CN111523659A - 一种基于三级神经网络建模的机器故障预测诊断方法 - Google Patents

一种基于三级神经网络建模的机器故障预测诊断方法 Download PDF

Info

Publication number
CN111523659A
CN111523659A CN202010289912.0A CN202010289912A CN111523659A CN 111523659 A CN111523659 A CN 111523659A CN 202010289912 A CN202010289912 A CN 202010289912A CN 111523659 A CN111523659 A CN 111523659A
Authority
CN
China
Prior art keywords
fault
sample
type
level
probability
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.)
Withdrawn
Application number
CN202010289912.0A
Other languages
English (en)
Inventor
刘加
卢回忆
张卫强
李飞
刘德广
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.)
Beijing Huacong Zhijia Technology Co ltd
Original Assignee
Beijing Huacong Zhijia Technology 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 Beijing Huacong Zhijia Technology Co ltd filed Critical Beijing Huacong Zhijia Technology Co ltd
Priority to CN202010289912.0A priority Critical patent/CN111523659A/zh
Publication of CN111523659A publication Critical patent/CN111523659A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • 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
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Optimization (AREA)
  • Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明涉及一种基于三级神经网络建模的机器故障预测诊断方法，属于机器故障检测方法技术和人工智能技术领域。本发明采用深度神经网络建模技术提高诊断的智能化；采用先诊断故障有/无，再确定类型，最后确定严重等级的三级神经网络建模，在系统部署初期数据积累不够充分的情况下即可实现故障判断，随着数据积累慢慢深入到故障类型判断，最后对渐进式的故障类型进行故障预测，三级神经网络建模缩短了诊断系统从投入到产出的周期，提高了实用性。用本方法生成的故障样本集中包含大量现有方法无法识别的低等级故障样本，训练得到的模型相比现有方法具有更高的诊断准确率和预测能力。

