个电力信号反向时间序列样本,所构成的反向时间序列数据集分别为{ΨN振’}、{ΨN噪’}、…、{ΨN电’},即数据组总集{ΨN’}={{ΨN振’}、{ΨN噪’}、…、{ΨN电’}};从而建立K台机器全部的故障类别的反向时间序列数据段总集{Ψ总’}={{ΨA’}、{ΨB’}、…、{ΨN’}},并将故障类别总数据集{Ψ总’}存储到故障类别专家系统库19中的故障类别数据库191中。
4)建立故障指标数据库192;
将所有机器的所有故障中的振动信号反向时间序列数据段进行集合即可得到{Ψ总振’}={{ΨA振’}、{ΨB振’}、…、{ΨN振’}},并将{Ψ总振’}存入故障指标数据库192的振动信号数据库中,将所有机器的所有故障中的噪声信号反向时间序列数据段进行集合即可得到{Ψ总噪’}={{ΨA噪’}、{ΨB噪’}、…、{ΨN噪’}},并将{Ψ总噪’}存入故障指标数据库192的噪声信号数据库中,依次类推,将所有机器的所有故障中的电力信号反向时间序列数据段进行集合即可得到{Ψ总电’}={{ΨA电’}、{ΨB电’}、…、{ΨN电’}},并将{Ψ总电’}存入故障指标数据库192的电力信号数据库中,至此,故障指标数据库192建立完毕;故障指标数据库192中包含了所有K台柴油发电机自从服役到退役整个运行阶段中所有出现过的N类故障的P种检测指标的数据组总集及对应的故障类别标记。
5)对故障指标数据库192的数据进行集成深度学习,建立故障识别深度模型241;
运用深度学习模块24中的各类深度学习网络模型对故障指标数据库192的振动信号、噪声信号、转速信号、…和电力信号等海量大数据集进行迭代学习,并且联合运用自适应集成策略模块20中的集成策略生成器201,将深度学习模块24内的多个有监督和无监督的深度学习算法模型(如:卷积神经网络(CNN)、深度信念网络(DBN)、递归神经网络(RNN)等)集成在一起做并行数据处理,由于集成策略生成器201将每一个深度学习网络模型视为个体学习器,通过每一个个体学习器分别对故障指标数据库192中的振动信号数据集、噪声信号数据集、电力信号数据库等进行有监督学习,训练网络模型,进行数据的深度挖掘和特征学习,并将特征信息保存在网络模型的连接权值中;训练过程中,深度学习模块24随机选取故障指标数据库192中的80%的数据作为训练数据,剩余20%的数据作为测试数据,当测试的正确率超过95%时,认为模型训练合格;由于不同的深度学习模型所擅长识别的对象不同,若单一使用一种深度学习网络模型难以有效同时对振动、噪声、电力等多种信号指标类型进行有效处理,因此集成策略生成器201根据不同的深度学习模型所预测的准确率,自动生成组合策略,自动选取Boosting法、Bagging法和“随机森林”等集成学习方法,为每个模型分配输出权重系数,获得比单一学习模型显著优越的泛化性能和处理效果,训练结束后,将所有的特征训练信息和模型结构的程序存储在深度学习模块24的故障识别深度模型241中。
6)建立故障标记数据库193;
通过对故障指标数据库192的振动信号、噪声信号、转速信号、…和电力信号等海量大数据集进行深度挖掘和特征提取,获得每一类故障所对应的振动特征数据、噪声特征数据、模态特征数据、电力特征数据等,并将每一类故障与其对应的包含有P个指标的特征数据集一一对应,进行故障标记,并将全部故障的特征数据集和对应的故障类别标记存储在故障类别专家系统库19中的故障标记数据库193中。
7)建立故障级别数据库194;
深度学习模块24还包含有聚类算法,用于对故障标记数据库193中已存储的全部故障的特征数据集进行无监督学习,将每一类故障的特征数据按照严重程度进行聚类,生成多个级别不同的簇,每一簇对应一个故障的显著等级,从而将每一类故障划分为严重、显著、轻微、微小和正常多种级别,并对等级进行标记,最后,将聚类划分的故障等级标签和相应的特征数据一一对应并存储在故障类别专家系统库19中的故障级别数据库194中。
8)采集现场数据,进行故障在线诊断和状态监测;
CPU11发出指令控制数据采集装置18通过检测单元25的检测传感器26对现场的柴油发电机进行信号采集,每一台柴油发电机所采集的数据构成一个数据集,多台柴油发电机之间的数据集彼此相互独立;故障检测时,每一台柴油发电机采集振动、噪声、电力等P个指标,每个指标采集不同个数的测量点的信号,每个指标采集的数据均构成一个指标数据组,因此,每台机器现场采集的数据均构成一个包含有P个检测指标的数据组总集记为{T现场},{T现场}={{T振}、{T噪}、…、{T电}};将现场采集的数据输入到深度学习模块24的故障识别深度模型241中,已训练好的深度学习模型程序自动对数据组总集{T现场}中的{T振}、{T噪}和{T电}等数据进行学习,并且实时得到故障的分类结果;当前现场采集的柴油机的振动监测信号、噪声监测信号、转速监测信号和电力监测信号等数据输入到故障识别深度模型241中存储的已训练好的深度学习模型程序中,该程序自动对输入的数据进行学习,通过对输入数据进行特征提取,并与故障类别专家系统库19中的故障标记数据库193中已存储的全部故障的特征数据集进行特征匹配,假设对当前采集的数据集提取的特征与故障标记数据库193