CN111340238B - 一种工业系统的故障诊断方法、装置、设备及存储介质 - Google Patents
一种工业系统的故障诊断方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111340238B CN111340238B CN202010171480.3A CN202010171480A CN111340238B CN 111340238 B CN111340238 B CN 111340238B CN 202010171480 A CN202010171480 A CN 202010171480A CN 111340238 B CN111340238 B CN 111340238B
- Authority
- CN
- China
- Prior art keywords
- industrial system
- fault
- training
- fault diagnosis
- sensors
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 98
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000003860 storage Methods 0.000 title claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 68
- 238000005070 sampling Methods 0.000 claims abstract description 36
- 238000010606 normalization Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 23
- 238000013136 deep learning model Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 22
- 230000015654 memory Effects 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 16
- 238000011176 pooling Methods 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 description 12
- 230000004927 fusion Effects 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000007500 overflow downdraw method Methods 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000003070 Statistical process control Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- TYAQXZHDAGZOEO-KXQOOQHDSA-N 1-myristoyl-2-stearoyl-sn-glycero-3-phosphocholine Chemical compound CCCCCCCCCCCCCCCCCC(=O)O[C@@H](COP([O-])(=O)OCC[N+](C)(C)C)COC(=O)CCCCCCCCCCCCC TYAQXZHDAGZOEO-KXQOOQHDSA-N 0.000 description 1
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 208000014446 corneal intraepithelial dyskeratosis-palmoplantar hyperkeratosis-laryngeal dyskeratosis syndrome Diseases 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
-
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种工业系统的故障诊断方法、装置、设备及存储介质,其中方法包括:获取工业系统预设的多个传感器所输出的历史原始序列以及对应的工业系统故障类型,将不同传感器在同一时间片段内的数据依次进行拼接,并将拼接得到的重构序列进行归一化处理,得到与时间片段对应的预处理序列,以作为训练样本;以所有训练样本训练深度学习模型,得到工业系统故障诊断模型;按照与训练样本相同的获取方法,从实时获取的原始序列中获取诊断样本,使用工业系统故障诊断模型和诊断样本对工业系统进行在线诊断。本发明对不同传感器的采样率没有要求,可以保留传感器的大部分原始数据,提高故障诊断的准确度。
Description
技术领域
本发明涉及故障诊断领域,具体涉及一种工业系统的故障诊断方法、装置、设备及存储介质。
背景技术
随着工业系统的开支和复杂性的增加,故障诊断受到了广泛的关注,准确的故障诊断可以显著减少安全隐患、降低性能退化以及提高生产效率。智能制造的蓬勃发展为数据驱动的故障诊断方法提供了新的机遇,它利用历史数据建立故障诊断模型,基于传感器采集的在线数据进行决策。