Description

一种基于三级神经网络建模的机器故障预测诊断方法
技术领域
本发明涉及一种基于三级神经网络建模的机器故障预测诊断方法，属于机器故障检测方法技术和人工智能技术领域。
背景技术
在工业生产中存在的大量关键机器设备，尤其是流水线作业的关键机器设备，在一个生产周期内是不能随意停机检修的，若意外停机会造成重大的生产事故。对于这些关键机器设备的运维，传统的方式是采用计划性的检修方案。计划性检修方案不考虑机器的实际运行状态，因此存在着完好状态下的机器被停机检修(过维护)，而在故障边缘的机器却被忽略(欠维护)的问题。欠维护的危害是显而易见的。过维护在表面上避免了机器故障，仅仅增加了运维成本，然而实际上存在可能在检修过程中引入人为故障和新修机器运行磨合等问题。基于运行状态的机器运行健康监测和预测性维护是业界公认的最佳运维解决方案。但目前大量的机器设备运行状态检测和故障诊断仍然依靠机器运维专家的经验通过人工听诊或者测振分析进行诊断。这种人工诊断效果受专家经验的影响，无法实现持续在线监测，且预测能力有限。通常故障被检测到时，故障已经处于发展的晚期，机器随时可能发生破坏性故障。
随着信息技术和人工智能技术发展，利用在机器上安装传感器进行在线检测，并利用人工智能模型进行故障诊断的预见性维护方案是目前工业智能化的重要研究领域。但是由于人工智能模型需要对不同机器设备进行针对性训练，因此每种监测和诊断方案正式上线应用之前需要很长时间的数据积累。而且由于训练样本的完全由人类专家进行标注，训练出来的诊断模型，虽然节省了大量的人力劳动，可以复制专家的经验不知疲倦的持续监控，但是在对人工难以察觉的潜在性故障的预测性诊断上能力有限。因此，机器故障在线监测和人工智能诊断技术的发展需要在缩短系统投入产出周期、提高诊断的准确性、提高诊断的提前预测能力等方面进行突破性的创新。
发明内容
本发明的目的是提出一种基于三级神经网络建模的机器故障预测诊断方法，提高机器故障在线诊断技术的智能性、实用性、准确性，以及对潜在性故障的预测性。
本发明提出的一种基于三级神经网络建模的机器故障预测诊断方法，包括以下步骤：
(1)从机器运行维修管理部门的机器故障标注日志中获取待测机器的运行状态监测数据，运行状态监测数据包括待测机器的转速数据R、温度数据T、振动数据V和声音数据S，R、T、V和S为时间序列数据；
(2)对步骤(1)采集的运行状态监测数据做分帧处理，数据帧时长设为tlen，第i个数据帧起始时间为ti，截取时窗[ti,ti+tlen]内的R、T、V、S，分别记为R_ti、T_ti、V_ti和S_ti，分帧处理后R、T、V、S数据都被分成N个数据帧，记为：
Figure BDA0002450017220000021
其中，N为数据帧总数，i为数据帧编号，ti为第i个数据帧起始时刻，Frame_ti表示ti时刻的数据帧，Frame_ti由ti时刻的转速数据帧R_ti、温度数据帧T_ti、振动数据帧V_ti和声音数据帧S_ti组合而成；
(3)对步骤(2)得到的数据帧Frame_ti进行处理，生成样本特征集Feature_Full，具体步骤如下：
(3.1)对Frame_ti中的R_ti、T_ti、V_ti和S_ti分别进行时域幅值统计，由转速数据帧R_ti得到转速平均值R_mean_ti，由温度数据帧T_ti得到温度平均值T_mean_ti，由振动数据帧V_ti计算得到振动均方根V_rms_ti、振动方差V_sigm_ti、振动偏度V_skew_ti和振动峭度V_kurt_ti，由声音数据帧S_ti计算得到声音均方根S_rms_ti、声音方差S_sigm_ti、声音偏度S_skew_ti和声音峭度S_kurt_ti，将上述统计值拼接组成一个10维向量Vec1_ti,N个Frame_ti数据帧处理得到N个10维向量，记为：
Figure BDA0002450017220000031
(3.2)对Frame_ti中的V_ti进行快速傅里叶变换，得到振动能量谱，对该振动能量谱进行L个子带滤波，得到一个L维向量Vec2_ti，N个V_ti数据帧处理得到N个L维向量，记为：
Figure BDA0002450017220000032
其中，L为滤波子带个数，L的取值范围为10-1000，FFT表示快速傅里叶变换，Filter_l表示第l个子带滤波；
(3.3)对Frame_ti中的S_ti进行快速傅里叶变换，得到声音能量谱，对该声音能量谱进行M个子带滤波，得到一个M维向量Vec3_ti，N个S_ti数据帧处理得到N个M维向量，记为：
Figure BDA0002450017220000033
其中，M为滤波子带个数，M的取值为10-1000，FFT表示快速傅里叶变换，Filter_m表示第m个子带滤波；
(3.4)将步骤(3.1)-步骤(3.3)得到的Vec1_ti、Vec2_ti和Vec3_ti拼接生成一个(10+L+M)维向量，作为ti时刻的样本特征Vec_ti，记为：
Figure BDA0002450017220000041
(3.5)将步骤(3.4)得到的N个样本特征Vec_ti集合组成样本特征集Feature_Full，记为：
Figure BDA0002450017220000042
(4)生成一个训练样本集，包括以下步骤：
(4.1)将机器状态分为故障状态和无故障状态，其中故障状态包括多种未分级故障类型和多种已分级故障类型状态，将已分级故障类型按故障严重性程度分为5级：其中1级表示处于故障初期，2级表示处于故障初中期，3级表示处于故障中期，4级表示处于故障中晚期，5级表示处于故障晚期，将5个故障等级的故障历时长度向量记为[D1,D2,D3,D4,D5]；其中D1表示从1级发展到2级历时长度，D2表示从2级发展到3级的历时长度，D3表示从3级发展到4级的历时长度，D4表示从4级发展到5级的历时长度，D5表示从发现D5特征到破坏性故障发生的历时长度，将每一种已分级故障类型按上述方式确定的故障历时长度向量记为[D1_itype,D2_itype,D3_itype,D4_itype,D5_itype]，itype表示故障类型编号；
(4.2)根据步骤(3.5)的样本特征集Feature_Full以及步骤(1)的机器故障标注日志，生成故障样本集Set_Fault，具体步骤如下：
(4.2.1)从机器故障标注日志中提取一条记录,记录内容包含一组四元数据，形式为：(τ,type,level,τ2),其中τ为故障被检测到的时刻，type为故障类型，level为故障等级，τ2为故障被修复的时刻；
(4.2.2)对故障类型type进行判断：
若type为未分级故障类型,则执行步骤(4.2.2.1)-(4.2.2.2)：
(4.2.2.1)从步骤(3.5)得到的样本特征集Feature_Full中取出所有τ≤t＜τ2时段内的样本特征Vec_t；
(4.2.2.2)对(4.2.2.1)得到的每个样本特征Vec_t,添加样本标注(type,*),生成带标注故障样本Sample_fault＝(vec_t,(type,*))，其中Sample_fault表示一个带标注故障样本，Vec_t为样本特征，(type,*)为样本标注，type为故障类型，“*”为缺省项；
若type为已分级故障类型，则设故障类型的编号为itype，执行步骤(4.2.2.3)-(4.2.2.4)：
(4.2.2.3)根据步骤(4.2.1)得到的τ、level、τ2和步骤(4.1)得到的故障历时长度向量[D1_itype,D2_itype,D3_itype,D4_itype,D5_itype]，利用下式计算不同等级故障的转化时刻，以level＝5为例，level为4级、3级、2级、1级时处理方式可类推：
Figure BDA0002450017220000051
(4.2.2.4)根据下式，对步骤(3.5)得到的样本特征集Feature_Full中的每个样本vec_t进行如下处理，生成一个带标注故障样本Sample_fault：
Figure BDA0002450017220000052
(4.2.3)遍历机器故障标注日志中的每条记录，重复步骤(4.2.1)和(4.2.2)，将(4.2.2.2)和(4.2.2.4)生成的所有带标注故障样本组合成一个集合，得到故障样本集Set_Fault；
(4.3)生成一个无故障样本集Set_Normal，包括以下步骤：
(4.3.1)将与步骤(4.2.3)生成的故障样本集Set_Fault相对应的样本特征记为故障样本特征Feature_Fault，从步骤(3.5)得到的样本特征集Feature_Full中剔除Feature_Fault，剩余部分样本特征集记为无故障样本特征集Feature_Normal，满足集合运算公式：
Feature_Normal＝Feature_Full-Feature_fault
(4.3.2)从步骤(4.3.1)得到的无故障样本特征集Feature_Normal中随机抽取一条样本特征vec_t，添加样本标注，生成带标注无故障样本如下：
Sample_normal＝(vec_t,(无故障类型,*))；
其中，Sample_normal为带标注无故障样本，vec_t为样本特征，(无故障类型,*)为样本标注，“无故障类型”为机器状态类型，“*”为缺省项；
(4.3.3)遍历故障样本集Set_Fault中的所有样本，重复步骤(4.3.2)，得到带标注无故障样本集Set_Normal；
(4.4)将步骤(4.2)得到的故障样本集Set_Fault和步骤(4.3)得到的无故障样本集Set_Normal合并生成完整的机器状态样本集Set_State,满足集合运算公式：
Set_State＝Set_Fault∪Set_Normal；
(5)建立并训练三级深度神经网络故障诊断模型，具体步骤如下：
(5.1)建立并训练第一级深度神经网络故障诊断模型DNN1，DNN1将运行状态分类成无故障和故障两类，具体步骤如下：
(5.1.1)对步骤(4.4)得到的机器状态样本集Set_State中样本的样本标签采用如下独热编码方式编成两类：
无故障为
Figure BDA0002450017220000061
故障为
Figure BDA0002450017220000062
(5.1.2)确定DNN1的结构、层数和节点数：网络结构深度神经网络结构上分为第一层的输入层、中间的多个隐藏层和最后一层的输出层；其中输入层的输入为机器状态样本集Set_State中样本的样本特征Vec_t，该样本特征Vec_t为一个200-500维的向量；输出层有2个节点，2个节点分别对应机器的无故障状态概率和故障状态概率，隐含层用于提取不同层次的特征，隐含层的层数和节点数根据经验和测试分析确定，隐含层的层数为3-5层，每个隐含层的节点数Node代表该隐含层提取的特征的维度，网络结构采用层内无连接、相邻层全连接的结构形式；
(5.1.3)对(5.1.2)建立的模型进行无监督训练，将DNN1的每两个相邻层当作一个受限玻尔兹曼机进行预训练，得到DNN1的初始模型参数；
(5.1.4)利用(5.1.3)训练得到的初始模型参数，对初始化DNN1进行监督训练，利用后向传播算法对DNN1模型参数进行优化微整：训练样本集为步骤(4.4)得到的机器状态样本集Set_State，输入层输入Set_State中样本的样本特征Vec_t，输出编码
Figure BDA0002450017220000071
其中P无故障表示无故障的概率，P故障为故障的概率；训练目标为最小化输出编码
Figure BDA0002450017220000072
与按(5.1.1)生成独热编码的交叉熵，遍历Set_State中所有样本，重复本步骤，最后训练得到第一级深度神经网络故障诊断模型DNN1；
(5.2)建立并训练第二级深度神经网络故障诊断模型DNN2，DNN2对故障类型进行分类，步骤如下：
(5.2.1)对步骤(4.2)得到的故障样本集Set_Fault中样本的样本标签采用独热编码方式编码，以三种故障类型为例：
类型1为
Figure BDA0002450017220000073
类型2为
Figure BDA0002450017220000074
类型3为
Figure BDA0002450017220000075
(5.2.2)确定DNN2的结构、层数和节点数：深度神经网络结构上分为第一层的输入层、中间的多个隐藏层和最后一层的输出层；其中的输入层的输入为Set_Fault中样本的样本特征Vec_t，该样本特征Vec_t为一个200-500维的向量；输出层节点数为故障类型数目，每个节点的输出对应一种故障类型的概率；隐含层用于提取不同层次的特征，隐含层的层数和节点数根据经验和测试分析确定，隐含层的层数为3-5层，每层隐含层的节点数Node代表该隐含层提取的特征的维度，网络结构采用层内无连接，相邻层全连接的结构形式；
