CN116610940A - 一种基于小波变换与深度神经网络的装备故障诊断系统 - Google Patents
一种基于小波变换与深度神经网络的装备故障诊断系统 Download PDFInfo
- Publication number
- CN116610940A CN116610940A CN202211656320.3A CN202211656320A CN116610940A CN 116610940 A CN116610940 A CN 116610940A CN 202211656320 A CN202211656320 A CN 202211656320A CN 116610940 A CN116610940 A CN 116610940A
- Authority
- CN
- China
- Prior art keywords
- equipment system
- fault
- vector
- sampling
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 47
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 17
- 230000009466 transformation Effects 0.000 title claims abstract description 16
- 238000000605 extraction Methods 0.000 claims abstract description 9
- 238000001514 detection method Methods 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 96
- 238000005070 sampling Methods 0.000 claims description 67
- 238000000034 method Methods 0.000 claims description 30
- 238000013135 deep learning Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 20
- 230000002457 bidirectional effect Effects 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 18
- 230000004913 activation Effects 0.000 claims description 14
- 238000012544 monitoring process Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000006835 compression Effects 0.000 claims description 6
- 238000007906 compression Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 claims description 4
- 238000011282 treatment Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000005299 abrasion Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000011418 maintenance treatment Methods 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 230000036541 health Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Classifications
-
- 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
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明公开了一种基于小波变换与深度神经网络的装备系统故障诊断系统，用于对装备系统进行状态检测以及故障检测，该系统包括装备系统、状态监测仪表、数据采集板卡、数据库、数据预处理模块、特征压缩编码模块、自主学习模块、控制站以及故障显示控制模块。本发明所涉及的基于小波变换与深度神经网络的装备系统故障诊断系统，采用所述的设备实现装备系统的状态检测以及故障检测。本发明克服已有的装备系统故障状态诊断精度不高的不足，利用小波变换将故障时域信号转化为频域信号，并使用深度神经网络进行特征提取与故障诊断，提高了装备系统故障状态诊断的精度。
