CN112287592A - 一种基于深度置信网络的工业设备故障诊断方法及系统 - Google Patents
一种基于深度置信网络的工业设备故障诊断方法及系统 Download PDFInfo
- Publication number
- CN112287592A CN112287592A CN202011160582.1A CN202011160582A CN112287592A CN 112287592 A CN112287592 A CN 112287592A CN 202011160582 A CN202011160582 A CN 202011160582A CN 112287592 A CN112287592 A CN 112287592A
- Authority
- CN
- China
- Prior art keywords
- particle
- iteration
- updated
- vibration signal
- fitness
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种基于深度置信网络的工业设备故障诊断方法及系统。该方法包括:构建深度置信网络;采用混沌模拟退火粒子群算法优化所述深度置信网络的超参数,得到优化的深度置信网络;采用训练数据训练所述优化的深度置信网络,得到故障诊断模型;所述训练数据为工业设备的机械振动信号数据集;获取工业设备的机械振动信号;所述机械振动信号由多个传感器采集;采用自适应加权融合算法对所述机械振动信号进行数据融合,得到融合振动信号;将所述融合振动信号输入所述故障诊断模型,输出所述工业设备的故障诊断结果。本发明可以提高故障诊断的准确度。
Description
技术领域
本发明涉及工业设备故障诊断领域,特别是涉及一种基于深度置信网络的工业设备故障诊断方法及系统。
背景技术
在工业生产过程中,工业设备长期运行会不可避免地出现各种故障,若不能及时发现与排查出故障,则可能严重影响整个工业生产的效率、质量甚至安全性。因此,故障诊断是工业生产中相当重要的一环。它通过分析工业设备相关的信息数据来及时、准确地判定设备的运行状态或故障类型,很大程度地减小了设备故障带来的损失,也减小了设备维护的成本。
通常,在复杂设备的故障诊断中,使用单一传感器采集的设备数据进行诊断难以准确反映设备的状态,因此可以使用多个传感器分别获取设备不同位置的振动信号,再通过信息融合方式,综合分析多传感器的数据信号,以得到更精准的设备状态和诊断结果。信息融合方式包括数据层融合、特征层融合和决策层融合。其中,数据层融合方式可以从原始数据中获取更多的细节和更高的精度,常用的数据层融合方法包括加权平均法和聚类方法等。
关于故障诊断方法,在基于数据驱动的故障诊断领域中,故障诊断方法有基于优化机器学习的方法,例如小波变换算法、蚁群算法等;也有基于深度学习的方法,例如深度置信网络、卷积神经网络、堆叠自动编码器等。其中,基于深度学习的方法无需专家经验知识即可进行故障诊断,且具有较强的特征提取和分类能力,所以在故障诊断领域得到了较为广泛的应用。
在基于深度学习的故障诊断方法中,深度置信网络因其提取特征的能力强,且能很好地处理高维、非平稳、非线性数据,因此非常适合处理工业大数据故障诊断问题。但DBN的隐含层节点、学习率、动量项等超参数的设置往往依靠人为经验,通过不断调试选取较优的超参数值,此举十分耗费时间和精力,因此由研究人员使用参数寻优算法自动搜寻DBN网络的超参数。其中粒子群算法便是一种被广泛使用的神经网络参数优化方法,它因为算法简单、容易实现而被广泛应用在函数优化、神经网络训练等领域。但传统的粒子群算法容易陷入局部最优解,而且存在收敛速度慢、精度不高等问题,这些缺陷都会影响参数优化的结果,进而导致故障诊断的结果不准确。
发明内容
本发明的目的是提供一种基于深度置信网络的工业设备故障诊断方法及系统,以提高故障诊断的准确度。
为实现上述目的,本发明提供了如下方案:
一种基于深度置信网络的工业设备故障诊断方法,包括:
构建深度置信网络;
采用混沌模拟退火粒子群算法优化所述深度置信网络的超参数,得到优化的深度置信网络;
采用训练数据训练所述优化的深度置信网络,得到故障诊断模型;所述训练数据为工业设备的机械振动信号数据集;
获取工业设备的机械振动信号;所述机械振动信号由多个传感器采集;
采用自适应加权融合算法对所述机械振动信号进行数据融合,得到融合振动信号;
将所述融合振动信号输入所述故障诊断模型,输出所述工业设备的故障诊断结果。
可选的,所述采用混沌模拟退火粒子群算法优化所述深度置信网络的超参数,得到优化的深度置信网络,具体包括:
生成给定数量的粒子群;所述粒子群中每个粒子都表示深度置信网络的一组待优化超参数;