数据驱动的故障诊断方法通常包括四个步骤:数据收集、特征提取、模型训练和基于模型的故障诊断。在数据采集的过程中,多种传感器数据信号,如振动、电流、压力、速度和温度等信号,可以提供比使用单一传感器更多的信息,从而提高诊断的准确性。因此,在复杂的系统中,多传感器数据融合是一种更好的故障诊断方法。机器学习是传统的数据驱动故障诊断方法之一。Banerjee等人提出了一种基于支持向量机(SVM)和短时傅里叶变换的多传感器数据融合方法。He等人提取频域和时域故障特征作为条件指标,构建了一个基于k近邻算法的故障分类器。Li等人利用声学和振动信号提出了一种用于齿轮箱故障诊断的深度随机森林(RF)融合技术。尽管机器学习方法成果显著,它们仍然存在一些弱点。首先,手工特征提取需要先验领域知识和专家知识;其次,特征提取和机器学习模型无法被同时优化;最后,由于数据驱动方法一般是基于特定系统的,因此对于一个新系统而言有必要重新设计其特征提取方案。
作为机器学习的一个分支,深度学习成功地解决了以上问题。深度学习的特点是不需要专家知识就可以挖掘原始数据的特征信息。通过建立深度模型,可以很好地建立输入数据与故障类别之间的映射关系,从而避免重新设计新模型。另外,由于特征学习和目标预测自适应地融合到整个神经网络中,深度学习可以自动地对所有模型参数进行联合训练和优化。Jing等人提出了一种基于深度卷积神经网络(deep convolutional neuralnetworks,DCNN)的自适应多传感器数据融合方法,该方法可以为特定的任务选择最佳的融合水平。Wang等人提出了一种基于多传感器数据融合和瓶颈层优化卷积神经网络(MB-CNN)的旋转机械故障识别方法。Chen等人提出了一种基于DCNN的数据融合方法,将水平和垂直振动信号的原始数据融合在一起,自动提取特征。Wang等人通过对电机振动和定子电流信号的多尺度分析,提出了一种基于深度学习的多分辨率多传感器融合网络(MRSFN)模型用于电机故障诊断。
虽然这些方法都能准确有效地进行故障诊断,但它们都是针对单采样率的传感器数据。在实际的工艺或设备中,测量数据往往来自不同类别的传感器,并且一些信号需要通过实验室离线分析收集,因此不同传感器数据的采样率不一致的情况在实际工业中很常见。综上所述,研究多采样率数据融合方法并将其应用于工业故障诊断是一项值得研究的工作。传统的处理多采样率数据的方法可分为三类:上采样法、下采样法和概率框架下的方法。上采样法通过建立回归模型,利用高采样率的数据预测低采样率的未采集数据。这种方法的预测精度依赖于回归模型,当涉及到两个以上的变量时,模型的设计可能会比较困难。降采样法将系统中所有变量的采样率降至最小,从而使多采样率系统转变为单采样率系统。然而,高采样率的数据会占用大部分数据,从而导致信息不对称。概率框架下的方法是指基于最大似然估计的方法,将概率模型与EM方法相结合用于处理缺失的数据。该方法多用于处理均匀缺失值,而实际的多采样率系统中的缺失值多集中在少数低采样率变量上。Masuda等人在上采样方法的基础上提出了一种新的多元统计过程控制(multi-statistical process control,MSPC)方法,用于实时控制难以测量的变量。Geng等人设计了一种新型的电压电流解耦的故障相关多速率观测器,利用模型约简实现多采样率传感器系统的故障检测。Walczak等人提出了一种基于主成分分析和偏最小二乘法的方法,通过迭代计算评分向量来解决缺失值的问题。
以上处理多采样率数据的方法都是机器学习方法,并且大部分只适用于双采样率系统,难以将其应用到多采样率系统中。而且目前还没有利用深度学习的方法来解决这个问题的研究。
发明内容
本发明所解决的技术问题在于,提出一种工业系统的故障诊断方法、装置、设备及计算机存储介质,对不同传感器的采样率没有要求,可以保留传感器的大部分原始数据,可以提高故障诊断的准确度,应用范围广泛。
为实现上述技术目的,本发明采用如下技术方案:
一种工业系统的故障诊断方法,包括:
构建训练样本集:获取工业系统预设的多个传感器所输出的历史原始序列以及对应的工业系统故障类型;针对每种故障类型,均从历史原始序列中随机选取时间跨度为T的N个时间片段,将不同传感器在同一时间片段内的数据依次进行拼接,并将拼接得到的重构序列进行归一化处理,得到与时间片段对应的预处理序列;将每个预处理序列均作为1个训练样本,故每种故障类型的N个时间片段,对应得到N个训练样本;
训练故障诊断模型:以所有训练样本为输入、训练样本对应的故障类型为输出,训练深度学习模型,得到工业系统故障诊断模型;
诊断样本预处理:实时获取工业系统预设的多个传感器所输出的原始序列,从中截取时间跨度为T的时间片段,将不同传感器在该时间片段内的数据依次进行拼接,并将拼接得到的重构序列进行归一化处理,得到诊断样本;
在线诊断工业系统的故障:将诊断样本输入至工业系统故障诊断模型,得到工业系统的故障类型。
在本技术方案的数据预处理过程中,不要求对每个传感器的数据按时间来匹配对应,而是采用前后拼接的方式对不同传感器的数据进行融合,然后将得到的数据直接输入至深度学习模型中,以通过训练学习来提取多个传感器数据中的内在特征,因此对不同传感器的采样率没有要求,从而可以保留传感器的大部分原始数据,解决了多采样率数据难以建模的问题。而且,从多个传感器数据中提取工业系统的特征,可以提高诊断的准确度。另外,由于对传感器的采样率没有要求,而且在最终拼接前进行了归一化处理,因此可适用于各种不同的工业系统,适用范围广。