(5.2.3)对(5.2.2)建立的模型进行无监督训练，将DNN2的每两个相邻层当作一个受限玻尔兹曼机进行预训练，得到DNN2的初始模型参数；
(5.2.4)利用(5.2.3)训练得到的初始模型参数对初始化DNN2进行监督训练，利用后向传播算法对DNN2模型参数进行优化微整：训练样本集为步骤(4.2)得到的机器状态样本集Set_Fault，输入层输入Set_Fault中样本的样本特征Vec_t，输出编码
Figure BDA0002450017220000076
其中P类型1表示故障类型为类型1的概率，P类型2表示故障类型为类型2的概率，P类型3表示故障类型为类型3的概率；训练目标为最小化输出编码
Figure BDA0002450017220000081
与按(5.2.1)生成独热编码的交叉熵。遍历Set_State中所有样本循环执行本步骤，最后训练得到第二级深度神经网络故障诊断模型DNN2；
(5.3)建立并训练第三级深度神经网络故障分级诊断模型，该级模型对已分级故障类型的故障等级进行分类，每一种已分级障类型Typej分别建立专属的第三级深度神经网络故障分级诊断模型DNN3j，具体步骤如下：
(5.3.1)从步骤(4.2)得到的故障样本集Set_Fault中抽取故障类型为已分级故障类型Typej的样本，集合生成Typej的第三级模型训练样本集Set_Faultj,其中j表示故障类型编号，对训练样本集Set_Faultj中样本的样本标签采用独热编码方式编码；
(5.3.2)确定故障类型Typej的第三级深度神经网络故障分级诊断模型DNN3j的结构、层数和节点数：网络结构深度神经网络结构上分为第一层的输入层、中间的多个隐藏层和最后一层的输出层，输入层输入的为步骤(5.3.1)得到的训练样本集Set_Faultj中样本的样本特征Vec_t，该样本特征Vec_t为一个200-500维的向量；输出层节点数为故障等级数目，每个节点的输出对应一种故障等级的概率；隐含层主要用于提取不同层次的特征，隐含层的层数和节点数根据经验和测试分析确定，隐含层的层数为3-5层，每层隐含层的节点数Node代表该隐含层提取的特征的维度，网络结构采用层内无连接，相邻层全连接的结构形式；
(5.3.3)对(5.3.2)建立的模型进行无监督训练，将DNN3j的每两个相邻层当作一个受限玻尔兹曼机进行预训练，得到DNN3j的初始模型参数；
(5.3.4)利用(5.3.3)训练得到的初始模型参数，对初始化DNN3j进行监督训练，利用后向传播算法对DNN1模型参数进行优化微整：训练样本集为步骤(5.3.1)得到的训练样本集Set_Faultj，输入层输入Set_Faultj中样本的样本特征Vec_t，输出编码
Figure BDA0002450017220000082
其中P1级表示故障为1级的概率，P2级表示故障为2级的概率，P3级表示故障为3级的概率，P4级表示故障为4级的概率，P5级表示故障为5级的概率；训练目标为最小化输出编码
Figure BDA0002450017220000091
与按(5.3.1)生成独热编码的交叉熵。遍历Set_Faultj中所有样本循环执行本步骤，最后训练得到故障类型Typej专属的第三级深度神经网络故障分级诊断模型DNN3j；
(5.3.5)遍历每一种已分级故障类型，重复步骤(5.3.1)-步骤(5.3.4)，得到该类已分级故障类型专属的第三级深度神经网络故障分级诊断模型；
(6)利用步骤(5)的三级深度神经网络故障诊断模型，对待测机器故障进行诊断，具体步骤如下：
(6.1)生成三级深度神经网络故障诊断模型的输入样本特征，具体步骤如下：
(6.1.1)实时采集待测机器运行过程中的转速
Figure BDA0002450017220000092
温度
Figure BDA0002450017220000093
振动
Figure BDA0002450017220000094
和声音
Figure BDA0002450017220000095
(6.1.2)设定和步骤(2)相同的数据帧长度tlen，在诊断时刻tcurr截取时窗[tcurr,tcurr+tlen]内的
Figure BDA0002450017220000096
和
Figure BDA0002450017220000097
记为
Figure BDA0002450017220000098
和
Figure BDA0002450017220000099
得到tcurr时刻的数据帧，记为：
Figure BDA00024500172200000910
其中
Figure BDA00024500172200000911
为转速数据帧，
Figure BDA00024500172200000912
为温度数据帧、
Figure BDA00024500172200000913
为振动数据帧、
Figure BDA00024500172200000914
为声音数据帧
(6.1.3)对步骤(6.1.2)得到的数据帧
Figure BDA00024500172200000915
进行处理，生成样本特征，具体步骤如下：
(6.1.3.1)对
Figure BDA00024500172200000916
中的
Figure BDA00024500172200000917
和
Figure BDA00024500172200000918
分别进行时域幅值统计，由转速数据帧
Figure BDA00024500172200000919
得到转速平均值
Figure BDA00024500172200000920
由温度数据帧
Figure BDA00024500172200000921
得到温度平均值
Figure BDA00024500172200000922
由振动数据帧
Figure BDA00024500172200000923
计算得到振动均方根
Figure BDA00024500172200000924
振动方差
Figure BDA0002450017220000101
振动偏度
Figure BDA0002450017220000102
和振动峭度
Figure BDA0002450017220000103
由声音数据帧
Figure BDA0002450017220000104
计算得到声音均方根
Figure BDA0002450017220000105
声音方差
Figure BDA0002450017220000106
声音偏度
Figure BDA0002450017220000107
和声音峭度
Figure BDA0002450017220000108
将上述统计值拼接组成一个10维向量
Figure BDA0002450017220000109
记为：
Figure BDA00024500172200001010
(6.1.3.2)对
Figure BDA00024500172200001011
中的
Figure BDA00024500172200001012
进行快速傅里叶变换，得到振动能量谱，然后对振动能量谱进行L个子带滤波，L的取值与步骤(3.2)的L值相等，得到一个L维向量
Figure BDA00024500172200001013
记为：
Figure BDA00024500172200001014
其中FFT表示快速傅里叶变换，Filter_l表示第l个子带滤波；
(6.1.3.3)对
Figure BDA00024500172200001015
中的
Figure BDA00024500172200001016
进行快速傅里叶变换，得到声音能量谱，然后对声音能量谱进行M个子带滤波，M的取值与步骤(3.3)的M值相等，得到一个M维向量
Figure BDA00024500172200001017
记为：
Figure BDA0002450017220000111
其中FFT表示快速傅里叶变换，Filter_m表示第m个子带滤波；
(6.1.3.4)将步骤(6.1.3.1)-(6.1.3.3)得到的
Figure BDA0002450017220000112
和
Figure BDA0002450017220000113
拼接生成一个(10+L+M)维向量，作为tcurr时刻的样本特征
Figure BDA0002450017220000114
记为：
Figure BDA0002450017220000115
(6.2)设定一个第一级诊断阈值threshold，threshold的取值范围为0.9-1.0，启动一级诊断，将(6.1.3.4)得到的样本特征
Figure BDA0002450017220000116
输入到步骤(5.1)得到的第一级深度神经网络诊断模型DNN1，输出故障概率和无故障概率编码
Figure BDA0002450017220000117
其中
Figure BDA0002450017220000118
表示无故障的概率，
Figure BDA0002450017220000119
为故障的概率，根据故障概率和无故障概率给出诊断结果：
Figure BDA00024500172200001110
若诊断结果为无故障，则结束诊断，若诊断结果为“故障”，执行步骤(6.3)；
(6.3)启动二级诊断，将(6.1.3.4)得到的样本特征
Figure BDA00024500172200001111
输入到步骤(5.2)得到的第二级深度神经网络诊断模型DNN2，输出故障类型概率编码
Figure BDA00024500172200001112
其中
Figure BDA00024500172200001113
表示故障类型为类型1的概率，
Figure BDA00024500172200001114
表示故障类型为类型2的概率，
Figure BDA00024500172200001115
表示故障类型为类型3的概率，诊断标准为：最高概率的故障类型为诊断结果故障类型，记为Typej，其中j为故障类型编号，若Typej为未分级故障类型，则输出诊断结果为“故障类型Typej”，若Typej为已分级故障类型，则执行步骤(6.4)；
(6.4)启动三级诊断，调用步骤(6.3)诊断结果故障类型Typej专属的第三级深度神经网络故障分级诊断模型DNN3j，将(6.1.3.4)得到的样本特征
Figure BDA0002450017220000121
输入到步骤(5.3)得到的第三级深度神经网络故障分级诊断模型DNN3j，输出各个故障等级的概率
Figure BDA0002450017220000122
其中
Figure BDA0002450017220000123
表示故障为1级的概率，
Figure BDA0002450017220000124
表示故障为2级的概率，
Figure BDA0002450017220000125
表示故障为3级的概率，
Figure BDA0002450017220000126
表示故障为4级的概率，
Figure BDA0002450017220000127
表示故障为5级的概率；诊断标准为：最高概率的故障等级确定为诊断结果故障等级，记为levelk，输出诊断结果为待测机器的“故障类型Typej”和“故障等级levelk”，实现基于三级神经网络建模的机器故障预测诊断。
本发明提出的基于三级神经网络建模的机器故障预测诊断方法，其特点和优点是：
本发明方法采用三级神经网络建模实现机器故障的预测诊断，首先采集待测机器运行过程中的转速、温度、振动和声音，预处理成样本特征，根据机器故障标注日志和故障等级历时长度对样本特征添加样本标注，生成分类型分等级的故障样本集；然后从无故障状态的样本中随机抽取一定数量的样本组成无故障样本集；故障样本集和无故障样本集组成完整的机器状态样本集。，利用第一级深度神经网络故障诊断模型诊断机器是否存在故障。若第一级诊断结果为故障，启动第二级诊断。第二级深度神经网络故障诊断模型诊断机器故障的类型。若第二级诊断结果属于未分类的故障类型，直接输出诊断结果；若第二级诊断结果属于已分类的故障类型，启动第三级诊断。第三级深度神经网络故障分级诊断模型对第二季诊断给出的已分级故障类型进一步诊断故障等级。本发明方法有助于缩短诊断系统从投入到产出的周期，提高实用性。用本方法生成的故障样本集中包含大量现有方法无法识别的低等级故障样本，训练得到的模型相比现有方法具有更高的诊断准确率和预测能力。相比现有的机器故障在线诊断技术，本发明提出的方法更智能、容易上线实用、诊断更准确、对潜在性故障的预测能力更强。首先本发明采用深度神经网络建模技术提高诊断的智能化，可以自动提取出隐藏在样本数据中表征故障的细微特征；采用先诊断故障有/无，再确定类型，最后确定严重等级的三级神经网络建模，在系统部署初期数据积累不够充分的情况下即可实现故障判断，随着数据积累慢慢深入到故障类型判断，最后对渐进式的故障类型进行故障预测，三级神经网络建模缩短了诊断系统从投入到产出的周期，提高了实用性。