对于每一次迭代,计算每个粒子的适应度;
根据每个粒子的适应度更新每个粒子的历史极值以及当前迭代的群体极值;粒子的历史极值为当前粒子的历史适应度的最优值;当前迭代的群体极值为所有粒子的历史极值中的最优值;
判断是否满足迭代停止条件;所述迭代停止条件为当前迭代的群体极值小于设定阈值或当前迭代次数达到最大迭代次数;
当满足迭代停止条件时,迭代停止,将当前迭代的群体极值对应的粒子确定为所述深度置信网络的超参数,得到优化的深度置信网络;
当不满足迭代停止条件时,根据当前迭代每个粒子的历史极值以及群体极值,计算每个粒子更新后的位置和速度;
根据每个粒子更新后的位置和速度计算每个粒子更新后的适应度;
基于前一次迭代得到的退火温度,根据每个粒子更新后的适应度,采用模拟退火算法判定每个粒子是否需要更新;
根据所述模拟退火算法的判定结果,对粒子群中每个需要更新的粒子按照计算得到的更新后的位置和速度进行更新,得到更新后的粒子群;
根据当前迭代每个粒子的适应度计算当前迭代的退火温度;
迭代次数加1,基于更新后的粒子群,返回计算每个粒子的适应度的步骤,进入下一次迭代。
可选的,所述当不满足迭代停止条件时,根据当前迭代每个粒子的历史极值以及群体极值,计算每个粒子更新后的位置和速度,具体包括:
利用公式vi+1=ω(t)×vi+c1×r1×(pbesti-xi)+c2×r2×(gbest(t)-xi)计算每个粒子更新后的速度;式中,vi+1为第i个粒子更新后的速度;vi为第i个粒子更新前的速度;ω(t)为当前迭代的惯性因子,ωmax为历史惯性因子的最大值,ωmin为历史惯性因子的最小值,t为当前迭代次数,tmax为最大迭代次数;c1和c2为学习因子;r1和r2为0~1之间的随机数;pbesti为当前迭代第i个粒子的历史极值;gbest(t)为当前迭代的群体极值;
利用公式xi+1=xi+vi+1计算每个粒子更新后的位置;式中,xi+1为第i个粒子更新后的位置;xi为第i个粒子更新前的位置。
可选的,随机数r1和随机数r2基于logistic模型产生的混沌序列,利用随机性遍历搜索空间优化得到;优化公式为:
ri=4×ri(t-1)×(1-ri(t-1)),i=1,2;
式中,ri为当前迭代的随机数,即ri(t);ri(t-1)为前一次迭代的随机数。
可选的,所述基于前一次迭代得到的退火温度,根据每个粒子更新后的适应度,采用模拟退火算法判定每个粒子是否需要更新,具体包括:
根据每个粒子需要更新的概率判定对应粒子是否需要更新。
可选的,所述根据当前迭代每个粒子的适应度计算当前迭代的退火温度,具体包括:
利用公式计算当前迭代的温度衰减系数;式中,ξ为当前迭代的温度衰减系数;μ为初始温度衰减系数;gbest(t)为当前迭代的群体极值;favg(t)为当前迭代种群的平均适应度;Tt-1为前一次迭代的退火温度;N(0,1)为符合标准正态分布的随机数;
利用公式Tt=ξTt-1计算当前迭代的退火温度;式中,Tt为当前迭代的退火温度。
可选的,所述采用自适应加权融合算法对所述机械振动信号进行数据融合,得到融合振动信号,具体包括:
本发明还提供一种基于深度置信网络的工业设备故障诊断系统,包括:
深度置信网络构建模块,用于构建深度置信网络;
超参数优化模块,用于采用混沌模拟退火粒子群算法优化所述深度置信网络的超参数,得到优化的深度置信网络;
训练模块,用于采用训练数据训练所述优化的深度置信网络,得到故障诊断模型;所述训练数据为工业设备的机械振动信号数据集;
机械振动信号获取模块,用于获取工业设备的机械振动信号;所述机械振动信号由多个传感器采集;
数据融合模块,用于采用自适应加权融合算法对所述机械振动信号进行数据融合,得到融合振动信号;
故障诊断模块,用于将所述融合振动信号输入所述故障诊断模型,输出所述工业设备的故障诊断结果。
可选的,所述超参数优化模块,具体包括:
粒子群生成单元,用于生成给定数量的粒子群;所述粒子群中每个粒子都表示深度置信网络的一组待优化超参数;
适应度计算单元,用于对于每一次迭代,计算每个粒子的适应度;
历史极值和群体极值更新单元,用于根据每个粒子的适应度更新每个粒子的历史极值以及当前迭代的群体极值;粒子的历史极值为当前粒子的历史适应度的最优值;当前迭代的群体极值为所有粒子的历史极值中的最优值;
迭代停止判断单元,用于判断是否满足迭代停止条件;所述迭代停止条件为当前迭代的群体极值小于设定阈值或当前迭代次数达到最大迭代次数;
超参数确定单元,用于当满足迭代停止条件时,迭代停止,将当前迭代的群体极值对应的粒子确定为所述深度置信网络的超参数,得到优化的深度置信网络;
粒子更新后的位置和速度计算单元,用于当不满足迭代停止条件时,根据当前迭代每个粒子的历史极值以及群体极值,计算每个粒子更新后的位置和速度;
