CN110766143A

CN110766143A - 基于人工神经网络的设备故障智能诊断方法

Info

Publication number: CN110766143A
Application number: CN201911055504.2A
Authority: CN
Inventors: 张月
Original assignee: SHANGHAI AIWEI AEROSPACE ELECTRONIC CO Ltd
Current assignee: SHANGHAI AIWEI AEROSPACE ELECTRONIC CO Ltd
Priority date: 2019-10-31
Filing date: 2019-10-31
Publication date: 2020-02-07

Abstract

本发明公开了一种基于人工神经网络的设备故障智能诊断方法，包括如下步骤：S1：通过测试设备故障诊断系统收集设备故障信息；S2：建立神经网络模型，将故障信息作为学习样本，对神经网络模型进行训练；S3：将训练完成的神经网络模型加载到神经网络推理机；S4：实时采集测试设备的信号，监测信号异常；S5：将异常故障作为待识别样本，经神经网络推理机推理，找出故障原因、定位故障并输出解决方法。本发明提供将神经网络系统用于处理测试设备的诊断，解决了传统系统构造中知识获取的“瓶颈”和推理的“组合爆炸”等问题，扩大了状态监测和故障诊断的范围，满足了状态监测和故障诊断的实时性要求，保证了故障诊断与测试步骤同步进行。

Description

基于人工神经网络的设备故障智能诊断方法

技术领域

本发明涉及一种设备故障诊断方法，尤其涉及一种基于人工神经网络的设备故障智能诊断方法。

背景技术

随着现代工业和科学技术的发展，机械、能源、化工等设备广泛地应用于国民经济中。关键设备一旦出现故障，往往会影响企业的正常生产运行、经济损失，甚至是一些灾难性的后果，如火灾，人员伤亡等，因此设备的故障诊断技术受到了高度的重视。传统的故障诊断依赖于定期检修，而定期检修会造成过度维修或维修不足,大量的人力物力资源被应用于故障诊断，结果却不尽如人意。同时为了避免当前的设备故障诊断技术中过分依赖领域专家的问题，同时借助于计算机、信号处理、人工智能等学科的发展和应用，发展出了一些智能故障诊断方法。智能化诊断技术已经成为设备故障诊断领域中一个新的研究方向。设备故障诊断技术的研究在不断地汲取其他领域和科学新成果的基础上向前发展。

近年来人工神经网络的研究发展迅速，人工神经网络具有以下主要特征：实现了并行处理机制、可提供高速的信息处理能力；分布式信息存储，可提供联想与全息记忆的能力；网络的拓扑结构具有非常大的可塑性，使系统有很高的自适应和自学习的能力；具有超巨量的联接关系，形成高度冗余，使系统具有很强的容错能力；是一类规模非线性系统，提供了系统自组织与协同的潜力。

人工神经网络以其诸多优点在设备状态的智能监测与故障诊断中得到应用，它能够将理论与实际很好的结合，真正的能解决设备状态检测与故障诊断问题。

发明内容

本发明要解决的技术问题是提供一种基于人工神经网络的设备故障智能诊断方法，当测试设备出现故障时，把待识别样本信息输入相应的神经网络，神经网络通过自学习、自组织，定位出故障发生的位置并输出合理的解决办法，指导维修测试设备。

本发明为解决上述技术问题而采用的技术方案是提供一种基于人工神经网络的设备故障智能诊断方法，包括如下步骤：

S1：通过测试设备故障诊断系统收集设备故障信息，根据收集的设备故障信息历史数据，建立故障症状、故障原因和维修方案之间的对应关系；

S2：建立神经网络模型，将步骤S1中收集的故障信息作为学习样本，对建立的神经网络模型进行训练；

S3：将步骤S2中训练完成的神经网络模型加载到神经网络推理机；

S4：测试设备故障诊断系统实时采集测试设备的信号，当发现监测信号异常时，系统报警；

S5：将步骤S4中发现的测试设备异常故障作为待识别样本，经神经网络推理机推理，找出测试设备故障原因、定位故障并输出合理的解决方法，最后记录故障信息。

进一步的，所述测试设备故障诊断系统从硬件功能上将测试设备分为三级，第一级为各子系统，包括采集控制器、信号模拟器、测试微机和电源，所述采集控制器包括电压采集板和A/D采集板，所述信号模拟器包括信号发送器和信号接收器，所述测试微机包括数据接口板和程序接口板，所述电源包括5V电源和15V电源；第二级为各子系统的板级电路，所述电压采集板、A/D采集板、信号发送器、信号接收器、数据接口板、程序接口板、5V电源和15V电源属于第二级；第三级为板级电路的单元电路或元器件。

进一步的，所述步骤S5中神经网络推理机根据测试设备的分级，对各子系统进行分层次推理。

进一步的，所述步骤S2中的神经网络模型为BP神经网络模型，所述BP神经网络模型包括输入层、隐层和输出层，所述隐层设置在输入层和输出层之间，所述输入层包含多个输入节点，所述输出层包含多个输出节点。

