CN113959744A - 基于人工智能的设备故障测试方法及系统 - Google Patents
基于人工智能的设备故障测试方法及系统 Download PDFInfo
- Publication number
- CN113959744A CN113959744A CN202010706173.0A CN202010706173A CN113959744A CN 113959744 A CN113959744 A CN 113959744A CN 202010706173 A CN202010706173 A CN 202010706173A CN 113959744 A CN113959744 A CN 113959744A
- Authority
- CN
- China
- Prior art keywords
- fault
- fault diagnosis
- node
- diagnosis result
- layer
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 22
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 14
- 238000003745 diagnosis Methods 0.000 claims abstract description 230
- 208000024891 symptom Diseases 0.000 claims abstract description 86
- 238000000034 method Methods 0.000 claims abstract description 59
- 238000001514 detection method Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000012544 monitoring process Methods 0.000 claims abstract description 3
- 238000013528 artificial neural network Methods 0.000 claims description 31
- 238000004891 communication Methods 0.000 claims description 4
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 238000012806 monitoring device Methods 0.000 claims description 3
- 238000010998 test method Methods 0.000 claims 3
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/041—Abduction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明公开了一种基于人工智能的设备故障测试方法及系统,其中方法包括:通过设置在检测对象各节点上的故障监测设备获取故障征兆数据;基于所获取的所述故障征兆数据,并根据预设的故障诊断方法诊断故障类型和故障发生位置,形成故障诊断结果并保存;以所述故障诊断结果和关联所述故障诊断结果的各所述故障征兆数据为训练样本,训练形成一故障诊断预测模型;以获取的所述故障征兆数据为模型输入,通过所述故障诊断预测模型预测所述检测对象可能发生的故障类型和故障发生位置,并形成所述故障诊断结果并保存。本发明能够根据监测到的故障征兆数据快速准确的诊断出故障类型和故障发生位置,提高了设备故障检测的效率和准确度。
Description
技术领域
本发明涉及设备故障自动检测技术领域,具体涉及一种基于人工智能的设备故障测试方法及系统。
背景技术
随着科学技术的发展,各种机电设备的结构越来越复杂,功能也越来越完善,自动化程度越来越高,同一设备中的各个零部件或者同一系统中的各个设备间工作紧密,一处发生故障可能引发连锁反应,轻则导致设备或系统处于不正常工作状态降低设备使用寿命,重则导致设备无法运行,给企业造成严重损失。但是由于设备零部件的集成化程度越来越高,设备中各零部件间或同一系统各设备间的连接关系越来越复杂,对于设备的故障检测与诊断的难度越来越高,现有的故障诊断方法很难准确快速地找出故障点和准确判断出故障类型,传统人为的故障检测方式则需要经验丰富的技术员排查故障,但同样需要耗费大量的排障时间,效率极其低下。
发明内容
本发明的目的在于提供一种基于人工智能的设备故障测试方法及系统,以解决上述技术问题。
为达此目的,本发明采用以下技术方案:
提供一种基于人工智能的设备故障测试方法,包括:
通过设置在检测对象各节点上的故障监测设备获取故障征兆数据;
基于所获取的所述故障征兆数据,并根据预设的故障诊断方法诊断故障类型和故障发生位置,形成故障诊断结果并保存;
以所述故障诊断结果和关联所述故障诊断结果的各所述故障征兆数据为训练样本,训练形成一故障诊断预测模型;
以获取的所述故障征兆数据为模型输入,通过所述故障诊断预测模型预测所述检测对象可能发生的故障类型和故障发生位置,并形成所述故障诊断结果并保存。
作为本发明的一种优选方案,预设的所述故障诊断方法为基于符号规则的故障诊断方法,通过以下公式(1)表达基于符号规则的故障诊断方法作出的所述故障诊断结果的可信度:
e=(e+-e1)/(1-min(e+,e-)) 公式(1)
上式(1)中,e用于表示基于符号规则的故障诊断方法作出的所述故障诊断结果的可信度;
e+表示基于符号规则的故障诊断方法作出的所述故障诊断结果存在的确定程度;
e-表示基于符号规则的故障诊断方法作出的所述故障诊断结果不存在的确定程度。
作为本发明的一种优选方案,分别表示所述故障诊断结果存在和不存在的确定程度的e+和e-通过下式(2)计算而得:
公式(2)中,
Wi为第i个故障征兆支持所述故障诊断结果存在的权重;
W-i为第i个所述故障征兆支持所述故障诊断结果不存在的权重;
∑Wi=1。
作为本发明的一种优选方案,预设的故障诊断方法为基于神经网络的故障诊断方法,基于神经网络的故障诊断方法诊断设备故障的具体方法步骤如下:
步骤L1,定义神经网络的输入层节点、中间层节点和目标层节点,
每个所述输入层节点对应表示所获取的一个故障征兆;
所述中间层节点表示通过相关的所述输入层节点推理出的故障诊断中间结论或表示可推理所述目标层节点的故障征兆;
目标层节点表示最终推理出的所述故障诊断结果;
步骤L2,赋予各所述输入层节点与相关的所述中间层节点之间以及各所述中间层节点与所述目标层节点间的联接权重;
步骤L3,根据给定的故障征兆和赋予给各节点间的所述联接权重,并通过网络前馈算法推断出设备故障类型,并形成所述故障诊断结果。
作为本发明的一种优选方案,所述步骤L3中,通过以下公式(3)推断所述中间层节点对应的所述故障诊断中间结论:
Yi+1,j=∑Wlj×Yi,l 公式(3);
上式(3)中,i为大于或等于1的自然数;
i为大于或等于1的自然数;
Yi+1,j用于表示所述神经网络的第i+1层的第j个节点表示的所述故障诊断中间结论;
Yi,l用于表示第i+1层的前一层第i层的某个节点表示的故障征兆或推理出的故障诊断中间结论;
Wlj表示第i层的某个节点与第i+1层的第j个节点的所述联接权重。
作为本发明的一种优选方案,所述步骤L3中,通过以下公式推断所述目标层节点对应的所述故障诊断结果的可信度:
Yi+1=0,Yi+<Yi-
上式中,Yi+1表示所述目标层节点对应的所述故障诊断结果的可信度;
Yi+表示最终推断的所述故障诊断结果的确定程度;
Yi-表示最终推断的所述故障诊断结果的不确定程度。
作为本发明的一种优选方案,通过一误差函数校正基于神经网络的故障诊断方法作出的所述故障诊断结果,所述误差函数通过下式表达:
E=0.5∑j(Oj-Yj)2
上式中,j用于表示所述神经网络的目标层节点j;
Oj用于表示期望输出的所述目标层节点j对应的故障诊断结果;
Yj表示实际输出的所述目标层节点j对应的所述故障诊断结果;
E表示基于神经网络的故障诊断方法的故障诊断误差的误差值。
作为本发明的一种优选方案,当所述故障诊断误差的误差值大于一预设阈值时,通过以下公式校正前后层的所述中间层节点与节点之间以及所述中间层节点与所述输入层节点间的所述联接权重:
W′lj=Wlj+ΔWlj=Wlj-Yi,lαE/αYi+1,j
上式中,W′lj经校正后的第i层的某个节点与第i+1层的第j个节点的所述联接权重;
α表示可信度因子。
本发明还提供一种基于人工智能的设备故障测试系统,可实现所述的设备故障测试方法,该系统包括:
故障征兆数据获取模块,通信连接设置在所述检测对象各节点上的各故障监测设备,用于获取各所述故障检测设备监测到的所述故障征兆数据;
故障诊断模块,通信连接所述故障征兆数据获取模块,用于基于所获取的所述故障征兆数据,并根据预设的故障诊断方法诊断故障类型和故障发生位置,形成所述故障诊断结果并保存;
故障诊断预测模型训练模块,分别连接所述故障征兆数据获取模块和所述故障诊断模块,用于以所述故障诊断结果和关联所述故障诊断结果的各所述故障征兆数据为训练样本,训练形成所述故障诊断预测模型;
故障预测模块,分别连接所述故障征兆数据获取模块和所述故障诊断预测模型训练模块,用于以获取的所述故障征兆数据为模型输入,通过所述故障诊断预测模型预测所述检测对象可能发生的故障类型和故障发生位置,并形成所述故障诊断结果并保存。