更新后的适应度计算单元,用于根据每个粒子更新后的位置和速度计算每个粒子更新后的适应度;
粒子更新判定单元,用于基于前一次迭代得到的退火温度,根据每个粒子更新后的适应度,采用模拟退火算法判定每个粒子是否需要更新;
更新单元,用于根据所述模拟退火算法的判定结果,对粒子群中每个需要更新的粒子按照计算得到的更新后的位置和速度进行更新,得到更新后的粒子群;
退火温度计算单元,用于根据当前迭代每个粒子的适应度计算当前迭代的退火温度;
返回单元,用于迭代次数加1,基于更新后的粒子群,返回计算每个粒子的适应度的步骤,进入下一次迭代。
可选的,所述数据融合模块,具体包括:
根据本发明提供的具体实施例,本发明公开了以下技术效果:
1、深度置信网络包含多层RBM,能有效提取数据的深层次特征。所以针对工业生产中机械振动信号非线性、非平稳的特点,使用深度置信网络自动提取信号特征,并实现对振动信号的故障诊断。
2、针对单一传感器难以精准反映设备状态的问题,故障诊断对象选择使用多个同类传感器从设备的不同位置获取振动信号,以获得更精准的诊断结果;针对多传感器数据在融合过程中权值难以确定的问题,提出使用自适应融合加权算法实现多传感器的数据层融合。该自适应加权融合算法让不同传感器的总均方误差达到最小时计算各传感器的最佳权重,其优势在于能自动调整权重而无需测量数据的先验知识,进而提高故障诊断的效率和准确度。
3、针对深度置信网络超参数难以确定的问题,提出使用混沌模拟退火粒子群算法,以优化深度置信网络的超参数。该混沌模拟退火粒子群算法弥补了传统粒子群算法容易陷入局部极值点、收敛速度慢和精度不高的缺陷,引入了混沌理论优化了随机数,提高了算法的全局收敛性能,同时引入模拟退火算法,使寻优过程具有跳出局部最优解、实现全局最优解的能力,还引入了温度衰变系数,自适应地调整退火速率,提高了算法的搜索效率,确定的超参数更准确,进而提高故障诊断的准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明基于深度置信网络的工业设备故障诊断方法的流程示意图;
图2为本发明深度置信网络的结构图;
图3为本发明限制玻尔兹曼机的结构图;
图4为本发明采用训练数据训练所述优化的深度置信网络的流程示意图;
图5为本发明基于深度置信网络的工业设备故障诊断系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明基于深度置信网络的工业设备故障诊断方法的流程示意图。如图1所示,本发明基于深度置信网络的工业设备故障诊断方法包括以下步骤:
步骤100:构建深度置信网络。深度置信网络(Deep Beliefnetwork,DBN)是无监督特征学习和有监督参数调整的整体,是一种概率生成模型。DBN的网络结构如图2所示,其主要由多个限制玻尔兹曼机(Restricted Boltzmann Machine,RBM)堆叠而成。RBM的结构如图3所示,单个RBM包括可视层v和隐藏层h两层,每个可视层和隐含层都含有若干节点。其中,可视层和隐含层之间有双向连接权值,而可视层与可视层、隐含层与隐含层之间没有连接。可视层用作接收输入数据或前一层RBM的输出,隐含层用作输出特征提取的结果。
RBM是基于能量的模型,其可视层和隐含层之间的能量模型可以表示为:
其中,m、n分别是可视层、隐含层的节点数;b、v分别是可视层的偏置和神经元;c、h分别是隐含层的偏置和神经元;W是可视层和隐含层的连接权重。
根据式(11),隐含层和可视层之间的联合概率分布为:
隐含层条件概率式为:
类似的,可视层条件概率为:
因为RBM的结构单元是一个二值状态,又定义激活函数为sigmoid函数,因此,隐含层神经元被激活的概率为:
类似的,可视层神经元的激活概率为:
为求得最佳DBN网络参数,使用对比散度(Contrastive Divergence,CD-k)算法来快速训练RBM。同时为了加快收敛速度,添加动量因子α,使参数更新时将前一次迭代的值考虑进去。对应的参数更新公式为:
[ΔWij]n=α[ΔWij]n-1+γ(<vihj>0-<vihj>k)
[Δci]n=α[Δci]n-1+γ(<hj>0-<hj>k)
[Δbj]n=α[Δbj]n-1+γ(<vi>0-<vi〉k)
其中,动量因子α的取值范围为[0,1];γ为学习率,取值范围为[0,1];k为RBM的迭代次数,n为当前迭代次数。
在DBN中,最底层RBM的可视层接收输入的数据向量,其节点数等于输入向量的维数。输入数据通过逐层的RBM进行特征提取,然后添加标签使用有监督学习的BP反向传播算法微调参数获得更精准的DBN网络结构,最后通过softmax分类器实现数据分类。
