CN114444582A - 基于卷积神经网络与贝叶斯网络的机械设备故障诊断方法 - Google Patents
基于卷积神经网络与贝叶斯网络的机械设备故障诊断方法 Download PDFInfo
- Publication number
- CN114444582A CN114444582A CN202210014436.0A CN202210014436A CN114444582A CN 114444582 A CN114444582 A CN 114444582A CN 202210014436 A CN202210014436 A CN 202210014436A CN 114444582 A CN114444582 A CN 114444582A
- Authority
- CN
- China
- Prior art keywords
- fault
- bayesian network
- convolutional neural
- reason
- probability
- 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 53
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 28
- 239000000839 emulsion Substances 0.000 claims abstract description 53
- 238000012544 monitoring process Methods 0.000 claims abstract description 26
- 238000010606 normalization Methods 0.000 claims abstract 2
- 238000007781 pre-processing Methods 0.000 claims abstract 2
- 238000012423 maintenance Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 20
- 238000011176 pooling Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 7
- 239000007788 liquid Substances 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000004445 quantitative analysis Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 239000000446 fuel Substances 0.000 claims description 2
- 238000002347 injection Methods 0.000 claims description 2
- 239000007924 injection Substances 0.000 claims description 2
- 230000010349 pulsation Effects 0.000 claims description 2
- 238000004804 winding Methods 0.000 claims description 2
- 238000013459 approach Methods 0.000 claims 2
- 239000000314 lubricant Substances 0.000 claims 1
- 238000012216 screening Methods 0.000 claims 1
- 239000003245 coal Substances 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000010200 validation analysis Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000010687 lubricating oil Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及故障诊断技术领域，具体为一种基于卷积神经网络与贝叶斯网络的机械设备故障诊断方法。包括以下步骤：S1：通过传感器监测乳化液泵的各项参数；S2：采集乳化液泵发生各种故障时的各项监测数据，将其进行归一化、标准化预处理，得到一个训练好的乳化液泵故障诊断模型；S3：搭建诊断贝叶斯网络，包括故障层与原因层；S4：将训练好的轻量化卷积神经网络与诊断贝叶斯网络所构成的乳化液泵故障诊断模型嵌入到云平台；S5：对乳化液泵运行时的各项数据进行实时监测，并将其输入到云平台，若诊断出故障，会发出预警，并将该诊断结果输入到贝叶斯网络中进行条件概率的推理，从而得出各故障原因的概率，实现故障定位。
