CN112365014A - 一种基于ga-bp-cbr的工业设备故障诊断系统及方法 - Google Patents
一种基于ga-bp-cbr的工业设备故障诊断系统及方法 Download PDFInfo
- Publication number
- CN112365014A CN112365014A CN202011254335.8A CN202011254335A CN112365014A CN 112365014 A CN112365014 A CN 112365014A CN 202011254335 A CN202011254335 A CN 202011254335A CN 112365014 A CN112365014 A CN 112365014A
- Authority
- CN
- China
- Prior art keywords
- case
- cbr
- module
- diagnosis
- fault
- 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 112
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000013528 artificial neural network Methods 0.000 claims abstract description 65
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000012937 correction Methods 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 24
- 208000024891 symptom Diseases 0.000 claims description 20
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 238000003786 synthesis reaction Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 21
- 238000012986 modification Methods 0.000 description 9
- 230000004048 modification Effects 0.000 description 9
- 230000007246 mechanism Effects 0.000 description 8
- 230000002068 genetic effect Effects 0.000 description 7
- 238000011160 research Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 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
- 230000005856 abnormality Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- 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
-
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Human Resources & Organizations (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Biology (AREA)
- Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Manufacturing & Machinery (AREA)
- Physiology (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明请求保护一种基于GA‑BP‑CBR的工业设备故障诊断系统及方法,包括:GA‑BP神经网络模块、案例推理CBR网络模块、结果修正模块及输出模块,其中,输入模块输入故障训练数据集给神经网络模块,GA‑BP神经网络模块训练出预分类网络,同时将案例描述通过CBR案例推理,形成案例库文件;利用训练好的预分类网络的输出结果对案例建立索引,将原案例库划分为若干个子案例库,诊断时,先将测试数据输入训练好的预分类网络,根据网络的输出,在相应的子案例库中寻找相似案例集,最后结果修正模块对得到的案例集参照神经网络的输出进行评价修正,得到最终的诊断结果。本发明减少了故障诊断检索时间并且提高了生产效率。
Description
技术领域
本发明属于人工智能和生产线设备的结合领域,涉及基于优化的神经网络和案例推理的生产线设备故障诊断机制研究。
背景技术
工业设备和生产系统操作的可靠性对生产型企业的盈利能力和竞争能力都有着重要影响,这使得企业对工业生产过程和生产设备的维护策略的重要性的关注日益增加。我国工业发展如火如荼,提出了工业4.0智能制造2025战略。这对我国的工业发展是一个巨大的挑战和机遇。我们要抓住这个机会发展我国的工业事业,让我国的制造业水平在上一个台阶,成为制造业强国及大国。