传统使用非端到端模型的方案中,即,使用多个步骤或者多个模型的方案中,各个模型的训练目标不一致,因此统筹多个模型达到最优的性能是有一定的困难的,而且在训练的过程中,前一个模型的偏差有可能会影响到后一个模型。本发明的深度学习模型为端到端的模型,将本来需要多个步骤或者多个模型来解决的复杂问题用一个模型来解决,其只有一个模型和一个目标函数,由此规避了上述问题。
在更优的技术方案中,所述预设的多个传感器,包括至少3种不同的采样率。
在更优的技术方案中,每两个传感器的采样率之比均小于1:30。
在更优的技术方案中,所述机器学习模型的构架,按输入至输出的顺序依次包括:1D-CNN、LSTM、全连接层、批归一化层和分类器。
在该技术方案中,1D-CNN在提取特征时,不会改变输入数据的顺序,因此可以将提取的特征直接输入LSTM进行处理,有利于LSTM捕获生成特征的内在时间信息,减少手动对数据进行处理的中间环节;批归一化层在训练过程中控制各层输入量的分布变化,减少模型内部变量的移位,因此能够提高系统的鲁棒性;而且,批归一化层减少了对学习率的要求,允许在训练中使用更高的学习率,并且在选择较低学习率的情况下也能快速收敛;同时,批归一化层在一定程度上可以防止过拟合;另外,批归一化层能使优化过程更加平滑。
在更优的技术方案中,所述1D-CNN包括3个卷积层和分别跟随于每个卷积层后设置的3个池化层;所述3个卷积层分别采用不同大小的卷积核,且所述池化层采用最大池化层。
本技术方案中的3个卷积层分别使用不同大小的卷积核来提取不同的特征;使用池化层可从卷积层输出的特征图中提取最具代表性的特征,可以减少输入维数,进一步减少参数,提高计算速度,防止过拟合。
在更优的技术方案中,若工业系统的故障类型仅有2个,则所述分类器采用Sigmoid函数;若工业系统的故障类型大于2个,则所述分类器采用Softmax函数。
在更优的技术方案中,采用反向传播算法训练故障诊断模型,并以交叉熵函数作为代价函数驱动故障诊断模型的参数更新和优化;在训练故障诊断模型的过程中,采用自适应矩估计随机优化算法来最小化代价函数。
本技术方案可以提高训练故障诊断模型的收敛速度和质量。
本发明还提供一种工业系统的故障诊断装置,包括:
训练样本集构建模块,用于:获取工业系统预设的多个传感器所输出的历史原始序列以及对应的工业系统故障类型;针对每种故障类型,均从历史原始序列中随机选取时间跨度为T的N个时间片段,将不同传感器在同一时间片段内的数据依次进行拼接,并将拼接得到的重构序列进行归一化处理,得到与时间片段对应的预处理序列;将每个预处理序列均作为1个训练样本,故每种故障类型的N个时间片段,对应得到N个训练样本;
故障诊断模型训练模块,用于:以所有训练样本为输入、训练样本对应的故障类型为输出,训练深度学习模型,得到工业系统故障诊断模型;
诊断样本预处理模块,用于:实时获取工业系统预设的多个传感器所输出的原始序列,从中截取时间跨度为T的时间片段,将不同传感器在该时间片段内的数据依次进行拼接,并将拼接得到的重构序列进行归一化处理,得到诊断样本;
工业系统故障在线诊断模块,即由故障诊断模型训练模块得到的工业系统故障诊断模型,用于:对诊断样本进行诊断,得到工业系统的故障类型。
本发明还提供一种设备,包括处理器和存储器;其中:所述存储器用于存储计算机指令;所述处理器用于执行所述存储器存储的计算机指令,具体执行上述任一技术方案所述的方法。
本发明还提供一种计算机存储介质,用于存储程序,所述程序被执行时,用于实现上述任一技术方案所述的方法。
有益效果
本发明在数据预处理过程中,不要求对每个传感器的数据按时间来匹配对应,而是采用前后拼接的方式对不同传感器的数据进行融合,然后将得到的数据直接输入至深度学习模型中,以通过训练学习来提取多个传感器数据中的内在特征,因此对不同传感器的采样率没有要求,从而可以保留传感器的大部分原始数据,解决了多采样率数据难以建模的问题。而且,从多个传感器数据中提取工业系统的特征,可以提高诊断的准确度。另外,由于对传感器的采样率没有要求,而且在最终拼接前进行了归一化处理,因此可适用于各种不同的工业系统,适用范围广;
本发明的机器学习模型的架构中,1D-CNN在提取特征时,不会改变输入数据的顺序,因此可以将提取的特征直接输入LSTM进行处理,有利于LSTM捕获生成特征的内在时间信息,减少手动对数据进行处理的中间环节;批归一化层在训练过程中控制各层输入量的分布变化,减少模型内部变量的移位,因此能够提高系统的鲁棒性。
附图说明
图1为本发明实施例所述方法的流程图。
具体实施方式
下面对本发明的实施例作详细说明,本实施例以本发明的技术方案为依据开展,给出了详细的实施方式和具体的操作过程,对本发明的技术方案作进一步解释说明。
本发明提供一种基于多采样率传感器数据融合的工业系统的故障诊断方法,如图1所示,包括:
一、构建训练样本集
获取工业系统预设的多个传感器所输出的历史原始序列以及对应的工业系统故障类型;针对每种故障类型,均从历史原始序列中随机选取时间跨度为T的N个时间片段,将不同传感器在同一时间片段内的数据依次进行拼接,并将拼接得到的重构序列进行归一化处理,得到与时间片段对应的预处理序列;将每个预处理序列均作为1个训练样本,故每种故障类型的N个时间片段,对应得到N个训练样本;