Description
技术领域
本发明涉及故障诊断技术领域，具体为一种基于卷积神经网络与贝叶斯网络的机械设备故障诊断方法。
背景技术
煤炭是我国重要的基础能源，根据中国工程院相关报告预测：到2030年，煤炭在我国能源结构中所占比例为50％；直至2050年，仍将以40％的占比高居榜首。 煤矿安全高效生产是确保我国经济发展和社会稳定的重要基础之一。目前，煤炭依然是我国主体能源，煤矿井下环境复杂恶劣，使煤矿设备故障频发，对采煤安全造成严重威胁，对煤矿经济收入造成严重损失。
在煤矿综采工作面的日常生产过程中，各种机械设备起到了关键的作用，但由于井下工况复杂，环境恶劣，所以设备的日常维护耗时耗力，且对一线设备工作人员有很高技术要求。当发生故障时，无法做到快速准确故障诊断，难以故障定位，极大延长了维修时间，导致长时间停机，加剧煤矿经济损失。目前对于机械设备故障诊断方法的研究还比较少，大多通过PLC等对机械设备参数在线监测，无法做到准确地预防、诊断。机械设备大多故障机理复杂，包括故障现象多样、故障耦合、产生原因不一、故障定位难等，传统的故障诊断方法无法胜任机械设备故障诊断任务。
因此，提出一种基于卷积神经网络与贝叶斯网络的机械设备故障诊断方法，通过对机械设备的运行数据在线监测诊断，对机械设备的运行状态分析判断，为机械设备的日常维护提供参考，在故障发生时，能够利用诊断贝叶斯网络实现机械设备快速、准确地故障诊断并分析产生原因，在实际应用中具有重要意义。
发明内容
本发明通过轻量化卷积神经网络监测机械设备在实际运行中的各项实时数据，实时诊断，在故障发生时能够及时发出警报，并利用贝叶斯网络推理故障原因，提供一种基于卷积神经网络与贝叶斯网络的机械设备故障诊断方法。
本发明采取以下技术方案：一种基于卷积神经网络与贝叶斯网络的机械设备故障诊断方法，包括以下步骤：S1：通过传感器监测乳化液泵的各项参数；S2：采集乳化液泵发生各种故障时的各项监测数据，将其进行归一化、标准化预处理，利用预处理后的各项监测数据训练轻量化卷积神经网络模型，得到一个训练好的乳化液泵故障诊断模型；S3：搭建诊断贝叶斯网络，包括故障层与原因层；S4：将训练好的轻量化卷积神经网络与诊断贝叶斯网络所构成的乳化液泵故障诊断模型嵌入到云平台；S5：对乳化液泵运行时的各项数据进行实时监测，并将其输入到云平台，若诊断出故障，会发出预警，并将该诊断结果输入到贝叶斯网络中进行条件概率的推理，从而得出各故障原因的概率，实现故障定位。
步骤S2采取以下方法，
S21：正常状态以及每种故障形式均取100个样本，每个样本都包括了监测参数数据以及对应的标签，每个样本中的监测数据都按照采样频率100Hz进行采集，采集时长为1分钟，最后将所有样本按照6:2:2的比例划分训练集、验证集和测试集；
S22：将划分的训练集输入到搭建的轻量化的卷积神经网络初始模型中进行训练，并用验证集进行验证，之后再将测试集输入到模型中进行测试，验证输出结果是否与实际故障类型相符；在训练的过程中采用的是Adam学习率自适应算法，通过交叉熵损失函数来找到最优的模型，保存最优模型的参数和结构，从而获得了一个训练好的乳化液泵故障诊断模型。
轻量化卷积神经网络初始模型包括：二维可分离卷积层、二维最大池化层、全局平均池化层和Softmax分类器。
步骤S3采取以下方法，
S31：所述的故障层由乳化液泵的故障形式构成，原因层由引起每种故障发生的原因所构成；
S32：搜集乳化液泵一段时间内的故障维修记录，根据记录找到每种故障形式各50个案例，每个案例都要有其对应的具体原因；
S33：根据每个案例故障形式与原因的对应关系，确定诊断贝叶斯网络结构故障层与原因层之间的连接关系，从而确定贝叶斯网络的结构；
S34：通过结合已经搭建好的贝叶斯网络结构与搜集的案例数据，来确定贝叶斯网络的结构中故障节点与原因节点之间的条件概率以及各个故障发生的先验概率，最终形成了贝叶斯网络的条件概率表。
步骤S34条件概率表确定的详细步骤为，首先要从一种故障形式搜集的案例中筛选出引起这一故障的原因的相关数据，进行定量分析，确定各种原因的先验概率P先验；其次统计由于各个原因引起故障发生的概率，将其作为故障与原因的条件概率；以此类推，每种故障都按照这样的步骤进行，由此确定诊断贝叶斯网络的条件概率表P条件。
步骤S5中贝叶斯网络进行条件概率的推理的具体过程为，