具体实施方式
本发明提出的基于三级神经网络建模的机器故障预测诊断方法，包括以下步骤：
(1)从机器运行维修管理部门的机器故障标注日志中获取待测机器的运行状态监测数据，运行状态监测数据包括待测机器的转速数据R、温度数据T、振动数据V和声音数据S，R、T、V和S为时间序列数据；
(2)对步骤(1)采集的运行状态监测数据做分帧处理，数据帧时长设为tlen，第i个数据帧起始时间为ti，截取时窗[ti,ti+tlen]内的R、T、V、S，分别记为R_ti、T_ti、V_ti和S_ti，分帧处理后R、T、V、S数据都被分成N个数据帧，记为：
Figure BDA0002450017220000131
其中，N为数据帧总数，i为数据帧编号，ti为第i个数据帧起始时刻，Frame_ti表示ti时刻的数据帧，Frame_ti由ti时刻的转速数据帧R_ti、温度数据帧T_ti、振动数据帧V_ti和声音数据帧S_ti组合而成；
(3)对步骤(2)得到的数据帧Frame_ti进行处理，生成样本特征集Feature_Full，具体步骤如下：
(3.1)对Frame_ti中的R_ti、T_ti、V_ti和S_ti分别进行时域幅值统计，由转速数据帧R_ti得到转速平均值R_mean_ti，由温度数据帧T_ti得到温度平均值T_mean_ti，由振动数据帧V_ti计算得到振动均方根V_rms_ti、振动方差V_sigm_ti、振动偏度V_skew_ti和振动峭度V_kurt_ti，由声音数据帧S_ti计算得到声音均方根S_rms_ti、声音方差S_sigm_ti、声音偏度S_skew_ti和声音峭度S_kurt_ti，将上述统计值拼接组成一个10维向量Vec1_ti,N个Frame_ti数据帧处理得到N个10维向量，记为：
Figure BDA0002450017220000141
(3.2)对Frame_ti中的V_ti进行快速傅里叶变换，得到振动能量谱，对该振动能量谱进行L个子带滤波，得到一个L维向量Vec2_ti，N个V_ti数据帧处理得到N个L维向量，记为：
Figure BDA0002450017220000142
其中，L为滤波子带个数，L的取值范围为10-1000，FFT表示快速傅里叶变换，Filter_l表示第l个子带滤波；
(3.3)对Frame_ti中的S_ti进行快速傅里叶变换，得到声音能量谱，对该声音能量谱进行M个子带滤波，得到一个M维向量Vec3_ti，N个S_ti数据帧处理得到N个M维向量，记为：
Figure BDA0002450017220000143
其中，M为滤波子带个数，M的取值为10-1000，FFT表示快速傅里叶变换，Filter_m表示第m个子带滤波；
(3.4)将步骤(3.1)-步骤(3.3)得到的Vec1_ti、Vec2_ti和Vec3_ti拼接生成一个(10+L+M)维向量，作为ti时刻的样本特征Vec_ti，记为：
Figure BDA0002450017220000151
(3.5)将步骤(3.4)得到的N个样本特征Vec_ti集合组成样本特征集Feature_Full，记为：
Figure BDA0002450017220000152
(4)生成一个训练样本集，包括以下步骤：
(4.1)将机器状态分为故障状态和无故障状态，其中故障状态包括多种未分级故障类型和多种已分级故障类型状态，未分级故障类型指那些无法分级的突发性故障或因对其发展规律尚未掌握而未分级的故障类型。已分级故障类型指那些已经明确其发展周期且划分了等级的渐变性故障类型。(蓝色部分文字为解释性用语，请保留)将已分级故障类型按故障严重性程度分为5级：其中1级表示处于故障初期，2级表示处于故障初中期，3级表示处于故障中期，4级表示处于故障中晚期，5级表示处于故障晚期，将5个故障等级的故障历时长度向量记为[D1,D2,D3,D4,D5]；其中D1表示从1级发展到2级历时长度，D2表示从2级发展到3级的历时长度，D3表示从3级发展到4级的历时长度，D4表示从4级发展到5级的历时长度，D5表示从发现D5特征到破坏性故障发生的历时长度，将每一种已分级故障类型按上述方式确定的故障历时长度向量记为[D1_itype,D2_itype,D3_itype,D4_itype,D5_itype]，itype表示故障类型编号；
(4.2)根据步骤(3.5)的样本特征集Feature_Full以及步骤(1)的机器故障标注日志，生成故障样本集Set_Fault，具体步骤如下：
(4.2.1)从机器故障标注日志中提取一条记录,记录内容包含一组四元数据，形式为：(τ,type,level,τ2),其中τ为故障被检测到的时刻，type为故障类型，level为故障等级，τ2为故障被修复的时刻；
(4.2.2)对故障类型type进行判断：
若type为未分级故障类型,则执行步骤(4.2.2.1)-(4.2.2.2)：
(4.2.2.1)从步骤(3.5)得到的样本特征集Feature_Full中取出所有τ≤t＜τ2时段内的样本特征Vec_t；
(4.2.2.2)对(4.2.2.1)得到的每个样本特征Vec_t,添加样本标注(type,*),生成带标注故障样本Sample_fault＝(vec_t,(type,*))，其中Sample_fault表示一个带标注故障样本，Vec_t为样本特征，(type,*)为样本标注，type为故障类型，“*”为缺省项；
若type为已分级故障类型，则设故障类型的编号为itype，执行步骤(4.2.2.3)-(4.2.2.4)：
(4.2.2.3)根据步骤(4.2.1)得到的τ、level、τ2和步骤(4.1)得到的故障历时长度向量[D1_itype,D2_itype,D3_itype,D4_itype,D5_itype]，利用下式计算不同等级故障的转化时刻，以level＝5为例，level为4级、3级、2级、1级时处理方式可类推：
Figure BDA0002450017220000161
(4.2.2.4)根据下式，对步骤(3.5)得到的样本特征集Feature_Full中的每个样本vec_t进行如下处理，生成一个带标注故障样本Sample_fault：
Figure BDA0002450017220000162
(4.2.3)遍历机器故障标注日志中的每条记录，重复步骤(4.2.1)和(4.2.2)，将(4.2.2.2)和(4.2.2.4)生成的所有带标注故障样本组合成一个集合，得到故障样本集Set_Fault；
(4.3)生成一个无故障样本集Set_Normal，包括以下步骤：
(4.3.1)将与步骤(4.2.3)生成的故障样本集Set_Fault相对应的样本特征记为故障样本特征Feature_Fault，从步骤(3.5)得到的样本特征集Feature_Full中剔除Feature_Fault，剩余部分样本特征集记为无故障样本特征集Feature_Normal，满足集合运算公式：
Feature_Normal＝Feature_Full-Feature_fault
(4.3.2)从步骤(4.3.1)得到的无故障样本特征集Feature_Normal中随机抽取一条样本特征vec_t，添加样本标注，生成带标注无故障样本如下：
Sample_normal＝(vec_t,(无故障类型,*))；
其中，Sample_normal为带标注无故障样本，vec_t为样本特征，(无故障类型,*)为样本标注，“无故障类型”为机器状态类型，“*”为缺省项；
(4.3.3)遍历故障样本集Set_Fault中的所有样本，重复步骤(4.3.2)，得到带标注无故障样本集Set_Normal；
(4.4)将步骤(4.2)得到的故障样本集Set_Fault和步骤(4.3)得到的无故障样本集Set_Normal合并生成完整的机器状态样本集Set_State,满足集合运算公式：
Set_State＝Set_Fault∪Set_Normal；
(5)建立并训练三级深度神经网络故障诊断模型，具体步骤如下：
(5.1)建立并训练第一级深度神经网络故障诊断模型DNN1，DNN1将运行状态分类成无故障和故障两类，具体步骤如下：
(5.1.1)对步骤(4.4)得到的机器状态样本集Set_State中样本的样本标签采用如下独热编码方式编成两类：
无故障为
Figure BDA0002450017220000171
故障为
Figure BDA0002450017220000172
(5.1.2)确定DNN1的结构、层数和节点数：网络结构深度神经网络结构上分为第一层的输入层、中间的多个隐藏层和最后一层的输出层；其中输入层的输入为机器状态样本集Set_State中样本的样本特征Vec_t，该样本特征Vec_t为一个200-500维的向量；输出层有2个节点，2个节点分别对应机器的无故障状态概率和故障状态概率，隐含层用于提取不同层次的特征，隐含层的层数和节点数根据经验和测试分析确定，隐含层的层数为3-5层，每个隐含层的节点数Node代表该隐含层提取的特征的维度，以5层隐含层网络为例，通常设置成如下先降维在升维的形式：
Node1＝1024
Node2＝512
Node3＝256
Node4＝512
Node5＝1024DNN1
网络结构采用层内无连接、相邻层全连接的结构形式；
(5.1.3)对(5.1.2)建立的模型进行无监督训练，将DNN1的每两个相邻层当作一个受限玻尔兹曼机进行预训练，得到DNN1的初始模型参数；以5层隐层的7层神经网络为例，共需连接6个受限玻尔兹曼机(RBM)：首先训练第1层和第2层组成的RBM1，得到模型参数
Figure BDA0002450017220000181
和
Figure BDA0002450017220000182
然后训练得到第2层和第3层组成的RBM2，得到模型参数
Figure BDA0002450017220000183
和
Figure BDA0002450017220000184
依次执行得到所有6个受限玻尔兹曼机的参数,预训练得到的6个受限玻尔兹曼机组成DNN1的初始模型参数
Figure BDA0002450017220000185
(5.1.4)利用(5.1.3)训练得到的初始模型参数，对初始化DNN1进行监督训练，利用后向传播算法对DNN1模型参数进行优化微整：训练样本集为步骤(4.4)得到的机器状态样本集Set_State，输入层输入Set_State中样本的样本特征Vec_t，输出编码
Figure BDA0002450017220000186
其中P无故障表示无故障的概率，P故障为故障的概率；训练目标为最小化输出编码
Figure BDA0002450017220000187
与按(5.1.1)生成独热编码的交叉熵，遍历Set_State中所有样本，重复本步骤，最后训练得到第一级深度神经网络故障诊断模型DNN1；
(5.2)建立并训练第二级深度神经网络故障诊断模型DNN2，DNN2对故障类型进行分类，步骤如下：
(5.2.1)对步骤(4.2)得到的故障样本集Set_Fault中样本的样本标签采用独热编码方式编码，以三种故障类型为例：
类型1为
Figure BDA0002450017220000188
类型2为
Figure BDA0002450017220000189
类型3为
Figure BDA00024500172200001810
(5.2.2)确定DNN2的结构、层数和节点数：深度神经网络结构上分为第一层的输入层、中间的多个隐藏层和最后一层的输出层；其中的输入层的输入为Set_Fault中样本的样本特征Vec_t，该样本特征Vec_t为一个200-500维的向量；输出层节点数为故障类型数目，每个节点的输出对应一种故障类型的概率；隐含层用于提取不同层次的特征，隐含层的层数和节点数根据经验和测试分析确定，隐含层的层数为3-5层，每层隐含层的节点数Node代表该隐含层提取的特征的维度，以5层隐含层网络为例，通常设置成如下先降维在升维的形式：
Node1＝1024
Node2＝512
Node3＝256
Node4＝512
Node5＝1024
网络结构采用层内无连接，相邻层全连接的结构形式；
(5.2.3)对(5.2.2)建立的模型进行无监督训练，将DNN2的每两个相邻层当作一个受限玻尔兹曼机进行预训练，得到DNN2的初始模型参数；以5层隐层的7层神经网络为例，共需连接6个受限玻尔兹曼机(RBM)：首先训练第1层和第2层组成的RBM1，得到模型参数
Figure BDA0002450017220000191
和
Figure BDA0002450017220000192
