CN109670595A - 一种设备故障诊断方法 - Google Patents
一种设备故障诊断方法 Download PDFInfo
- Publication number
- CN109670595A CN109670595A CN201910160658.1A CN201910160658A CN109670595A CN 109670595 A CN109670595 A CN 109670595A CN 201910160658 A CN201910160658 A CN 201910160658A CN 109670595 A CN109670595 A CN 109670595A
- Authority
- CN
- China
- Prior art keywords
- sample
- fault diagnosis
- neural network
- fault
- data
- 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.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000009826 distribution Methods 0.000 claims abstract description 10
- 238000011946 reduction process Methods 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims abstract description 7
- 238000003860 storage Methods 0.000 claims abstract description 7
- 238000011017 operating method Methods 0.000 claims abstract description 6
- 230000006698 induction Effects 0.000 claims abstract description 5
- 238000003062 neural network model Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 23
- 238000005259 measurement Methods 0.000 claims description 15
- 210000002569 neuron Anatomy 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000013139 quantization Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 4
- 230000000153 supplemental effect Effects 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 241001269238 Data Species 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000007418 data mining Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 239000003921 oil Substances 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000002828 fuel tank Substances 0.000 description 1
- 239000010720 hydraulic oil Substances 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种设备故障诊断方法，包括步骤1：故障诊断训练步骤：根据领域知识归纳总结出用于故障识别的基础学习样本；利用输入参数数据的正态分布规律，扩充基础学习样本；根据输入与输出数量，建立神经网络诊断模型，利用已扩充完备的学习样本训练神经网络诊断模型，存储生成故障模式知识库。步骤2：故障诊断运行步骤：故障诊断运行步骤：从实时数据库中获取异常样本信息数据，经滤波降噪处理后，进一步模糊预处理，进入已训练好的神经网络模型中进行计算，输出最终故障诊断结果。解决了现有设备故障诊断中，存在耗时、费力、低效、经济效益不佳的技术问题。