现代控制系统的设备复杂化和规模大型化,有关系统的异常检测和故障诊断一直是学术界关注的重点问题。系统一旦发生故障,若不能及时发现并处理, 将造成巨大的经济损失和人员伤亡。例如美国石油化工企业每年因机械故障直接损失200亿美元;2015年2月4日,中国台湾复兴航空客机因两个发动机同时失效导致断油坠落,造成35人以上死亡等。
我国制造业发展迅速,工厂里的生产设备也是多种多样,机器设备经常处在高负荷,长时间的运转当中。机械设备难免发生故障。在我国的工厂里面,由于加工量大,运转时间长,设备一直处在高速运转当中。一旦工业设备发生故障,就会导致生产线运行受阻,妨碍生产线上的加工和生产,导致严重的生产效率低下。如何更好更快的对设备进行预测与诊断,尽快找出事故发生的原因,一直是专家们研究的热点。
工业设备故障预测与诊断一直是专家们研究的热点,如何在较短时间内对工业设备进行故障预测与诊断,推测发生故障大的可能性及时调整,在发生故障后找出故障存在的原因,进而进行维修一直是我们的研究热点。针对生产线设备发生故障。将遗传算法的神经网络理论(GA-BP)和案例推理理论(CBR) 引入到工业设备故障预测与诊断系统中,对生产线设备故障进行案例表示、案例检索、案例的调整和修改与案例学习提升了预测率,从而缩短了工业设备故障诊断的时间,对生产线设备故障预测与诊断有一定的参考价值。
有鉴于此,无论是GA-BP还是CBR虽然都有了成功的应用,但都存在着局限性。针对于GA-BP的局限主要表现在神经网络故障诊断器性能主要取决与训练样本不确定性;加入新的训练样本时,需对整个网络重新进行训练,使得网络的自学习十分不便;在神经网络系统中,诊断对象信息表达的方式单一,因为通常的神经网络只能处理数值信息等,而CBR的主要局限体现在案例的建立以及案例的选择,其次在案例之间的相似度量难以确定等。而根据两者的特点比较,存在着互补性,实现遗传算法-神经网络理论与案例推理的模型信息融合与工业设备故障预测诊断机制,完善诊断模型。利用GA-BP-CBR诊断机制,通过该机制快速找出故障产生的原因。进而减少因为设备故障而导致的停机时间。
发明内容
本发明旨在解决以上现有技术的问题。提出了一种基于GA-BP-CBR的工业设备故障诊断系统及方法。本发明的技术方案如下:
一种基于GA-BP-CBR的工业设备故障诊断系统,其包括:输入模块、GA-BP 神经网络模块、案例推理理论CBR网络模块、结果修正模块及输出模块,其中,所述输入模块分别与GA-BP神经网络模块、案例推理理论CBR网络模块相连接,所述GA-BP神经网络模块的输出分别与案例推理理论CBR网络模块、结果修正模块相连接,所述案例推理理论CBR网络模块与结果修正模块相连接后与输出模块相连接,GA-BP神经网络模块作为案例推理理论CBR网络模块的预处理模块,所述输入模块输入故障诊断训练数据给GA-BP神经网络模块,GA-BP 神经网络模块训练出预分类网络,同时将训练数据组成案例,形成案例库文件; GA-BP神经网络模块利用训练好的预分类网络的输出结果对案例建立索引,将原案例库划分为若干个子案例库,诊断时,先将测试数据输入训练好的预分类网络,根据网络的输出,在相应的子案例库中寻找相似案例集,将GA-BP用于案例推理中的案例索引的建立和案例检索可以改变原有CBR索引建立难点问题,同时GA-BP与CBR存在很好的互补性,让改进的神经网络作为CBR的预处理, CBR得到的诊断结果可以反馈修正GA-BP网络,得到最终的诊断结果。
进一步的,作为预处理模块的GA-BP神经网络模块具体包括:辅助CBR 案例的建立。即对故障信息进行分类,给CBR中案例索引的建立提供依据;在诊断时,对故障信息进行大概的预诊断;即根据神经网络的计算结果,可以大致知道故障的一般概况,并且辅助最后案例修正,使GA-BP-CBR系统可以得到理想的诊断结果;GA-BP用于指导后续CBR模块中案例的检索。
进一步的,GA-BP预诊断网络的相关工作特性描述如下:
·网络的输入层为待诊断对象的故障征兆向量X=(x1,x2,...,xn),n为症状空间维数,网络的输出层为待诊断对象的故障类别Y=(y1,y2,...,ym),m为故障类别数,yi表示诊断对象为第i类故障的可能性;
·网络的训练规则为,输入训练数据,对于表征第i类故障的症状向量,其标准输出应为:
yj=1当j=i
yj=0当j≠i
·在进行诊断时,输入待诊断对象的症状数据,网络得到相应的输出,具体的诊断规则如下:
1)若节点i的输出yi≥ε,则认为诊断结果为第i类故障;这里ε在0.5和1之间,具体的值则由领域专家确定,不同的系统和诊断对象,ε值会各不相同;
2)设yj=max{yi},(i=1,...m),若yj-yk≤δ,(k=1,...,m,且k≠j),则认为诊断结果为 k和j类故障都发生,否则认为j类故障发生,这里δ的确定也是根据具体的诊断对象和诊断网络输出特性来定,在0.2和0.3之间。
进一步的,所述案例推理理论CBR网络模块包括案例的描述、索引的建立及案例的检索匹配:
其中,案例的描述采用了三元组的结构来描述案例,其结构行如:
case=<problem,symptom,solution>
结构包括三个域,分别为:问题域、症状描述域、解决方案域;