Description
技术领域
本发明涉及装备系统故障诊断领域、信号处理领域以及机器学习领域，尤其涉及一种结合小波变换以及深度学习网络的装备系统故障诊断系统。
背景技术
随着装备系统信息化的不断深入，越来越多的先进装备系统配发使用。然而，装备系统的健康状况是影响信息化能力的关键因素。传统的装备系统故障诊断集中于提取装备的性能参数和错误日志，根据故障特征和错误日志中记录的异常运行返回码来进行分析、诊断。但装备系统是朝着复杂化、智能化、系统化和集成化发展的，故障的产生涉及各方面因素而不仅仅在于装备系统本身，且每个故障都有可能产生严重的危害，给装备系统的健康管理带来极大地挑战。因此，装备系统的健康管理已然成为一个亟待解决的问题。
装备系统的故障诊断作为健康管理的重要环节，其本质实质是装备系统的状态模式识别，是一个根据故障征兆信息确定系统故障原因的过程。装备系统的故障诊断需要通过检测诊断对象的运行状态，获取故障模式，提取故障特征，并在此基础上，采用反向推理策略，对故障信息做出综合评估，最后向系统的操纵者或控制者提示所要采取的措施。
深度学习作为机器学习的一大分支，已经被医学图像分析、计算机视觉(CV)、自然语言处理(NLP)和自动语音识别等各个领域所接受。深度学习的发展是受到人类大脑对外界环境学习认知模式的启发，近年来广受关注的深度学习应用工具深度神经网络可以从原始数据中自动提取高度非线性的复杂特征，降低了对领域知识和手动特征选取的依赖程度。尤其是在大容量和多维工业数据的情况下，深度学习可以自动学习大规模数据的分层表示。这对于从装备系统的大量运行数据中分析装备系统的状态信息是极大的助力。
发明内容
为了克服目前基于深度学习的装备系统故障诊断系统对数据处理不充分、没有充分利用网络性能以及装备系统故障状态估计不准确等不足，本发明的目的在于提供一种基于深度学习的装备系统故障诊断系统，对装备系统的故障状态进行高精度的预测诊断。
本发明解决其技术问题所采用的技术方案是：一种基于深度学习的装备系统故障诊断系统，用于对装备系统进行状态检测以及故障检测，其总共由装备系统、状态监测仪表、数据采集板卡、控制站、数据库、基于深度学习的故障诊断系统以及故障显示控制模块，各个模块之前通过现场总线相连。除控制站外各个模块依次串联而成，控制站接收来自故障显示模块的故障信息，并将控制指令通过总线传达给具体的装备系统和数据库。其中，基于深度学习的故障诊断系统由数据预处理模块、特征压缩模块以及自主学习模块三个子模块依次串联组成。
本发明的技术构思为使用跳跃连接结构提升双向门控循环网络对时间信息的提取能力。
所述设备的运行过程包括：
步骤A1：开启状态监测仪表用于实时获取装备系统的装备型号、编号、配发单位番号，并测量装备系统的运行参数；
步骤A2：由装备系统状态监测仪表检测到的装备系统运行参数通过数据采集板卡经总线传输到数据库中；
步骤A3：数据库经总线将检测得到的装备系统运行参数传输到基于小波变换与卷积神经网络的故障诊断系统中；
步骤A4：经过离线训练好的基于深度学习的故障诊断系统对输入的装备系统运行参数进行处理和前向预测，诊断得到当前采样点时刻装备系统的故障状态；
步骤A5：由基于深度学习的故障诊断系统诊断得到的装备系统故障状态信息通过总线传输到故障显示控制模块中，记录得到装备系统的故障状态；
步骤A6：用户通过故障显示控制模块监测装备系统的故障状态，当装备系统出现需停机检修的故障时，用户故障显示控制模块下达停机指令；
步骤A7：停机指令经总线到达控制站，对装备系统实施停机更换或维修处理。
所述的基于小波变换与卷积神经网络的故障诊断系统的搭建、离线训练以及装备系统的故障状态前项诊断过程，采用如下步骤实现：
步骤B1：从数据库中获取装备系统的运行参数，包括采样获取的工作温度P1、设备功耗P2、设备能源消耗P3、工作压力P4、工作电压P5、工作电流P6、机械磨损P7、机械振动P8、工作时间P9和传动效率P10共10个运行参数，将获取的所有采样得到的装备系统运行参数按顺序进行拼接，作为该采样点时刻的10维装备系统运行参数样本向量x；
步骤B2：对步骤B1获取的采样点时刻的运行参数样本进行数据预处理，对每个采样点处的运行参数样本向量x提取时域特征，提取过程采用如下步骤实现：
步骤B2.1：首先在N个采样点采样出装备系统运行参数样本向量x；
步骤B2.2：将采样频率均分为6个子频带，通过对运行参数样本向量x进行离散小波变换(DWT)转化为频域向量，频域向量对应于6个子频带的分量记为运行参数样本向量x的频域特征参数。其中，DWT的基本公式为：
其中a为尺度参数，b为平移参数，t代表时间，f代表时域函数，ω0代表频率角速度，代表小波函数，Ψf(a,b)代表频域函数。
步骤B2.3：运行参数样本向量x的时频域特征参数为8个三层小波包变换得到的底层分量对应的能量占比；