Description
技术领域
本发明涉及故障诊断技术领域，具体涉及一种设备故障诊断方法。
背景技术
近些年来，随着生产的发展和科学的进步，设备结构越来越复杂，自动化程度也越来越高，不同部位之间的作用相互牵扯，耦合性越来越强，设备故障越来越呈现非线性、多样性与不确定性。通过拆卸、解体设备的途径，即费时费力，诊断效果往往不理想，且容易导致设备二次损坏。
通过安装监控传感器装置来实时读取设备重要部位的状态，以观察设备相关参数的运行趋势对照指标阈值的这种方法简单直观可靠性强，目前普及比较广泛。但是这种方法的效率依然受限于设备维护人员的工作经验能力以及精力，经验欠缺的人员对设备突显的复杂未知状况处理较为有心无力。
人工神经网络(Artificial Neural Network，即ANN)，是20世纪80年代以来人工智能领域兴起的研究热点。它从信息处理角度对人脑神经元网络进行抽象，建立某种简单模型，按不同的连接方式组成不同的网络。在工程与学术界也常直接简称为神经网络或类神经网络。
与专家系统相比，基于人工神经网络的故障诊断方法具有鲁棒性好、容错能力强和学习能力强等特点，避免了专家系统故障诊断所面临的知识库构造等难题，不需要推理机的构造。神经网络最大特点是在大样本量的情况下可无限非线性逼近原始数据模型，神经网络故障诊断方法的性能取决于样本是否完备。然而，工业实际中，设备监测系统每天都可采集到大量的数据，但基本都属于设备正常工况下的数据，各种不同故障工况数据极其缺乏，样本缺乏代表性，诊断模型无法实现全面、系统的训练，导致诊断精度差、诊断结果可靠性低等问题。
发明内容
本发明提供了一种设备故障诊断方法，解决了现有设备故障诊断中，存在耗时、费力、低效、经济效益不佳的技术问题。本发明的技术方案是，一种设备故障诊断方法，按照以下步骤实施：
步骤1：故障诊断训练步骤：根据领域知识归纳总结出用于故障识别的基础学习样本；利用输入参数数据的正态分布规律，扩充基础学习样本；根据输入与输出数量，建立神经网络诊断模型，利用已扩充完备的学习样本训练神经网络诊断模型，存储生成故障模式知识库；
步骤2：故障诊断运行步骤：故障诊断运行步骤：从实时数据库中获取异常样本信息数据，经滤波降噪处理后，进一步模糊预处理，进入已训练好的神经网络模型中进行计算，输出最终故障诊断结果；
其中，所述步骤1的具体步骤为：
(1.1)根据领域知识归纳总结出用于故障识别的基础学习样本；
(1.2)按照表1区间与样本数量的正态分布约束关系，随机生成每种故障工况样本数量为N的学习样本数据，扩充基础学习样本，形成完备的学习样本。表中，μ为正常工况下输入样本的均值，σ为正常工况下输入样本的均方差；表征正常工况下各测量参数样本均方差与样本均值的比值，即[]表示对计算结果取整。
表1样本数量与样本区间的关系
(1.3)将影响因素作为神经网络的输入，故障类别作为神经网络的输出，隐含层单元数则根据输入层与输出层的数量利用经验公式与试算进行确定，建立神经网络故障诊断结构模型；
(1.4)利用已扩充完备的学习样本训练神经网络诊断模型，存储生成故障模式知识库。
进一步地，所述步骤2的具体步骤为：
(2.1)从实时数据库中获取异常样本信息数据；
(2.2)对异常样本信息数据进行滑动平均滤波降噪处理；
(2.3)对滤波后的数据进行模糊量化预处理转化为模糊数据；其中，状态变量域低的转换采用降半梯形分布的模糊隶属函数，并确定权值系数为0.1；状态变量域正常的转换都采用梯形分布的隶属函数，并确定权值系数为0.5；状态变量域高的转换采用升半梯形分布的隶属函数，并确定权值系数为0.9。
(2.4)运用已训练好的神经网络对模糊预处理后的数据进行数值计算，得到输出层各神经元的输出。
(2.5)根据神经网络输出层各神经元的输出；判断故障类型。
本发明的有益效果在于：通过领域知识归纳提取出基础学习样本，并利用数据正态分布规律将其扩充成完备学习样本集，对神经网络故障诊断模型进行训练；解决了人工智能诊断过程中诊断模型无法实现全面、系统的训练，导致诊断精度差、诊断结果可靠性低等问题；同时利用设备监测系统每天产生的大量数据，挖掘出诊断推理所需要的相关知识，充分利用了监测数据，降低了数据采集成本。该方案具有强大的学习能力和数据的直接处理能力；既具有较强的结构知识表达能力、自然语言处理能力，又具有很强的容错能力；保证诊断的有效性和准确性；维修人员无需掌握较深的相关专业基本理论及工作原理，也无需经过大量的拆装、检查、验证工作，避免了检测过程的盲目性与繁琐性，解决了诊断耗时、费力、低效、经济效益不佳的问题。