进一步的,所述索引的建立是基于GA-BP神经网络模块,在故障诊断中,故障案例索引的建立即是对故障案例集进行分类,将具有相同某一特性的案例归为一类,这样一个大型的故障案例库将由于索引的不同划分为若干个子案例库;CBR系统中案例索引的建立由GA-BP模块的输出分类结果决定;经过特征提取预处理的故障数据既是GA-BP模块的输入数据,也是CBR模块中的案例的属性组成,GA-BP的模式匹配功能会对这些输入数据分类,分类的方式主要是根据训练建模的故障数据的特点而定,可以是故障的不同表现形式,或者故障发生所在的对象的不同子系统,一旦故障的分类方式决定了,也就意味着案例的索引建立了,而索引所含的具体值的个数就是预分类GA-BP模块的输出层的结点数,也即故障所分的类的个数;在GA-BP-CBR中,每一个案例都处在相应的神经网络分类结果之下。诊断时,先经过神经网络模块,得到预诊断分类结果,根据神经网络模块的诊断规则,获得故障类别,即CBR中案例库的索引,再在相应的子案例库中检索到相似的案例。
进一步的,所述案例的检索和匹配:GA-BP-CBR模型中CBR模块的案例检索匹配过程及规则大致与单CBR系统相似,在GA-BP-CBR模型中案例索引的建立是由GA-BP模块决定的,且根据故障诊断过程的特性,考虑到故障知识的获取,选择了在CBR系统中最常用到的案例检索策略最近相邻法采用的是欧几里得距离其计算公式为:
其中Ti代表第i个目标案例,Si代表案例库中的第i个源案例,Wi是第i个特征属性的权重。
与单CBR系统不同的是GA-BP-CBR中案例检索是在GA-BP的指导下进行的,模型中案例的检索依据是GA-BP模块的分类结果,新问题在经过GA-BP 诊断后,获得案例索引,于是就在具有相应索引的子案例库中比较新问题各属性与子案例库中案例的相应属性的相似度,综合便得到新案例与库中案例的相似度,通过设置案例相似度阈值,就可以得到若干个相似案例。
进一步的,所述结果修正模块的具体步骤包括:
具体的综合评价可参考如下:
1)通过神经网络的输出对新问题所属的故障种类建立置信度。即设GA-BP 的第i个节点输出为outi(outi≥ε,ε为GA-BP输出激发阈值),则outi可视为问题属于第 i类故障的置信度;
2)设问题案例在第i个子案例库中检索到m个相似案例,每个案例的相似度为SIMij,其中j=1,2,...m。
3)则某个相似案例A可作为最终解决方案的可信度为:Tσ=outi×SIMij,其中 i表示A属于第i个案例库,j表示A为CBR模块检索到的案例集的第j个相似案例;
4)综合所有相似案例的可信度T,可选择最适合解决该问题的目标案例。
一种基于系统的故障诊断方法,其包括:建模学习过程和诊断过程;在对系统进行诊断建模时,首先将诊断训练数据输入GA-BP人工神经网络模型,训练出预分类网络模型,同时将训练数据组成案例,形成案例库文件;然后利用训练好的分类网络的输出结果对案例建立索引,这样将原案例库划分为若干个子案例库;诊断时,先将测试数据输入分类网络,根据网络的输出,在相应的子案例库中寻找相似案例集,最后对得到的案例集参照神经网络的输出进行评价修正,得到最终的诊断结果;对于有价值的新案例,可将其存储在案例库中,这个过程实现了系统的自学习。
本发明的优点及有益效果如下:
本发明研究遗传算法改进的BP神经网络解决故障检测产生收敛速度慢、网络不稳定以及陷入局部最优等问题从而提升了故障检测速度。而研究案例推理 (CBR)中案例表示方法、相似案例的检索匹配机制,异构的故障信息进行语义化描述,可以有效检查生产线设备故障产生的原因,从而减少因为生产线设备故障导致的停机时间。同时GA-BP和CBR的结合主要体现在故障案例索引的建立是由GA-BP模块的分类结果所决定的,而CBR的案例库也因索引的不同被划分为若干个子案例库,在进行案例检索时,GA-BP将指导CBR在相应的子案例库中检索研究故障诊断模型,调整诊断机制,实现智能诊断。可以灵活适应各种类型、场景的复杂诊断。
附图说明
图1是本发明提供优选实施例基于GA-BP-CBR的工业设备故障诊断的流程图;
图2为本发明输入原模型结构图;
图3为本发明进行的案例检索结构图。
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、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是:
基于优化的神经网络和案例推理的生产线设备故障诊断机制方法,包括以下步骤:
1、借助遗传算法与神经网络构建模型并制定规则。
BP神经网络是一种按“误差逆传播算法训练”的多层前馈网络。
学习规则是:使用最速下降法,通过反向传播(就是一层一层往前传) 不断调整网络的权值和阈值,最后使全局误差系数最小。其优势如下:
(1)非线性映射能力。BP神经网络具有非常强大的非线性映射能力,特别适合求解这种内部机理复杂的故障分类题诊断的过程中不需要了解故障的机理,只需要通过对样本数据学习,可对故障进行诊断。
(2)自学习能力。BP神经网络最大的特点就是能够学习样本输入和输出之间的映关系,然后将这种关系保留在网络的权值之中。
(3)泛化能力。BP神经网络能够归纳出样本中没有出现过的故障模式,当新的模式来临时也能够做出正确的判断。
(4)容错能力。BP神经网络对不但能够抵抗个别干扰数据干扰,而且对于网络出现局部经元损坏的情况时也能够很好的保持网络的正常运行,并不会对网络的训练性能照成严重的后果。