作为本发明的一种优选方案,所述故障诊断模块中具体包括:
故障诊断节点定义单元,用于根据所获取的故障征兆以及通过所述故障征兆可推理出的所述故障诊断结果或故障诊断中间结论,定义一神经网络的故障诊断节点;
联接权重赋予单元,连接所述故障诊断节点定义单元,用于赋予各所述故障诊断节点间的联接权重;
故障诊断单元,分别连接所述故障诊断节点定义单元和所述联接权重赋予单元,用于根据获取的所述故障征兆和赋予给各所述故障诊断节点的所述联接权重,并通过网络前馈算法推断出设备故障类型,并形成所述故障诊断结果。
本发明能够根据监测到的故障征兆数据快速准确地诊断出故障类型和故障发生位置,提高了设备故障检测的效率和准确度,而且本发明可基于故障征兆数据预测可能发生的故障类型和可能发生故障的位置,以确保企业具有充足的时间应对可能出现的设备故障,降低可能带来的企业损失。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍。显而易见地,下面所描述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的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例所述的基于人工智能的设备故障测试方法的步骤图;
图2是所述神经网络的网络架构图;
图3是本发明一实施例所述的基于神经网络的故障诊断方法诊断设备故障的方法步骤图;
图4是本发明一实施例所述的基于人工智能的设备故障测试系统的结构示意图;
图5是所述设备故障测试系统中的所述故障诊断模块的结构示意图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本专利的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若出现术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
在本发明的描述中,除非另有明确的规定和限定,若出现术语“连接”等指示部件之间的连接关系,该术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个部件内部的连通或两个部件的相互作用关系。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
图1示出了本发明一实施例提供的基于人工智能的设备故障测试方法,请参照图1,该方法包括:
步骤S1,通过设置在检测对象(设备)各节点上的故障检测设备获取故障征兆数据;故障征兆数据例如为用于检测设备供电电压的电压传感器,用于检测设备工作温度的温度传感器等;
步骤S2,基于所获取的故障征兆数据,并根据预设的故障诊断方法诊断故障类型和故障发生位置,形成故障诊断结果并保存;
步骤S3,以故障诊断结果和关联故障诊断结果的各故障征兆数据为训练样本,训练形成一故障诊断预测模型;
步骤S4,以获取的故障征兆数据为模型输入,通过故障诊断预测模型预测检测对象可能发生的故障类型和故障发生位置,并形成故障诊断结果并保存。
步骤S2中,预设的故障诊断方法包括基于符号规则的故障诊断方法和基于神经网络的故障诊断方法,其中基于符号规则的故障诊断方法采用模糊逻辑产生式规则的知识表示形式表示故障诊断过程,该知识表示形式如下:
IF(如果)x1(W1),x2(W2),…,xn(Wn)THEN(那么)y∈(cf)
上述表示形式中,x1,x2,…,xn表示所获取的故障征兆;
W1,W2,…,Wn分别为对应x1,x2,…,xn的征兆权重;
y表示当出现某个或同时出现多个相关故障征兆时设备存在或可能将出现的故障类型;
cf表示设备存在或可能出现的故障类型的可信因子,cf=-1,表示设备并未出现推断的故障或推断的故障类型与设备实际出现的故障类型不一致;cf=1表示推断的设备故障类型正确。
比如,某设备的正常工作温度为90℃,假如x1表示的故障征兆为该设备工作温度超过95℃,x2表示的故障征兆为设备超过正常工作温度的持续时间为12小时,本发明推断设备工作温度异常的条件为IFx1>95℃且x2>12小时,THENy=1,推断出设备当前的工作温度确实存在异常,否则12小时内设备工作温度即便异常也不推定设备工作温度异常。
为了提高本发明诊断设备故障的准确度,本发明引入以下公式表达基于符号规则的故障诊断方法作出的故障诊断结果的可信度:
e=(e+-e1)/(1-min(e+,e-)) 公式(1)
上式(1)中,e用于表示基于符号规则的故障诊断方法作出的故障诊断结果的可信度,可信度的值越大表示推断的故障诊断结果的准确率越高,相反则越低;
e+表示基于符号规则的故障诊断方法作出的故障诊断结果存在的确定程度;
e-表示基于符号规则的故障诊断方法作出的故障诊断结果不存在的确定程度。