附图说明
图1本发明实施例的故障诊断模型流程图；
图2本发明实施例的设备液压系统工作原理图；
图3本发明实施例的模糊隶属函数；
图4本发明实施例的测量参数z的区间置信概率；
图5本发明实施例的神经网络故障分类模型。
具体实施方式
以下对本发明的实施例作进一步详细描述，但本实施例并不用于限制本发明，凡是采用本发明的相似结构及其相似变化，均应列入本发明的保护范围。
一种设备故障诊断方法，依次包括如下步骤：
步骤1：故障诊断训练步骤：
(1.1)总结基础学习样本：根据领域知识归纳总结出用于故障识别的基础学习样本；
(1.2)扩充基础学习样本：按照表1区间与样本数量的正态分布约束关系，随机生成每种故障工况样本数量为N的学习样本数据，扩充基础学习样本，形成完备的学习样本；表中，μ为正常工况下输入样本的均值，σ为正常工况下输入样本的均方差；表征正常工况下各测量参数样本均方差与样本均值的比值，即表中，[]表示对计算结果取整；
表1样本数量与样本区间的关系
(1.3)根据输入与输出数量，建立故障诊断结构模型：将影响因素作为神经网络的输入，故障类别作为神经网络的输出，隐含层单元数则根据输入层与输出层的数量利用经验公式与试算进行确定，建立神经网络故障诊断结构模型；
(1.4)存储生成故障模式知识库：利用已扩充完备的学习样本训练神经网络诊断模型，存储生成故障模式知识库。
步骤2：故障诊断运行步骤：
(2.1)从实时数据库中获取异常样本信息数据；
(2.2)滤波降噪处理：对异常样本信息数据进行滑动平均滤波降噪处理；
(2.3)模糊预处理：对滤波后的数据进行模糊量化预处理转化为模糊数据；其中，状态变量域低的转换采用降半梯形分布的模糊隶属函数，并确定权值系数为0.1；状态变量域正常的转换都采用梯形分布的隶属函数，并确定权值系数为0.5；状态变量域高的转换采用升半梯形分布的隶属函数，并确定权值系数为0.9；
(2.4)已训练好的神经网络模型中计算：运用已训练好的神经网络对模糊预处理后的数据进行数值计算，得到输出层各神经元的输出；
(2.5)输出最终故障诊断结果：根据神经网络输出层各神经元的输出；判断故障类型。
如图1所示为本发明实施例的故障诊断模型流程图。
实施例：
本发明以某设备液压系统为研究对象，如图2所示，为本发明实施例的设备液压系统工作原理图，其中标记1为油箱，标记2为滤油器，标记3为变量泵，标记4为背压阀，标记5为中心回转接头，标记6为溢流阀，标记7为减压阀，标记8和9为先导电液比例减压阀，标记10为减压阀，标记11为二通电磁阀，标记12为换向阀，标记13为平衡阀，标记14为卷扬马达，标记15为双作用制动液压缸，标记16为联轴器，标记17为减速器，标记18为卷筒。当系统处于起升工况，先导液压油通过减压阀7、比例减压阀9和换向阀12右端，推动换向阀12的阀芯向左运动，使换向阀12处于右位工作。然后主油路的压力油流通过换向阀12，平衡阀13，和马达14的起升端口，使卷扬马达14转动，通过减速器17带动滚筒18实现重物的提升，当换向阀12处于中间位置，制动缸15的活塞在弹簧的作用下，停刹马达14，重物14停止移动。
一、故障诊断训练阶段
1、基于知识归纳的基本学习样本提取
本实施例以“系统无法起升或起升太慢”故障为例，介绍应用知识归纳方法提取基本学习样本。造成该故障的原因有许多，若出现该故障时马达升口压力过大，则其可能原因有：R1：卷扬马达卡死；R2：减速器故障；R3：制动器卡死；R4：制动减压阀故障；R5：制动电磁阀故障；R6：制动缸活塞磨损；R7：平衡阀故障；R8：换向阀堵塞；R9：背压阀故障。
本发明做了如下定义以便表述相关参数:Pm-a表示马达升口压力；Pm-d表示马达下降口压力；Pd表示制动缸控口压力；Pd的压力波动情况采用其均方差δPd来表征。定义六种故障模式如下:F1{fault-free state},F2{R1or R2},F3{R3},F4{R4or R5},F5{R6},F6{R7orR8orR9}。结合液压传动原理知识，归纳出如下知识：
(1)正常工况下，马达不会出现憋压，然而上述9个最小割集的任一一个发生均出现憋压。
(2)F2与F6不会影响Pd，F3则会使Pd高出正常范围值，F4orF5则会使Pd低于正常范围值。