遗传算法模拟自然界遗传机制和生物进化论而成的一种并行随机搜索最优化方法遗传算法优化BP神经网络分为BP神经网络结构确定、遗传算法优化和 BP神经网络预测3个部分。
BP神经网络存在初始权值和阔值的不确定、网络易陷入局部最小值等缺点,应用时受到明显的限制。为了更好的使用该算法,需要对其进行优化。目前BP 网络的优化主要从改进激活函数、改进算法及智能算法优化三个方向考虑。
2、研究案例推理(CBR)用于工业设备故障预测诊断,案例的推理(Case-Based-Reasoning,简称CBR)为成熟的一个分支,它是一种基于过去的实际经验或经历的推理。对基于案例的推理来说,求解一个问题的结论是从记忆里或案例库中找到与当前问题最相关的案例,然后对该案例做必要的改动以适合当前需解决的问题。
案例推理的过程可以看作是一个4R(Retrieve,Reuse,Revise,Retain)的循环过程,即相似案例检索、案例重用、案例的修改和调整、案例学习四个步骤的循环。遇到新问题时,将新问题通过案例描述输入CBR系统;系统会检索出与目标案例最匹配的案例,若有与目标案例情况一致的源案例,则将其解决方案直接提交给用户;若没有则根据目标案例的情况对相似案例的解决方案进行调整和修改,若用户满意则将新的解决方案提交给用户,若不满意则需要继续对解决方案进行调整和修改;对用户满意的解决方案进行评价和学习,并将其保存到案例库中。
3、对比现有的案例库,结合实际应用场景,寻找最优的方案实现对检索规则、案例库实例的去冗余与优化。
图1系统的工作方式可分为建模学习过程和诊断过程。在对系统进行诊断建模时,首先将诊断训练数据输入人工神经网络模型,训练出预分类网络模型,同时将训练数据组成案例,形成案例库文件。然后利用训练好的分类网络的输出结果对案例建立索引,这样将原案例库划分为若干个子案例库。诊断时,先将测试数据输入分类网络,根据网络的输出,在相应的子案例库中寻找相似案例集,最后对得到的案例集参照神经网络的输出进行评价修正,得到最终的诊断结果。对于有价值的新案例,可将其存储在案例库中,这个过程实现了系统的自学习。
在GA-BP-CBR模型中,作为预处理模块的GA-BP部分的主要任务是:
·辅助CBR案例的建立。即对故障信息进行分类,给CBR中案例索引的建立提供依据。
·在诊断时,对故障信息进行大概的预诊断。即根据神经网络的计算结果, 可以大致知道故障的一般概况,并且辅助最后案例修正,使GA-BP-CBR 系统可以得到理想的诊断结果。
·GA-BP最重要也是最关键的任务是指导后续CBR模块中案例的检索。
GA-BP-CBR模型中GA-BP预诊断网络的相关工作特性描述如下:
·网络的输入层为待诊断对象的故障征兆向量X=(x1,x2,...,xn),n为症状空间维数,网络的输出层为待诊断对象的故障类别Y=(y1,y2,...,ym),m为故障类别数,yi表示诊断对象为第i类故障的可能性;
·网络的训练规则为,输入训练数据,对于表征第i类故障的症状向量,其标准输出应为:
yj=1当j==i
yj=0当j≠i
·在进行诊断时,输入待诊断对象的症状数据,网络得到相应的输出,具体的诊断规则如下:
1)若节点i的输出yi≥ε,则认为诊断结果为第i类故障;这里ε在0.5和1 之间,具体的值则由领域专家确定,不同的系统和诊断对象,ε值会各不相同;
2)设yj=max{yi},(i=1,...m),若yj-yk≤δ,(k=1,...,m,且k≠j),则认为诊断结果为k和j类故障都发生,否则认为j类故障发生,这里δ的确定也是根据具体的诊断对象和诊断网络输出特性来定,在0.2和0.3之间。
神经网络模块的诊断结果将会影响到后续CBR系统精密诊断的效率和效果,并且神经网络的诊断结果也会对最后的结果修正及最终解决方案的确定提供参考。在GA-BP-CBR系统中,我们引入了GA-BP的功能参与案例的描述、索引的建立及案例的检索匹配等。
1.故障案例的描述:同单CBR系统一样,GA-BP-CBR集成系统中案例的描述是系统工作的前提,它的合理性关系到最后CBR部分工作的效果。在 GA-BP-CBR模型中,故障数据经过预处理后送入GA-BP网络,在此同时,这些经过特征提取的数据也成为CBR模块中案例的组成部分。通常一个故障案例存储的信息应包括:案例的症状特征描述,诊断结果以及诊断过程中相关的一些信息。因此在本文的GA-BP-CBR系统中,采用了所介绍的三元组的结构来描述案例,其结构行如:
case=<problem,symptom,solution>
该结构包括三个域,分别为:
·问题域。它用来描述问题的特征信息和上下文信息等,一般由多个属性来描述。它主要包含了对案例推理起决定作用的诊断对象的症状特征值及其重要程度。这些特征值一般即为GA-BP模块中的输入故障特征数据。
·症状描述域。它是问题域的自然语言描述,它的作用是为了人们更好的理解问题。
·解决方案域为针对问题域所提出的问题所采取的解决方法的一种描述。
它一般也由多个属性组成。
2.基于GA-BP的案例索引的建立:在故障诊断中,故障案例索引的建立即是对故障案例集进行分类,将具有相同某一特性的案例归为一类,这样一个大型的故障案例库将由于索引的不同划分为若干个子案例库。在传统的单CBR 系统中,案例索引的建立需要CBR系统的设计者对诊断对象特性非常熟悉,而且索引建立能否和合理性在很大程度上决定于诊断对象。实际中,许多系统都无法建立合适的索引,限制了单CBR系统的应用。