步骤200:采用混沌模拟退火粒子群算法优化深度置信网络的超参数,得到优化的深度置信网络。对于DBN网络而言,合适的超参数能优化网络的学习性能和效果,因此有必要对DBN的超参数进行寻优。针对DBN网络的节点数、训练学习率、动量参数、迭代次数等DBN网络的超参数,其设定过程大多是根据经验选择若干组参数不断调试,因此想要得到较优的超参数往往需要耗费较多的时间和精力。针对这个问题,提出使用混沌模拟退火粒子群算法自动寻优DBN网络的超参数。相较于传统的粒子群优化算法而言,模拟退火粒子群算法很好地解决了易陷入局部极值点、收敛速度慢和精度不高的问题,其步骤流程图如图4所示,具体步骤说明如下:
Step1:初始化。设定初始种群数m和最大迭代数,随机生成m个粒子的初始种群,每个粒子都表示一组DBN网络的待优化超参数。初始化每个粒子的速度和位置。
设定适应度函数为DBN网络的分类错误率,适应度函数越小,寻优过程越接近最优超参数值。通过适应度函数计算每个粒子的初始适应度,并将每个粒子的初始适应度作为其个体极值pbesti,将pbesti中的最优值作为群体极值gbest(t)。并根据式(3)计算初始退火温度T0:
其中,和是初始粒子群计算的最小、最大目标函数适应值;pr是初始接受概率,一般取值范围为[0.7,0.9]。采用上式定义初始退火温度,可以保证初始退火温度设定在一个合适的值,防止了因初始温度过高导致过长的搜索时间或因初始温度过低导致可能无法搜寻到全局最优解的问题。
Step2:对于第t次迭代,计算每个粒子的适应度,并根据每个粒子的适应度更新每个粒子的历史极值以及当前迭代的群体极值。粒子的历史极值为当前粒子的历史适应度的最优值,即最小值;当前迭代的群体极值为所有粒子的历史极值中的最优值即最小值。
Step3:判断是否满足迭代停止条件。如果是,执行Step4;如果否,执行Step5。所述迭代停止条件为当前迭代的群体极值小于设定阈值或当前迭代次数达到最大迭代次数。
Step4:迭代停止,将当前迭代的群体极值对应的粒子确定为所述深度置信网络的超参数,得到优化的深度置信网络。
Step5:根据当前迭代的每个粒子的历史极值以及群体极值,利用下列公式计算每个粒子更新后的速度和位置:
vi+1=ω(t)×vi+c1×r1×(pbesti-xi)+c2×r2×(gbest(t)-xi)
xi+1=xi+vi+1
式中,vi+1为第i个粒子更新后的速度;vi为第i个粒子更新前的速度。ω(t)为当前迭代的惯性因子,表明了粒子当前速度继承先前的速度的比例,ω(t)取较大值时全局寻优能力强,ω(t)取较小值时局部寻优能力强。c1和c2为学习因子,通常取2;r1和r2为0~1之间的随机数;pbesti为当前迭代第i个粒子的历史极值;gbest(t)为当前迭代的群体极值;式中,xi+1为第i个粒子更新后的位置;xi为第i个粒子更新前的位置。
对于ri,使用logistic模型产生混沌序列,利用其随机性遍历搜索空间,从而对ri的取值进行优化,其优化公式为:
ri=4×ri(t-1)×(1-ri(t-1)),i=1,2
式中,ri为当前迭代的随机数,即ri(t);ri(t-1)为前一次迭代的随机数。
对于ω(t),其取值的一般规则为:在算法运行之初取较大的ω(t),以保证较好的全局搜索能力,随着迭代次数的增加,逐渐减小ω(t)的值。以提高算法的搜索精度。因此,对ω(t)的取值采用动态调整机制,公式如下:
式中,ωmax为历史惯性因子的最大值,一般取值为0.9;ωmin为历史惯性因子的最小值,一般取值为0.4;t为当前迭代次数,tmax为最大迭代次数。
Step6:根据每个粒子更新后的位置和速度计算每个粒子更新后的适应度。
Step7:基于前一次迭代得到的退火温度,根据每个粒子更新后的适应度,采用模拟退火算法判定每个粒子是否需要更新。本发明关于引入的模拟退火算法主要思路是:如果粒子的新适应度值小于该粒子的原适应度值,则保留该粒子的新位置和速度,否则就以概率接受该粒子的新位置和速度。具体的,判定每个粒子需要更新的概率公式如下:
式中,P为第i个粒子需要更新的概率;fi(t+1)为第i个粒子更新后的适应度;fi(t)为第i个粒子当前迭代的适应度;Tt-1为前一次迭代得到的退火温度。
根据每个粒子需要更新的概率判定对应粒子是否需要更新,然后根据所述判定结果,对粒子群中每个需要更新的粒子按照计算得到的更新后的位置和速度进行更新,得到更新后的粒子群。
Step8:根据当前迭代的每个粒子的适应度计算当前迭代的退火温度。本发明引入自适应的温度衰减系数ξ可以使模拟退火算法根据当前环境自适应地调整模拟退火温度,从而提高算法的搜索效率。ξ的计算公式为:
式中,ξ为当前迭代的温度衰减系数;μ为初始温度衰减系数;gbest(t)为当前迭代的群体极值;favg(t)为当前迭代种群的平均适应度;Tt-1为前一次迭代的退火温度;N(0,1)为符合标准正态分布的随机数。