分别表示故障诊断结果存在或不存在的程度的e+和e-通过下式(2)计算而得:
公式(2)中,
Wi为第i个故障征兆支持故障诊断结果存在的权重;
W-i为第i个所述故障征兆支持故障诊断结果不存在的权重;
∑Wi=1。
图3示出了基于神经网络的故障诊断方法诊断设备故障的方法步骤图。图2示出了本发明实施例提供的神经网络的网络架构示意图。请参照图2和图3,基于神经网络的故障诊断方法诊断设备故障的具体方法步骤如下:
步骤L1,定义神经网络的输入层节点、中间层节点和目标层节点,
图2中的空心圆点表示输入层节点,每个输入层节点对应表示所获取的一个故障征兆;
图2中的空心矩形框表示中间层节点,每个中间层节点表示通过相关的输入层节点推理出的故障诊断中间结论或表示可推理出目标层节点的故障征兆;
图2中的空心椭圆点表示目标层节点,目标层节点表示最终推理出的设备故障诊断结果。
步骤L2,赋予各输入层节点与相关的中间层节点之间以及各中间层节点与目标层节点间的联接权重,联接权重表示某个故障征兆推断故障诊断中间结论或故障诊断结果的重要程度,或表示某个故障诊断中间结论推断故障诊断结果的重要程度。图2中的实线联接表示肯定规则,虚线联接表示否定规则。
具体地,请参照图2,输入层节点A和中间层节点F之间为实线连接,表示节点A代表的故障征兆为推断设备出现节点F代表的故障诊断中间结论的必要征兆;输入层节点B和中间层节点F之间同样为实线连接,表示节点B代表的故障征兆同样为推断设备出现节点F代表的故障诊断中间结论的必要征兆,所以本发明推断设备出现节点F代表的故障诊断中间结论的条件是IFA,B THEN F;
请继续参照图2,同样地,本发明推断设备故障的规则又比如为:
IF F,C THEN G;
步骤L3,根据给定的故障征兆和赋予给各节点的联接权重,并通过网络前馈算法推断出设备故障类型,并形成故障诊断结果。
步骤L3中,对于中间层节点,通过以下公式(3)推断中间层节点对应的故障诊断中间结论(比如所推断的故障诊断中间结论的可信度);
Yi+1,j=∑Wlj×Yi,l 公式(3);
上式(3)中,i为大于或等于1的自然数;
i为大于或等于1的自然数;
Yi+1,j用于表示神经网络的第i+1层的第j个节点表示的故障诊断中间结论;
Yi,l用于表示第i+1层的前一层第i层的某个节点表示的故障征兆或推理出的所述故障诊断中间结论;
Wlj表示第i层的某个节点与第i+1层的第j个节点的所述联接权重。
步骤L3中,对于目标层节点,通过以下公式推断目标层节点对应的故障诊断结果的可信度:
Yi+1=0,Yi+<Yi-
上式中,Yi+1表示目标层节点对应的故障诊断结果的可信度;
Yi+表示最终推断的故障诊断结果的确定程度;
Yi-表示最终推断的故障诊断结果的不确定程度。
为了确保故障诊断预测模型的预测精度,本发明还引入一误差函数校正基于神经网络的故障诊断方法作出的故障诊断结果,该误差函数通过下式表达:
E=0.5∑j(Oj-Yj)2
上式中,j用于表示神经网络的目标层节点j;
Oj用于表示期望输出的目标层节点j对应的故障诊断结果;
Yj表示实际输出的目标层节点j对应的故障诊断结果;
E表示基于神经网络的故障诊断方法的故障诊断误差的误差值。
当故障诊断误差的误差值大于一预设阈值时,通过以下公式校正前后层的中间层节点与节点之间以及中间层节点与输入层节点之间的联接权重;
W′lj=Wlj+ΔWlj=Wlj-Yi,lαE/αYi+1,j
上式中,W′lj经校正后的第i层的某个节点与第i+1层的第j个节点的联接权重;
α表示可信度因子。
请参照图4,本发明还提供了一种基于人工智能的设备故障测试系统,可实现上述的设备故障测试方法,该系统包括:
故障征兆数据获取模块1,通信连接设置在检测对象各节点上的各故障监测设备,用于获取各故障检测设备监测到的故障征兆数据;
故障诊断模块2,通信连接故障征兆数据获取模块1,用于基于所获取的故障征兆数据,并根据预设的故障诊断方法诊断故障类型和故障发生位置,形成故障诊断结果并保存;
故障诊断预测模型训练模块3,分别连接故障征兆数据获取模块1和故障诊断模块2,用于以故障诊断结果和关联故障诊断结果的各故障征兆数据为训练样本,训练形成故障诊断预测模型;
故障预测模块4,分别连接故障征兆数据获取模块1和故障诊断预测模型训练模块3,用于以获取的故障征兆数据为模型输入,通过故障诊断预测模型预测检测对象可能发生的故障类型和故障发生位置,并形成故障诊断结果并保存。
本系统优选采用基于神经网络的故障诊断方法诊断设备故障,关于基于神经网络的故障诊断方法诊断设备故障的具体过程在上述的基于人工智能的设备故障检测与诊断方法中已经作了详细说明,所以在此不再赘述。
为了实现基于神经网络的故障诊断方法,请参照图5,优选地,系统中的故障诊断模块2中具体包括:
故障诊断节点定义单元21,用于根据所获取的故障征兆以及通过故障征兆可推理出的故障诊断结果或故障诊断中间结论(有时候无法直接通过某个或某几个故障征兆直接推断出设备的故障诊断结果,需要首先推断出故障诊断中间结论进而再推断出故障诊断结果),定义一神经网络(该神经网络的网络架构请参照图2)的故障诊断节点,故障诊断节点包括输入层节点、中间层节点和目标层节点,
图2中的空心圆点表示输入层节点,每个输入层节点对应表示所获取的一个故障征兆;
图2中的空心矩形框表示中间层节点,每个中间层节点表示通过相关的输入层节点推理出的故障诊断中间结论或表示可推理出目标层节点的故障征兆;
图2中的空心椭圆点表示目标层节点,目标层节点表示最终推理出的设备故障诊断结果。
联接权重赋予单元22,连接故障诊断节点定义单元21,用于赋予各故障诊断节点间的联接权重(关于联接权重的含义在上述的设备故障检测与诊断方法中已经说明,在此不再赘述);
故障诊断单元23,分别连接故障诊断节点定义单元21和所述联接权重赋予单元22,用于根据获取的故障征兆和赋予给各故障诊断节点的联接权重,并通过网络前馈算法推断出设备故障类型,并形成故障诊断结果。关于通过网络前馈算法推断并形成故障诊断结果的过程在上述的设备故障检测与诊断方法已作了详细阐述,所以在此不再赘述。
需要声明的是,上述具体实施方式仅仅为本发明的较佳实施例及所运用技术原理。本领域技术人员应该明白,还可以对本发明做各种修改、等同替换、变化等等。但是,这些变换只要未背离本发明的精神,都应在本发明的保护范围之内。另外,本申请说明书和权利要求书所使用的一些术语并不是限制,仅仅是为了便于描述。
Claims (10)
1.一种基于人工智能的设备故障测试方法,其特征在于,包括:
通过设置在检测对象各节点上的故障监测设备获取故障征兆数据;
基于所获取的所述故障征兆数据,并根据预设的故障诊断方法诊断故障类型和故障发生位置,形成故障诊断结果并保存;
以所述故障诊断结果和关联所述故障诊断结果的各所述故障征兆数据为训练样本,训练形成一故障诊断预测模型;
以获取的所述故障征兆数据为模型输入,通过所述故障诊断预测模型预测所述检测对象可能发生的故障类型和故障发生位置,并形成所述故障诊断结果并保存。
2.如权利要求1所述的设备故障测试方法,其特征在于,预设的所述故障诊断方法为基于符号规则的故障诊断方法,通过以下公式(1)表达基于符号规则的故障诊断方法作出的所述故障诊断结果的可信度:
e=(e+-e-)/(1-min(e+,e-)) 公式(1)
公式(1)中,e用于表示基于符号规则的故障诊断方法作出的所述故障诊断结果的可信度;
e+表示基于符号规则的故障诊断方法作出的所述故障诊断结果存在的确定程度;
e-表示基于符号规则的故障诊断方法作出的所述故障诊断结果不存在的确定程度。
4.如权利要求1所述的设备故障测试方法,其特征在于,预设的故障诊断方法为基于神经网络的故障诊断方法,基于神经网络的故障诊断方法诊断设备故障的具体方法步骤如下:
步骤L1,定义神经网络的输入层节点、中间层节点和目标层节点,
每个所述输入层节点对应表示所获取的一个故障征兆;
所述中间层节点表示通过相关的所述输入层节点推理出的故障诊断中间结论或表示可推理所述目标层节点的故障征兆;
目标层节点表示最终推理出的所述故障诊断结果;
步骤L2,赋予各所述输入层节点与相关的所述中间层节点之间以及各所述中间层节点与所述目标层节点间的联接权重;
步骤L3,根据给定的故障征兆和赋予给各节点间的所述联接权重,并通过网络前馈算法推断出设备故障类型,并形成所述故障诊断结果。
5.如权利要求4所述的设备故障测试方法,其特征在于,所述步骤L3中,通过以下公式(3)推断所述中间层节点对应的所述故障诊断中间结论:
Yi+1,j=∑Wlj×Yi,l 公式(3);
公式(3)中,i为大于或等于1的自然数;
i为大于或等于1的自然数;
Yi+1,j用于表示所述神经网络的第i+1层的第j个节点表示的所述故障诊断中间结论;
Yi,l用于表示第i+1层的前一层第i层的某个节点表示的故障征兆或推理出的故障诊断中间结论;
Wlj表示第i层的某个节点与第i+1层的第j个节点的所述联接权重。
7.如权利要求6所述的设备故障测试方法,其特征在于,通过一误差函数校正基于神经网络的故障诊断方法作出的所述故障诊断结果,所述误差函数通过下式表达:
E=0.5∑j(Oj-Yj)2
上式中,j用于表示所述神经网络的目标层节点j;
Oj用于表示期望输出的所述目标层节点j对应的故障诊断结果;
Yj表示实际输出的所述目标层节点j对应的所述故障诊断结果;
E表示基于神经网络的故障诊断方法的故障诊断误差的误差值。
8.如权利要求7所述的设备故障测试方法,其特征在于,当所述故障诊断误差的误差值大于一预设阈值时,通过以下公式校正前后层的所述中间层节点与节点之间以及所述中间层节点与所述输入层节点间的所述联接权重:
W’lj=Wlj+ΔWlj=Wlj-Yi,lαE/αYi+1,j
上式中,W′lj经校正后的第i层的某个节点与第i+1层的第j个节点的所述联接权重;
α表示可信度因子。
9.一种基于人工智能的设备故障测试系统,可实现如权利要求1~8任意一项所述的设备故障测试方法,其特征在于,包括:
故障征兆数据获取模块,通信连接设置在所述检测对象各节点上的各故障监测设备,用于获取各所述故障检测设备监测到的所述故障征兆数据;
故障诊断模块,通信连接所述故障征兆数据获取模块,用于基于所获取的所述故障征兆数据,并根据预设的故障诊断方法诊断故障类型和故障发生位置,形成所述故障诊断结果并保存;
故障诊断预测模型训练模块,分别连接所述故障征兆数据获取模块和所述故障诊断模块,用于以所述故障诊断结果和关联所述故障诊断结果的各所述故障征兆数据为训练样本,训练形成所述故障诊断预测模型;
故障预测模块,分别连接所述故障征兆数据获取模块和所述故障诊断预测模型训练模块,用于以获取的所述故障征兆数据为模型输入,通过所述故障诊断预测模型预测所述检测对象可能发生的故障类型和故障发生位置,并形成所述故障诊断结果并保存。
10.如权利要求9所述的设备故障智能测试系统,其特征在于,所述故障诊断模块中具体包括:
故障诊断节点定义单元,用于根据所获取的故障征兆以及通过所述故障征兆可推理出的所述故障诊断结果或故障诊断中间结论,定义一神经网络的故障诊断节点;
联接权重赋予单元,连接所述故障诊断节点定义单元,用于赋予各所述故障诊断节点间的联接权重;
故障诊断单元,分别连接所述故障诊断节点定义单元和所述联接权重赋予单元,用于根据获取的所述故障征兆和赋予给各所述故障诊断节点的所述联接权重,并通过网络前馈算法推断出设备故障类型,并形成所述故障诊断结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010706173.0A CN113959744A (zh) | 2020-07-21 | 2020-07-21 | 基于人工智能的设备故障测试方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010706173.0A CN113959744A (zh) | 2020-07-21 | 2020-07-21 | 基于人工智能的设备故障测试方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113959744A true CN113959744A (zh) | 2022-01-21 |
Family
ID=79459866
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010706173.0A Pending CN113959744A (zh) | 2020-07-21 | 2020-07-21 | 基于人工智能的设备故障测试方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113959744A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115200614A (zh) * | 2022-09-16 | 2022-10-18 | 北京路凯智行科技有限公司 | 矿用无人驾驶车辆的导航定位系统的故障定位方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110674893A (zh) * | 2019-10-30 | 2020-01-10 | 江苏方天电力技术有限公司 | 一种旋转机械故障诊断知识库中诊断经验自适应修正方法 |
-
2020
- 2020-07-21 CN CN202010706173.0A patent/CN113959744A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110674893A (zh) * | 2019-10-30 | 2020-01-10 | 江苏方天电力技术有限公司 | 一种旋转机械故障诊断知识库中诊断经验自适应修正方法 |
Non-Patent Citations (1)
Title |
---|
杨忠等: "基于神经网络与符号推理综合模型的故障诊断技术" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115200614A (zh) * | 2022-09-16 | 2022-10-18 | 北京路凯智行科技有限公司 | 矿用无人驾驶车辆的导航定位系统的故障定位方法 |