中的故障C的特征数据匹配后相似度很高,则本发明就会识别出当前设备发生了故障C,并通过扬声器2发出故障警报信号,CPU11会通过信号收发器5将故障警报信息发送至技术人员的控制台或安全监控中心,提醒技术人员及时排查故障C;若当前采集的数据集的特征数据与故障类别专家系统库19中的故障标记数据库193中已存储的全部故障的特征数据集匹配均不相似且与正常稳态特征相似,则认为当前状态为正常状态;若当前采集的数据集的特征数据与故障类别专家系统库19中的故障标记数据库193中已存储的全部故障的特征数据集匹配均不相似而且与正常稳态特征也不相似,则系统认为机器产生了新的故障,系统自动将当前数据段特征识别为新的故障,并进行新故障类别标记,同时系统自动将该新故障特征数据和标记值更新到故障类别专家系统库19中的故障标记数据库193中;特征匹配相似度的门限值设置为90%,超过门限值则认为是相似,低于门限值则认为是不相似,相似度门限值人们还可以选择由深度学习模块24的算法自动设定。
9)判定当前工作状态并输出故障的显著程度等级;
当本发明故障识别深度模型241中已训练好的深度学习模型程序对现场采集的数据诊断出故障类型后,本发明将自动运用深度学习模块24中的聚类算法进一步对该故障的特征数据进行特征提取,将该故障的特征与故障类别专家系统库19中的故障级别数据库194中对应该故障的级别进行匹配,最终输出该故障的显著程度等级,并在显示器6和扩展屏4上输出当前故障的等级(严重、显著、轻微、微小或正常其中的一种)。
本发明具有以下特点:本发明巧妙的将人工智能领域的最前沿深度学习技术应用于旋转机械的故障诊断和运行状态在线评估中,通过建立已退役的多台同类型的旋转机械的全生命周期历史数据库,对该数据库运用反向时间序列法进行故障数据段重新排序,构建故障的多维多模态的高维张量矩阵数据集,再用集成深度学习技术对数据集进行深度数据挖掘和特征提取,建立故障多模态专家系统数据库,并按故障严重程序划分为严重、显著、轻微、微小和正常多种级别,最后通过对在线实时监测数据段进行特征提取,并与故障类别专家系统库内的故障特征匹配,可以清晰的观察到当前机组的数据特征是何种风险状态,是稳定状态,还是微小故障状态、显著故障状态,还是重大风险阶段等,从而评估当前设备的健康状况,对运行状态进行实时检测,并且准确的对故障类型进行实时预测,从而使技术人员可以在故障未发生之前或早期微小故障时能够进行及时的维护和保养。本发明具有结构设计灵巧,智能化和自动化程度高,工作可靠、使用方便,可广泛应用在船舶柴油机、柴油发电机、发动机等相类似的旋转机械、动力机械领域。
应当指出,本发明还可用在柴油发电机、柴油主机等相类似的旋转机械、动力机械等其他设备中,只要是涉及本发明所披露的技术内容也在本发明的保护范围之内;另外本发明的保护范围不应受限于基本外形特征,凡是造型不同而实质的技术内容与本发明相同的一切技术内容也在本发明的保护范围之内;同时,还应当指出,本技术领域技术人员在本发明内容的基础上作常规的显而易见的小改进或小组合,只要技术内容包含在本发明所记载的内容范围之内的技术内容也在本发明的保护范围之内。
Claims (5)
1.一种基于深度学习的旋转机械故障诊断与状态监测系统,其特征在于,包括壳体、扬声器、显示器、以及设置在壳体内的存储器、中央处理器CPU和数据采集装置,在壳体的上端部中间位置设有信号收发器,在信号收发器的右侧设有所述扬声器,在信号收发器的正下方设有所述显示器,在显示器的正下方左侧处设有USB接口,在USB接口的正下方处设有所述存储器,在存储器的正下方处设有中央处理器CPU,在中央处理器CPU的正下方处设置有图形处理器GPU,在图形处理器GPU的正下方处设有数据接口;
还包括集成深度学习装置、历史信号数据库、故障类别专家系统库;所述集成深度学习装置包含有深度学习模块、自适应集成策略模块;深度学习模块设置为包含有深度信念网络、卷积神经网络、深度玻尔兹曼机、递归神经网络、堆叠自编码器、长短期记忆模型、门控循环单元网络及神经图灵机的深度学习网络模型,深度学习模块还包含有故障识别深度模型,用于存储已训练好的深度学习模型程序;
所述数据采集装置将现场采集的数据输入到深度学习模块的故障识别深度模型中,已训练好的深度学习模型程序自动对数据进行学习,并且实时得到故障的分类结果;
所述历史信号数据库为包含有K台已退役的同类型旋转机械自从服役到退役整个运行阶段的全部监测离线数据总集{φ},每台旋转机械采集P个指标;不同的监测指标设置有不同个数的传感器测量点T;每一个传感器所测得的数据均为一个全程运行周期的时间序列样本,数据总集{φ}是一个K×(T1+T2+T3+…+TP)的高维张量矩阵数据集;所述故障类别专家系统库包括故障类别数据库、故障指标数据库、故障标记数据库和故障级别数据库;所述故障指标数据库设有与所述历史信号数据库的P个指标相对应的数据库,中央处理器CPU采用反向倒推类比方法,对历史信号数据库中的监测大数据总集按故障类别和次数进行数据切割并重新排序,将K台已退役的同类型旋转机械出现某类相同故障的数据段进行截断提取并重新组合,按照反向时间序列的方式进行排序,构成历史信号数据库中所有的K台机器出现过故障A的数据组总集,建立K台机器全部的故障类别的反向时间序列数据段总集,并将故障类别总数据集存储到故障类别专家系统库中的故障类别数据库中;所述故障指标数据库设为存储所有机器的所有故障中各类指标数据,故障指标数据库中包含了所有K台柴油发电机自从服役到退役整个运行阶段中所有出现过的N类故障的P种检测指标的数据组总集及对应的故障类别标记;