该步骤用于从工业系统的历史数据库中获取各预设传感器的原始序列以及对应的工业系统故障类型,从而构建得到用于训练故障诊断模型的训练样本集。其中的故障类型,具体可根据工业系统可能出现的故障情况进行设置,在本实施例中,将正常情况也视为一种故障类型,可以诊断该工业系统是否正常,若不正常,具体是哪种故障。
在各种工业系统中,可以针对某部件或多个部件,预设不同的传感器以采集所需数据,例如振动、电流、压力、速度和温度等信号,但是采集不同属性的传感器很可能其采样率不同,即使采集同一种信号的多个传感也可能采样率不同,因此本发明针对可能涉及多个不同采样率的传感器数据,进行以上数据预处理过程。
其中的归一化处理可表示为:
式中,x′是由所有传感器的重构序列依次拼接得到的序列中的数据,mean表示由所有传感器的重构序列依次拼接得到的序列中所有数据x′的平均值,std表示由所有传感器的重构序列依次拼接得到的序列中所有数据x′的标准值,x是归一化处理后得到的预处理序列中的数据。
在更优的实施例中,每两个传感器的采样率之比均小于1:30,避免采样率低的传感器数据在重构序列中淹没,从而提高故障诊断的准确性。
二、训练故障诊断模型
以所有训练样本为输入、训练样本对应的故障类型为输出,训练深度学习模型,得到工业系统故障诊断模型。
在训练机器学习模型之前,先根据输入数据的特点,即归一化处理后得到的预处理序列的特点,来构建合适的机器学习模型。在本实施例中的机器学习模型的架构,按输入至输出的顺序包括:1D-CNN(即一维卷积神经网络)、LSTM(长短期记忆网络)、全连接层、批归一化层和分类器。
由于2D-CNN在图像识别中获得了十分成功的应用,一些研究者将其应用于机械故障检测。然而本实施例的大多数传感器的原始序列是时间相关的数据序列,因此本实施例优选1D-CNN,其包括3个卷积层和分别跟随于每个卷积层后设置的3个池化层。
本实施例中的1D-CNN采用补零法,在输入数据(即预处理序列)的两端补零,防止卷积过程中的尺寸损失。卷积层的作用可以分别表示为:
Cn=fc(x,θ)=tanh(x*Wn+bn) (2);
其中Cn表示卷积层的第n个输出向量,也称为特征图;n=1,2,3,…,N,N是预定义的输出数,它的值等于滤波器的数量;Wn和bn分别代表第n个滤波器的权重和偏置;符号*表示一维卷积运算;tanh代表默认的激活函数即双曲正切函数;fc(x,θ)是卷积层作用的简化表示,其中θ代表卷积层中所有的参数,包括权重和偏置。
经过卷积层处理得到后特征图,再使用卷积层所跟随的池化层从每个特征图中提取最具代表性的特征。池化层可以减少输入维数,进一步减少参数,提高计算速度,防止过拟合,在本实施例的深度学习模型中采用最大池化层,它的输出表示为:
其中Pn是经池化层压缩的特征图,S代表池化的作用域。1D-CNN提取特征时不会改变输入的序列数据的顺序,这有利于下一步LSTM捕获生成特征的内在时间信息。本实施例的3个卷积层分别采用不同大小的卷积核,θ1,θ2和θ3分别表示3个卷积层的参数,1D-CNN最终提取的特征D可以表示为:
D=fp(fc(fp(fc(fp(fc(X,θ1)),θ2)),θ3)) (4)。
随后,采用一组LSTM单元来挖掘特征D中的时间相关性,并对时序信息进行编码。LSTM可以捕获长期依赖关系,它的单元数等于特征向量的长度。LSTM由四个核心元素构成,分别是记忆单元、输入门、遗忘门和输出门。记忆单元用于即时存储和更新信息;遗忘门决定从之前的记忆单元状态Ct-1中丢弃哪一部分的信息;输入门决定哪一部分新学习的信息会被添加到当前记忆单元状态Ct中;输出门决定记忆单元状态的哪些部分将输出,从而确保其他记忆单元不受无关信息的影响。这些元素的作用描述如下:
Ft=σ(Wf[ht-1,Dt]+bf) (5);
It=σ(Wi[ht-1,Dt]+bi) (6);
Ot=σ(Wo[ht-1,Dt]+bo) (7);
其中,Ft,It,Ot分别表示遗忘门、输入门、输出门;Wf,Wi,Wo分别代表遗忘门、输入门、输出门的权重,bf,bi,bo分别代表遗忘门、输入门、输出门的偏置,它们在不同的时间步之间共享;ht-1是前一时间步t-1中的记忆单元隐藏状态向量;Dt为当前时间步t的输入;符号σ表示sigmoid函数,它的定义为1/(1+exp(-x))。由这些元素得出的学习信息当前记忆单元状态Ct和最终的输出ht可以表示为:
ht=Ot·tanh Ct (10);
然后,将LSTM最后一个单元的输出H传递到一个全连接层(以下简称FC层)和一个批归一化层(以下简称BN层)。BN层设置于深度学习模型的中间层,而非传统仅对输入层的输入量进行归一化处理,从而在训练过程中可以控制各层(包括深度学习模型从输入层至BN层的所有层次)输入量的分布变化,减少深度学习模型内部变量的移位,因此能够提高故障诊断模型的鲁棒性。BN层还有很多优点:首先,BN层减少了对学习率的要求,允许在训练中使用更高的学习率,并且即使在选择较低学习率的情况下也能快速收敛;其次,BN层在一定程度上可以防止过拟合;最后,它能使优化过程更加平滑。FC层和BN层的作用表示如下:
Y=tanh(H*W+b) (11);
其中Y为FC层的输出,yi代表BN层在小批量上的输入,其中i=1,2,…,m,m代表小批量的样本总数;zi为BN层的输出;μβ和分别代表均值和方差,并且/> 符号γ和β代表学习参数。
最后,分类器可采用Softmax函数或Sigmoid函数。如果工业系数所需的诊断结果只有两个类别,则使用如公式(14)所示的Sigmoid函数,否则使用如公式(15)所示的Softmax函数,它们的定义如下:
其中P表示分类器的输出,θ表示Softmax函数的参数,K代表输出类别的数目。
在更优的实施例中,采用端到端的反向传播算法训练故障诊断模型,并以交叉熵函数作为代价函数驱动故障诊断模型的参数更新和优化。另外,为了优化机器学习模型中的超参数,在训练过程中采用自适应矩估计随机优化算法(Adam)最小化代价函数,提高机器学习模型的收敛速度和质量。
三、诊断样本预处理
实时获取工业系统预设的多个传感器所输出的原始序列,从中截取时间跨度为T的时间片段,将不同传感器在该时间片段内的数据依次进行拼接,并将拼接得到的重构序列进行归一化处理,得到诊断样本。
在获取诊断样本时,不同传感器在同一时间片段内的数据拼接顺序,与获取训练样本的数据拼接顺序相同,均按预设的传感器顺序进行。
四、在线诊断工业系统的故障
将步骤三得到的诊断样本输入至工业系统故障诊断模型,得到工业系统的故障类型。
基于上述实施例中所述的故障诊断方法,本发明还提供另一实施例,涉及一种工业系统的故障诊断装置,包括:
训练样本集构建模块,用于:获取工业系统预设的多个传感器所输出的历史原始序列以及对应的工业系统故障类型;针对每种故障类型,均从历史原始序列中随机选取时间跨度为T的N个时间片段,将不同传感器在同一时间片段内的数据依次进行拼接,并将拼接得到的重构序列进行归一化处理,得到与时间片段对应的预处理序列;将每个预处理序列均作为1个训练样本,故每种故障类型的N个时间片段,对应得到N个训练样本;
故障诊断模型训练模块,用于:以所有训练样本为输入、训练样本对应的故障类型为输出,训练深度学习模型,得到工业系统故障诊断模型;
诊断样本预处理模块,用于:实时获取工业系统预设的多个传感器所输出的原始序列,从中截取时间跨度为T的时间片段,将不同传感器在该时间片段内的数据依次进行拼接,并将拼接得到的重构序列进行归一化处理,得到诊断样本;
工业系统故障在线诊断模块,即由故障诊断模型训练模块得到的工业系统故障诊断模型,用于:对诊断样本进行诊断,得到工业系统的故障类型。
基于上述实施例中所述的故障诊断方法,本发明还提供另一实施例,涉及一种设备,包括处理器和存储器;其中:所述存储器用于存储计算机指令;所述处理器用于执行所述存储器存储的计算机指令,具体执行上述实施例中所述的故障诊断方法。
基于上述实施例中所述的故障诊断方法,本发明还提供另一实施例,涉及一种计算机存储介质,用于存储程序,所述程序被执行时,用于实现上述实施例中所述的故障诊断方法。
以下提供风力发电系统故障诊断和电机轴承故障诊断两种不同的工业系统,分别作为具体应用实例,对本发明技术方案进行验证:
1,风力发电系统故障诊断:
首先在风力发电系统上进行了故障诊断实验,利用某个风场的实测风机数据,数据的时间跨度是1月1日到11月11日,共有正常和异常两种情况(即是将正常和异常作为两种类型)的数据。本实验使用三种不同采样率的数据进行故障诊断:平均风速是每分钟采样一次;电压信号是每两分钟采样一次;齿轮箱高速轴温度信号是每三分钟采样一次。采用准确度、精度、召回率和F1来综合评价故障诊断模型的诊断能力。结果如表1所示:
表1
可以看出,本发明实施例在使用三种不同采样率的数据对风力发电系统故障诊断都有着不错的诊断效果,不仅准确度高,系统的误报率也很小。
2、电机轴承故障诊断
在电机轴承故障诊断实验中,运用西储大学的轴承数据中心的数据,该数据集有一类正常数据和三类不同类型的故障数据,分别是内圈故障、滚珠故障和外圈故障,每一类故障都有三种故障半径,分别是7mil、14mil和21mil,因此共有10种轴承状况(即是设置有10种故障类型)。保持扇端加速度传感器(FE)数据不变,对驱动端(DE)加速度传感器数据进行重采样来模拟多采样率的数据。实验结果如表2所示:其中第一列代表FE和DE传感器的采样率之比,第二列代表每个输入数据中DE和FE传感器数据的长度,采用平均准确度作为衡量模型效果的度量。
表2
可以看出,本发明实施例在不同采样率比例下的平均准确度都达到了99.5%以上,并且在不同情况下的准确度波动小,效果稳定。
综上所述,本发明所提出的工业系统的故障诊断方法,可以应用于复杂工业系统的故障检测问题。该方法无需先验知识和专家知识,在数据融合的过程中保留了大部分的原始数据,解决了多采样率数据难以建模的问题,并且不同传感器数据融合可以提高诊断的准确度。该方法能够对不同的工业系统进行故障诊断,从而减少生产事故的发生,降低损失,提高系统的生产效率。
以上实施例为本申请的优选实施例,本领域的普通技术人员还可以在此基础上进行各种变换或改进,在不脱离本申请总的构思的前提下,这些变换或改进都应当属于本申请要求保护的范围之内。
Claims (8)
1.一种工业系统的故障诊断方法,其特征在于,包括:
构建训练样本集:获取工业系统预设的多个传感器所输出的历史原始序列以及对应的工业系统故障类型;针对每种故障类型,均从历史原始序列中随机选取时间跨度为T的N个时间片段,将不同传感器在同一时间片段内的数据依次进行拼接,且采用前后拼接的方式,并将拼接得到的重构序列进行归一化处理,得到与时间片段对应的预处理序列;将每个预处理序列均作为1个训练样本,故每种故障类型的N个时间片段,对应得到N个训练样本;
所述预设的多个传感器,包括至少3种不同的采样率,每两个传感器的采样率之比均小于1:30;
训练故障诊断模型:以所有训练样本为输入、训练样本对应的故障类型为输出,训练深度学习模型,得到工业系统故障诊断模型;