进一步的，所述步骤S2中对神经网络模型进行训练，是将故障症状对应BP神经网络模型输入节点，故障原因对应BP神经网络模型输出节点。

进一步的，所述BP神经网络模型的训练包括以下步骤：S21：从训练样本中取一个样本，把样本输入到网络中；S22：由网络分别计算各层节点的输出；S23：计算网络的实际输出与期望输出的误差；S24：从输出层反向计算到第一个隐层，按照梯度下降的原则向减小误差方向调整网络的各个连接权值；S25：对训练样本中的每一个样本重复步骤S21-S24，直到整个训练样本的误差小于设定的误差阈值为止。

进一步的，所述步骤S5中神经网络推理机采用数据驱动的正向推理策略，从初始状态出发，向前推理，达到目标状态为止，神经网络推理机推理步骤如下：S51：将待识别样本交给输入层各节点；S52：通过输入层到隐层的连接权值，求出隐层神经元的输出，并作为输出层的输入；S53：通过隐层到输出层的连接权值，求出输出层神经元的输出；S54：通过阈值函数判定输出层神经元的最终输出结果。

进一步的，所述输入层、隐含层和输出层的节点数分别为N，L及M，所述步骤S52中输入层到隐层的连接权值为w_ij，隐层的节点阈值为θ_j，隐层神经元的输出为：

其中函数f(x)＝1/[1+exp(-x)]。

进一步的，所述输入层、隐含层和输出层的节点数分别为N，L及M，所述步骤S53中隐层到输出层的连接权值为w_jk，输出层的节点阈值为

输出层神经元的输出为：

其中函数f(x)＝1/[1+exp(-x)]。

进一步的，所述步骤S54中阈值函数为：

本发明对比现有技术有如下的有益效果：本发明提供的基于人工神经网络的设备故障智能诊断方法，将神经网络系统用于处理测试设备的诊断，很好的解决了传统系统构造中知识获取的“瓶颈”和推理的“组合爆炸”等问题，整个故障诊断系统以并行工作方式运行，即扩大了状态监测和故障诊断的范围，又满足了状态监测和故障诊断的实时性要求，保证了故障诊断与测试步骤同步进行。

附图说明

图1为本发明实施例中基于人工神经网络的设备故障智能诊断方法结构框图；

图2为本发明实施例中测试设备由测试设备故障诊断系统分级示意图；

图3为本发明实施例中BP神经网络模型结构示意图。

图中：

1 输入层 2 隐层 3 输出层

4 输入节点 5 输出节点

具体实施方式

下面结合附图和实施例对本发明作进一步的描述。

图1为本发明实施例中基于人工神经网络的设备故障智能诊断方法结构框图。

请参见图1，本发明提供的基于人工神经网络的设备故障智能诊断方法，包括如下步骤：

请参见图2，本发明提供的基于人工神经网络的设备故障智能诊断方法，测试设备故障诊断系统从硬件功能上将测试设备分为三级，第一级为各子系统，包括采集控制器、信号模拟器、测试微机和电源，所述采集控制器包括电压采集板和A/D采集板，所述信号模拟器包括信号发送器和信号接收器，所述测试微机包括数据接口板和程序接口板，所述电源包括5V电源和15V电源；第二级为各子系统的板级电路，所述电压采集板、A/D采集板、信号发送器、信号接收器、数据接口板、程序接口板、5V电源和15V电源属于第二级；第三级为板级电路的单元电路或元器件。在测试设备故障诊断中，针对设备结构复杂，系统性强，各分系统相互影响制约的特点，对系统进行了分析，采用层次分类原理进行层次分类，神经网络推理机根据测试设备的分级，对各子系统进行分层次推理，以保证诊断的快速性。

请参见图3，本发明提供的基于人工神经网络的设备故障智能诊断方法，神经网络模型为BP神经网络模型，所述BP神经网络模型包括输入层1、隐层2和输出层3，所述隐层2设置在输入层1和输出层3之间，所述输入层1包含多个输入节点4，所述输出层3包含多个输出节点5；对神经网络模型进行训练，是将故障症状对应BP神经网络模型输入节点4，故障原因对应BP神经网络模型输出节点5；BP神经网络模型的训练包括以下步骤：

S21：从训练样本中取一个样本，把样本输入到网络中；

S22：由网络分别计算各层节点的输出；

S23：计算网络的实际输出与期望输出的误差；

S24：从输出层3反向计算到第一个隐层，按照梯度下降的原则向减小误差方向调整网络的各个连接权值；

S25：对训练样本中的每一个样本重复步骤S21-S24，直到整个训练样本的误差小于设定的误差阈值为止。

本发明提供的基于人工神经网络的设备故障智能诊断方法，神经网络推理机采用数据驱动的正向推理策略，从初始状态出发，向前推理，达到目标状态为止，神经网络推理机推理步骤如下：