所述自适应集成策略模块设有集成策略生成器,所述集成策略生成器设置为将每一个深度学习网络模型定义为个体学习器,每一个体学习器分别对故障指标数据库中的数据集进行学习,集成策略生成器自动优化设计组合策略;
所述故障标记数据库通过集成深度学习装置运用深度学习模块中的各类深度学习网络模型对故障指标数据库的振动信号、噪声信号、转速信号和电力信号海量大数据集进行迭代学习,并且联合运用自适应集成策略模块中的集成策略生成器,将深度学习模块内的多个有监督和无监督的深度学习算法模型集成在一起做并行数据处理,获得每一类故障所对应的振动特征数据、噪声特征数据、模态特征数据、电力特征数据,并将每一类故障与其对应的包含有P个指标的特征数据集一一对应,进行故障标记,并将全部故障的特征数据集和对应的故障类别标记存储在故障类别专家系统库中的故障标记数据库中。
2.根据权利要求1所述的基于深度学习的旋转机械故障诊断与状态监测系统,其特征在于,所述历史信号数据库中,所述P个指标包括振动信号、噪声信号、转速信号和电力信号,所述电力信号包括电压信号和电流信号。
3.根据权利要求1所述的基于深度学习的旋转机械故障诊断与状态监测系统,其特征在于所述数据采集装置包括检测单元和传感器模块,检测单元包含有P类指标检测单元,分别为振动检测单元、模态检测单元、噪声检测单元、频率检测单元和转速检测单元,传感器模块由与检测单元一一对应的检测传感器组成,通过检测单元的检测传感器对现场的旋转机械进行信号采集,每一台旋转机械采集P个指标,每个指标采集不同个数的测量点的信号。
4.根据权利要求1所述的基于深度学习的旋转机械故障诊断与状态监测系统,其特征在于,所述故障级别数据库通过深度学习模块对故障标记数据库中已存储的全部故障的特征数据集进行无监督学习,将每一类故障的特征数据按照严重程度进行聚类,生成多个级别不同的簇,每一簇对应一个故障的显著等级,从而将每一类故障划分为严重、显著、轻微、微小和正常多种级别,并对等级进行标记,最后,将聚类划分的故障等级标签和相应的特征数据一一对应并存储在故障类别专家系统库中的故障级别数据库中。
5.根据权利要求1-4任一项所述一种基于深度学习的旋转机械故障诊断与状态监测系统的方法,其特征在于,包括如下步骤:
S1)将批量已退役的K台同类型的旋转机械自从服役到退役整个运行阶段的全部监测离线数据总集{φ}通过USB接口或数据接口输入到历史信号数据库中;
S2)对历史信号数据库中的监测大数据总集{φ}按故障类别和次数进行数据切割并重新排序;中央处理器CPU设置为采用反向倒推类比方法,将K台已退役的同类型旋转机械出现某类相同故障的数据段进行截断提取并重新组合,按照反向时间序列的方式进行排序,假设该故障类别为故障A,即:以故障A出现的时刻为起点,至前一次他类故障B出现的时刻为终点,截取故障A至故障B之间的数据段作为故障A的时间序列数据段;
以A1表示机器一中出现故障A的次数,以A2表示机器二中出现故障A的次数,以此类推,以AK表示机器K中出现故障A的次数,K台机器中出现故障A的次数总和为:A1+A2+A3+…+AK;由于在历史信号数据库的数据总集{φ}中,每一次故障A出现时均有P个指标被监测,且不同的监测指标设置有不同个数的传感器测量点,振动信号设置有T1个采集振动的传感器,噪声信号设置有T2个采集噪声传感器,第P个指标设置有TP个测量指标P的传感器,则机器1出现全部次数的故障A所获得的数据可构成一个A1×(T1+T2+T3+…+TP)的数据组{δA};历史信号数据库中所有的K台机器出现过故障A的数据构成一个(A1+A2+A3+…+AK)×(T1+T2+T3+…+TP)的数据组总集{ΨA};
按照同样的方法,所有的K台机器出现过故障B的数据构成一个(B1+B2+B3+…+BK)×(T1+T2+T3+…+TP)的数据组总集{ΨB},以此类推,所有K台机器出现过故障N的数据将构成一个(N1+N2+N3+…+NK)×(T1+T2+T3+…+TP)的数据组总集{ΨN};
故障A的数据组总集{ΨA}中包含的K台机器出现故障A时所采集的振动信号的总个数为(A1+A2+A3+…+AK)×T1,所构成的数据集记为{ΨA振};数据组总集{ΨA}中包含的K台机器出现故障A时所采集的噪声信号的总个数为(A1+A2+A3+…+AK)×T2,所构成的数据集记为{ΨA噪};以此类推,数据组总集{ΨA}中包含的K台机器出现故障A时所采集的电力信号的总个数为(A1+A2+A3+…+AK)×TP,所构成的数据集记为{ΨA电};
按照同样的方法依此类推,故障N的数据组总集{ΨN}中包含的K台机器出现故障N时所采集的振动信号的总个数为(N1+N2+N3+…+NK)×T1,所构成的数据集记为{ΨN振};数据组总集{ΨN}中包含的K台机器出现故障N时所采集的电力信号的总个数为(N1+N2+N3+…+NK)×TP,所构成的数据集记为{ΨN电};