然后训练得到第2层和第3层组成的RBM2，得到模型参数
Figure BDA0002450017220000193
和
Figure BDA0002450017220000194
依次执行得到所有6个受限玻尔兹曼机的参数,预训练得到的6个受限玻尔兹曼机组成DNN2的初始模型参数
Figure BDA0002450017220000195
(5.2.4)利用(5.2.3)训练得到的初始模型参数对初始化DNN2进行监督训练，利用后向传播算法对DNN2模型参数进行优化微整：训练样本集为步骤(4.2)得到的机器状态样本集Set_Fault，输入层输入Set_Fault中样本的样本特征Vec_t，输出编码
Figure BDA0002450017220000196
其中P类型1表示故障类型为类型1的概率，P类型2表示故障类型为类型2的概率，P类型3表示故障类型为类型3的概率；训练目标为最小化输出编码
Figure BDA0002450017220000197
与按(5.2.1)生成独热编码的交叉熵。遍历Set_State中所有样本循环执行本步骤，最后训练得到第二级深度神经网络故障诊断模型DNN2；
(5.3)建立并训练第三级深度神经网络故障分级诊断模型，该级模型对已分级故障类型的故障等级进行分类，每一种已分级障类型Typej分别建立专属的第三级深度神经网络故障分级诊断模型DNN3j，具体步骤如下：
(5.3.1)从步骤(4.2)得到的故障样本集Set_Fault中抽取故障类型为已分级故障类型Typej的样本，集合生成Typej的第三级模型训练样本集Set_Faultj,其中j表示故障类型编号，对训练样本集Set_Faultj中样本的样本标签采用独热编码方式编码，以5级故障等级为例：
1级为
Figure BDA0002450017220000201
2级为
Figure BDA0002450017220000202
3级为
Figure BDA0002450017220000203
4级为
Figure BDA0002450017220000204
5级为
Figure BDA0002450017220000205
(5.3.2)确定故障类型Typej的第三级深度神经网络故障分级诊断模型DNN3j的结构、层数和节点数：网络结构深度神经网络结构上分为第一层的输入层、中间的多个隐藏层和最后一层的输出层，输入层输入的为步骤(5.3.1)得到的训练样本集Set_Faultj中样本的样本特征Vec_t，该样本特征Vec_t为一个200-500维的向量；输出层节点数为故障等级数目，每个节点的输出对应一种故障等级的概率；隐含层主要用于提取不同层次的特征，隐含层的层数和节点数根据经验和测试分析确定，隐含层的层数为3-5层，每层隐含层的节点数Node代表该隐含层提取的特征的维度，以5层隐含层网络为例，通常设置成如下先降维在升维的形式：
Node1＝1024
Node2＝512
Node3＝256
Node4＝512
Node5＝1024
网络结构采用层内无连接，相邻层全连接的结构形式；
(5.3.3)对(5.3.2)建立的模型进行无监督训练，将DNN3j的每两个相邻层当作一个受限玻尔兹曼机进行预训练，得到DNN3j的初始模型参数，以5层隐层的7层神经网络为例，共需连接6个受限玻尔兹曼机(RBM)：首先训练第1层和第2层组成的RBM1，得到模型参数
Figure BDA0002450017220000206
和
Figure BDA0002450017220000207
然后训练得到第2层和第3层组成的RBM2，得到模型参数
Figure BDA0002450017220000208
和
Figure BDA0002450017220000209
依次执行得到所有6个受限玻尔兹曼机的参数,预训练得到的6个受限玻尔兹曼机组成DNN3的初始模型参数
Figure BDA0002450017220000211
(5.3.4)利用(5.3.3)训练得到的初始模型参数，对初始化DNN3j进行监督训练，利用后向传播算法对DNN1模型参数进行优化微整：训练样本集为步骤(5.3.1)得到的训练样本集Set_Faultj，输入层输入Set_Faultj中样本的样本特征Vec_t，输出编码
Figure BDA0002450017220000212
其中P1级表示故障为1级的概率，P2级表示故障为2级的概率，P3级表示故障为3级的概率，P4级表示故障为4级的概率，P5级表示故障为5级的概率；训练目标为最小化输出编码
Figure BDA0002450017220000213
与按(5.3.1)生成独热编码的交叉熵。遍历Set_Faultj中所有样本循环执行本步骤，最后训练得到故障类型Typej专属的第三级深度神经网络故障分级诊断模型DNN3j；
(5.3.5)遍历每一种已分级故障类型，重复步骤(5.3.1)-步骤(5.3.4)，得到该类已分级故障类型专属的第三级深度神经网络故障分级诊断模型；
(6)利用步骤(5)的三级深度神经网络故障诊断模型，对待测机器故障进行诊断，具体步骤如下：
(6.1)生成三级深度神经网络故障诊断模型的输入样本特征，具体步骤如下：
(6.1.1)实时采集待测机器运行过程中的转速
Figure BDA0002450017220000214
温度
Figure BDA0002450017220000215
振动
Figure BDA0002450017220000216
和声音
Figure BDA0002450017220000217
(6.1.2)设定和步骤(2)相同的数据帧长度tlen，在诊断时刻tcurr截取时窗[tcurr,tcurr+tlen]内的
Figure BDA0002450017220000218
和
Figure BDA0002450017220000219
记为
Figure BDA00024500172200002110
和
Figure BDA00024500172200002111
得到tcurr时刻的数据帧，记为：
Figure BDA00024500172200002112
其中
Figure BDA00024500172200002113
为转速数据帧，
Figure BDA00024500172200002114
为温度数据帧、
Figure BDA00024500172200002115
为振动数据帧、
Figure BDA00024500172200002116
为声音数据帧
(6.1.3)对步骤(6.1.2)得到的数据帧
Figure BDA0002450017220000221
进行处理，生成样本特征，具体步骤如下：
(6.1.3.1)对
Figure BDA0002450017220000222
中的
Figure BDA0002450017220000223
和
Figure BDA0002450017220000224
分别进行时域幅值统计，由转速数据帧
Figure BDA0002450017220000225
得到转速平均值
Figure BDA0002450017220000226
由温度数据帧
Figure BDA0002450017220000227
得到温度平均值
Figure BDA0002450017220000228
由振动数据帧
Figure BDA0002450017220000229
计算得到振动均方根
Figure BDA00024500172200002210
振动方差
Figure BDA00024500172200002211
振动偏度
Figure BDA00024500172200002212
和振动峭度
Figure BDA00024500172200002213
由声音数据帧
Figure BDA00024500172200002214
计算得到声音均方根
Figure BDA00024500172200002215
声音方差
Figure BDA00024500172200002216
声音偏度
Figure BDA00024500172200002217
和声音峭度
Figure BDA00024500172200002218
将上述统计值拼接组成一个10维向量
Figure BDA00024500172200002219
记为：
Figure BDA00024500172200002220
(6.1.3.2)对
Figure BDA00024500172200002221
中的
Figure BDA00024500172200002222
进行快速傅里叶变换，得到振动能量谱，然后对振动能量谱进行L个子带滤波，L的取值与步骤(3.2)的L值相等，得到一个L维向量
Figure BDA00024500172200002223
记为：
Figure BDA00024500172200002224
其中FFT表示快速傅里叶变换，Filter_l表示第l个子带滤波；
(6.1.3.3)对
Figure BDA0002450017220000231
中的
Figure BDA0002450017220000232
进行快速傅里叶变换，得到声音能量谱，然后对声音能量谱进行M个子带滤波，M的取值与步骤(3.3)的M值相等，得到一个M维向量
Figure BDA0002450017220000233
记为：
Figure BDA0002450017220000234
其中FFT表示快速傅里叶变换，Filter_m表示第m个子带滤波；
(6.1.3.4)将步骤(6.1.3.1)-(6.1.3.3)得到的
Figure BDA0002450017220000235
和
Figure BDA0002450017220000236
拼接生成一个(10+L+M)维向量，作为tcurr时刻的样本特征
Figure BDA0002450017220000237
记为：
Figure BDA0002450017220000238
(6.2)设定一个第一级诊断阈值threshold，threshold的取值范围为0.9-1.0，启动一级诊断，将(6.1.3.4)得到的样本特征
Figure BDA0002450017220000239
输入到步骤(5.1)得到的第一级深度神经网络诊断模型DNN1，输出故障概率和无故障概率编码
Figure BDA00024500172200002310
其中
Figure BDA00024500172200002311
表示无故障的概率，
Figure BDA00024500172200002312
为故障的概率，根据故障概率和无故障概率给出诊断结果：
Figure BDA00024500172200002313
若诊断结果为无故障，则结束诊断，若诊断结果为“故障”，执行步骤(6.3)；
(6.3)启动二级诊断，将(6.1.3.4)得到的样本特征
Figure BDA00024500172200002314
输入到步骤(5.2)得到的第二级深度神经网络诊断模型DNN2，输出故障类型概率编码
Figure BDA0002450017220000241
其中
Figure BDA0002450017220000242
表示故障类型为类型1的概率，
Figure BDA0002450017220000243
表示故障类型为类型2的概率，
Figure BDA0002450017220000244
表示故障类型为类型3的概率，诊断标准为：最高概率的故障类型为诊断结果故障类型，记为Typej，其中j为故障类型编号，若Typej为未分级故障类型，则输出诊断结果为“故障类型Typej”，若Typej为已分级故障类型，则执行步骤(6.4)；
(6.4)启动三级诊断，调用步骤(6.3)诊断结果故障类型Typej专属的第三级深度神经网络故障分级诊断模型DNN3j，将(6.1.3.4)得到的样本特征
Figure BDA0002450017220000245
输入到步骤(5.3)得到的第三级深度神经网络故障分级诊断模型DNN3j，输出各个故障等级的概率
Figure BDA0002450017220000246
其中
Figure BDA0002450017220000247
表示故障为1级的概率，
Figure BDA0002450017220000248
表示故障为2级的概率，
Figure BDA0002450017220000249
表示故障为3级的概率，
Figure BDA00024500172200002410
表示故障为4级的概率，
Figure BDA00024500172200002411
表示故障为5级的概率；诊断标准为：最高概率的故障等级确定为诊断结果故障等级，记为levelk，输出诊断结果为待测机器的“故障类型Typej”和“故障等级levelk”，实现基于三级神经网络建模的机器故障预测诊断。