步骤B2.4：由步骤B2.1-B2.3对每个采样点处的运行参数样本向量x进行时域、频域以及时频域特征提取，共得到所有运行参数的共340个特征参数；
步骤B2.5：对M个采样点处的运行参数样本向量x均进行特征提取后，得到M×340维的特征矩阵；
步骤B3：对步骤B2获取得到的时域、频域以及时频域特征进行归一化，防止不同的量纲引起数据量级之间的误差，归一化公式如下：
其中，Fnorm是归一化后的特征向量，F＝{f1,f2,…,fM}是由整个装备系统历史运行参数提取出的特征向量，Fmin是特征向量F中的最小值，Fmax是特征向量F中的最大值。
步骤B4：将步骤B3得到的归一化后的特征矩阵输入到轻量卷积神经网络中进行特征重构训练，训练过程采用如下步骤实现：
步骤B4.1：特征压缩编码模块使用深度神经网络(DNN)，DNN的前向传播公式如下所示：
其中，f是激活函数；v是采样点处的340维特征向量；μ是170维均值向量；Wμ是对应于权重矩阵；；θμ是神经网络偏置。
步骤B5：建立跳跃连接双向门控循环网络，包含门控循环单元(GRU)、跳跃连接结构以及双向连接结构，其中门控循环单元的前向传播公式为：
rt＝σ(Wr·[ht-1,vt]) (4)
zt＝σ(Wz·[ht-1,vt]) (5)
yt＝ReLU(Wo·ht)+ht (8)
其中，rt是重置门；zt是更新门；vt是t采样时刻的特征向量；ht-1、ht分别是t-1采样时刻和t采样时刻的GRU的隐含向量；yt是输出向量；[]表示两个向量相连接，*表示矩阵的乘积；Wr＝rh+rv表示重置门的权值矩阵；Wz＝zh+zv表示更新门的权值矩阵，表示隐含层神经元之间的权值矩阵，Wo表示输出权值矩阵；σ表示Sigmoid激活函数，充当门控信号，ReLU代表ReLU激活函数，与一般GRU不同的是，yt被重构为残差形式，以避免深度学习过程产生的梯度损失。
跳跃连接结构的前向传播公式为：
其中，是指t采样时刻第k层跳跃连接GRU的输入特征向量；/>是指t采样时刻第k层跳跃连接GRU来自上一采样时刻的隐含层信息；Hk是指第k层GRU简化变换函数。
双向连接结构的简化前向传播公式为：
其中，Up、Wp、Vp分别表示顺序隐含层的状态、其与输入层的连接权重，与t-1采样时刻隐含层的连接权重、与输出层的连接权重；/>Un、Wn、Vn分别表示逆序隐含层的状态、其与输入层的连接权重，与t+1采样时刻隐含层的连接权重、与输出层的连接权重；f表示激活函数。
跳跃连接双向门控循环网络的最后一层隐含层向量作为网络输出，与全连接层及Softmax激活层连接后得到装备系统故障状态概率向量。跳跃连接双向门控循环网络的训练过程由如下步骤实现：
步骤B5.1：构建训练集，将DNN的压缩向量作为跳跃连接门控循环网络的输入，输出为装备系统故障状态概率向量L，其中L的第i位为1表示当前采样点属于第i种故障状态，装备系统的4种故障状态如表2所示：
步骤5.2：以预测故障状态概率向量和真实故障状态向量L的交叉熵为损失函数，其表达式如下：
其中，yic表示真实故障状态向量L中第c个维度亦即第c个故障状态(0或1)；pic表示预测故障状态概率向量中对应于第c个故障状态的概率。
步骤5.3：选择网络层数为3层，隐含层单元数为32，采用Adam优化算法进行训练；
步骤6：将实时采样得到的装备系统运行参数数据作为输入，经数据预处理模块得到归一化后的特征向量，输入到跳跃连接双向门控循环网络得到预测的故障状态概率向量，再取最大概率对应的故障状态作为装备系统在该采样点时刻的故障状态。
本发明的有益效果主要表现在：1、将高维特征数据进行了降维；2、输出向量被重构为残差形式，避免了深度学习过程产生的梯度损失，增强了网络提取时序信息的能力；3、提高了装备系统故障状态的诊断精度。
附图说明
图1是本发明提供的基于深度学习的装备系统故障诊断系统结构示意图；
图2是本发明提供的深度神经网络特征提取模块采用的结构示意图；
图3是本发明提供的自主学习模块中GRU结构示意图；
图4是本发明提供的自主学习模块中跳跃连接结构示意图；
图5是本发明提供的自主学习模块中GRU双向连接结构示意图。
具体实施方式
下面根据附图具体说明本发明。
如图1所示，本发明的基于深度学习的装备系统故障诊断系统由装备系统01、状态监测仪表02、数据采集板卡03、控制站04、数据库05、基于深度学习的故障诊断系统06以及故障显示控制模块07，各个模块之前通过现场总线相连。除控制站04外各个模块依次串联而成，控制站04接收来自故障显示模块07的故障信息，并将控制指令通过总线传达给具体的装备系统01和数据库05。其中，基于深度学习的故障诊断系统06由数据预处理模块、特征压缩模块以及自主学习模块三个子模块依次串联组成。
所述设备的运行过程包括：