(3)F1,F2，F6对Pd的压力波动δPd的影响相同，并低于F3orF5对δPd的影响，高于F4对δPd的影响。
(4)F6会影响Pm-d高出正常范围值，其它故障模式则不会。
(5)x1取值0.1、0.5、0.9分别表示马达升口压力Pm-a过低、正常、过高；x2取值0.1、0.5、0.9分别表示制动缸控口压力Pd过低、正常、过高；x3取值0.1、0.5、0.9分别表示制动缸控口压力均方差δPd过低、正常、过高；x4取值0.1、0.5、0.9分别表示马达降口压力Pm-d过低、正常、过高。
(6)上面提到的x1、x2、x3和x4，作为学习样本的输入参数。六种失效模式(F1,F2,F3,F4,F5,F6)编码为(y1,y2,y3,y4,y5,y6)，作为学习样本的输出参数。
根据上述知识归纳可知，上述6种故障模式可被区分识别，6条基础学习样本被提取，如表1所示。
表1.基本学习样本
2、学习样本扩充
学习样本中的输入参数x是由测量参数z先后经滑动平移滤波处理与模糊预处理得到的。假定测量参数经滑动平移滤波处理后变为参数u，参数u经过模糊预处理得到输入参数x。这里，增加模糊预处理过程，主要是为了更有效地反映液压系统故障的渐进过程。本发明应用的模糊隶属函数如图3所示。其中，状态变量域低的转换采用降半梯形分布的隶属函数，并确定权值系数为0.1。状态变量域正常的转换都采用梯形分布的隶属函数，并确定权值系数为0.5。状态变量域高的转换采用升半梯形分布的隶属函数，并确定权值系数为0.9。两状态间的数据通过权值系数利用各隶属函数的加权平均的方法转换成模糊数据,最终形成的模糊预处理函数表达式如式公(1)所示。
式中,常数a,b,c,d的值由公式(2)确定。
式中,μ是输入变量的样本均值,σ是输入变量的样本均方差，如公式(3)所示。
式中,ui是第i个正常工况样本,n是样本数量.
为了获得足够数量的学习样本，提出一种在表1基础学习样本与测量数据分布规律的学习样本扩充方法。
根据误差理论，测量数据服从正态分布，测量参数z在(μ-σ,μ+σ)概率为68.3％,在(μ-2σ,μ+2σ)中的概率为95.4％,在(μ-3σ,μ+3σ)的概率是99.7％,如图4所示。
假定每种故障模式下有N组学习样本，则样本数量N与区间m的关系如表2所示。
表2样本数量N与区间m的关系
不同测量参数的样本均值与样本标准差是不相同的,定义用于表征各测量参数的样本标准差与样本均值的比值，
为了获得各测量参数的样本均值与样本标准差，测得无故障条件下的空载、5吨、10吨、30吨、50吨等5种典型负载工况的测量参数数据，获得各测量参数在5种负载工况下的样本标准差与样本均值的比值，并将其平均值作为如表3所示。
表3样本标准差与样本均值的比值
结合表1，按照上述规律，构造出学习样本的生成区间与对应的样本数量，如表4所示。将同一故障模式下各输入参数随机生成的100组数据随机组合，形成每种故障模式100组样本数据。六种故障故障模式共形成600组样本数据。
表4学习样本的扩展
3、故障分类模型
鉴于神经网络可逼近任意非线性映射的特点，因此利用神经网络训练建立了故障分类的数据挖掘模型。该程序是以(x1,x2,x3,x4)作为输入数据(y1,y2,y3,y4,y5,y6)作为输出数据，所以输入层节点数为4；输出层的节点数为6。在隐含层神经元个数为H，根据经验确定为8。因此，神经网络结构与4-8-6作为数据挖掘模型，如图5所示。
4、神经网络的训练
故障分类知识是通过神经网络的训练获得的。在这里，在隐藏层的神经元是对数S型函数，输出层的神经元采用纯线性变换函数purelin。将上文根据提取到的学习样本，各状态下随机抽取70组数据作为训练样本集，将各状态下剩余的30组数据作为故障分类集。应用Levenberg-Marquardt算法对神经网络模型进行训练。当最小均方误差小于0.001或最大迭代次数到达时，完成网络训练。运行该算法，结果如表5所示。
从表5中，可以看到，训练误差为7.322e-4。换句话说，网络获得了较高的训练精度。各故障模式的故障识别率均大于90％，平均故障识别率达94％。总之，故障分类模型具有良好的学习能力和泛化能力。
表5基于学习样本的神经网络训练与识别结果
二、故障诊断运行阶段
1、实验测试硬件平台