S3)建立K台机器全部的故障类别的反向时间序列数据段总集{Ψ总’};
对数据组总集{ΨA}中所有故障A的时间序列数据段在进行数据组合时,按照以故障A出现的时刻为参考点进行数据对齐,并且按照时间轴的反方向构成反向时间序列数据组总集{ΨA’},数据组总集{ΨA’}对应故障类型A,共有(A1+A2+A3+…+AK)×(T1+T2+T3+…+TP)个反向时间序列样本,即:数据组总集{ΨA’}中包含(A1+A2+A3+…+AK)×T1个振动信号反向时间序列样本、(A1+A2+A3+…+AK)×T2个噪声信号反向时间序列样本、(A1+A2+A3+…+AK)×TP个电力信号反向时间序列样本,所构成的反向时间序列数据集分别记为{ΨA振’}、{ΨA噪’}、{ΨA电’},即数据组总集{ΨA’}={{ΨA振’}、{ΨA噪’}、{ΨA电’}};
按照同样的方式,对数据组总集{ΨB}中所有故障B的时间序列数据段进行数据组合时,同样以故障B出现的时刻为参考点进行数据对齐,按照时间轴的反方向构成反向时间序列数据组总集{ΨB’},数据组总集{ΨB’}对应故障类型B,共有(B1+B2+B3+…+BK)×(T1+T2+T3+…+TP)个反向时间序列样本,所构成的反向时间序列数据集分别为{ΨB振’}、{ΨB噪’}、{ΨB电’},即数据组总集{ΨB’}={{ΨB振’}、{ΨB噪’}、{ΨB电’}};
依次类推,数据组总集{ΨN’}对应故障类型N,共有(N1+N2+N3+…+NK)×(T1+T2+T3+…+TP)个反向时间序列样本,即数据组总集{ΨN’}中包含(N1+N2+N3+…+NK)×T1个振动信号反向时间序列样本、(A1+A2+A3+…+AK)×T2个噪声信号反向时间序列样本、(N1+N2+N3+…+NK)×TP个电力信号反向时间序列样本,所构成的反向时间序列数据集分别为{ΨN振’}、{ΨN噪’}、{ΨN电’},即数据组总集{ΨN’}={{ΨN振’}、{ΨN噪’}、{ΨN电’}};
从而建立K台机器全部的故障类别的反向时间序列数据段总集{Ψ总’}={{ΨA’}、{ΨB’}、…、{ΨN’}},并将故障类别总数据集{Ψ总’}存储到故障类别专家系统库中的故障类别数据库中;
S4)建立故障指标数据库;
将所有机器的所有故障中的振动信号反向时间序列数据段进行集合即可得到{Ψ总振’}={{ΨA振’}、{ΨB振’}、…、{ΨN振’}},并将{Ψ总振’}存入故障指标数据库(192)的振动信号数据库中,将所有机器的所有故障中的噪声信号反向时间序列数据段进行集合即可得到{Ψ总噪’}={{ΨA噪’}、{ΨB噪’}、…、{ΨN噪’}},并将{Ψ总噪’}存入故障指标数据库的噪声信号数据库中,依次类推,将所有机器的所有故障中的电力信号反向时间序列数据段进行集合即可得到{Ψ总电’}={{ΨA电’}、{ΨB电’}、…、{ΨN电’}},并将{Ψ总电’}存入故障指标数据库的电力信号数据库中,至此,故障指标数据库建立完毕;故障指标数据库中包含了所有K台旋转机械自从服役到退役整个运行阶段中所有出现过的N类故障的P种检测指标的数据组总集及对应的故障类别标记;
S5)对故障指标数据库的数据进行集成深度学习,建立故障识别深度模型;
运用深度学习模块中的各类深度学习网络模型对故障指标数据库的振动信号、噪声信号、转速信号和电力信号海量大数据集进行迭代学习,并且联合运用自适应集成策略模块中的集成策略生成器,将深度学习模块内的多个有监督和无监督的深度学习算法模型集成在一起做并行数据处理,由于集成策略生成器将每一个深度学习网络模型视为个体学习器,通过每一个个体学习器分别对故障指标数据库中的振动信号数据集、噪声信号数据集、电力信号数据库进行有监督学习,训练网络模型,进行数据的深度挖掘和特征学习,并将特征信息保存在网络模型的连接权值中;训练过程中,随机选取故障指标数据库中的80%的数据作为训练数据,剩余20%的数据作为测试数据,当测试的正确率超过95%时,认为模型训练合格;集成策略生成器根据不同的深度学习模型所预测的准确率,自动生成组合策略,自动选取Boosting法、Bagging法和“随机森林”集成学习方法,为每个模型分配输出权重系数,获得比单一学习模型显著优越的泛化性能和处理效果,训练结束后,将所有的特征训练信息和模型结构的程序存储在深度学习模块的故障识别深度模型中;
S6)建立故障标记数据库;
通过对故障指标数据库的振动信号、噪声信号、转速信号和电力信号海量大数据集进行深度挖掘和特征提取,获得每一类故障所对应的振动特征数据、噪声特征数据、模态特征数据、电力特征数据,并将每一类故障与其对应的包含有P个指标的特征数据集一一对应,进行故障标记,并将全部故障的特征数据集和对应的故障类别标记存储在故障类别专家系统库中的故障标记数据库中;
S7)建立故障级别数据库;
深度学习模块还包含有聚类算法,用于对故障标记数据库中已存储的全部故障的特征数据集进行无监督学习,将每一类故障的特征数据按照严重程度进行聚类,生成多个级别不同的簇,每一簇对应一个故障的显著等级,从而将每一类故障划分为严重、显著、轻微、微小和正常多种级别,并对等级进行标记,最后,将聚类划分的故障等级标签和相应的特征数据一一对应并存储在故障类别专家系统库中的故障级别数据库中;