诊断样本预处理:实时获取工业系统预设的多个传感器所输出的原始序列,从中截取时间跨度为T的时间片段,将不同传感器在该时间片段内的数据依次进行拼接,并将拼接得到的重构序列进行归一化处理,得到诊断样本;
在线诊断工业系统的故障:将诊断样本输入至工业系统故障诊断模型,得到工业系统的故障类型。
2.根据权利要求1所述的方法,其特征在于,所述深度学习模型的构架,按输入至输出的顺序依次包括:1D-CNN、LSTM、全连接层、批归一化层和分类器。
3.根据权利要求2所述的方法,其特征在于,所述1D-CNN包括3个卷积层和分别跟随于每个卷积层后设置的3个池化层;所述3个卷积层分别采用不同大小的卷积核,且所述池化层采用最大池化层。
4.根据权利要求2所述的方法,其特征在于,若工业系统的故障类型仅有2个,则所述分类器采用Sigmoid函数;若工业系统的故障类型大于2个,则所述分类器采用Softmax函数。
5.根据权利要求1所述的方法,其特征在于,采用反向传播算法训练故障诊断模型,并以交叉熵函数作为代价函数驱动故障诊断模型的参数更新和优化;在训练故障诊断模型的过程中,采用自适应矩估计随机优化算法来最小化代价函数。
6.一种工业系统的故障诊断装置,其特征在于,包括:
训练样本集构建模块,用于:获取工业系统预设的多个传感器所输出的历史原始序列以及对应的工业系统故障类型;针对每种故障类型,均从历史原始序列中随机选取时间跨度为T的N个时间片段,将不同传感器在同一时间片段内的数据依次进行拼接,且采用前后拼接的方式,并将拼接得到的重构序列进行归一化处理,得到与时间片段对应的预处理序列;将每个预处理序列均作为1个训练样本,故每种故障类型的N个时间片段,对应得到N个训练样本;
所述预设的多个传感器,包括至少3种不同的采样率,每两个传感器的采样率之比均小于1:30;
故障诊断模型训练模块,用于:以所有训练样本为输入、训练样本对应的故障类型为输出,训练深度学习模型,得到工业系统故障诊断模型;
诊断样本预处理模块,用于:实时获取工业系统预设的多个传感器所输出的原始序列,从中截取时间跨度为T的时间片段,将不同传感器在该时间片段内的数据依次进行拼接,并将拼接得到的重构序列进行归一化处理,得到诊断样本;
工业系统故障在线诊断模块,即由故障诊断模型训练模块得到的工业系统故障诊断模型,用于:对诊断样本进行诊断,得到工业系统的故障类型。
7.一种电子设备,其特征在于,包括处理器和存储器;其中:所述存储器用于存储计算机指令;所述处理器用于执行所述存储器存储的计算机指令,具体执行如权利要求1-5任一所述的方法。
8.一种计算机存储介质,其特征在于,用于存储程序,所述程序被执行时,用于实现如权利要求1-5任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010171480.3A CN111340238B (zh) | 2020-03-12 | 2020-03-12 | 一种工业系统的故障诊断方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010171480.3A CN111340238B (zh) | 2020-03-12 | 2020-03-12 | 一种工业系统的故障诊断方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111340238A CN111340238A (zh) | 2020-06-26 |
CN111340238B true CN111340238B (zh) | 2023-12-15 |
Family
ID=71182407
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010171480.3A Active CN111340238B (zh) | 2020-03-12 | 2020-03-12 | 一种工业系统的故障诊断方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111340238B (zh) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111860775B (zh) * | 2020-07-03 | 2024-05-03 | 南京航空航天大学 | 基于cnn和rnn融合的船舶故障实时诊断方法 |
CN112211793A (zh) * | 2020-08-25 | 2021-01-12 | 华北电力大学(保定) | 一种基于视频图像分析的风电机组故障自动识别方法 |
CN111765449B (zh) * | 2020-09-03 | 2020-12-29 | 浙江省能源集团有限公司 | 一种基于长短期记忆网络的过热器爆泄预警方法 |
CN112287592A (zh) * | 2020-10-27 | 2021-01-29 | 北京理工大学 | 一种基于深度置信网络的工业设备故障诊断方法及系统 |
CN112446326B (zh) * | 2020-11-26 | 2022-04-01 | 中国核动力研究设计院 | 基于深度复卷积网络的屏蔽泵故障模式识别方法及系统 |
CN112668394B (zh) * | 2020-11-30 | 2023-10-31 | 山东大学 | 一种农业大棚生产的在线预测方法及系统 |