实验测试硬件平台主要由测试对象、传感器、CAN总线、下位机及上位机等组成。其中，测试系统上位机采用一台PC机，下位机选用基于虚拟仪器技术的NI高性能PXI测试系统，该系统内插上PXIe-8106处理器以及多功能数据采集卡。实验信号采集传感器包括用于采集制动缸控口压力的量程6MPa压力传感器1个和用于采集马达升口或降口压力的量程60MPa压力传感器2个,销轴传感器。为了保证实验中的测量精度和可靠性，压力传感器选用工程机械液压系统专用高性能压力传感器：量程为6MPa、60MPa，精度为±0.5％，输出为4-20mA的模拟电流信号。
2、数据采集
由于不同负载下，马达升口压力的正常工作范围是不一样的，相应地，模糊预处理过程中，常数a,b,c,d的值也是不同的。因此实验时需要考虑不同负载工况测取马达升口压力、马达降口压力及制动缸控口压力。这里考虑空载、5吨起重量、10吨起重量、30吨起重量、50吨起重量等5种典型负载工况，其它吨位工况下马达升口压力的隶属函数参数值可通过插值得到。
数据采集软件平台主要应用NI公司的LabVIEW图形化编程工具进行开发。
3、滤波降噪处理
为了降低各种干扰的影响，对采样数据(包括)进行如下方法进行滤波处理：首先任意截取系统进入稳态后1006个连续采样点原始数据，然后选取7个连续数据进行比较，去掉其中最大值和最小值，对余下5个数据进行滑动平均处理，最后得到1000个经过滤波处理的数据。
4、模糊预处理
对滤波处理后的数据应用公式(2)～(3)，便可挖掘出模糊预处理所需的知识，即各输入变量的模糊预处理参数a、b、c、d的值.
如前所述，不同负载下Pm-a变量常数模糊隶属函数的a,b,c,d值是不同的。因此，挖掘出Pm-a在上述5种测试负载工况下的模糊预处理知识，如表6所示，其它负载下Pm-a的模糊预处理知识通过插值得到。
表6.Pm-a模糊预处理知识
Pd变量的隶属函数参数a,b,c,d值不会随负载而变化。因此，通过使用公式(2)、(3)，挖掘出Pd在所有负载工况下的模糊预处理知识为：{a，b，c，d|制动缸压力(bar)}＝{35.9876，36.2183，36.6797，36.9104}。同理，可得到δPd在所有负载工况下的模糊预处理知识：{a,b,c,d|δPd}＝{0.0317,0.0654,0.1327,0.1664}。{a，b，c，d|马达下降端口压力(bar)}＝{3.7157,4.4807,6.0108,6.7758}。
5、故障诊断与结果分析
在完成了故障分类知识挖掘与模糊预处理知识挖掘之后，运用这些知识进行故障诊断。首先，将现场实测数据进行滤波处理。其次，运用所挖掘出的模糊知识对滤波后的数据进行模糊量化预处理转化为模糊数据。接着，运用挖掘出的故障分类知识建立好的神经网络对这些模糊数据进行数值计算，得到输出层各神经元的输出Yj(j＝1，2...，6)。{295.3263,36.0106,0.0352,4.2970|Pm-a(bar),Pd(bar),δPd,Pm-b(bar)}是一组经过滤波处理后的马达起升端口压力、制动缸控制端口压力及均方差数据。将该组数据经模糊化后，各输入变量对各自论域的隶属度为(0.900，0.100，0.155,0.535)，经过网络计算得到输出为：(-0.0030,0.0342,-0.0083,0.9611,0.0222,-0.0211)，按上述判别原则可判断该故障对应的故障模式为F4，即减压阀故障或电磁阀故障。实际状况是二通电磁阀断接。诊断结果与实际状况一致。
获得这一方法的进一步验证，随机抽取如下样本，如测试样品号2,5,8,13,16,22,36,55，作为测试样本的测试网络，测试结果见表5。
从表5可看出，神经网络实际输出和期望输出结果是相一致的。测试样本最大误差为0.098。最大误差表示网络诊断的准确率。结果表明，利用该设备的网络运行状态进行故障诊断是可行的，对该设备常见故障的诊断是准确的。
表5测试样本诊断结果
三、结论
1、研究实例表明，本发明的设备诊断方法只需利用压力传感器检测马达和制动缸的状态，然后通过数据挖掘可以诊断出六种故障模式，避免了使用流量传感器的缺点。
2、本发明的设备诊断方法能很有效地运用知识归纳提取学习样本，并利用神经网络挖掘故障分类知识，利用模糊逻辑更有效地反映故障的渐进变化过程。
3、本发明的设备诊断方法可以应用于设备液压系统的故障诊断。建立的故障诊断模型可以准确地定位故障，并有助于实时和有效的故障排除。
上述实施例仅是较为优选的实施方式，凡是采用本发明方法或进行常规的等同替换、修饰等均属于本发明保护范围。
Claims (3)
1.一种设备故障诊断方法，其特征在于，依次包括如下步骤：