S8)采集现场数据,进行故障在线诊断和状态监测;
CPU发出指令控制数据采集装置通过检测单元的检测传感器对现场的旋转机械进行信号采集,每一台旋转机械所采集的数据构成一个数据集,多台旋转机械之间的数据集彼此相互独立;故障检测时,每一台旋转机械采集振动、噪声、电力P个指标,每个指标采集不同个数的测量点的信号,每个指标采集的数据均构成一个指标数据组,因此,每台机器现场采集的数据均构成一个包含有P个检测指标的数据组总集记为{T现场},{T现场}={{T振}、{T噪}、…、{T电}};
将现场采集的数据输入到深度学习模块的故障识别深度模型中,已训练好的深度学习模型程序自动对数据组总集{T现场}中的{T振}、{T噪}和{T电}数据进行学习,并且实时得到故障的分类结果;
当前现场采集的柴油机的振动监测信号、噪声监测信号、转速监测信号和电力监测信号数据输入到故障识别深度模型中存储的已训练好的深度学习模型程序中,该程序自动对输入的数据进行学习,通过对输入数据进行特征提取,并与故障类别专家系统库中的故障标记数据库中已存储的全部故障的特征数据集进行特征匹配,对当前采集的数据集提取的特征与故障标记数据库中的对应故障的特征数据匹配后相似度很高,则本发明就会识别出当前设备发生了该故障,并通过扬声器发出故障警报信号,CPU会通过信号收发器将故障警报信息发送至技术人员的控制台或安全监控中心,提醒技术人员及时排查该故障;
若当前采集的数据集的特征数据与故障类别专家系统库中的故障标记数据库中已存储的全部故障的特征数据集匹配均不相似且与正常稳态特征相似,则认为当前状态为正常状态;
若当前采集的数据集的特征数据与故障类别专家系统库中的故障标记数据库中已存储的全部故障的特征数据集匹配均不相似而且与正常稳态特征也不相似,则系统认为机器产生了新的故障,系统自动将当前数据段特征识别为新的故障,并进行新故障类别标记,同时系统自动将该新故障特征数据和标记值更新到故障类别专家系统库中的故障标记数据库中;特征匹配相似度的门限值设置为90%,超过门限值则认为是相似,低于门限值则认为是不相似,相似度门限值人们还可以选择由深度学习模块的算法自动设定;
S9)判定当前工作状态并输出故障的显著程度等级;
故障识别深度模型中已训练好的深度学习模型程序对现场采集的数据诊断出故障类型后,系统将自动运用深度学习模块中的聚类算法进一步对该故障的特征数据进行特征提取,将该故障的特征与故障类别专家系统库中的故障级别数据库中对应该故障的级别进行匹配,最终输出该故障的显著程度等级,并在显示器和扩展屏上输出当前故障的等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810447212.2A CN108681747B (zh) | 2018-05-11 | 2018-05-11 | 基于深度学习的旋转机械故障诊断与状态监测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810447212.2A CN108681747B (zh) | 2018-05-11 | 2018-05-11 | 基于深度学习的旋转机械故障诊断与状态监测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108681747A CN108681747A (zh) | 2018-10-19 |
CN108681747B true CN108681747B (zh) | 2021-05-04 |
Family
ID=63806179
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810447212.2A Active CN108681747B (zh) | 2018-05-11 | 2018-05-11 | 基于深度学习的旋转机械故障诊断与状态监测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108681747B (zh) |
Families Citing this family (46)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110297178A (zh) * | 2018-05-11 | 2019-10-01 | 宫文峰 | 基于深度学习的柴油发电机组故障诊断与检测装置及方法 |
CN109547248A (zh) * | 2018-11-20 | 2019-03-29 | 上海航天测控通信研究所 | 基于人工智能的在轨飞行器自组网故障诊断方法及装置 |
CN109634790B (zh) * | 2018-11-22 | 2020-07-10 | 华中科技大学 | 一种基于循环神经网络的磁盘故障预测方法 |
CN111221247A (zh) * | 2018-11-23 | 2020-06-02 | 西门子股份公司 | 用于故障诊断的方法及系统、模型的训练方法以及介质 |