然后根据当前迭代的温度衰减系数式计算当前迭代的退火温度,公式如下:
Tt=ξTt-1
式中,Tt为当前迭代的退火温度。
Step9:t=t+1,基于更新后的粒子群,返回Step2,进入下一次迭代。
步骤300:采用训练数据训练优化的深度置信网络,得到故障诊断模型。所述训练数据为工业设备的机械振动信号数据集。训练深度置信网络的故障诊断模型主要分为两个步骤。
Step1:预训练阶段
这是无监督学习过程。主要通过层层的RBM进行预训练。每一个RBM在训练过程中都分为可视层正向计算与隐含层反向重构的过程,并根据重构层与可视层之间的差异来更新参数,直至达到最大迭代次数。RBM具体训练步骤为:
步骤3:重复步骤1和步骤2,直至达到最大迭代数k。
步骤4:根据式[ΔWij]n=α[ΔWij]n-1+γ(<vihj〉0-<vihj〉k)、[Δci]n=α[Δci]n-1+γ(<hj>0-<hj>k)、[Δbj]n=α[Δbj]n-1+γ(<vi>0-<vi>k)更新连接权值Wij、可视层单元偏置Δb和隐含层单元偏置Δc。
每层RBM都如上述方式训练,自下而上逐步更新DBN网络的参数,以确保每一层RBM局部最优。
Step2:微调阶段
通过多层RBM提取特征之后,使用最顶层的BP神经网络,结合带标签的数据自上而下地进行有监督训练,微调所有参数,以保证整体的全局最优。
步骤400:获取工业设备的机械振动信号。所述机械振动信号由多个传感器采集。
步骤500:采用自适应加权融合算法对机械振动信号进行数据融合,得到融合振动信号。自适应加权融合算法的主要思路是让不同传感器的总均方误差达到最小时计算各传感器的最佳权重,其优势在于能自动调整权重而无需测量数据的先验知识。具体过程为:
首先计算第i个机械振动信号的加权因子ωi,公式如下:
式中,Xi为第i个机械振动信号。
步骤600:将融合振动信号输入故障诊断模型,输出工业设备的故障诊断结果。将融合振动信号输入故障诊断模型,通过逐层的RBM提取特征,再使用softmax分类器对数据进行分类,得到故障诊断结果。
图5为本发明基于深度置信网络的工业设备故障诊断系统的结构示意图。如图5所示,本发明基于深度置信网络的工业设备故障诊断系统包括:
深度置信网络构建模块501,用于构建深度置信网络。
超参数优化模块502,用于采用混沌模拟退火粒子群算法优化所述深度置信网络的超参数,得到优化的深度置信网络。
训练模块503,用于采用训练数据训练所述优化的深度置信网络,得到故障诊断模型;所述训练数据为工业设备的机械振动信号数据集。
机械振动信号获取模块504,用于获取工业设备的机械振动信号;所述机械振动信号由多个传感器采集。
数据融合模块505,用于采用自适应加权融合算法对所述机械振动信号进行数据融合,得到融合振动信号。
故障诊断模块506,用于将所述融合振动信号输入所述故障诊断模型,输出所述工业设备的故障诊断结果。
作为另一实施例,本发明基于深度置信网络的工业设备故障诊断系统中,所述超参数优化模块502,具体包括:
粒子群生成单元,用于生成给定数量的粒子群;所述粒子群中每个粒子都表示深度置信网络的一组待优化超参数。
适应度计算单元,用于对于每一次迭代,计算每个粒子的适应度。
历史极值和群体极值更新单元,用于根据每个粒子的适应度更新每个粒子的历史极值以及当前迭代的群体极值;粒子的历史极值为当前粒子的历史适应度的最优值;当前迭代的群体极值为所有粒子的历史极值中的最优值。
迭代停止判断单元,用于判断是否满足迭代停止条件;所述迭代停止条件为当前迭代的群体极值小于设定阈值或当前迭代次数达到最大迭代次数。
超参数确定单元,用于当满足迭代停止条件时,迭代停止,将当前迭代的群体极值对应的粒子确定为所述深度置信网络的超参数,得到优化的深度置信网络。
粒子更新后的位置和速度计算单元,用于当不满足迭代停止条件时,根据当前迭代的每个粒子的历史极值以及群体极值,计算每个粒子更新后的位置和速度。
更新后的适应度计算单元,用于根据每个粒子更新后的位置和速度计算每个粒子更新后的适应度。
粒子更新判定单元,用于基于前一次迭代得到的退火温度,根据每个粒子更新后的适应度,采用模拟退火算法判定每个粒子是否需要更新。
更新单元,用于根据所述模拟退火算法的判定结果,对粒子群中每个需要更新的粒子按照计算得到的更新后的位置和速度进行更新,得到更新后的粒子群。
退火温度计算单元,用于根据当前迭代的每个粒子的适应度计算当前迭代的退火温度。
返回单元,用于迭代次数加1,基于更新后的粒子群,返回计算每个粒子的适应度的步骤,进入下一次迭代。
作为另一实施例,本发明基于深度置信网络的工业设备故障诊断系统中,所述数据融合模块505,具体包括:
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于深度置信网络的工业设备故障诊断方法,其特征在于,包括:
构建深度置信网络;
采用混沌模拟退火粒子群算法优化所述深度置信网络的超参数,得到优化的深度置信网络;
采用训练数据训练所述优化的深度置信网络,得到故障诊断模型;所述训练数据为工业设备的机械振动信号数据集;
获取工业设备的机械振动信号;所述机械振动信号由多个传感器采集;
采用自适应加权融合算法对所述机械振动信号进行数据融合,得到融合振动信号;
将所述融合振动信号输入所述故障诊断模型,输出所述工业设备的故障诊断结果。
2.根据权利要求1所述的基于深度置信网络的工业设备故障诊断方法,其特征在于,所述采用混沌模拟退火粒子群算法优化所述深度置信网络的超参数,得到优化的深度置信网络,具体包括:
生成给定数量的粒子群;所述粒子群中每个粒子都表示深度置信网络的一组待优化超参数;
对于每一次迭代,计算每个粒子的适应度;
根据每个粒子的适应度更新每个粒子的历史极值以及当前迭代的群体极值;粒子的历史极值为当前粒子的历史适应度的最优值;当前迭代的群体极值为所有粒子的历史极值中的最优值;
判断是否满足迭代停止条件;所述迭代停止条件为当前迭代的群体极值小于设定阈值或当前迭代次数达到最大迭代次数;
当满足迭代停止条件时,迭代停止,将当前迭代的群体极值对应的粒子确定为所述深度置信网络的超参数,得到优化的深度置信网络;
当不满足迭代停止条件时,根据当前迭代的每个粒子的历史极值以及群体极值,计算每个粒子更新后的位置和速度;
根据每个粒子更新后的位置和速度计算每个粒子更新后的适应度;
基于前一次迭代得到的退火温度,根据每个粒子更新后的适应度,采用模拟退火算法判定每个粒子是否需要更新;
根据所述模拟退火算法的判定结果,对粒子群中每个需要更新的粒子按照计算得到的更新后的位置和速度进行更新,得到更新后的粒子群;
根据当前迭代的每个粒子的适应度计算当前迭代的退火温度;
迭代次数加1,基于更新后的粒子群,返回计算每个粒子的适应度的步骤,进入下一次迭代。
3.根据权利要求2所述的基于深度置信网络的工业设备故障诊断方法,其特征在于,所述当不满足迭代停止条件时,根据当前迭代的每个粒子的历史极值以及群体极值,计算每个粒子更新后的位置和速度,具体包括:
利用公式vi+1=ω(t)×vi+c1×r1×(pbesti-xi)+c2×r2×(gbest(t)-xi)计算每个粒子更新后的速度;式中,vi+1为第i个粒子更新后的速度;vi为第i个粒子更新前的速度;ω(t)为当前迭代的惯性因子,ωmax为历史惯性因子的最大值,ωmin为历史惯性因子的最小值,t为当前迭代次数,tmax为最大迭代次数;c1和c2为学习因子;r1和r2为0~1之间的随机数;pbesti为当前迭代第i个粒子的历史极值;gbest(t)为当前迭代的群体极值;
利用公式xi+1=xi+vi+1计算每个粒子更新后的位置;式中,xi+1为第i个粒子更新后的位置;xi为第i个粒子更新前的位置。
4.根据权利要求3所述的基于深度置信网络的工业设备故障诊断方法,其特征在于,随机数r1和随机数r2基于logistic模型产生的混沌序列,利用随机性遍历搜索空间优化得到;优化公式为:
ri=4×ri(t-1)×(1-ri(t-1)),i=1,2;
式中,ri为当前迭代的随机数,即ri(t);ri(t-1)为前一次迭代的随机数。
8.一种基于深度置信网络的工业设备故障诊断系统,其特征在于,包括:
深度置信网络构建模块,用于构建深度置信网络;
超参数优化模块,用于采用混沌模拟退火粒子群算法优化所述深度置信网络的超参数,得到优化的深度置信网络;
训练模块,用于采用训练数据训练所述优化的深度置信网络,得到故障诊断模型;所述训练数据为工业设备的机械振动信号数据集;
机械振动信号获取模块,用于获取工业设备的机械振动信号;所述机械振动信号由多个传感器采集;
数据融合模块,用于采用自适应加权融合算法对所述机械振动信号进行数据融合,得到融合振动信号;
故障诊断模块,用于将所述融合振动信号输入所述故障诊断模型,输出所述工业设备的故障诊断结果。
9.根据权利要求8所述的基于深度置信网络的工业设备故障诊断系统,其特征在于,所述超参数优化模块,具体包括:
粒子群生成单元,用于生成给定数量的粒子群;所述粒子群中每个粒子都表示深度置信网络的一组待优化超参数;
适应度计算单元,用于对于每一次迭代,计算每个粒子的适应度;
历史极值和群体极值更新单元,用于根据每个粒子的适应度更新每个粒子的历史极值以及当前迭代的群体极值;粒子的历史极值为当前粒子的历史适应度的最优值;当前迭代的群体极值为所有粒子的历史极值中的最优值;
迭代停止判断单元,用于判断是否满足迭代停止条件;所述迭代停止条件为当前迭代的群体极值小于设定阈值或当前迭代次数达到最大迭代次数;
