CN117032165A - 一种工业设备故障诊断方法 - Google Patents
一种工业设备故障诊断方法 Download PDFInfo
- Publication number
- CN117032165A CN117032165A CN202310992162.7A CN202310992162A CN117032165A CN 117032165 A CN117032165 A CN 117032165A CN 202310992162 A CN202310992162 A CN 202310992162A CN 117032165 A CN117032165 A CN 117032165A
- Authority
- CN
- China
- Prior art keywords
- equipment
- fault
- parameters
- real
- faults
- 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- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000003745 diagnosis Methods 0.000 title claims abstract description 32
- 238000012423 maintenance Methods 0.000 claims abstract description 23
- 238000004364 calculation method Methods 0.000 claims abstract description 3
- 239000013598 vector Substances 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 21
- 238000011176 pooling Methods 0.000 claims description 17
- 238000003062 neural network model Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 2
- 230000001419 dependent effect Effects 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 11
- 238000009776 industrial production Methods 0.000 abstract description 9
- 238000007726 management method Methods 0.000 abstract description 8
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 238000013135 deep learning Methods 0.000 abstract description 5
- 238000004088 simulation Methods 0.000 description 25
- 230000008569 process Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 230000009191 jumping Effects 0.000 description 4
- 238000005065 mining Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013024 troubleshooting Methods 0.000 description 2
- 208000000044 Amnesia Diseases 0.000 description 1
- 208000031091 Amnestic disease Diseases 0.000 description 1