Claims (1)

1.一种基于三级神经网络建模的机器故障预测诊断方法，其特征在于，包括以下步骤：
(1)从机器运行维修管理部门的机器故障标注日志中获取待测机器的运行状态监测数据，运行状态监测数据包括待测机器的转速数据R、温度数据T、振动数据V和声音数据S，R、T、V和S为时间序列数据；
(2)对步骤(1)采集的运行状态监测数据做分帧处理，数据帧时长设为tlen，第i个数据帧起始时间为ti，截取时窗[ti,ti+tlen]内的R、T、V、S，分别记为R_ti、T_ti、V_ti和S_ti，分帧处理后R、T、V、S数据都被分成N个数据帧，记为：
Figure FDA0002450017210000011
其中，N为数据帧总数，i为数据帧编号，ti为第i个数据帧起始时刻，Frame_ti表示ti时刻的数据帧，Frame_ti由ti时刻的转速数据帧R_ti、温度数据帧T_ti、振动数据帧V_ti和声音数据帧S_ti组合而成；
(3)对步骤(2)得到的数据帧Frame_ti进行处理，生成样本特征集Feature_Full，具体步骤如下：
(3.1)对Frame_ti中的R_ti、T_ti、V_ti和S_ti分别进行时域幅值统计，由转速数据帧R_ti得到转速平均值R_mean_ti，由温度数据帧T_ti得到温度平均值T_mean_ti，由振动数据帧V_ti计算得到振动均方根V_rms_ti、振动方差V_sigm_ti、振动偏度V_skew_ti和振动峭度V_kurt_ti，由声音数据帧S_ti计算得到声音均方根S_rms_ti、声音方差S_sigm_ti、声音偏度S_skew_ti和声音峭度S_kurt_ti，将上述统计值拼接组成一个10维向量Vec1_ti,N个Frame_ti数据帧处理得到N个10维向量，记为：
Figure FDA0002450017210000021
(3.2)对Frame_ti中的V_ti进行快速傅里叶变换，得到振动能量谱，对该振动能量谱进行L个子带滤波，得到一个L维向量Vec2_ti，N个V_ti数据帧处理得到N个L维向量，记为：
Figure FDA0002450017210000022
其中，L为滤波子带个数，L的取值范围为10-1000，FFT表示快速傅里叶变换，Filter_l表示第l个子带滤波；
(3.3)对Frame_ti中的S_ti进行快速傅里叶变换，得到声音能量谱，对该声音能量谱进行M个子带滤波，得到一个M维向量Vec3_ti，N个S_ti数据帧处理得到N个M维向量，记为：
Figure FDA0002450017210000023
其中，M为滤波子带个数，M的取值为10-1000，FFT表示快速傅里叶变换，Filter_m表示第m个子带滤波；
(3.4)将步骤(3.1)-步骤(3.3)得到的Vec1_ti、Vec2_ti和Vec3_ti拼接生成一个(10+L+M)维向量，作为ti时刻的样本特征Vec_ti，记为：
Figure FDA0002450017210000031
(3.5)将步骤(3.4)得到的N个样本特征Vec_ti集合组成样本特征集Feature_Full，记为：
Figure FDA0002450017210000032
(4)生成一个训练样本集，包括以下步骤：
(4.1)将机器状态分为故障状态和无故障状态，其中故障状态包括多种未分级故障类型和多种已分级故障类型状态，将已分级故障类型按故障严重性程度分为5级：其中1级表示处于故障初期，2级表示处于故障初中期，3级表示处于故障中期，4级表示处于故障中晚期，5级表示处于故障晚期，将5个故障等级的故障历时长度向量记为[D1,D2,D3,D4,D5]；其中D1表示从1级发展到2级历时长度，D2表示从2级发展到3级的历时长度，D3表示从3级发展到4级的历时长度，D4表示从4级发展到5级的历时长度，D5表示从发现D5特征到破坏性故障发生的历时长度，将每一种已分级故障类型按上述方式确定的故障历时长度向量记为[D1_itype,D2_itype,D3_itype,D4_itype,D5_itype]，itype表示故障类型编号；
(4.2)根据步骤(3.5)的样本特征集Feature_Full以及步骤(1)的机器故障标注日志，生成故障样本集Set_Fault，具体步骤如下：
(4.2.1)从机器故障标注日志中提取一条记录,记录内容包含一组四元数据，形式为：(τ,type,level,τ2),其中τ为故障被检测到的时刻，type为故障类型，level为故障等级，τ2为故障被修复的时刻；
(4.2.2)对故障类型type进行判断：
若type为未分级故障类型,则执行步骤(4.2.2.1)-(4.2.2.2)：
(4.2.2.1)从步骤(3.5)得到的样本特征集Feature_Full中取出所有τ≤t＜τ2时段内的样本特征Vec_t；
(4.2.2.2)对(4.2.2.1)得到的每个样本特征Vec_t,添加样本标注(type,*),生成带标注故障样本Sample_fault＝(vec_t,(type,*))，其中Sample_fault表示一个带标注故障样本，Vec_t为样本特征，(type,*)为样本标注，type为故障类型，“*”为缺省项；
若type为已分级故障类型，则设故障类型的编号为itype，执行步骤(4.2.2.3)-(4.2.2.4)：
(4.2.2.3)根据步骤(4.2.1)得到的τ、level、τ2和步骤(4.1)得到的故障历时长度向量[D1_itype,D2_itype,D3_itype,D4_itype,D5_itype]，利用下式计算不同等级故障的转化时刻，以level＝5为例，level为4级、3级、2级、1级时处理方式可类推：
Figure FDA0002450017210000041
(4.2.2.4)根据下式，对步骤(3.5)得到的样本特征集Feature_Full中的每个样本vec_t进行如下处理，生成一个带标注故障样本Sample_fault：
Figure FDA0002450017210000042
(4.2.3)遍历机器故障标注日志中的每条记录，重复步骤(4.2.1)和(4.2.2)，将(4.2.2.2)和(4.2.2.4)生成的所有带标注故障样本组合成一个集合，得到故障样本集Set_Fault；
(4.3)生成一个无故障样本集Set_Normal，包括以下步骤：
(4.3.1)将与步骤(4.2.3)生成的故障样本集Set_Fault相对应的样本特征记为故障样本特征Feature_Fault，从步骤(3.5)得到的样本特征集Feature_Full中剔除Feature_Fault，剩余部分样本特征集记为无故障样本特征集Feature_Normal，满足集合运算公式：
Feature_Normal＝Feature_Full-Feature_fault
(4.3.2)从步骤(4.3.1)得到的无故障样本特征集Feature_Normal中随机抽取一条样本特征vec_t，添加样本标注，生成带标注无故障样本如下：
Sample_normal＝(vec_t,(无故障类型,*))；
其中，Sample_normal为带标注无故障样本，vec_t为样本特征，(无故障类型,*)为样本标注，“无故障类型”为机器状态类型，“*”为缺省项；
(4.3.3)遍历故障样本集Set_Fault中的所有样本，重复步骤(4.3.2)，得到带标注无故障样本集Set_Normal；
(4.4)将步骤(4.2)得到的故障样本集Set_Fault和步骤(4.3)得到的无故障样本集Set_Normal合并生成完整的机器状态样本集Set_State,满足集合运算公式：
Set_State＝Set_Fault∪Set_Normal；
(5)建立并训练三级深度神经网络故障诊断模型，具体步骤如下：
(5.1)建立并训练第一级深度神经网络故障诊断模型DNN1，DNN1将运行状态分类成无故障和故障两类，具体步骤如下：
(5.1.1)对步骤(4.4)得到的机器状态样本集Set_State中样本的样本标签采用如下独热编码方式编成两类：
无故障为
Figure FDA0002450017210000051
故障为
Figure FDA0002450017210000052
(5.1.2)确定DNN1的结构、层数和节点数：网络结构深度神经网络结构上分为第一层的输入层、中间的多个隐藏层和最后一层的输出层；其中输入层的输入为机器状态样本集Set_State中样本的样本特征Vec_t，该样本特征Vec_t为一个200-500维的向量；输出层有2个节点，2个节点分别对应机器的无故障状态概率和故障状态概率，隐含层用于提取不同层次的特征，隐含层的层数和节点数根据经验和测试分析确定，隐含层的层数为3-5层，每个隐含层的节点数Node代表该隐含层提取的特征的维度，网络结构采用层内无连接、相邻层全连接的结构形式；
(5.1.3)对(5.1.2)建立的模型进行无监督训练，将DNN1的每两个相邻层当作一个受限玻尔兹曼机进行预训练，得到DNN1的初始模型参数；
(5.1.4)利用(5.1.3)训练得到的初始模型参数，对初始化DNN1进行监督训练，利用后向传播算法对DNN1模型参数进行优化微整：训练样本集为步骤(4.4)得到的机器状态样本集Set_State，输入层输入Set_State中样本的样本特征Vec_t，输出编码
Figure FDA0002450017210000061
其中P无故障表示无故障的概率，P故障为故障的概率；训练目标为最小化输出编码
Figure FDA0002450017210000062
与按(5.1.1)生成独热编码的交叉熵，遍历Set_State中所有样本，重复本步骤，最后训练得到第一级深度神经网络故障诊断模型DNN1；
(5.2)建立并训练第二级深度神经网络故障诊断模型DNN2，DNN2对故障类型进行分类，步骤如下：
(5.2.1)对步骤(4.2)得到的故障样本集Set_Fault中样本的样本标签采用独热编码方式编码，以三种故障类型为例：
类型1为
Figure FDA0002450017210000063
类型2为
Figure FDA0002450017210000064
类型3为
Figure FDA0002450017210000065
(5.2.2)确定DNN2的结构、层数和节点数：深度神经网络结构上分为第一层的输入层、中间的多个隐藏层和最后一层的输出层；其中的输入层的输入为Set_Fault中样本的样本特征Vec_t，该样本特征Vec_t为一个200-500维的向量；输出层节点数为故障类型数目，每个节点的输出对应一种故障类型的概率；隐含层用于提取不同层次的特征，隐含层的层数和节点数根据经验和测试分析确定，隐含层的层数为3-5层，每层隐含层的节点数Node代表该隐含层提取的特征的维度，网络结构采用层内无连接，相邻层全连接的结构形式；
(5.2.3)对(5.2.2)建立的模型进行无监督训练，将DNN2的每两个相邻层当作一个受限玻尔兹曼机进行预训练，得到DNN2的初始模型参数；
(5.2.4)利用(5.2.3)训练得到的初始模型参数对初始化DNN2进行监督训练，利用后向传播算法对DNN2模型参数进行优化微整：训练样本集为步骤(4.2)得到的机器状态样本集Set_Fault，输入层输入Set_Fault中样本的样本特征Vec_t，输出编码
Figure FDA0002450017210000066