超参数确定单元,用于当满足迭代停止条件时,迭代停止,将当前迭代的群体极值对应的粒子确定为所述深度置信网络的超参数,得到优化的深度置信网络;
粒子更新后的位置和速度计算单元,用于当不满足迭代停止条件时,根据当前迭代的每个粒子的历史极值以及群体极值,计算每个粒子更新后的位置和速度;
更新后的适应度计算单元,用于根据每个粒子更新后的位置和速度计算每个粒子更新后的适应度;
粒子更新判定单元,用于基于前一次迭代得到的退火温度,根据每个粒子更新后的适应度,采用模拟退火算法判定每个粒子是否需要更新;
更新单元,用于根据所述模拟退火算法的判定结果,对粒子群中每个需要更新的粒子按照计算得到的更新后的位置和速度进行更新,得到更新后的粒子群;
退火温度计算单元,用于根据当前迭代的每个粒子的适应度计算当前迭代的退火温度;
返回单元,用于迭代次数加1,基于更新后的粒子群,返回计算每个粒子的适应度的步骤,进入下一次迭代。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011160582.1A CN112287592A (zh) | 2020-10-27 | 2020-10-27 | 一种基于深度置信网络的工业设备故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011160582.1A CN112287592A (zh) | 2020-10-27 | 2020-10-27 | 一种基于深度置信网络的工业设备故障诊断方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112287592A true CN112287592A (zh) | 2021-01-29 |
Family
ID=74373322
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011160582.1A Pending CN112287592A (zh) | 2020-10-27 | 2020-10-27 | 一种基于深度置信网络的工业设备故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112287592A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113128653A (zh) * | 2021-04-20 | 2021-07-16 | 江苏科技大学 | 一种混合群体智能的深度学习模型超参数优化方法 |
CN113283491A (zh) * | 2021-05-19 | 2021-08-20 | 青岛科技大学 | 一种基于优化深度置信网络的电动汽车交流充电桩的故障诊断方法 |
CN113325819A (zh) * | 2021-04-22 | 2021-08-31 | 上海孟伯智能物联网科技有限公司 | 一种基于深度学习算法的连退机组故障诊断方法及系统 |
CN114271927A (zh) * | 2021-12-19 | 2022-04-05 | 复旦大学 | 可实时预测心律失常射频消融损伤深度的方法及射频消融仪 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108732528A (zh) * | 2018-05-28 | 2018-11-02 | 国网福建省电力有限公司电力科学研究院 | 一种基于深度置信网络的数字化电能表故障诊断方法 |
CN111340238A (zh) * | 2020-03-12 | 2020-06-26 | 中南大学 | 一种工业系统的故障诊断方法、装置、设备及存储介质 |
-
2020
- 2020-10-27 CN CN202011160582.1A patent/CN112287592A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108732528A (zh) * | 2018-05-28 | 2018-11-02 | 国网福建省电力有限公司电力科学研究院 | 一种基于深度置信网络的数字化电能表故障诊断方法 |
CN111340238A (zh) * | 2020-03-12 | 2020-06-26 | 中南大学 | 一种工业系统的故障诊断方法、装置、设备及存储介质 |
Non-Patent Citations (4)
Title |
---|
刘爱军 等: "混沌模拟退火粒子群优化算法研究及应用", 《浙江大学学报(工学版)》 * |