- 241000272814 Anser sp. Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006986 amnesia Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000000415 inactivating effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 125000006850 spacer group Chemical group 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供了一种工业设备故障诊断方法,属于故障分析领域,包括:获取设备实时运行参数;将设备实时运行参数及设备历史故障类别数据输入贝叶斯风险决策模型进行计算,输出设备实时运行参数对应的不同设备故障类别及各类故障的条件概率;将设备实时运行参数及其对应的不同设备故障类别输入biLSTM‑PCNN模型,输出故障的影响参数。本发明以工业设备的故障记录和对应的实时运行参数为分析对象,通过贝叶斯风险决策模型和biLSTM‑PCNN模型开展深度学习,识别设备故障的时序参数特征,实现故障隐患的监测预警和故障原因诊断。该方法具备较强的识别预警能力,设备故障原因诊断准确率较高,满足工业生产场景下设备运维管理的需求。
Description
技术领域
本发明属于故障分析技术领域,具体涉及一种工业设备故障诊断方法。
背景技术
工业设备发生故障不仅会影响企业生产效率和经济效益,还有可能酿成重大安全事故。因此为了减少故障的发生,经常要对设备进行停机维修。但是工业设备停机维护会造成经济损失,并且工业设备数量大、型号多、结构复杂,人工维护成本巨大,导致维保人员难以及时排查设备故障隐患,造成不必要的损失。因此人们采用故障诊断方法对故障进行提前诊断,排除隐患。
现有的工业设备故障诊断方法主要是通过各类感应装置分别对机械晃动、温度异常、电压异常等一种指标进行检测。这类检测方法检测到的故障类型单一,对复杂故障的识别能力较弱,且缺少历史数据的参考,难以为根据历史情况开展预知性维护决策提供依据。
发明内容
为了解决上述问题,本发明提供了一种工业设备故障诊断方法。
为了实现上述目的,本发明提供如下技术方案:
一种工业设备故障诊断方法,包括以下步骤:
获取设备实时运行参数;
将设备实时运行参数及设备历史故障类别数据输入贝叶斯风险决策模型进行计算,输出设备实时运行参数对应的不同设备故障类别及各类故障的条件概率;
将设备实时运行参数及其对应的不同设备故障类别输入biLSTM-PCNN混合神经网络模型,输出故障的影响参数;
通过各类故障的条件概率和影响参数查找故障原因;
所述biLSTM-PCNN混合神经网络模型包括PCNN模型和biLSTM模型,所述故障的影响参数的获取具体包括:
将设备实时运行参数及其对应的不同设备故障类别输入PCNN模型,通过PCNN模型提取设备在各个时刻的数据特征序列;
将设备在各个时刻的数据特征序列输入biLSTM模型,提取设备参数序列的变化特征;
根据设备参数序列的变化特征量化各个运行参数对于不同设备故障类别的影响系数;
根据影响系数确认故障的影响参数。
优选地,在将所述设备实时运行参数输入贝叶斯风险决策模型之前,还包括对所述设备实时运行参数进行预处理,具体为对设备实时运行参数进行数据清洗、格式转化和存储。
优选地,所述将设备实时运行参数及设备历史故障类别数据输入贝叶斯风险决策模型,输出设备故障类别及故障发生的概率,具体为:
定义设备运行参数的观测向量为x,故障类型为ωi,共有c类设备故障,则贝叶斯分类器为:
式中,P(ωi|x)为设备观测向量为x时发生i类故障的条件概率;P(ωi)为故障数据库中已记录的发生i类故障的频率,P(x|ωi)为故障数据库中已记录的发生第i类故障时,观测到x的频率;P(ωj)为故障数据库中已记录的发生j类故障的频率,P(x|ωj)为故障数据库中已记录的发生第j类故障时,观测到x的频率;P(x)为设备观测向量的统计量;
将观测向量x分到故障类别ωi的条件风险为决策αi的加权平均损失:
设备观测向量的统计量P(x)仅由设备运行参数的实际观测值决定,从故障数据库中的参数数据库统计获得,P(ωi)、P(x|ωi)涉及模型的历史决策结果,从故障信息库获取;各类故障的风险系数λij根据各类故障的运维成本αi和发生故障的损失bij计算:αi是故障本身的维护成本,bij是将j类故障误认为i类故障的代价;
λij=ai+bij,i=1,2,…,c
其中,c为自然数,则最小风险贝叶斯分类决策的目标函数为:
即,选择使得条件风险R(αi|x)最小的决策αi作为故障预测结果。
优选地,所述将设备实时运行参数及其对应的不同设备故障类别输入biLSTM-PCNN混合神经网络模型,输出故障的影响参数,具体为:
PCNN模型接收t时刻的设备实时参数设备参数的维度n是固定的,采用固定大小的卷积核K实现卷积操作,输出卷积结果矩阵C:
在池化层采取混合分段池化策略,根据设备参数的类型,将设备参数向量的卷积结果矩阵C人工分割为多段:C=(p1,p2,…,pl),并分别实施最大池化、最小池化和平均池化;
MaxPool(C)=max(pi)
MinPool(C)=min(pi)
AvePool(C)=ave(pi)
采用PCNN模型提取出设备在各个时刻的数据特征序列x=(x1,x2,…,xt);
设备在各个时刻的数据特征序列输入biLSTM模型,提取设备参数序列的变化特征;
量化各个参数对于故障ωj的影响系数θ(i,j)=(θ(i,j,1),θ(i,j,2),…,θ(i,j,n));
根据影响系数确认故障的影响参数。
优选地,设备devi的参数向量x包含n个维度,x=(x1,x2,…,xn),其中xk造成ωj类故障的概率因数为θ(i,j,k)且
优选地,所述通过各类故障的条件概率和影响参数查找故障原因,具体为:
从设备devi的运行参数中抽取故障系数θ(i,j,k)最高的m个运行参数作为故障ωj的候选诱因,m<n,其中:
优选地,所述biLSTM包括:遗忘门、输入门和输出门,所述遗忘门包括顺序遗忘门和逆序遗忘门;所述输入门包括顺序输入门和逆序输入门;
顺序遗忘门信息是否丢失以及丢失的程度取决于当前输入自然语言中词汇wt和上一时刻的细胞输出ht-1;
逆序遗忘门与顺序遗忘门相反,来自右侧的信息丢失的程度取决于当前输入wt和下一时刻的细胞输出ht+1;
式中,Sigmoid函数:其作用是产生一个(0,1)区间的实数,使得传输的信息可能被遗忘,函数值越小信息丢失越多;Wwf是当前输入wt对遗忘门的权重参数,/>和/>分别是细胞输出ht-1和ht+1对遗忘门的权重参数,bf是遗忘门的偏置向量;
顺序输入门和逆序输入门/>分别处理来自语句左侧和右侧词汇的约束;
其中W是相关信号的权重参数,b是偏置向量,双曲函数作为神经网络的激活函数,产生候选细胞状态gt,将信号值映射到(-1,1)区间;
输出门决定了细胞的输出值,当前细胞的输出值取决于当前输入信号wt、上一时刻的细胞输出ht-1、下一时刻的细胞输出ht+1、当前细胞的更新状态Ct;
ht=ot tanh(Ct)。
优选地,还包括在biLSTM双向的记忆单元中使用了Dropout操作缓解过拟合,具体为在输出门设置了一个随机函数drop(x)=x|0,随机将记忆单元的输出置零。
优选地,通过各类数据采集终端采集工业设备实时运行参数。
优选地,还包括存储实时运行参数、设备实时运行参数对应的不同设备故障类别及各类故障的条件概率。
本发明提供的工业设备故障诊断方法具有以下有益效果:
本发明针对工业生产场景下,设备故障监测预警不及时、故障原因难排查等痛点,提出了一种工业设备故障诊断方法。以工业设备的故障记录和对应的实时运行参数为分析对象,通过贝叶斯风险决策模型和biLSTM-PCNN神经网络模型开展深度学习,识别设备故障的时序参数特征,实现故障隐患的监测预警和故障原因诊断。在此基础上开展了系统仿真,仿真结果显示,相关技术模型对各类设备故障具备较强的识别预警能力,设备故障原因诊断准确率较高,满足工业生产场景下设备运维管理的需求。
附图说明
为了更清楚地说明本发明实施例及其设计方案,下面将对本实施例所需的附图作简单地介绍。下面描述中的附图仅仅是本发明的部分实施例,对于本领域普通技术人员来说,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为混合神经网络模型结构图;
图2为biLSTM记忆单元的结构图;
图3为顺序传播的Dropout结构图;
图4为仿真系统架构图;
图5为系统仿真流程图。
具体实施方式
为了使本领域技术人员更好的理解本发明的技术方案并能予以实施,下面结合附图和具体实施例对本发明进行详细说明。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
本发明提供了一种工业设备故障诊断方法,通过工业物联网和各类采集终端从工业生产设备上采集实时运行参数,通过数据处理中心实现数据清洗、转化、存储等预处理过程。针对采集到的设备运行参数,采用最小风险贝叶斯分类模型和biLSTM-PCNN混合神经网络模型识别故障设备的参数特征,开展故障识别、故障预警、故障原因诊断等。通过可视化系统进行故障上报和相关统计分析,并将相关的设备运行参数存入参数数据库,将故障信息和决策数据存入故障信息库。