步骤A1：开启状态监测仪表02用于实时获取装备系统01的装备型号、编号、配发单位番号，并测量装备系统01的运行参数，具体的装备系统运行参数如表1所示；
表1：装备系统的运行参数
步骤A2：由装备系统状态监测仪表02检测到的装备系统运行参数通过数据采集板卡03经总线传输到数据库05中；
步骤A3：数据库05经总线将检测得到的装备系统运行参数传输到基于深度学习的故障诊断系统06中；
步骤A4：经过离线训练好的基于深度学习的故障诊断系统06对输入的装备系统运行参数进行处理和前向预测，诊断得到当前采样点时刻装备系统的故障状态；
步骤A5：由基于深度学习的故障诊断系统06诊断得到的装备系统故障状态信息通过总线传输到故障显示控制模块07中，记录得到装备系统的故障状态；
步骤A6：用户通过故障显示控制模块07监测装备系统的故障状态，当装备系统出现需停机检修的故障时，用户故障显示控制模块07下达停机指令；
步骤A7：停机指令经总线到达控制站04，对装备系统01实施停机更换或维修处理。
所述的基于深度学习的故障诊断系统的搭建、离线训练以及装备系统的故障状态前项诊断过程，采用如下步骤实现：
步骤B1：从数据库05中获取装备系统的运行参数，包括采样获取的设备温度P1、设备功耗P2、设备能源消耗P3、设备压力P4、设备电压P5、设备电流P6、机械磨损P7、机械振动P8、工作时间P9和传动效率P10共10个运行参数，将获取的所有采样得到的装备系统运行参数按顺序进行拼接，作为该采样点时刻的10维装备系统运行参数样本向量x；
步骤B2：对步骤B1获取的采样点时刻的运行参数样本进行数据预处理，对每个采样点处的运行参数样本向量x提取时域、频域以及时频域特征，提取过程采用如下步骤实现：
步骤B2.1：首先在N个采样点采样出装备系统运行参数样本向量x；
步骤B2.2：将采样频率均分为6个子频带，通过对运行参数样本向量x进行小波变换(DWT)转化为频域向量，频域向量对应于6个子频带的分量记为运行参数样本向量x的频域特征参数。
其中，DWT的基本公式为：
其中a为尺度参数，b为平移参数，t代表时间，f代表时域函数，ω0代表频率角速度，代表小波函数，Ψf(,b)代表频域函数。
步骤B2.3：运行参数样本向量x的时频域特征参数为8个三层小波包变换得到的底层分量对应的能量占比；
步骤B2.4：由步骤B2.1-B2.3对每个采样点处的运行参数样本向量x进行时域、频域以及时频域特征提取，共得到所有运行参数的共340个特征参数；
步骤B2.5：对M个采样点处的运行参数样本向量x均进行特征提取，如图2所示，得到M×340维的特征矩阵；
步骤B3：对步骤B2获取得到的时域、频域以及时频域特征进行归一化，防止不同的量纲引起数据量级之间的误差，归一化公式如下：
其中，Fnorm是归一化后的特征向量，F＝{f1，f2，...，fM}是由整个装备系统历史运行参数提取出的特征向量，Fmin是特征向量F中的最小值，Fmax是特征向量F中的最大值。
步骤B4：将步骤B3得到的归一化后的特征矩阵输入到轻量卷积神经网络中进行特征重构训练，训练过程采用如下步骤实现：
步骤B4.1：特征压缩编码模块使用深度神经网络(DNN)，DNN的前向传播公式如下所示：
μ＝f(Wμv+θμ) (3)
其中，f是激活函数；v是采样点处的340维特征向量；μ是170维均值向量；Wμ是对应于权重矩阵；；θμ是神经网络偏置。
步骤B5：建立跳跃连接双向门控循环网络，包含门控循环单元(GRU)、跳跃连接结构以及双向连接结构，如图3所示，其中门控循环单元的前向传播公式为：
rt＝σ(Wr·[ht-1，vt]) (4)
zt＝σ(Wz·[ht-1，vt]) (5)
yt＝ReLU(Wo·ht)+ht (8)
其中，rt是重置门；zt是更新门；vt是t采样时刻的特征向量；ht-1、ht分别是t-1采样时刻和t采样时刻的GRU的隐含向量；yt是输出向量；[]表示两个向量相连接，*表示矩阵的乘积；Wr＝Wrh+Wrv表示重置门的权值矩阵；Wz＝Wzh+Wzv表示更新门的权值矩阵，表示隐含层神经元之间的权值矩阵，Wo表示输出权值矩阵；σ表示Sigmoid激活函数，充当门控信号，ReLU代表ReLU激活函数，与一般GRU不同的是，yt被重构为残差形式，以避免深度学习过程产生的梯度损失。
如图4所示，跳跃连接结构的前向传播公式为：
其中，是指t采样时刻第k层跳跃连接GRU的输入特征向量；/>是指t采样时刻第k层跳跃连接GRU来自上一采样时刻的隐含层信息；Hk是指第k层GRU简化变换函数。
双向连接结构的简化前向传播公式为：
其中，Up、Wp、Vp分别表示顺序隐含层的状态、其与输入层的连接权重，与t-1采样时刻隐含层的连接权重、与输出层的连接权重；/>Un、Wn、Vn分别表示逆序隐含层的状态、其与输入层的连接权重，与t+1采样时刻隐含层的连接权重、与输出层的连接权重；f表示激活函数。