CN112577736A (zh) * | 2020-12-04 | 2021-03-30 | 上海电力大学 | 基于sanc和1d-cnn-lstm的风电机组行星齿轮箱故障诊断方法 |
CN112418175A (zh) * | 2020-12-09 | 2021-02-26 | 北京信息科技大学 | 基于域迁移的滚动轴承故障诊断方法、系统及存储介质 |
CN113115247B (zh) * | 2021-03-17 | 2022-07-12 | 苏州康迈德医疗科技有限公司 | 一种信号处理方法、装置和设备 |
CN113139586B (zh) * | 2021-03-31 | 2022-09-23 | 同济大学 | 模型训练方法、设备异常诊断方法、电子设备及介质 |
CN113505531B (zh) * | 2021-07-06 | 2023-11-21 | 北京化工大学 | 基于结合传统诊断与机器学习方法且针对往复机械气门间隙异常故障的诊断模型构建方法 |
CN113688875B (zh) * | 2021-07-29 | 2024-05-03 | 中国船舶重工集团公司第七一九研究所 | 工业系统故障识别方法及装置 |
CN113780520A (zh) * | 2021-08-19 | 2021-12-10 | 桂林理工大学 | 一种山体滑坡mems加速度传感器误差补偿方法 |
CN113722140B (zh) * | 2021-08-30 | 2023-08-04 | 中国地质大学(武汉) | 基于小样本学习的工业报警泛滥根源诊断方法及存储介质 |
CN113847305A (zh) * | 2021-09-06 | 2021-12-28 | 盛景智能科技(嘉兴)有限公司 | 作业机械液压系统的预警方法、预警系统及作业机械 |
CN113962256A (zh) * | 2021-09-29 | 2022-01-21 | 西安交通大学 | 一种用于机电作动器智能故障诊断方法及系统 |
CN114186617B (zh) * | 2021-11-23 | 2022-08-30 | 浙江大学 | 一种基于分布式深度学习的机械故障诊断方法 |
CN113836119B (zh) * | 2021-11-25 | 2022-02-25 | 江苏汇智高端工程机械创新中心有限公司 | 一种起重机分动箱载荷谱数据库的构建方法及系统 |
CN114961949B (zh) * | 2022-05-09 | 2024-01-16 | 潍柴动力股份有限公司 | Scr系统的故障诊断方法、装置、设备和介质 |
CN117570039B (zh) * | 2024-01-16 | 2024-04-12 | 山东大洋矿用设备有限公司 | 矿用隔爆型潜水排沙电泵故障监测系统及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017162197A1 (zh) * | 2016-03-23 | 2017-09-28 | 冯春魁 | 飞行器的数据的获取、处理及飞行状况监控的方法及系统 |
CN109085805A (zh) * | 2018-07-24 | 2018-12-25 | 浙江科技学院 | 一种基于多采样率因子分析模型的工业过程故障检测方法 |
CN109145886A (zh) * | 2018-10-12 | 2019-01-04 | 西安交通大学 | 一种多源信息融合的异步电机故障诊断方法 |
WO2019031799A1 (ko) * | 2017-08-11 | 2019-02-14 | ㈜다이매틱스 | 딥러닝 기반의 인공지능을 이용한 자동차 진단 방법 및 장치 |
CN110082136A (zh) * | 2019-04-19 | 2019-08-02 | 电子科技大学 | 基于云遗传算法优化支持向量机的旋转机械故障诊断方法 |
CN110398348A (zh) * | 2019-06-18 | 2019-11-01 | 清华大学 | 存储器、高压断路器机械故障诊断方法和装置 |
CN110658482A (zh) * | 2019-09-10 | 2020-01-07 | 北京自动化控制设备研究所 | 磁探测系统多传感器数据采集融合方法 |
-
2020
- 2020-03-12 CN CN202010171480.3A patent/CN111340238B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017162197A1 (zh) * | 2016-03-23 | 2017-09-28 | 冯春魁 | 飞行器的数据的获取、处理及飞行状况监控的方法及系统 |
WO2019031799A1 (ko) * | 2017-08-11 | 2019-02-14 | ㈜다이매틱스 | 딥러닝 기반의 인공지능을 이용한 자동차 진단 방법 및 장치 |
CN109085805A (zh) * | 2018-07-24 | 2018-12-25 | 浙江科技学院 | 一种基于多采样率因子分析模型的工业过程故障检测方法 |
CN109145886A (zh) * | 2018-10-12 | 2019-01-04 | 西安交通大学 | 一种多源信息融合的异步电机故障诊断方法 |