具体地,本发明提供的诊断方法以下步骤:
步骤1、实时运行参数采集
通过工业物联网和各类采集终端从工业生产设备上采设备的实时运行参数。
步骤2、数据预处理
对设备的实时运行参数进行数据清洗、转化、存储等预处理处理。数据清洗:从不同的设备源抽取设备运行参数,清洗脏数据和重复数据,数据转换,对异构数据进行合并和拆分,统一同类数据的格式、统一计量单位(米、厘米)等,数据装载:将多源数据进行整合存储。
步骤3、采用最小风险贝叶斯分类模型进行故障识别
故障识别的核心任务是根据设备运行参数预测故障发生的概率和类别,对于工业设备的故障预警,各种预警结果的影响不同,例如在通常情况下,漏报故障造成的损失远大于误报。因此故障分析模型需要考虑各类决策的风险。
定义设备运行参数的观测向量为x,对设备故障的预测结果为ωi,现实中总共有c类设备故障,则贝叶斯分类器为:
将观测向量x分到故障类别ωi的条件风险为决策αi的加权平均损失:
(1)式中的统计量P(x)仅由设备运行参数的实际观测值决定,从故障数据库中的参数数据库统计获得,P(ωi)、P(x|ωi)涉及模型的历史决策结果,从故障信息库获取。(2)式中各类故障的风险系数λij根据各类故障的运维成本ai和发生故障的损失bij计算:
λij=ai+bij,(i=1,2,…,c) (3)
则最小风险贝叶斯分类决策的目标函数为:
即,选择使得条件风险R(αi|x)最小的决策αi作为故障预测结果。
步骤4、通过biLSTM-PCNN混合神经网络模型进行故障原因诊断
故障类别和故障原因之间存在复杂的显式或隐式关联,甚至一个设备每次出现同类故障的原因可能不同。下面以设备运行参数为分析对象,通过神经网络模型开展深度学习,对设备发生故障时的实际参数向量进行分割,通过计算影响系数查找故障原因。
设备devi的参数向量x包含n个维度,x=(x1,x2,…,xn),其中xk造成ωj类故障的概率因数为θ(i,j,k)且
构建biLSTM-PCNN混合神经网络模型如图1所示。
通过两级神经网络模型实现设备故障特征参数的识别,使用分段卷积神经网络PCNN接收t时刻的设备实时参数由于设备参数的维度n是固定的,采用固定大小的卷积核K实现卷积操作,输出卷积结果C:
系统涉及三类数据误差:
(a)传感器采集精度及环境造成采集数据误差,可通过最小池化减小误差;
(b)特征提取领域受限造成估计值方差增大,可通过平均池化减小误差;
(c)卷积层参数误差造成估计值偏移,可通过最大池化减小误差。
因此,在池化层采取混合分段池化策略,根据设备参数的类型(如:电气参数、机械参数、控制参数等),将设备参数向量的卷积结果C人工分割为多段:C=(p1,p2,…,pl),并分别实施最大池化、最小池化和平均池化:
MaxPool(C)=max(pi) (6)
MinPool(C)=min(pi) (7)
AvePool(C)=ave(pi) (8)
采用PCNN模型提取出设备在各个时刻的数据特征序列x=(x1,x2,…,xt),并输入双向的长短期记忆模型(biLSTM),提取设备参数序列的变化特征,量化各个参数对于ωj故障的影响系数θ(i,j)=(θ(i,j,1),θ(i,j,2),…,θ(i,j,n))。
构建双向的biLSTM记忆单元如图2所示:
(1)遗忘门
遗忘门决定了在信息传输过程中哪些信息可以被继承,哪些信息会丢失。在自然语言中词汇wt不仅依赖于左侧的词汇wt-1,也受到右侧词汇wt+1的约束。因此在biLSTM中,设计了顺序遗忘门和逆序遗忘门/>分别处理来自语句左侧和右侧的信息损失。
顺序遗忘门:来自左侧的信息在传输过程中可能有一部分丢失。信息是否丢失以及丢失的程度取决于当前输入wt和上一时刻的细胞输出ht-1。
逆序遗忘门:与顺序遗忘门相反,来自右侧的信息丢失的程度取决于当前输入wt和下一时刻的细胞输出ht+1。
(10)(11)式中,Sigmoid函数:其作用是产生一个(0,1)区间的实数,使得传输的信息可能被遗忘,函数值越小信息丢失越多。Wwf是当前输入wt对遗忘门的权重参数,/>和/>分别是细胞输出ht-1和ht+1对遗忘门的权重参数,bf是遗忘门的偏置向量。
(2)输入门
输入门决定了当前输入信号wt有多少信息能够更新到细胞状态中。在biLSTM中,设计了顺序输入门和逆序输入门/>分别处理来自左侧和右侧词汇的约束。
其中W是相关信号的权重参数,b是偏置向量。双曲函数作为神经网络的激活函数,产生候选细胞状态gt,将信号值映射到(-1,1)区间。
(3)输出门