如图5所示，跳跃连接双向门控循环网络的最后一层隐含层向量作为网络输出，与全连接层及Softmax激活层连接后得到装备系统故障状态概率向量。跳跃连接双向门控循环网络的训练过程由如下步骤实现：
步骤B5.1：构建训练集，将DNN的压缩向量作为跳跃连接门控循环网络的输入，输出为装备系统故障状态概率向量L，其中L的第i位为1表示当前采样点属于第i种故障状态，装备系统的4种故障状态如表2所示：
步骤5.2：以预测故障状态概率向量和真实故障状态向量L的交叉熵为损失函数，其表达式如下：
其中，yic表示真实故障状态向量L中第c个维度亦即第c个故障状态(0或1)；pic表示预测故障状态概率向量中对应于第c个故障状态的概率。
步骤5.3：选择网络层数为3层，隐含层单元数为32，采用Adam优化算法进行训练；
表2：装备系统的故障状态
步骤6：将实时采样得到的装备系统运行参数数据作为输入，经数据预处理模块得到归一化后的特征向量，输入到跳跃连接双向门控循环网络得到预测的故障状态概率向量，再取最大概率对应的故障状态作为装备系统在该采样点时刻的故障状态。
Claims (2)
1.一种基于小波变换与深度神经网络的装备系统故障诊断系统，用于对装备系统进行状态检测以及故障检测；其特征在于，该系统包括：控制站、状态监测仪表、数据采集板卡、数据库、基于深度学习的故障诊断系统以及故障显示控制模块，状态监测仪表、数据采集板卡、数据库、基于深度学习的故障诊断系统以及故障显示控制模块依次通过现场总线串联；控制站接收来自故障显示模块的故障信息，并将控制指令通过总线传达给装备系统和数据库；其中，基于深度学习的故障诊断系统由数据预处理模块、特征压缩编码模块以及自主学习模块三个子模块依次串联组成。
所述设备的运行过程包括：
步骤A1：开启状态监测仪表用于实时获取装备系统的装备型号、编号、配发单位番号，并测量装备系统的运行参数，具体的装备系统运行参数如表1所示；
步骤A2：由装备系统状态监测仪表检测到的装备系统运行参数通过数据采集板卡经总线传输到数据库中；
步骤A3：数据库经总线将检测得到的装备系统运行参数传输到基于小波变换与卷积神经网络的故障诊断系统中；
步骤A4：经过离线训练好的基于深度学习的故障诊断系统对输入的装备系统运行参数进行处理和前向预测，诊断得到当前采样点时刻装备系统的故障状态；
步骤A5：由基于深度学习的故障诊断系统诊断得到的装备系统故障状态信息通过总线传输到故障显示控制模块中，记录得到装备系统的故障状态；
步骤A6：用户通过故障显示控制模块监测装备系统的故障状态，当装备系统出现需停机检修的故障时，用户故障显示控制模块下达停机指令；
步骤A7：停机指令经总线到达控制站，对装备系统实施停机更换或维修处理。
2.根据权利要求1所述基于小波变换与深度神经网络的装备系统故障诊断系统，其特征在于，所述的基于小波变换与卷积神经网络的故障诊断系统的搭建、离线训练以及装备系统的故障状态前项诊断过程，采用如下步骤实现：
步骤B1：从数据库中获取装备系统的运行参数，包括采样获取的工作温度P1、设备功耗P2、设备能源消耗P3、工作压力P4、工作电压P5、工作电流P6、机械磨损P7、机械振动P8、工作时间P9和传动效率P10共10个运行参数，将获取的所有采样得到的装备系统运行参数按顺序进行拼接，作为该采样点时刻的10维装备系统运行参数样本向量x；
步骤B2：对步骤B1获取的采样点时刻的运行参数样本进行数据预处理，对每个采样点处的运行参数样本向量x提取时域特征，提取过程采用如下步骤实现：
步骤B2.1：首先在N个采样点采样出装备系统运行参数样本向量x；；
步骤B2.2：将采样频率均分为6个子频带，通过对运行参数样本向量x进行离散小波变换(DWT)转化为频域向量，频域向量对应于6个子频带的分量记为运行参数样本向量x的频域特征参数；其中，DWT的基本公式为：
其中a为尺度参数，b为平移参数，t代表时间，f代表时域函数，ω0代表频率角速度，代表小波函数，Ψf(a,b)代表频域函数；
步骤B2.3：运行参数样本向量x的时频域特征参数为8个三层小波包变换得到的底层分量对应的能量占比；
步骤B2.4：由步骤B2.1-B2.3对每个采样点处的运行参数样本向量x进行时域、频域以及时频域特征提取，共得到所有运行参数的共340个特征参数；
步骤B2.5：对M个采样点处的运行参数样本向量x均进行特征提取后，得到M×340维的特征矩阵；
步骤B3：对步骤B2获取得到的时域、频域以及时频域特征进行归一化，防止不同的量纲引起数据量级之间的误差，归一化公式如下：
其中，Fnorm是归一化后的特征向量，F＝{f1,f2,…,fM}是由整个装备系统历史运行参数提取出的特征向量，Fmin是特征向量F中的最小值，Fmax是特征向量F中的最大值；
步骤B4：将步骤B3得到的归一化后的特征矩阵输入到轻量卷积神经网络中进行特征重构训练，训练过程采用如下步骤实现：