KR20200075133A (ko) * | 2018-12-12 | 2020-06-26 | 현대자동차주식회사 | 빅데이터 정보 기반 문제소음 발생원 진단 방법 및 장치 |
CN109635008B (zh) * | 2018-12-21 | 2020-11-24 | 成都航天科工大数据研究院有限公司 | 一种基于机器学习的设备故障检测方法 |
CN111453619B (zh) * | 2019-01-18 | 2023-01-17 | 上海海事大学 | 一种自适应的岸桥运行机构智能监测与状态评估系统 |
CN109781399A (zh) * | 2019-02-27 | 2019-05-21 | 天津大学 | 一种基于神经网络的风冷式制冷机组传感器故障诊断方法 |
CN110033102A (zh) * | 2019-03-21 | 2019-07-19 | 华能澜沧江水电股份有限公司 | 一种巨型水电厂具有学习功能的智能诊断方法及专家系统 |
CN110018322B (zh) * | 2019-04-18 | 2022-03-04 | 北京先见智控科技有限公司 | 一种基于深度学习的转速检测方法及系统 |
CN110097134B (zh) * | 2019-05-08 | 2021-03-09 | 合肥工业大学 | 一种基于时间序列的机械故障早期诊断方法 |
CN110160813A (zh) * | 2019-05-22 | 2019-08-23 | 湃方科技(北京)有限责任公司 | 旋转设备状态监测方法及装置 |
CN110119787B (zh) * | 2019-05-23 | 2021-07-20 | 湃方科技(北京)有限责任公司 | 一种旋转型机械设备工况检测方法及设备 |
CN112016180B (zh) * | 2019-05-28 | 2023-12-15 | 浙江德盛铁路器材股份有限公司 | 一种铁路轨道基础装备质量状况分析方法 |
CN110490218B (zh) * | 2019-06-10 | 2022-11-29 | 内蒙古工业大学 | 一种基于两级dbn的滚动轴承故障自学习方法 |
CN110118582B (zh) * | 2019-06-12 | 2022-03-25 | 北京博识创智科技发展有限公司 | 一种旋转机械设备故障诊断方法及系统 |
CN110765831B (zh) * | 2019-06-13 | 2020-09-22 | 深圳市思拓通信系统有限公司 | 一种基于特种车的驾驶员信息识别系统 |
CN112093606A (zh) * | 2019-06-17 | 2020-12-18 | 上海技防电子技术有限公司 | 一种基于传感器的电梯运行状态监控系统及方法 |
CN110263846B (zh) * | 2019-06-18 | 2021-12-28 | 华北电力大学 | 基于故障数据深度挖掘及学习的故障诊断方法 |
CN110307983B (zh) * | 2019-06-19 | 2021-01-26 | 电子科技大学 | 基于CNN-Bagging的无人机轴承故障诊断方法 |
CN110274762A (zh) * | 2019-07-16 | 2019-09-24 | 贵州北盘江电力股份有限公司董箐分公司 | 一种基于大数据的水轮机导轴承故障诊断系统 |
CN110398264A (zh) * | 2019-07-31 | 2019-11-01 | 联想(北京)有限公司 | 一种设备状态监测方法及系统 |
CN110516723B (zh) * | 2019-08-15 | 2023-04-07 | 天津师范大学 | 一种基于深度张量融合的多模态地基云图识别方法 |
CN110470383A (zh) * | 2019-09-18 | 2019-11-19 | 李桦楠 | 一种基于声波监测和机器学习的机械构件运行状态的检测方法 |
CN112067294A (zh) * | 2019-09-20 | 2020-12-11 | 宫文峰 | 基于深度学习的滚动轴承智能故障诊断方法 |
CN112067916A (zh) * | 2019-09-20 | 2020-12-11 | 武汉理工大学 | 基于深度学习的时间序列数据智能故障诊断方法 |
CN114402521A (zh) * | 2019-09-27 | 2022-04-26 | 文雅能源公司 | 自发电式传感器、包括其的监视系统 |
CN111076809B (zh) * | 2019-12-31 | 2021-08-31 | 四川长虹电器股份有限公司 | 基于卷积神经网络的设备异常声音识别方法及系统 |
CN111325095B (zh) * | 2020-01-19 | 2024-01-30 | 西安科技大学 | 基于声波信号的设备健康状态智能检测方法和系统 |
CN111275938A (zh) * | 2020-01-20 | 2020-06-12 | 广州普瑞电力控制系统设备有限公司 | 一种基于辅机设备的预警方法、装置、设备及存储介质 |