输出门决定了细胞的输出值。当前细胞的输出值取决于当前输入信号wt、上一时刻的细胞输出ht-1、下一时刻的细胞输出ht+1、当前细胞的更新状态Ct。
ht=ot tanh(Ct) (18)
训练模型的目标函数定义为使得(19)式的损失函数取得最小值:
其中是权值衰减项,λ是衰减系数。
对于设备devi,参数θ(i,j,k)可以近似等价于引发设备故障的条件概率:
θ(i,j,k)≈P(xi|devi,ωj) (20)
由于设备故障可能存在多方面的原因,在故障原因诊断过程中,从设备devi的运行参数中抽取故障系数θ(i,j,k)最高的m(m<n)个运行参数作为故障ωj的候选诱因,指导运维管理人员排查故障和开展检修维护工作,其中:
过拟合处理,防止模型因为训练过度导致识别能力下降。
深度学习训练强度的增加可能导致模型“过度学习”,从而识别到失真的参数特征。过拟合现象是无法完全避免的,只能采取适当的策略进行缓解。本发明采用了Dropout策略来缓解过拟合。图2中在biLSTM双向的记忆单元中使用了Dropout操作,在输出门设置了一个随机函数drop(x)=x|0,随机将记忆单元的输出置零。
drop函数随机将部分记忆单元的输出信号ht置零,由于遗忘门、输入门都需要接收ht信号,因此相连接的记忆单元也失去活性。与传统Dropout直接终止信号传输的做法不同,本发明所采用的Dropout策略并不阻断信号在biLSTM网络中的传输,而是阻止记忆单元状态的更新。以图3(a)为例,在信息顺序传播过程中,如果t-1时刻的记忆单元输出ht-1=0,则t时刻的记忆单元状态无法更新,Ct=Ct-1,此时biLSTM结构相当于图3(b)的结构。在逆序传播中的情况与此类似。通过随机地使得一部分biLSTM记忆单元失活,产生不同的子网络,有效地缓解过拟合的现象。
实施例1
综上,本实施例提供的工业设备故障诊断方法的实施具体包括以下步骤:
Step1:通过各类传感器实时监测设备实时运行参数,获取设备运行参数序列X(x1,x2,...,xn),在t时刻测设备实时参数为x。
Step2:计算贝叶斯条件概率,具体为:从故障数据库进行查询故障ωi的概率P(ωi)、P(x|ωi),计算各类故障ωi的条件概率P(ωi|x)。
Step3:将各类故障的条件概率P(ωi|x)输入到biLSTM-PCNN混合神经网络模型进行迭代,获取最终的故障预测结果,假设预测故障ωi即将发生。
Step4:根据故障预测结果,采用(4)式进行贝叶斯风险决策,选择综合风险最低的处理措施,其中,λij=ai+bij,(i=1,2,…,c),ai是运维成本、bij是将故障j应对为故障i的损失,从故障数据库中统计获取。
Step5:将本次故障预测及处理的结果、代价等记录入数据库,成为故障的历史数据。
下面通过仿真实验对本发明提供的工业设备故障诊断方法进行说明验证。
仿真系统设计
本发明基于IED仿真与SCD文件技术开展设备仿真及可视化系统设计。仿真系统既能够实现IED设备基础操作仿真,还能有效模拟各类设备异常状态,以便于测试设备运维管理策略的实施效果。仿真系统架构如图4所示。
系统兼容网采网跳和直采直跳两类数据传输模式,测控单元采用网采网跳模式,基于过程获得并输出数据,其他间隔层采取直采直跳模式,直接获取并传输数据,实现间隔预警。
设备故障分析的仿真流程如图5所示:
由故障模拟器生成停机、机械抖动等各类设备故障数据信息,通过过程仿真单元实现设备故障的过程仿真模拟。同时,由数据采样器模拟出与设备故障对应的各类运行参数,通过数据仿真单元实现数据仿真。由GOOSE网络连接自动预警单元,整个仿真模拟过程通过CID文件进行控制,并通过SCD文件传输到故障分析单元,调用相关算法模型开展故障预警、故障原因诊断等分析,通过可视化单元实现可视化交互。
仿真实验结果
通过仿真系统模拟了常见设备故障中的10类故障以及对应的设备运行参数,如表1所示:
表1设备故障类别
统计了仿真系统对各类故障的识别情况,以准确率P和召回率R作为评价相关技术实施效果的指标:
其中TPi为ωi类故障中被正确识别的样本数,其中FPi为被错误识别为ωi类故障的样本数,FNi为ωi类故障中未被正确识别的的样本数。仿真结果如表2所示。
表2系统仿真结果
准确率P标志着正确识别故障的能力,而召回率R标志着对设备故障隐患的预警能力,F1值则标志着系统的综合分析能力。通常在实际工业生产场景中,设备发生故障造成的损失和维护成本远大于误报故障的维护成本,因此运维管理工作从安全性角度出发,一般采取“宁可误报不可漏报”的总体原则。表2的数据显示,本发明采用的技术对c1~c10这10类故障的召回率较高,说明系统具备较强的故障预警能力,不容易出现漏报情况。但为此付出的代价是某些故障类别的识别准确率较低,即为了保证安全、避免漏报,牺牲了一部分故障识别的准确性,这是符合设备运维管理工作实际要求的。