步骤B4.1：特征压缩编码模块使用深度神经网络(DNN)，DNN的前向传播公式如下所示：
μ＝f(Wμv+θμ) (3)
其中，f是激活函数；v是采样点处的340维特征向量；μ是170维均值向量；Wμ是对应于权重矩阵；；θμ是神经网络偏置；
步骤B5：建立跳跃连接双向门控循环网络，包含门控循环单元(GRU)、跳跃连接结构以及双向连接结构，其中门控循环单元的前向传播公式为：
rt＝σ(Wr·[ht-1，vt]) (4)
zt＝σ(Wz·[ht-1，vt]) (5)
yt＝ReLU(Wo·ht)+ht (8)
其中，rt是重置门；zt是更新门；vt是t采样时刻的特征向量；ht-1、ht分别是t-1采样时刻和t采样时刻的GRU的隐含向量；yt是输出向量；[]表示两个向量相连接，*表示矩阵的乘积；Wr＝Wrh+Wrv表示重置门的权值矩阵；Wz＝Wzh+Wzv表示更新门的权值矩阵，表示隐含层神经元之间的权值矩阵，Wo表示输出权值矩阵；σ表示Sigmoid激活函数，充当门控信号，ReLU代表ReLU激活函数，与一般GRU不同的是，yt被重构为残差形式，以避免深度学习过程产生的梯度损失；
跳跃连接结构的前向传播公式为：
其中，是指t采样时刻第k层跳跃连接GRU的输入特征向量；/>是指t采样时刻第k层跳跃连接GRU来自上一采样时刻的隐含层信息；Hk是指第k层GRU简化变换函数；
双向连接结构的简化前向传播公式为：
其中，Up、Wp、Vp分别表示顺序隐含层的状态、其与输入层的连接权重，与t-1采样时刻隐含层的连接权重、与输出层的连接权重；/>Un、Wn、Vn分别表示逆序隐含层的状态、其与输入层的连接权重，与t+1采样时刻隐含层的连接权重、与输出层的连接权重；f表示激活函数；
跳跃连接双向门控循环网络的最后一层隐含层向量作为网络输出，与全连接层及Softmax激活层连接后得到装备系统故障状态概率向量；跳跃连接双向门控循环网络的训练过程由如下步骤实现：
步骤B5.1：构建训练集，将DNN的压缩向量作为跳跃连接门控循环网络的输入，输出为装备系统故障状态概率向量L，其中L的第i位为1表示当前采样点属于第i种故障状态，装备系统的4种故障状态如表2所示：
L＝[0，...1，0，...0] (15)
步骤5.2：以预测故障状态概率向量和真实故障状态向量L的交叉熵为损失函数，其表达式如下：
其中，yic表示真实故障状态向量L中第c个维度亦即第c个故障状态(0或1)；pic表示预测故障状态概率向量中对应于第c个故障状态的概率；
步骤5.3：选择网络层数为3层，隐含层单元数为32，采用Adam优化算法进行训练；
步骤6：将实时采样得到的装备系统运行参数数据作为输入，经数据预处理模块得到归一化后的特征向量，输入到跳跃连接双向门控循环网络得到预测的故障状态概率向量，再取最大概率对应的故障状态作为装备系统在该采样点时刻的故障状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211656320.3A CN116610940A (zh) | 2022-12-22 | 2022-12-22 | 一种基于小波变换与深度神经网络的装备故障诊断系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211656320.3A CN116610940A (zh) | 2022-12-22 | 2022-12-22 | 一种基于小波变换与深度神经网络的装备故障诊断系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116610940A true CN116610940A (zh) | 2023-08-18 |
Family
ID=87673448
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211656320.3A Pending CN116610940A (zh) | 2022-12-22 | 2022-12-22 | 一种基于小波变换与深度神经网络的装备故障诊断系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116610940A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117195105A (zh) * | 2023-11-08 | 2023-12-08 | 北京科技大学 | 基于多层卷积门控循环单元的齿轮箱故障诊断方法及装置 |
-
2022
- 2022-12-22 CN CN202211656320.3A patent/CN116610940A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117195105A (zh) * | 2023-11-08 | 2023-12-08 | 北京科技大学 | 基于多层卷积门控循环单元的齿轮箱故障诊断方法及装置 |