CN110082136A (zh) * | 2019-04-19 | 2019-08-02 | 电子科技大学 | 基于云遗传算法优化支持向量机的旋转机械故障诊断方法 |
CN110398348A (zh) * | 2019-06-18 | 2019-11-01 | 清华大学 | 存储器、高压断路器机械故障诊断方法和装置 |
CN110658482A (zh) * | 2019-09-10 | 2020-01-07 | 北京自动化控制设备研究所 | 磁探测系统多传感器数据采集融合方法 |
Non-Patent Citations (2)
Title |
---|
Gao Yue等.An End-to-End model based on CNN-LSTM for Industrial Fault Diagnosis and Prognosis.2018 International Conference on Network Infrastructure and Digital Content (IC-NIDC).2018,274-278. * |
低资源语音识别中融合多流特征的卷积神经网络声学建模方法;秦楚雄;张连海;;计算机应用(第09期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111340238A (zh) | 2020-06-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111340238B (zh) | 一种工业系统的故障诊断方法、装置、设备及存储介质 | |
Surendran et al. | Deep learning based intelligent industrial fault diagnosis model. | |
CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
CN109146246B (zh) | 一种基于自动编码器和贝叶斯网络的故障检测方法 | |
CN111650453B (zh) | 基于加窗特征希尔伯特图像化的电力设备诊断方法及系统 | |
CN110609524B (zh) | 一种工业设备剩余寿命预测模型及其构建方法和应用 | |
CN110954326A (zh) | 一种自动学习特征表达的滚动轴承在线故障诊断方法 | |
Lu et al. | Joint training of a predictor network and a generative adversarial network for time series forecasting: A case study of bearing prognostics | |
CN108961460B (zh) | 基于稀疏esgp与多目标优化的故障预测方法及装置 | |
CN115687973A (zh) | 一种基于多信号融合的机械设备故障诊断方法 | |
CN114298134A (zh) | 风电功率预测方法及装置、电子设备 | |
CN112729834A (zh) | 一种轴承故障的诊断方法、装置和系统 | |
CN116561517A (zh) | 基于奖励优化深度强化学习不平衡智能故障定量诊断方法 | |
CN115238785A (zh) | 基于图像融合和集成网络的旋转机械故障诊断方法和系统 | |
Di et al. | Fault diagnosis of rotating machinery based on domain adversarial training of neural networks | |
CN112527547B (zh) | 一种基于自动卷积神经网络的机械智能故障预测方法 | |
CN116644273A (zh) | 基于可释性乘法卷积网络的故障诊断方法及系统 | |
CN116595465A (zh) | 基于自编码器和数据增强的高维稀疏数据离群点检测方法及系统 | |
CN116417992A (zh) | 基于时空注意力机制的风机功率预测模型建立方法及应用 | |
CN112414446B (zh) | 一种数据驱动的变速器传感器故障诊断方法 | |
CN115578325A (zh) | 一种基于通道注意配准网络的图像异常检测方法 | |
CN115204272A (zh) | 基于多采样率数据的工业系统故障诊断方法与设备 | |
Saha et al. | Enhancing Bearing Fault Diagnosis Using Transfer Learning and Random Forest Classification: A Comparative Study on Variable Working Conditions | |
Li et al. | An Improved LeNet-5 Convolutional Neural Network Supporting Condition-Based Maintenance and Fault Diagnosis of Bearings | |
CN117435981B (zh) | 机泵设备运行故障诊断方法、装置、存储介质及电子设备 |
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 |