CN115200614B (zh) * | 2022-09-16 | 2022-12-23 | 北京路凯智行科技有限公司 | 矿用无人驾驶车辆的导航定位系统的故障定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cai et al. | Bayesian networks in fault diagnosis | |
Frank et al. | Fuzzy logic and neural network applications to fault diagnosis | |
JP4852043B2 (ja) | システムモニタリングモデルの更新用システム、デバイス、及び方法 | |
JP2009053938A (ja) | 複数モデルに基づく設備診断システム及びその設備診断方法 | |
Caceres et al. | A probabilistic Bayesian recurrent neural network for remaining useful life prognostics considering epistemic and aleatory uncertainties | |
CN102637019A (zh) | 一种工业生产过程智能集成故障诊断方法及装置 | |
CN115455746B (zh) | 一种核动力装置运行监测数据异常检测与校正一体化方法 | |
CN113959744A (zh) | 基于人工智能的设备故障测试方法及系统 | |
KR102182226B1 (ko) | 고장 검출 진단 시스템 및 진단방법 | |
CN110889646B (zh) | 一种适应工况变化的发电机组运行参数正确性检验的方法 | |
KR101249903B1 (ko) | 가전기기 진단시스템 및 그 진단방법 | |
Agosta et al. | Bayes Network" Smart" Diagnostics. | |
CN116049642A (zh) | 一种故障诊断方法、系统、电子设备及计算机存储介质 | |
CN115166414A (zh) | 一种电网故障监测方法及系统 | |
KR102389317B1 (ko) | 순환 신경망(rnn)을 이용한 스마트팜 센서의 고장여부 판단방법 | |
Abid et al. | Adaptive data-driven approach for the remaining useful life estimation when few historical degradation sequences are available | |
WO2023155967A1 (en) | Thermal anomaly management | |
Singer et al. | A pattern-recognition-based, fault-tolerant monitoring and diagnostic technique | |
Djurdjanovic et al. | Immune systems inspired approach to anomaly detection and fault diagnosis for engines | |
KR102664805B1 (ko) | 인공지능을 활용한 고장진단 기능이 내장된 빌딩자동제어 시스템 및 그 방법 | |
Toubakh et al. | Hybrid dynamic data mining scheme for drift-like fault diagnosis in multicellular converters | |
Khorasgani et al. | Data-driven Residual Generation for Early Fault Detection with Limited Data | |
Wang et al. | A new belief rule base based distributed online fault diagnosis method for multi‐agent systems | |
Mok et al. | Online fault diagnosis of nonlinear systems based on neurofuzzy networks | |
CN117499199A (zh) | 一种基于vae的信息增强解耦网络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: 20220121 |
|
RJ01 | Rejection of invention patent application after publication |