从设备故障原因诊断的准确率来看,本发明技术能够精准分析各类设备故障的原因,平均准确率达到92.1%,满足工业生产场景设备运维和管理工作的要求。
本发明针对工业生产场景下,设备故障监测预警不及时、故障原因难排查等痛点,开展了设备故障预警及诊断技术研究及系统仿真。以工业设备的故障记录和对应的实时运行参数为分析对象,基于贝叶斯风险决策模型和人工神经网络模型开展深度学习,识别设备故障的时序参数特征,实现故障隐患的监测预警和故障原因诊断,开展辅助决策,指导运维管理人员排查故障原因和开展巡检维护。经过系统仿真,相关模型对于各类设备故障具有较强的识别和预警能力,满足工业设备管理“宁可误报不可漏报”的总体要求。模型为了避免漏报故障,牺牲了一部分故障识别的准确性。未来有待对故障特征识别算法进行改进,提高故障预警的准确率,进一步减少不必要的运维开销。
综上所述,本发明围绕设备故障诊断和预知性维护工作的实际需求,研发了一套面向各类工业生产设备的故障诊断及预警技术,采取“宁可误报不可漏报”的总体原则,在降低运维工作成本的同时提高工作效率,保障安全生产工作。
以上所述实施例仅为本发明较佳的具体实施方式,本发明的保护范围不限于此,任何熟悉本领域的技术人员在本发明披露的技术范围内,可显而易见地得到的技术方案的简单变化或等效替换,均属于本发明的保护范围。
Claims (10)
1.一种工业设备故障诊断方法,其特征在于,包括以下步骤:
获取设备实时运行参数;
将设备实时运行参数及设备历史故障类别数据输入贝叶斯风险决策模型进行计算,输出设备实时运行参数对应的不同设备故障类别及各类故障的条件概率;
将设备实时运行参数及其对应的不同设备故障类别输入biLSTM-PCNN混合神经网络模型,输出故障的影响参数;
通过各类故障的条件概率和影响参数查找故障原因;
所述biLSTM-PCNN混合神经网络模型包括PCNN模型和biLSTM模型,所述故障的影响参数的获取具体包括:
将设备实时运行参数及其对应的不同设备故障类别输入PCNN模型,通过PCNN模型提取设备在各个时刻的数据特征序列;
将设备在各个时刻的数据特征序列输入biLSTM模型,提取设备参数序列的变化特征;
根据设备参数序列的变化特征量化各个运行参数对于不同设备故障类别的影响系数;
根据影响系数确认故障的影响参数。
2.根据权利要求1所述的工业设备故障诊断方法,其特征在于,在将所述设备实时运行参数输入贝叶斯风险决策模型之前,还包括对所述设备实时运行参数进行预处理,具体为对设备实时运行参数进行数据清洗、格式转化和存储。
3.根据权利要求2所述的工业设备故障诊断方法,其特征在于,所述将设备实时运行参数及设备历史故障类别数据输入贝叶斯风险决策模型,输出设备故障类别及故障发生的概率,具体为:
定义设备运行参数的观测向量为x,故障类型为ωi,共有c类设备故障,则贝叶斯分类器为:
式中,P(ωi|x)为设备观测向量为x时发生i类故障的条件概率;P(ωi)为故障数据库中已记录的发生i类故障的频率,P(x|ωi)为故障数据库中已记录的发生第i类故障时,观测到x的频率;P(ωj)为故障数据库中已记录的发生j类故障的频率,P(x|ωj)为故障数据库中已记录的发生第j类故障时,观测到x的频率;P(x)为设备观测向量的统计量;
将观测向量x分到故障类别ωi的条件风险为决策αi的加权平均损失:
式(1)中的设备观测向量的统计量P(x)仅由设备运行参数的实际观测值决定,从故障数据库中的参数数据库统计获得,P(ωi)、P(x|ωi)涉及模型的历史决策结果,从故障信息库获取;式(2)中各类故障的风险系数λij根据各类故障的运维成本αi和发生故障的损失bij计算:αi是故障本身的维护成本,bij是将j类故障误认为i类故障的代价;
λij=ai+bij,i=1,2,…,c
其中,c为自然数,则最小风险贝叶斯分类决策的目标函数为:
即,选择使得条件风险R(αi|x)最小的决策αi作为故障预测结果。
4.根据权利要求3所述的工业设备故障诊断方法,其特征在于,所述将设备实时运行参数及其对应的不同设备故障类别输入biLSTM-PCNN混合神经网络模型,输出故障的影响参数,具体为:
PCNN模型接收t时刻的设备实时参数设备参数的维度n是固定的,采用固定大小的卷积核K实现卷积操作,输出卷积结果矩阵C:
在池化层采取混合分段池化策略,根据设备参数的类型,将设备参数向量的卷积结果矩阵C人工分割为多段:C=(p1,p2,…,pl),并分别实施最大池化、最小池化和平均池化;
MaxPool(C)=max(pi)
MinPool(C)=min(pi)
AvePool(C)=ave(pi)
采用PCNN模型提取出设备在各个时刻的数据特征序列x=(x1,x2,…,xt);
设备在各个时刻的数据特征序列输入biLSTM模型,提取设备参数序列的变化特征;
量化各个参数对于故障ωj的影响系数θ(i,j)=(θ(i,j,1),θ(i,j,2),…,θ(i,j,n));
根据影响系数确认故障的影响参数。
5.根据权利要求4所述的工业设备故障诊断方法,其特征在于,设备devi的参数向量x包含n个维度,x=(x1,x2,…,xn),其中xk造成ωj类故障的概率因数为θ(i,j,k)且
6.根据权利要求5所述的工业设备故障诊断方法,其特征在于,所述通过各类故障的条件概率和影响参数查找故障原因,具体为:
从设备devi的运行参数中抽取故障系数θ(i,j,k)最高的m个运行参数作为故障ωj的候选诱因,m<n,其中:
7.根据权利要求1所述的工业设备故障诊断方法,其特征在于,所述biLSTM包括:遗忘门、输入门和输出门,所述遗忘门包括顺序遗忘门和逆序遗忘门;所述输入门包括顺序输入门和逆序输入门;
顺序遗忘门信息是否丢失以及丢失的程度取决于当前输入自然语言中词汇wt和上一时刻的细胞输出ht-1;
逆序遗忘门与顺序遗忘门相反,来自右侧的信息丢失的程度取决于当前输入wt和下一时刻的细胞输出ht+1;
式中,Sigmoid函数:其作用是产生一个(0,1)区间的实数,使得传输的信息可能被遗忘,函数值越小信息丢失越多;Wwf是当前输入wt对遗忘门的权重参数,/>和/>分别是细胞输出ht-1和ht+1对遗忘门的权重参数,bf是遗忘门的偏置向量;
顺序输入门和逆序输入门/>分别处理来自语句左侧和右侧词汇的约束;
其中W是相关信号的权重参数,b是偏置向量,双曲函数作为神经网络的激活函数,产生候选细胞状态gt,将信号值映射到(-1,1)区间;
输出门决定了细胞的输出值,当前细胞的输出值取决于当前输入信号wt、上一时刻的细胞输出ht-1、下一时刻的细胞输出ht+1、当前细胞的更新状态Ct;
ht=ottanh(Ct)。
8.根据权利要求7所述的工业设备故障诊断方法,其特征在于,还包括在biLSTM双向的记忆单元中使用了Dropout操作缓解过拟合,具体为在输出门设置了一个随机函数drop(x)=x|0,随机将记忆单元的输出置零。
9.根据权利要求1所述的工业设备故障诊断方法,其特征在于,通过各类数据采集终端采集工业设备实时运行参数。
10.根据权利要求1所述的工业设备故障诊断方法,其特征在于,还包括存储实时运行参数、设备实时运行参数对应的不同设备故障类别及各类故障的条件概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310992162.7A CN117032165A (zh) | 2023-08-08 | 2023-08-08 | 一种工业设备故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310992162.7A CN117032165A (zh) | 2023-08-08 | 2023-08-08 | 一种工业设备故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117032165A true CN117032165A (zh) | 2023-11-10 |
Family
ID=88627431
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310992162.7A Withdrawn CN117032165A (zh) | 2023-08-08 | 2023-08-08 | 一种工业设备故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117032165A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117786373A (zh) * | 2024-02-28 | 2024-03-29 | 山东鑫林纸制品有限公司 | 一种基于大数据的瓦楞纸加工的设备运行诊断系统 |