步骤1：故障诊断训练步骤：总结基础学习样本；扩充基础学习样本；根据输入与输出数量，建立故障诊断结构模型，存储生成故障模式知识库；
步骤2：故障诊断运行步骤：从实时数据库中获取异常样本信息数据，经滤波降噪处理后，进一步模糊预处理，进入已训练好的神经网络模型中进行计算，输出最终故障诊断结果。
2.根据权利要求1所述的一种设备故障诊断方法，其特征在于，所述步骤1的具体步骤为：
(1.1)根据领域知识归纳总结出用于故障识别的基础学习样本；
(1.2)按照表1区间与样本数量的正态分布约束关系，随机生成每种故障工况样本数量为N的学习样本数据，扩充基础学习样本，形成完备的学习样本；表中，μ为正常工况下输入样本的均值，σ为正常工况下输入样本的均方差；表征正常工况下各测量参数样本均方差与样本均值的比值，即表中，[]表示对计算结果取整；
表1 样本数量与样本区间的关系
(1.3)将影响因素作为神经网络的输入，故障类别作为神经网络的输出，隐含层单元数则根据输入层与输出层的数量利用经验公式与试算进行确定，建立神经网络故障诊断结构模型；
(1.4)利用已扩充完备的学习样本训练神经网络诊断模型，存储生成故障模式知识库。
3.根据权利要求1所述的一种设备故障诊断方法，其特征在于，所述步骤2的具体步骤为：
(2.1)从实时数据库中获取异常样本信息数据；
(2.2)对异常样本信息数据进行滑动平均滤波降噪处理；
(2.3)对滤波后的数据进行模糊量化预处理转化为模糊数据；其中，状态变量域低的转换采用降半梯形分布的模糊隶属函数，并确定权值系数为0.1；状态变量域正常的转换都采用梯形分布的隶属函数，并确定权值系数为0.5；状态变量域高的转换采用升半梯形分布的隶属函数，并确定权值系数为0.9；
(2.4)运用已训练好的神经网络对模糊预处理后的数据进行数值计算，得到输出层各神经元的输出；
(2.5)根据神经网络输出层各神经元的输出；判断故障类型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910160658.1A CN109670595A (zh) | 2019-03-04 | 2019-03-04 | 一种设备故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910160658.1A CN109670595A (zh) | 2019-03-04 | 2019-03-04 | 一种设备故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109670595A true CN109670595A (zh) | 2019-04-23 |
Family
ID=66151823
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910160658.1A Pending CN109670595A (zh) | 2019-03-04 | 2019-03-04 | 一种设备故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109670595A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020244262A1 (zh) * | 2019-06-05 | 2020-12-10 | 厦门邑通软件科技有限公司 | 一种基于事件图谱技术的设备故障智能监控方法 |
| CN112232370A (zh) * | 2020-09-16 | 2021-01-15 | 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） | 发动机的故障分析预测方法 |
| CN112465806A (zh) * | 2020-12-11 | 2021-03-09 | 哈尔滨市科佳通用机电股份有限公司 | 基于改进PVANet的停放制动缸排气堵丢失检测方法 |
| CN112478194A (zh) * | 2020-11-17 | 2021-03-12 | 西安飞机工业（集团）有限责任公司 | 一种飞机起落架液压收放系统故障诊断方法 |
| CN112834194A (zh) * | 2021-01-22 | 2021-05-25 | 西安交通大学 | 一种无故障样本下基于软目标度量的故障智能检测方法 |