在本文中所建立的GA-BP-CBR模型中,案例索引的建立与单一CBR系统中的索引不同。CBR系统中案例索引的建立由GA-BP模块的输出分类结果决定。经过特征提取预处理的故障数据既是GA-BP模块的输入数据,也是CBR模块中的案例的属性组成。GA-BP的模式匹配功能会对这些输入数据分类,分类的方式主要是根据训练建模的故障数据的特点而定,可以是故障的不同表现形式,或者故障发生所在的对象的不同子系统。一旦故障的分类方式决定了,也就意味着案例的索引建立了。而索引所含的具体值的个数就是预分类GA-BP模块的输出层的结点数,也即故障所分的类的个数。
GA-BP-CBR的索引结构如图2所示。
在GA-BP-CBR中,每一个案例都处在相应的神经网络分类结果之下。诊断时,先经过神经网络模块,得到预诊断分类结果,根据神经网络模块的诊断规则,获得故障类别,即CBR中案例库的索引,再在相应的子案例库中检索到相似的案例。
3.GA-BP指导下的案例的检索和匹配:GA-BP-CBR模型中CBR模块的案例检索匹配过程及规则大致与单CBR系统相似。在GA-BP-CBR模型中案例索引的建立是由GA-BP模块决定的,相对稳定,且根据故障诊断过程的特性,考虑到故障知识的获取,本文选择了在CBR系统中最常用到的案例检索策略最近相邻法(Nearest Neighbor Algorithm),它的检索规则简单直接,这里我们采用的是欧几里得距离(Euclidean Distance),其计算公式为:
其中Ti代表第i个目标案例,Si代表案例库中的第i个源案例,Wi是第i个特征属性的权重。
与单CBR系统不同的是GA-BP-CBR中案例检索是在GA-BP的指导下进行的,其检索结构如图3所示。
模型中案例的检索依据是GA-BP模块的分类结果,新问题在经过GA-BP诊断后,获得案例索引,于是就在具有相应索引的子案例库中比较新问题各属性与子案例库中案例的相应属性的相似度,综合便得到新案例与库中案例的相似度,通过设置案例相似度阈值,我们就可以得到若干个相似案例。
需要指出的是,根据GA-BP模块的分类规则,一个新案例可能经过GA-BP 后得到几种不同的故障类别,也就是说,新问题可能得到多个索引值,这时,案例检索的范围为相应的多个子案例库,依次进行图三所示案例检索过程。 GA-BP-CBR的这个性能其实就是对GA-BP的诊断结果再进行一次精诊断。由于GA-BP的网络性能,或由于训练数据的局限使得GA-BP的训练精度不高时,后续CBR的案例检索将会弥补GA-BP模块的不足,这也是GA-BP-CBR系统相比于单GA-BP系统的优势之一。
由于GA-BP-CBR的检索只在相应的子案例库中进行,这样极大的缩小了案例检索的空间,提高了诊断的速度,同时由于诊断是在更精确的范围内进行,也提高了诊断的准确性。
4.模型结果修正及系统学习:在GA-BP-CBR系统中最后为结果评价修正模块。与单CBR系统一样,对GA-BP-CBR系统中CBR模块检索到的相似案例需进行综合分析,得到新问题的最终解决方案。不同的是,在本文所建的模型中,模型结果的评价修正考虑了GA-BP模块的诊断结果。
具体的综合评价可参考如下:
1)通过神经网络的输出对新问题所属的故障种类建立置信度。即设GA-BP 的第i个节点输出为outi(outi≥ε,ε为GA-BP输出激发阈值),则outi可视为问题属于第 i类故障的置信度;
2)设问题案例在第i个子案例库中检索到m个相似案例,每个案例的相似度为SIMij,其中j=1,2,...m。
3)则某个相似案例A可作为最终解决方案的可信度为:Tσ=outi×SIMij,其中 i表示A属于第i个案例库,j表示A为CBR模块检索到的案例集的第j个相似案例;
4)综合所有相似案例的可信度T,可选择最适合解决该问题的目标案例。
需要指出的是,一般GA-BP-CBR的案例并不能直接用于解决新问题,需要人为因素的参与,即根据对诊断对象的认识和现有的领域知识,对目标案例进行人为的修改。所以,一般应用中的CBR系统,这部分主要还是人为实现。在本文所建立的模型中,对案例的修改主要还是考虑用户自己手工进行,模型只是提供用户如何进行修改的依据。
经过人机交互进行评价修改得到的新案例的处理分为两种情况:
1)新案例对今后的诊断贡献不大,即相同的情况很容易得到方案,这时为避免案例库的冗余重复,可舍弃该案例,不入库。
2)对于那些有价值的新案例,可将其纳入案例库中,用于今后的诊断任务,而这个过程,实际上就是实现了模型的自学习。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD) 或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后,技术人员可以对本发明作各种改动或修改,这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (8)