CN117807155A (zh) * | 2024-03-01 | 2024-04-02 | 深圳润世华软件和信息技术服务有限公司 | 多维度预警提示信息的生成方法、设备及存储介质 |
-
2023
- 2023-08-08 CN CN202310992162.7A patent/CN117032165A/zh not_active Withdrawn
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117786373A (zh) * | 2024-02-28 | 2024-03-29 | 山东鑫林纸制品有限公司 | 一种基于大数据的瓦楞纸加工的设备运行诊断系统 |
CN117786373B (zh) * | 2024-02-28 | 2024-05-03 | 山东鑫林纸制品有限公司 | 一种基于大数据的瓦楞纸加工的设备运行诊断系统 |
CN117807155A (zh) * | 2024-03-01 | 2024-04-02 | 深圳润世华软件和信息技术服务有限公司 | 多维度预警提示信息的生成方法、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108569607B (zh) | 基于双向门控循环神经网络的电梯故障预警方法 | |
CN113156917B (zh) | 基于人工智能的电网设备故障诊断方法及系统 | |
CN111813084B (zh) | 一种基于深度学习的机械装备故障诊断方法 | |
CN111914873A (zh) | 一种两阶段云服务器无监督异常预测方法 | |
CN117032165A (zh) | 一种工业设备故障诊断方法 | |
CN113642754B (zh) | 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法 | |
CN113723010B (zh) | 一种基于lstm温度-位移相关模型的桥梁损伤预警方法 | |
CN116757534A (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
CN111340110B (zh) | 一种基于工业过程运行状态趋势分析的故障预警方法 | |
CN112906764B (zh) | 基于改进bp神经网络的通信安全设备智能诊断方法及系统 | |
Son et al. | Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge | |
CN114118225A (zh) | 发电机剩余寿命预测方法、系统、电子设备和存储介质 | |
CN116109039A (zh) | 一种数据驱动异常检测与预警系统 | |
CN114062812B (zh) | 一种计量柜故障诊断方法及系统 | |
CN114912678A (zh) | 电网调控异常操作在线自动检测预警方法及系统 | |
CN117668493A (zh) | 一种烟草设备故障预测方法和系统 | |
CN117556347A (zh) | 一种基于工业大数据的电力设备故障预测与健康管理方法 | |
CN114547796B (zh) | 一种基于优化bn网络的球磨机特征融合故障诊断方法 | |
CN116859895A (zh) | 一种工业设备故障诊断系统 | |
CN113551904A (zh) | 基于层次机器学习的齿轮箱多类型并发故障诊断方法 | |
Wang et al. | Complex equipment diagnostic reasoning based on neural network algorithm | |
Wang et al. | An Entropy-and Attention-Based Feature Extraction and Selection Network for Multi-Target Coupling Scenarios | |
CN112327096B (zh) | 一种基于自适应策略的故障诊断信息融合方法及装置 | |
CN115556099B (zh) | 一种可持续学习的工业机器人故障诊断系统及方法 | |
CN116400675B (zh) | 基于改进cnn-lstm模型的故障诊断系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20231110 |