| TWI740482B (zh) * | 2020-04-30 | 2021-09-21 | 中國鋼鐵股份有限公司 | 設備異常評估方法、電腦程式產品及電腦可讀取紀錄媒體 |
| US11544422B2 (en) * | 2019-09-16 | 2023-01-03 | Palo Alto Research Center Incorporated | Machine learning based systems and methods for real time, model based diagnosis |
| CN117348605A (zh) * | 2023-12-05 | 2024-01-05 | 东莞栢能电子科技有限公司 | 应用于离型膜撕除机控制系统的优化方法及系统 |
| WO2024077753A1 (zh) * | 2022-10-10 | 2024-04-18 | 深圳先进技术研究院 | 一种基于多源异构数据的风力发电机故障预测方法 |
| CN117978612A (zh) * | 2024-03-28 | 2024-05-03 | 成都格理特电子技术有限公司 | 网络故障检测方法、存储介质以及电子设备 |
| CN117978612B (zh) * | 2024-03-28 | 2024-06-04 | 成都格理特电子技术有限公司 | 网络故障检测方法、存储介质以及电子设备 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103544389A (zh) * | 2013-10-18 | 2014-01-29 | 丽水学院 | 基于故障树和模糊神经网络的汽车起重机故障诊断方法 |
| CN108647272A (zh) * | 2018-04-28 | 2018-10-12 | 江南大学 | 一种基于数据分布的小样本扩充方法 |
-
2019
- 2019-03-04 CN CN201910160658.1A patent/CN109670595A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103544389A (zh) * | 2013-10-18 | 2014-01-29 | 丽水学院 | 基于故障树和模糊神经网络的汽车起重机故障诊断方法 |
| CN108647272A (zh) * | 2018-04-28 | 2018-10-12 | 江南大学 | 一种基于数据分布的小样本扩充方法 |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020244262A1 (zh) * | 2019-06-05 | 2020-12-10 | 厦门邑通软件科技有限公司 | 一种基于事件图谱技术的设备故障智能监控方法 |
| US11544422B2 (en) * | 2019-09-16 | 2023-01-03 | Palo Alto Research Center Incorporated | Machine learning based systems and methods for real time, model based diagnosis |
| TWI740482B (zh) * | 2020-04-30 | 2021-09-21 | 中國鋼鐵股份有限公司 | 設備異常評估方法、電腦程式產品及電腦可讀取紀錄媒體 |
| CN112232370A (zh) * | 2020-09-16 | 2021-01-15 | 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） | 发动机的故障分析预测方法 |
| CN112478194A (zh) * | 2020-11-17 | 2021-03-12 | 西安飞机工业（集团）有限责任公司 | 一种飞机起落架液压收放系统故障诊断方法 |
| CN112465806A (zh) * | 2020-12-11 | 2021-03-09 | 哈尔滨市科佳通用机电股份有限公司 | 基于改进PVANet的停放制动缸排气堵丢失检测方法 |
| CN112834194B (zh) * | 2021-01-22 | 2022-07-12 | 西安交通大学 | 一种无故障样本下基于软目标度量的故障智能检测方法 |
| CN112834194A (zh) * | 2021-01-22 | 2021-05-25 | 西安交通大学 | 一种无故障样本下基于软目标度量的故障智能检测方法 |