1.一种基于GA-BP-CBR的工业设备故障诊断系统,其特征在于,包括:输入模块、GA-BP神经网络模块、案例推理CBR网络模块、结果修正模块及输出模块,其中,所述输入模块分别与GA-BP神经网络模块、案例推理理论CBR网络模块相连接,所述GA-BP神经网络模块的输出分别与案例推理理论CBR网络模块、结果修正模块相连接,所述案例推理理论CBR网络模块与结果修正模块相连接后与输出模块相连接,GA-BP神经网络模块作为案例推理理论CBR网络模块的预处理模块,所述输入模块输入故障诊断训练数据给GA-BP神经网络模块,GA-BP神经网络模块训练出预分类网络,同时将训练数据组成案例,形成案例库文件;GA-BP神经网络模块利用训练好的预分类网络的输出结果对案例建立索引,将原案例库划分为若干个子案例库,诊断时,先将测试数据输入训练好的预分类网络,根据网络的输出,在相应的子案例库中寻找相似案例集,而将GA-BP用于案例推理中的案例索引的建立和案例检索可以改变原有CBR索引建立难点问题,同时GA-BP与CBR存在很好的互补性,让改进的神经网络作为CBR的预处理,CBR得到的诊断结果可以反馈修正GA-BP网络,得到最终的诊断结果。
2.根据权利要求1所述的一种基于GA-BP-CBR的工业设备故障诊断系统,其特征在于,作为预处理模块的GA-BP神经网络模块具体包括:辅助CBR案例的建立,即对故障信息进行分类,给CBR中案例索引的建立提供依据;在诊断时,对故障信息进行大概的预诊断;即根据神经网络的计算结果,可以大致知道故障的一般概况,并且辅助最后案例修正,使GA-BP-CBR系统可以得到理想的诊断结果;GA-BP用于指导后续CBR模块中案例的检索。
3.根据权利要求1所述的一种基于GA-BP-CBR的工业设备故障诊断系统,其特征在于,GA-BP预诊断网络的相关工作特性描述如下:
·网络的输入层为待诊断对象的故障征兆向量X=(x1,x2,...,xn),n为症状空间维数,网络的输出层为待诊断对象的故障类别Y=(y1,y2,...,ym),m为故障类别数,yi表示诊断对象为第i类故障的可能性;
·网络的训练规则为,输入训练数据,对于表征第i类故障的症状向量,其标准输出应为:
yj=1当j==i
yj=0当j≠i
·在进行诊断时,输入待诊断对象的症状数据,网络得到相应的输出,具体的诊断规则如下:
1)若节点i的输出yi≥ε,则认为诊断结果为第i类故障;这里ε在0.5和1之间,具体的值则由领域专家确定,不同的系统和诊断对象,ε值会各不相同;
2)设yj=max{yi},(i=1,...m),若yj-yk≤δ,(k=1,...,m,且k≠j),则认为诊断结果为k和j类故障都发生,否则认为j类故障发生,这里δ的确定也是根据具体的诊断对象和诊断网络输出特性来定,在0.2和0.3之间。
4.根据权利要求1所述的一种基于GA-BP-CBR的工业设备故障诊断系统,其特征在于,所述案例推理理论CBR网络模块包括案例的描述、索引的建立及案例的检索匹配:
其中,案例的描述采用了三元组的结构来描述案例,其结构行如:
case=<problem,symptom,solution>
结构包括三个域,分别为:问题域、症状描述域、解决方案域;
5.根据权利要求4所述的一种基于GA-BP-CBR的工业设备故障诊断系统,其特征在于,所述索引的建立是基于GA-BP神经网络模块,在故障诊断中,故障案例索引的建立即是对故障案例集进行分类,将具有相同某一特性的案例归为一类,这样一个大型的故障案例库将由于索引的不同划分为若干个子案例库;CBR系统中案例索引的建立由GA-BP模块的输出分类结果决定;经过特征提取预处理的故障数据既是GA-BP模块的输入数据,也是CBR模块中的案例的属性组成,GA-BP的模式匹配功能会对这些输入数据分类,分类的方式主要是根据训练建模的故障数据的特点而定,可以是故障的不同表现形式,或者故障发生所在的对象的不同子系统,一旦故障的分类方式决定了,也就意味着案例的索引建立了,而索引所含的具体值的个数就是预分类GA-BP模块的输出层的结点数,也即故障所分的类的个数;在GA-BP-CBR中,每一个案例都处在相应的神经网络分类结果之下,诊断时,先经过神经网络模块,得到预诊断分类结果,根据神经网络模块的诊断规则,获得故障类别,即CBR中案例库的索引,再在相应的子案例库中检索到相似的案例。
6.根据权利要求5所述的一种基于GA-BP-CBR的工业设备故障诊断系统,其特征在于,所述案例的检索和匹配具体包括:GA-BP-CBR模型中CBR模块的案例检索匹配过程及规则大致与单CBR系统相似,在GA-BP-CBR模型中案例索引的建立是由GA-BP模块决定的,且根据故障诊断过程的特性,考虑到故障知识的获取,选择了在CBR系统中最常用到的案例检索策略最近相邻法采用的是欧几里得距离其计算公式为:
其中Ti代表第i个目标案例,Si代表案例库中的第i个源案例,Wi是第i个特征属性的权重;
与单CBR系统不同的是GA-BP-CBR中案例检索是在GA-BP的指导下进行的,模型中案例的检索依据是GA-BP模块的分类结果,新问题在经过GA-BP诊断后,获得案例索引,于是就在具有相应索引的子案例库中比较新问题各属性与子案例库中案例的相应属性的相似度,综合便得到新案例与库中案例的相似度,通过设置案例相似度阈值,就可以得到若干个相似案例。
7.根据权利要求6所述的一种基于GA-BP-CBR的工业设备故障诊断系统,其特征在于,所述结果修正模块的具体步骤包括:
具体的综合评价可参考如下:
1)通过神经网络的输出对新问题所属的故障种类建立置信度。即设GA-BP的第i个节点输出为outi(outi≥ε,ε为GA-BP输出激发阈值),则outi可视为问题属于第i类故障的置信度;