李益兵等: "基于PSO改进深度置信网络的滚动轴承故障诊断", 《振动与冲击》 * |
翟翌立 等: "多传感器数据自适应加权融合估计算法的研究", 《计量学报》 * |
莫伟杏等: "基于正弦自适应权重的模拟退火粒子群算法", 《电子世界》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113128653A (zh) * | 2021-04-20 | 2021-07-16 | 江苏科技大学 | 一种混合群体智能的深度学习模型超参数优化方法 |
CN113325819A (zh) * | 2021-04-22 | 2021-08-31 | 上海孟伯智能物联网科技有限公司 | 一种基于深度学习算法的连退机组故障诊断方法及系统 |
CN113283491A (zh) * | 2021-05-19 | 2021-08-20 | 青岛科技大学 | 一种基于优化深度置信网络的电动汽车交流充电桩的故障诊断方法 |
CN114271927A (zh) * | 2021-12-19 | 2022-04-05 | 复旦大学 | 可实时预测心律失常射频消融损伤深度的方法及射频消融仪 |
CN114271927B (zh) * | 2021-12-19 | 2023-10-17 | 复旦大学 | 可实时预测心律失常射频消融损伤深度的方法及射频消融仪 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112287592A (zh) | 一种基于深度置信网络的工业设备故障诊断方法及系统 | |
CN105224872B (zh) | 一种基于神经网络聚类的用户异常行为检测方法 | |
CN108596327B (zh) | 一种基于深度学习的地震速度谱人工智能拾取方法 | |
CN113255848B (zh) | 基于大数据学习的水轮机空化声信号辨识方法 | |
CN110309771B (zh) | 一种基于gbdt-insgaii的eas声磁系统标签识别算法 | |
CN111144552B (zh) | 一种粮食品质多指标预测方法及装置 | |
CN114399032B (zh) | 一种电能表计量误差预测方法及系统 | |
CN112633493A (zh) | 一种面向工业设备数据的故障诊断方法及系统 | |
Zhao et al. | Bearing health condition prediction using deep belief network | |
CN111079926B (zh) | 基于深度学习的具有自适应学习率的设备故障诊断方法 | |
CN110245390B (zh) | 一种基于rs-bp神经网络的汽车发动机油耗预测方法 | |
Wang et al. | Application research on long short-term memory network in fault diagnosis | |
CN115828754A (zh) | 基于多尺度时空融合网络模型的刀具磨损状态监测方法 | |
CN111914897A (zh) | 一种基于孪生长短时间记忆网络的故障诊断方法 | |
CN112714130A (zh) | 一种基于大数据自适应网络安全态势感知方法 | |
CN113919220A (zh) | 一种振动图像驱动的滚动轴承智能故障诊断方法 | |
CN111967308A (zh) | 一种在线路面不平度辨识方法及系统 | |
CN114166509A (zh) | 一种电机轴承故障预测方法 | |
CN111191823A (zh) | 一种基于深度学习的生产物流预测方法 | |
CN108665001B (zh) | 一种基于深度置信网络的跨被试空闲态检测方法 | |
CN112651499A (zh) | 一种基于蚁群优化算法和层间信息的结构化模型剪枝方法 | |
CN113126489A (zh) | 一种基于cnn-gru-binn的重型燃气轮机控制系统智能bit设计方法 | |
CN112163474A (zh) | 一种基于模型融合的齿轮箱智能诊断方法 | |
CN116739100A (zh) | 量子神经网络的漏洞检测方法及自动驾驶漏洞检测方法 | |
CN113176093B (zh) | 基于isca-sdae的滚动轴承故障诊断方法及系统 |
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: 20210129 |
|
RJ01 | Rejection of invention patent application after publication |