| WO2024077753A1 (zh) * | 2022-10-10 | 2024-04-18 | 深圳先进技术研究院 | 一种基于多源异构数据的风力发电机故障预测方法 |
| CN117348605A (zh) * | 2023-12-05 | 2024-01-05 | 东莞栢能电子科技有限公司 | 应用于离型膜撕除机控制系统的优化方法及系统 |
| CN117348605B (zh) * | 2023-12-05 | 2024-03-12 | 东莞栢能电子科技有限公司 | 应用于离型膜撕除机控制系统的优化方法及系统 |
| CN117978612A (zh) * | 2024-03-28 | 2024-05-03 | 成都格理特电子技术有限公司 | 网络故障检测方法、存储介质以及电子设备 |
| CN117978612B (zh) * | 2024-03-28 | 2024-06-04 | 成都格理特电子技术有限公司 | 网络故障检测方法、存储介质以及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109670595A (zh) | 一种设备故障诊断方法 | |
| CN106761668B (zh) | 油井故障智能化分析决策系统及方法 | |
| CN106769052B (zh) | 一种基于聚类分析的机械系统滚动轴承智能故障诊断方法 | |
| CN102866321B (zh) | 一种自适应的防窃漏电诊断方法 | |
| CN110059357A (zh) | 一种基于自编码网络的智能电能表故障分类检测方法及系统 | |
| CN100470416C (zh) | 一种电厂热工设备智能状态诊断分析系统 | |
| CN107272644B (zh) | 潜油往复抽油机的dbn网络故障诊断方法 | |
| CN108256556A (zh) | 基于深度信念网络的风力发电机组齿轮箱故障诊断方法 | |
| CN102705078B (zh) | 基于灰色模型的柴油机故障预测方法 | |
| CN105466693B (zh) | 基于灰色模型的柴油机燃油系统故障预诊断方法 | |
| CN108875918A (zh) | 一种基于适配共享深度残差网络的机械故障迁移诊断方法 | |
| CN106443556A (zh) | 电能表智能诊断方法 | |
| CN116658492B (zh) | 智能动力猫道及其方法 | |
| CN105626502A (zh) | 基于小波包和拉普拉斯特征映射的柱塞泵健康评估方法 | |
| Jiang et al. | Hydraulic pump fault diagnosis method based on EWT decomposition denoising and deep learning on cloud platform | |
| CN110130875B (zh) | 抽油机异常工况监控方法 | |
| CN112305388B (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 | |
| CN107727333A (zh) | 一种用于液压缸泄漏分析的诊断方法 | |
| CN117609836A (zh) | 一种综合模块的电磁敏感预测与健康管理方法 | |
| CN111723449A (zh) | 一种矿井提升机恒减速制动系统性能退化评价方法 | |
| CN114021620B (zh) | 基于bp神经网络特征提取的电潜泵故障诊断方法 | |
| CN112686181B (zh) | 一种基于插值轴心轨迹的水轮机故障诊断方法 | |
| CN106404443A (zh) | 混合动力起重装置故障预示平台及其数据样本获取方法 | |
| CN2771505Y (zh) | 水轮发电机组监测及专家模糊诊断装置 | |
| CN104063622A (zh) | 基于相似性度量的复杂系统监测数据的可视化方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190423 |
|
| RJ01 | Rejection of invention patent application after publication |