EP4110431A4 (en) * | 2020-02-27 | 2023-08-02 | Siemens Healthcare Diagnostics Inc. | AUTOMATIC VALIDATION OF SENSOR TRACKS USING MACHINE LEARNING |
CN111583176B (zh) * | 2020-03-31 | 2023-09-15 | 北京全路通信信号研究设计院集团有限公司 | 一种基于图像的防雷模拟盘元件故障检测方法及系统 |
CN113530921A (zh) * | 2020-04-14 | 2021-10-22 | 湖州职业技术学院 | 基于es-mlstm的液压机故障诊断方法 |
CN111609883B (zh) * | 2020-05-20 | 2021-03-30 | 山东联信征信管理有限公司 | 一种基于大数据的通信机房防护监测管理系统 |
CN112116225A (zh) * | 2020-09-07 | 2020-12-22 | 中国人民解放军63921部队 | 装备系统的作战效能评估方法、装置和存储介质 |
CN112286088A (zh) * | 2020-09-25 | 2021-01-29 | 广东邮电职业技术学院 | 一种动力设备故障预测模型在线应用的方法及应用系统 |
CN112241609A (zh) * | 2020-10-15 | 2021-01-19 | 吉林大学 | 柴油机NOx排放实时估计系统 |
CN112395968B (zh) * | 2020-11-11 | 2021-08-27 | 北京京航计算通讯研究所 | 基于神经网络的机械旋转部件故障诊断方法及装置 |
CN112560327B (zh) * | 2020-11-13 | 2024-03-12 | 盐城工学院 | 一种基于深度梯度下降森林的轴承剩余寿命预测方法 |
CN113158722A (zh) * | 2020-12-24 | 2021-07-23 | 哈尔滨理工大学 | 基于多尺度深度神经网络的旋转机械故障诊断方法 |
CN112529112B (zh) * | 2020-12-29 | 2021-10-08 | 中国地质科学院地质力学研究所 | 一种矿物识别的方法和装置 |
CN112926641B (zh) * | 2021-02-22 | 2022-05-17 | 山东大学 | 基于多模态数据的三阶段特征融合旋转机械故障诊断方法 |
CN113012823A (zh) * | 2021-03-30 | 2021-06-22 | 海口讯婕城医疗科技有限公司 | 一种用于心电图机的云平台系统 |
CN113125135A (zh) * | 2021-03-31 | 2021-07-16 | 中石化石油工程技术服务有限公司 | 旋转机械的故障诊断方法、存储介质及电子设备 |
CN113435759B (zh) * | 2021-07-01 | 2023-07-04 | 贵州电网有限责任公司 | 一种基于深度学习的一次设备风险智能评估方法 |
CN114932582B (zh) * | 2022-06-16 | 2024-01-23 | 上海交通大学 | 一种基于Bi-GRU自编码器的机器人小概率失效预测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101859128A (zh) * | 2010-07-05 | 2010-10-13 | 北京信息科技大学 | 一种基于知识的车铣复合机床故障预测专家系统 |
CN102208028A (zh) * | 2011-05-31 | 2011-10-05 | 北京航空航天大学 | 一种适用于动态复杂系统的故障预测和诊断方法 |
CN205333318U (zh) * | 2016-01-15 | 2016-06-22 | 山东科技大学 | 船舶柴油发动机故障预测保护系统 |
CN106021062A (zh) * | 2016-05-06 | 2016-10-12 | 广东电网有限责任公司珠海供电局 | 关联故障的预测方法和系统 |
CN106248368A (zh) * | 2016-09-21 | 2016-12-21 | 哈尔滨工程大学 | 一种基于深度学习的燃机涡轮叶片故障检测方法 |
CN106408088A (zh) * | 2016-11-22 | 2017-02-15 | 北京六合智汇技术有限责任公司 | 一种基于深度学习理论的旋转机械设备故障诊断方法 |
CN106991502A (zh) * | 2017-04-27 | 2017-07-28 | 深圳大数点科技有限公司 | 一种设备故障预测系统和方法 |
CN107631867A (zh) * | 2017-09-07 | 2018-01-26 | 天津工业大学 | 一种基于深度学习的旋转机械故障智能分类方法 |
-
2018