| CN117195105B (zh) * | 2023-11-08 | 2024-03-19 | 北京科技大学 | 基于多层卷积门控循环单元的齿轮箱故障诊断方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2022077901A1 (zh) | 一种面向小样本数据集的轴承故障模式诊断方法及系统 | |
| CN111830408B (zh) | 一种基于边缘计算和深度学习的电机故障诊断系统及方法 | |
| CN109146246B (zh) | 一种基于自动编码器和贝叶斯网络的故障检测方法 | |
| CN115981280A (zh) | 一种基于深度学习的复杂装备故障诊断系统 | |
| CN114186379A (zh) | 基于回声网络和深度残差神经网络的变压器状态评估方法 | |
| CN114462508A (zh) | 基于多模态神经网络的电力变压器健康状态评估方法 | |
| CN112488179A (zh) | 一种基于gru的旋转机械故障诊断方法 | |
| CN116610940A (zh) | 一种基于小波变换与深度神经网络的装备故障诊断系统 | |
| CN115204272A (zh) | 基于多采样率数据的工业系统故障诊断方法与设备 | |
| CN116842379A (zh) | 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法 | |
| CN117473411A (zh) | 基于改进Transformer模型的轴承寿命预测方法 | |
| Cheng et al. | MMFSL: A Novel Multimodal Few-Shot Learning Framework for Fault Diagnosis of Industrial Bearings | |
| Han et al. | Data-enhanced stacked autoencoders for insufficient fault classification of machinery and its understanding via visualization | |
| CN117056814A (zh) | 一种变压器声纹振动故障诊断方法 | |
| CN117312821A (zh) | 一种基于特征提取和Transformer模型的故障检测方法 | |
| CN116223009A (zh) | 一种换流阀中主循环泵的故障诊断方法、系统、装置及介质 | |
| Zheng et al. | An unsupervised transfer learning method based on SOCNN and FBNN and its application on bearing fault diagnosis | |
| CN115564075B (zh) | 一种城市电网主配一体故障协同诊断方法、系统 | |
| CN113469013A (zh) | 一种基于迁移学习和时间序列的电机故障预测方法及系统 | |
| CN117540309A (zh) | 一种飞机参数异常识别方法、系统、设备及介质 | |
| Zhu et al. | Fault diagnosis of wheelset bearings using deep bidirectional long short-term memory network | |
| Xu et al. | DTST: A Dual-aspect Time Series Transformer Model for Fault Diagnosis of Space Power System | |
| Li et al. | A robust fault diagnosis method for rolling bearings based on deep convolutional neural network | |
| CN114048762B (zh) | 双注意力引导的旋转机械健康评估方法 | |
| GB2623358A (en) | Method and system for fault diagnosis of nuclear power circulating water pump based on optimized capsule network |
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 |