S51：将待识别样本交给输入层1各节点；

S52：通过输入层1到隐层2的连接权值，求出隐层2神经元的输出，并作为输出层3的输入；

S53：通过隐层2到输出层3的连接权值，求出输出层3神经元的输出；

S54：通过阈值函数判定输出层3神经元的最终输出结果。

以单隐层BP神经网络为例，单隐层BP网络能以任意精度逼近任意闭区间内的连续函数，即可以完成任意的N维到M维的映射，采用单隐层BP网络加载到神经网络推理机，设输入层1、隐层2和输出层3的节点数分别为N、L及M，输入层1到隐层2的连接权值为w_ij，隐层2到输出层3的连接权值为w_jk，采用实测信息x_i，以{x_i}(i＝1,2,…,N)表示系统工作状态，对于每一个征兆只取“正常”、“异常”两种信息，分别用0和1表示，则隐层2和输出层3的节点输出分别为：

式中θ_j和

分别为隐层2和输出层3的节点阈值，函数f(x)＝1/[1+exp(-x)]。

推理过程如下：首先将原始数据交给输入层1各节点；由公式(1)求出隐层2神经元的输出并将其作为输出层3的输入；由公式(2)求出输出层3神经元的输出；最后由下面的阈值函数(3)判定输出层3神经元的最终输出结果：

综上所述，本发明提供的基于人工神经网络的设备故障智能诊断方法，将神经网络系统用于处理测试设备的诊断，很好的解决了传统系统构造中知识获取的“瓶颈”和推理的“组合爆炸”等问题，整个故障诊断系统以并行工作方式运行，即扩大了状态监测和故障诊断的范围，又满足了状态监测和故障诊断的实时性要求，保证了故障诊断与测试步骤同步进行。

虽然本发明已以较佳实施例揭示如上，然其并非用以限定本发明，任何本领域技术人员，在不脱离本发明的精神和范围内，当可作些许的修改和完善，因此本发明的保护范围当以权利要求书所界定的为准。

Claims

1.一种基于人工神经网络的设备故障智能诊断方法，其特征在于，包括如下步骤：

2.如权利要求1所述的基于人工神经网络的设备故障智能诊断方法，其特征在于，所述测试设备故障诊断系统从硬件功能上将测试设备分为三级，第一级为各子系统，包括采集控制器、信号模拟器、测试微机和电源，所述采集控制器包括电压采集板和A/D采集板，所述信号模拟器包括信号发送器和信号接收器，所述测试微机包括数据接口板和程序接口板，所述电源包括5V电源和15V电源；第二级为各子系统的板级电路，所述电压采集板、A/D采集板、信号发送器、信号接收器、数据接口板、程序接口板、5V电源和15V电源属于第二级；第三级为板级电路的单元电路或元器件。

3.如权利要求2所述的基于人工神经网络的设备故障智能诊断方法，其特征在于，所述步骤S5中神经网络推理机根据测试设备的分级，对各子系统进行分层次推理。

4.如权利要求1所述的基于人工神经网络的设备故障智能诊断方法，其特征在于，所述步骤S2中的神经网络模型为BP神经网络模型，所述BP神经网络模型包括输入层、隐层和输出层，所述隐层设置在输入层和输出层之间，所述输入层包含多个输入节点，所述输出层包含多个输出节点。

5.如权利要求4所述的基于人工神经网络的设备故障智能诊断方法，其特征在于，所述步骤S2中对神经网络模型进行训练，是将故障症状对应BP神经网络模型输入节点，故障原因对应BP神经网络模型输出节点。

6.如权利要求5所述的基于人工神经网络的设备故障智能诊断方法，其特征在于，所述BP神经网络模型的训练包括以下步骤：

S21：从训练样本中取一个样本，把样本输入到网络中；

S22：由网络分别计算各层节点的输出；

S23：计算网络的实际输出与期望输出的误差；

S24：从输出层反向计算到第一个隐层，按照梯度下降的原则向减小误差方向调整网络的各个连接权值；

7.如权利要求1所述的基于人工神经网络的设备故障智能诊断方法，其特征在于，所述步骤S5中神经网络推理机采用数据驱动的正向推理策略，从初始状态出发，向前推理，达到目标状态为止，神经网络推理机推理步骤如下：

S51：将待识别样本交给输入层各节点；

S52：通过输入层到隐层的连接权值，求出隐层神经元的输出，并作为输出层的输入；

S53：通过隐层到输出层的连接权值，求出输出层神经元的输出；

S54：通过阈值函数判定输出层神经元的最终输出结果。

8.如权利要求7所述的基于人工神经网络的设备故障智能诊断方法，其特征在于，所述输入层、隐含层和输出层的节点数分别为N，L及M，所述步骤S52中输入层到隐层的连接权值为w_ij，隐层的节点阈值为θ_j，隐层神经元的输出为：

其中函数f(x)＝1/[1+exp(-x)]。

9.如权利要求8所述的基于人工神经网络的设备故障智能诊断方法，其特征在于，所述输入层、隐含层和输出层的节点数分别为N，L及M，所述步骤S53中隐层到输出层的连接权值为w_jk，输出层的节点阈值为输出层神经元的输出为：

其中函数f(x)＝1/[1+exp(-x)]。

10.如权利要求9所述的基于人工神经网络的设备故障智能诊断方法，其特征在于，所述步骤S54中阈值函数为：

其中，