2)设问题案例在第i个子案例库中检索到m个相似案例,每个案例的相似度为SIMij,其中j=1,2,..m;
3)则某个相似案例A可作为最终解决方案的可信度为:Tσ=outi×SIMij,其中i表示A属于第i个案例库,j表示A为CBR模块检索到的案例集的第j个相似案例;
4)综合所有相似案例的可信度T,可选择最适合解决该问题的目标案例。
8.一种基于权利要求1-7之一系统的故障诊断方法,其特征在于,包括:
建模学习过程和诊断过程;在对系统进行诊断建模时,首先将诊断训练数据输入GA-BP人工神经网络模型,训练出预分类网络模型,同时将训练数据组成案例,形成案例库文件;然后利用训练好的分类网络的输出结果对案例建立索引,这样将原案例库划分为若干个子案例库;诊断时,先将测试数据输入分类网络,根据网络的输出,在相应的子案例库中寻找相似案例集,最后对得到的案例集参照神经网络的输出进行评价修正,得到最终的诊断结果;对于有价值的新案例,可将其存储在案例库中,这个过程实现了系统的自学习。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011254335.8A CN112365014A (zh) | 2020-11-11 | 2020-11-11 | 一种基于ga-bp-cbr的工业设备故障诊断系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011254335.8A CN112365014A (zh) | 2020-11-11 | 2020-11-11 | 一种基于ga-bp-cbr的工业设备故障诊断系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112365014A true CN112365014A (zh) | 2021-02-12 |
Family
ID=74515953
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011254335.8A Pending CN112365014A (zh) | 2020-11-11 | 2020-11-11 | 一种基于ga-bp-cbr的工业设备故障诊断系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112365014A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114888500A (zh) * | 2022-03-09 | 2022-08-12 | 柳州铁道职业技术学院 | 一种铁路定型组合柜配线自动焊接机器人 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108470084A (zh) * | 2018-02-09 | 2018-08-31 | 浙江大学 | 一种基于神经网络和案例推理的汽轮机轴系振动故障诊断方法 |
CN109325594A (zh) * | 2018-09-29 | 2019-02-12 | 国家电网有限公司 | 一种改进cbr的电力通信现场运维辅助诊断方法 |
-
2020
- 2020-11-11 CN CN202011254335.8A patent/CN112365014A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108470084A (zh) * | 2018-02-09 | 2018-08-31 | 浙江大学 | 一种基于神经网络和案例推理的汽轮机轴系振动故障诊断方法 |
CN109325594A (zh) * | 2018-09-29 | 2019-02-12 | 国家电网有限公司 | 一种改进cbr的电力通信现场运维辅助诊断方法 |
Non-Patent Citations (4)
Title |
---|
DAOQU GENG等: "Research on Fault Diagnosis Mechanism of Production Line Equipment Based on Semantic", 《2020 IEEE 10TH INTERNATIONAL CONFERENCE ON ELECTRONICS INFORMATION AND EMERGENCY COMMUNICATION(ICEIEC)》 * |
张锐: "基于人工神经网络理论的机械故障诊断技术研究", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
王振显: "基于案例推理的高铁信号系统车载设备故障诊断", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》 * |
黄远强: ""基于案例推理和改进神经网络的发动机故障诊断研究"", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114888500A (zh) * | 2022-03-09 | 2022-08-12 | 柳州铁道职业技术学院 | 一种铁路定型组合柜配线自动焊接机器人 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8370108B2 (en) | Diagnostic device | |