- 2018-05-11 CN CN201810447212.2A patent/CN108681747B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101859128A (zh) * | 2010-07-05 | 2010-10-13 | 北京信息科技大学 | 一种基于知识的车铣复合机床故障预测专家系统 |
CN102208028A (zh) * | 2011-05-31 | 2011-10-05 | 北京航空航天大学 | 一种适用于动态复杂系统的故障预测和诊断方法 |
CN205333318U (zh) * | 2016-01-15 | 2016-06-22 | 山东科技大学 | 船舶柴油发动机故障预测保护系统 |
CN106021062A (zh) * | 2016-05-06 | 2016-10-12 | 广东电网有限责任公司珠海供电局 | 关联故障的预测方法和系统 |
CN106248368A (zh) * | 2016-09-21 | 2016-12-21 | 哈尔滨工程大学 | 一种基于深度学习的燃机涡轮叶片故障检测方法 |
CN106408088A (zh) * | 2016-11-22 | 2017-02-15 | 北京六合智汇技术有限责任公司 | 一种基于深度学习理论的旋转机械设备故障诊断方法 |
CN106991502A (zh) * | 2017-04-27 | 2017-07-28 | 深圳大数点科技有限公司 | 一种设备故障预测系统和方法 |
CN107631867A (zh) * | 2017-09-07 | 2018-01-26 | 天津工业大学 | 一种基于深度学习的旋转机械故障智能分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108681747A (zh) | 2018-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108681747B (zh) | 基于深度学习的旋转机械故障诊断与状态监测系统及方法 | |
CN108520080B (zh) | 船舶柴油发电机故障预测与健康状态在线评估系统及方法 | |
CN110297178A (zh) | 基于深度学习的柴油发电机组故障诊断与检测装置及方法 | |
CN110297179A (zh) | 基于集成深度学习的柴油发电机故障预测与监测系统装置 | |
EP2478423A1 (en) | Supervised fault learning using rule-generated samples for machine condition monitoring | |
CN107271170A (zh) | 一种机械设备故障类型的自动诊断方法及系统 | |
CN113339204B (zh) | 一种基于混合神经网络的风力发电机故障识别方法 | |
CN106441896A (zh) | 滚动轴承故障模式识别及状态监测的特征向量提取方法 | |
KR102368396B1 (ko) | K-평균 군집화 알고리즘을 이용한 주기변동 랜덤신호의 정렬방법 및 이를 이용한 내연기관의 이상진단 시스템 및 방법 | |
CN112947368B (zh) | 基于数字孪生和迁移学习的三相异步电动机故障诊断装置 | |
CN110008898A (zh) | 基于符号和卷积神经网络的工业设备数据边缘处理方法 | |
CN102707713B (zh) | 汽车安全气囊装配工序的故障诊断系统及其诊断方法 | |
CN108830335A (zh) | 光伏电站故障预警方法及系统 | |
CN111273125A (zh) | 基于rst-cnn的电力电缆沟道故障诊断方法 | |
CN115859077A (zh) | 一种变工况下多特征融合的电机小样本故障诊断方法 | |
CN113177646A (zh) | 一种基于自适应边缘代理的配电设备在线监测方法及系统 | |
CN116880454A (zh) | 车辆故障智能诊断系统与方法 | |
CN115758083A (zh) | 一种基于时域和时频域融合的电机轴承故障诊断方法 | |
CN116428124A (zh) | 一种基于同型号设备数量较多的故障诊断方法 | |
CN115524002A (zh) | 一种电厂旋转设备的运行状态预警方法、系统及存储介质 | |
CN108377209A (zh) | 基于scada的设备故障检测系统和检测方法 | |
CN114781547A (zh) | 一种化工设备状态监测与故障诊断方法及系统 | |
CN114154779A (zh) | 一种基于emd-som的健康评估与故障诊断方法及系统 | |
CN113790890A (zh) | 基于小波包分解权值模糊熵与elm的轴承故障分类方法及装置 | |
CN110160781B (zh) | 一种旋转机械故障分类的测试集重构和预测方法 |
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 |