其中P类型1表示故障类型为类型1的概率，P类型2表示故障类型为类型2的概率，P类型3表示故障类型为类型3的概率；训练目标为最小化输出编码
Figure FDA0002450017210000071
与按(5.2.1)生成独热编码的交叉熵。遍历Set_State中所有样本循环执行本步骤，最后训练得到第二级深度神经网络故障诊断模型DNN2；
(5.3)建立并训练第三级深度神经网络故障分级诊断模型，该级模型对已分级故障类型的故障等级进行分类，每一种已分级障类型Typej分别建立专属的第三级深度神经网络故障分级诊断模型DNN3j，具体步骤如下：
(5.3.1)从步骤(4.2)得到的故障样本集Set_Fault中抽取故障类型为已分级故障类型Typej的样本，集合生成Typej的第三级模型训练样本集Set_Faultj,其中j表示故障类型编号，对训练样本集Set_Faultj中样本的样本标签采用独热编码方式编码；
(5.3.2)确定故障类型Typej的第三级深度神经网络故障分级诊断模型DNN3j的结构、层数和节点数：网络结构深度神经网络结构上分为第一层的输入层、中间的多个隐藏层和最后一层的输出层，输入层输入的为步骤(5.3.1)得到的训练样本集Set_Faultj中样本的样本特征Vec_t，该样本特征Vec_t为一个200-500维的向量；输出层节点数为故障等级数目，每个节点的输出对应一种故障等级的概率；隐含层主要用于提取不同层次的特征，隐含层的层数和节点数根据经验和测试分析确定，隐含层的层数为3-5层，每层隐含层的节点数Node代表该隐含层提取的特征的维度，网络结构采用层内无连接，相邻层全连接的结构形式；
(5.3.3)对(5.3.2)建立的模型进行无监督训练，将DNN3j的每两个相邻层当作一个受限玻尔兹曼机进行预训练，得到DNN3j的初始模型参数；
(5.3.4)利用(5.3.3)训练得到的初始模型参数，对初始化DNN3j进行监督训练，利用后向传播算法对DNN1模型参数进行优化微整：训练样本集为步骤(5.3.1)得到的训练样本集Set_Faultj，输入层输入Set_Faultj中样本的样本特征Vec_t，输出编码
Figure FDA0002450017210000072
其中P1级表示故障为1级的概率，P2级表示故障为2级的概率，P3级表示故障为3级的概率，P4级表示故障为4级的概率，P5级表示故障为5级的概率；训练目标为最小化输出编码
Figure FDA0002450017210000081
与按(5.3.1)生成独热编码的交叉熵。遍历Set_Faultj中所有样本循环执行本步骤，最后训练得到故障类型Typej专属的第三级深度神经网络故障分级诊断模型DNN3j；
(5.3.5)遍历每一种已分级故障类型，重复步骤(5.3.1)-步骤(5.3.4)，得到该类已分级故障类型专属的第三级深度神经网络故障分级诊断模型；
(6)利用步骤(5)的三级深度神经网络故障诊断模型，对待测机器故障进行诊断，具体步骤如下：
(6.1)生成三级深度神经网络故障诊断模型的输入样本特征，具体步骤如下：
(6.1.1)实时采集待测机器运行过程中的转速
Figure FDA0002450017210000082
温度
Figure FDA0002450017210000083
振动
Figure FDA0002450017210000084
和声音
Figure FDA0002450017210000085
(6.1.2)设定和步骤(2)相同的数据帧长度tlen，在诊断时刻tcurr截取时窗[tcurr,tcurr+tlen]内的
Figure FDA0002450017210000086
和
Figure FDA0002450017210000087
记为
Figure FDA0002450017210000088
和
Figure FDA0002450017210000089
得到tcurr时刻的数据帧，记为：
Figure FDA00024500172100000810
其中
Figure FDA00024500172100000811
为转速数据帧，
Figure FDA00024500172100000812
为温度数据帧、
Figure FDA00024500172100000813
为振动数据帧、
Figure FDA00024500172100000814
为声音数据帧
(6.1.3)对步骤(6.1.2)得到的数据帧
Figure FDA00024500172100000815
进行处理，生成样本特征，具体步骤如下：
(6.1.3.1)对
Figure FDA00024500172100000816
中的
Figure FDA00024500172100000817
和
Figure FDA00024500172100000818
分别进行时域幅值统计，由转速数据帧
Figure FDA00024500172100000819
得到转速平均值
Figure FDA00024500172100000820
由温度数据帧
Figure FDA00024500172100000821
得到温度平均值
Figure FDA00024500172100000822
由振动数据帧
Figure FDA00024500172100000823
计算得到振动均方根
Figure FDA00024500172100000824
振动方差
Figure FDA0002450017210000091
振动偏度
Figure FDA0002450017210000092
和振动峭度
Figure FDA0002450017210000093
由声音数据帧
Figure FDA0002450017210000094
计算得到声音均方根
Figure FDA0002450017210000095
声音方差
Figure FDA0002450017210000096
声音偏度
Figure FDA0002450017210000097
和声音峭度
Figure FDA0002450017210000098
将上述统计值拼接组成一个10维向量
Figure FDA0002450017210000099
记为：
Figure FDA00024500172100000910
(6.1.3.2)对
Figure FDA00024500172100000911
中的
Figure FDA00024500172100000912
进行快速傅里叶变换，得到振动能量谱，然后对振动能量谱进行L个子带滤波，L的取值与步骤(3.2)的L值相等，得到一个L维向量
Figure FDA00024500172100000913
记为：
Figure FDA00024500172100000914
其中FFT表示快速傅里叶变换，Filter_l表示第l个子带滤波；
(6.1.3.3)对
Figure FDA00024500172100000915
中的
Figure FDA00024500172100000916
进行快速傅里叶变换，得到声音能量谱，然后对声音能量谱进行M个子带滤波，M的取值与步骤(3.3)的M值相等，得到一个M维向量
Figure FDA00024500172100000917
记为：
Figure FDA0002450017210000101
其中FFT表示快速傅里叶变换，Filter_m表示第m个子带滤波；
(6.1.3.4)将步骤(6.1.3.1)-(6.1.3.3)得到的
Figure FDA0002450017210000102
和
Figure FDA0002450017210000103
拼接生成一个(10+L+M)维向量，作为tcurr时刻的样本特征
Figure FDA0002450017210000104
记为：
Figure FDA0002450017210000105
(6.2)设定一个第一级诊断阈值threshold，threshold的取值范围为0.9-1.0，启动一级诊断，将(6.1.3.4)得到的样本特征
Figure FDA0002450017210000106
输入到步骤(5.1)得到的第一级深度神经网络诊断模型DNN1，输出故障概率和无故障概率编码
Figure FDA0002450017210000107
其中
Figure FDA0002450017210000108
表示无故障的概率，
Figure FDA0002450017210000109
为故障的概率，根据故障概率和无故障概率给出诊断结果：
Figure FDA00024500172100001010
若诊断结果为无故障，则结束诊断，若诊断结果为“故障”，执行步骤(6.3)；
(6.3)启动二级诊断，将(6.1.3.4)得到的样本特征
Figure FDA00024500172100001011
输入到步骤(5.2)得到的第二级深度神经网络诊断模型DNN2，输出故障类型概率编码
Figure FDA00024500172100001012
其中
Figure FDA00024500172100001013
表示故障类型为类型1的概率，
Figure FDA00024500172100001014
表示故障类型为类型2的概率，
Figure FDA00024500172100001015
表示故障类型为类型3的概率，诊断标准为：最高概率的故障类型为诊断结果故障类型，记为Typej，其中j为故障类型编号，若Typej为未分级故障类型，则输出诊断结果为“故障类型Typej”，若Typej为已分级故障类型，则执行步骤(6.4)；
(6.4)启动三级诊断，调用步骤(6.3)诊断结果故障类型Typej专属的第三级深度神经网络故障分级诊断模型DNN3j，将(6.1.3.4)得到的样本特征
Figure FDA0002450017210000111
输入到步骤(5.3)得到的第三级深度神经网络故障分级诊断模型DNN3j，输出各个故障等级的概率
Figure FDA0002450017210000112
其中
Figure FDA0002450017210000113
表示故障为1级的概率，
Figure FDA0002450017210000114
表示故障为2级的概率，
Figure FDA0002450017210000115
表示故障为3级的概率，
Figure FDA0002450017210000116
表示故障为4级的概率，
Figure FDA0002450017210000117
表示故障为5级的概率；诊断标准为：最高概率的故障等级确定为诊断结果故障等级，记为levelk，输出诊断结果为待测机器的“故障类型Typej”和“故障等级levelk”，实现基于三级神经网络建模的机器故障预测诊断。
CN202010289912.0A 2020-04-14 2020-04-14 一种基于三级神经网络建模的机器故障预测诊断方法 Withdrawn CN111523659A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010289912.0A CN111523659A (zh) 2020-04-14 2020-04-14 一种基于三级神经网络建模的机器故障预测诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010289912.0A CN111523659A (zh) 2020-04-14 2020-04-14 一种基于三级神经网络建模的机器故障预测诊断方法