CN108879732B (zh) | 电力系统暂态稳定评估方法及装置 | |
CN110232395A (zh) | 一种基于故障中文文本的电力系统故障诊断方法 | |
Duan et al. | Root cause analysis approach based on reverse cascading decomposition in QFD and fuzzy weight ARM for quality accidents | |
CN116310551A (zh) | 多模态信息融合网络的电力变压器故障诊断方法及系统 | |
Huang et al. | Fault classification of industrial processes based on generalized zero-shot learning | |
CN112365014A (zh) | 一种基于ga-bp-cbr的工业设备故障诊断系统及方法 | |
Wang et al. | Three‐stage feature selection approach for deep learning‐based RUL prediction methods | |
Li et al. | Prototype-oriented unsupervised anomaly detection for multivariate time series | |
CN116522912B (zh) | 一种包装设计语言模型的训练方法、装置、介质及设备 | |
CN113761193A (zh) | 日志分类方法、装置、计算机设备和存储介质 | |
US20240005912A1 (en) | Acoustic model for multilingual speech recognition | |
Schenkelberg et al. | Supervised machine learning for knowledge-based analysis of maintenance impact on profitability | |
Kumar et al. | Extensive survey on feature extraction and feature selection techniques for sentiment classification in social media | |
Zhu | Management forecast based on big data fusion DEA and RBF algorithm | |
Tang et al. | Constructing Aircraft Fault Knowledge Graph for Intelligent Aided Diagnosis | |
Khidirova et al. | Neuro-fuzzy algorithm for clustering multidimensional objects in conditions of incomplete data | |
Jia et al. | Remaining useful life prediction of equipment based on xgboost | |
Harikiran et al. | Software Defect Prediction Based Ensemble Approach. | |
Cai et al. | Malfunction diagnosis of main station of power metering system using LSTM-ResNet with SMOTE method | |
Leal et al. | Learning methods for remaining useful life prediction in a turbofan engine | |
Zhou et al. | Bearing life prediction method based on parallel multichannel recurrent convolutional neural network | |
Chakrapani et al. | Predicting performance analysis of system configurations to contrast feature selection methods | |
Kurilo et al. | Development of a system for hybrid detection of time series anomalies | |
Zhao et al. | Small sample algorithm optimization for large language models |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210212 |