Publications (1)

Publication Number Publication Date
CN111523659A true CN111523659A (zh) 2020-08-11

Family

ID=71902713

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010289912.0A Withdrawn CN111523659A (zh) 2020-04-14 2020-04-14 一种基于三级神经网络建模的机器故障预测诊断方法

Country Status (1)

Country Link
CN (1) CN111523659A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114152825A (zh) * 2021-11-16 2022-03-08 国网北京市电力公司 变压器的故障诊断方法、装置和变压器的故障诊断系统
WO2022160413A1 (zh) * 2021-01-29 2022-08-04 南方电网调峰调频发电有限公司 电力生产异常监控方法、装置、计算机设备和存储介质
CN115114955A (zh) * 2022-06-07 2022-09-27 山东科技大学 一种基于声音与振动信号的设备故障检测技术
CN116401128A (zh) * 2023-06-06 2023-07-07 四川观想科技股份有限公司 一种基于大数据的信息运维管理系统
CN117270482A (zh) * 2023-11-22 2023-12-22 博世汽车部件(苏州)有限公司 基于数字孪生的汽车工厂控制系统

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022160413A1 (zh) * 2021-01-29 2022-08-04 南方电网调峰调频发电有限公司 电力生产异常监控方法、装置、计算机设备和存储介质
CN114152825A (zh) * 2021-11-16 2022-03-08 国网北京市电力公司 变压器的故障诊断方法、装置和变压器的故障诊断系统
CN114152825B (zh) * 2021-11-16 2023-11-14 国网北京市电力公司 变压器的故障诊断方法、装置和变压器的故障诊断系统
CN115114955A (zh) * 2022-06-07 2022-09-27 山东科技大学 一种基于声音与振动信号的设备故障检测技术
CN115114955B (zh) * 2022-06-07 2024-04-30 山东科技大学 一种基于声音与振动信号的设备故障检测方法
CN116401128A (zh) * 2023-06-06 2023-07-07 四川观想科技股份有限公司 一种基于大数据的信息运维管理系统
CN116401128B (zh) * 2023-06-06 2023-08-08 四川观想科技股份有限公司 一种基于大数据的信息运维管理系统
CN117270482A (zh) * 2023-11-22 2023-12-22 博世汽车部件(苏州)有限公司 基于数字孪生的汽车工厂控制系统

Similar Documents

Publication Publication Date Title
CN111523659A (zh) 一种基于三级神经网络建模的机器故障预测诊断方法
CN110132598B (zh) 旋转设备滚动轴承故障噪声诊断算法
CN110940539B (zh) 一种基于人工经验及声音识别的机器设备故障诊断方法
CN109580215B (zh) 一种基于深度生成对抗网络的风电传动系统故障诊断方法
CN107657250B (zh) 轴承故障检测及定位方法及检测定位模型实现系统和方法
Wu et al. Induction machine fault detection using SOM-based RBF neural networks
CN111737911B (zh) 一种深度置信网络与极限学习机的轴承衰退趋势预测方法
CN109489977B (zh) 基于KNN-AdaBoost的轴承故障诊断方法
CN111428685A (zh) 基于神经网络统一建模的机器故障检测、分类和定级方法
CN111488935A (zh) 一种基于神经网络统一建模的磨煤机故障诊断方法
CN114358123B (zh) 一种基于深度对抗迁移网络的广义开放集故障诊断方法
CN111273623A (zh) 基于Stacked LSTM的故障诊断方法
CN111380686A (zh) 一种基于XGBoost算法模型的风机主轴承故障监测与诊断方法
CN111931625A (zh) 基于非对称损失神经网络的产品关键零件剩余寿命预测方法
CN112945552B (zh) 一种基于变节点双隐层极限学习机的齿轮故障诊断方法
CN111562496A (zh) 一种基于数据挖掘的电机运行状态判断方法
CN116226646A (zh) 轴承健康状态及剩余寿命的预测方法、系统、设备及介质
Al Tobi et al. Using MLP‐GABP and SVM with wavelet packet transform‐based feature extraction for fault diagnosis of a centrifugal pump
CN113627358A (zh) 一种多特征融合的道岔智能故障诊断方法及系统和设备
CN110490218B (zh) 一种基于两级dbn的滚动轴承故障自学习方法
CN107766882A (zh) 基于数据驱动量化特征多粒度的行星齿轮箱故障诊断方法
CN112163474A (zh) 一种基于模型融合的齿轮箱智能诊断方法
Shi et al. Condition monitoring and fault diagnosis of rolling element bearings based on wavelet energy entropy and SOM
JPWO2020095303A5 (zh)
CN115618263A (zh) 一种基于Feature-level SMOTE的复杂装备不均衡故障诊断方法

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20200811

WW01 Invention patent application withdrawn after publication