S51：计算由于各种原因导致故障发生的概率，计算方法如下式，
式中P原因为引起故障发生原因的概率，P先验为各种原因的先验概率，P条件为诊断贝叶斯网络的条件概率表，P故障为发生故障的概率；将各种原因中P原因中为最大概率值的故障形式作为诊断结论；
S52：根据卷积神经网络诊断出的故障形式作为诊断贝叶斯网络模型的输入，会出现以下三种情况：
1、如果通过检修发现该故障是由该节点对应的原因引起的，并且这个原因位于该故障树中的底层事件，那么表明该原因即为引起故障的原因；
2、如果检修结果表明故障是由该节点对应的原因引起的，且这个原因是故障树的中层事件，则说明其发生是由底层事件引起的，则需要进一步推理；将该节点设置为100%发生，继续深入推理，找出后验概率最大的父节点再次进行检修；
3、如果检修结果表明故障不是由该节点对应的原因引起的，说明此节点代表的原因并未发生，则需要将该节点设置为100%不发生，作为证据输入继续推理，找出后验概率最大的父节点进行检修；对应检修结果，重复以上相关步骤，直至检修出引起故障的原因。
步骤S1中，乳化液泵的各项参数包括：电动机电流、电动机转矩、电动机转速、乳化液泵系统压力、乳化液流量、乳化液泵振动、乳化液浓度、乳化液温度、乳化液液位、乳化油位、润滑油温度、喷油压力、绕组温度、轴承温度、水箱水位以及声音信号。
步骤S2中，乳化液泵的故障形式包括：泵无法启动、泵启动后无压力或压力无法调高、压力脉动大流量不足或无流量、曲轴箱温度过高、系统压力调不上且缓慢下降、泵压力突然升高超过卸载阀调定压力、泵运转时噪声大、支架停止供液时卸载阀动作频繁、运行中泵无排液、配比浓度调不高、电动机故障一共11种故障形式。
与现有技术相比，本发明的优势在于将卷积神经网络与贝叶斯网络相结合，充分发挥了各自的优势，卷积层采用的可分离卷积，相比于普通卷积，减少了大量的参数，大大提高了模型的诊断效率，而且输入的数据为多源数据相融合，更能提高诊断的准确率。同时在最后池化层部分采用的是全局平均池化，相比于全连接层，避免了全连接层参数爆炸，从而导致模型过拟合的问题。故障诊断后又用贝叶斯网络对故障的原因进行了不确定性推理，相比于专家系统，不仅能推理出所有可能出现的故障原因，还能获得各个原因发生的概率。
附图说明
图1是本发明的流程图；
图2是本发明的多源监测数据融合流程图（以乳化液泵为例）；
图3是普通卷积层的结构示意图；
图4是本发明具体实施例的可分离卷积层结构示意图；
图5是本发明提供的轻量化卷积神经网络结构图；
图6是本发明提供的轻量化卷积神经网络训练和测试流程图；
图7是本发明提供的诊断贝叶斯网络模型结构图（以乳化液泵为例）；
图8是本发明提供的诊断贝叶斯网络模型流程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
参见图1，本实施例公开了一种基于卷积神经网络与贝叶斯网络的机械设备故障诊断方法，下面以乳化液泵为例，进行了详细的介绍，主要包括以下步骤：
S1:为了能对乳化液泵进行全面综合准确的故障诊断，需利用多项监测参数融合的方式，通过各种传感器监测乳化液泵的各项参数。
S2:采集乳化液泵发生各种故障时的各项监测数据，是人为的进行采集，当乳化液泵启动后无压力时，采集一定量的数据；当乳化液泵曲轴箱温度过高时，采集一定量的数据；当乳化液泵系统压力调不上且缓慢下降时，同样采集一定量的数据，以此类推，加上正常状态共12种故障形式。
对于数据的采集，如表1所示，每种故障形式取100个样本，包括正常状态在内，一共1200个样本，表中的A、B...M即为16项监测参数，每个样本都包括了这16个监测参数，而且每个样本中的监测数据都按照采样频率100Hz进行采集，采集时长为1分钟，最终每个样本的时间序列数据构成的矩阵成为了卷积神经网络模型的输入。
表1
对上述收集到的各项数据进行归一化、标准化预处理，根据所采集数据集的数量，按照6:2:2的比例设置训练集、验证集和测试集，利用预处理后的训练集训练初始的轻量化卷积神经网络模型，并用验证集进行验证，防止模型过拟合，之后再将测试集输入到模型中进行测试，验证输出结果是否与实际故障类型相符。在训练的过程中采用的是Adam学习率自适应算法，通过交叉熵损失函数来找到最优的模型，保存最优模型的参数和结构，从而获得了一个效果好的乳化液泵故障诊断模型。
其中，如图5，轻量化卷积神经网络初始模型包括：二维可分离卷积层、二维最大池化层、全局平均池化层和Softmax分类器。设置好卷积神经网络模型中卷积层、池化层、全局平均池化层的层数，卷积核的大小和个数，以及运算的步长等超参数，选择合适的模型训练参数，包括训练批次、批次大小以及初始学习率等，利用S2中的数据进行训练。
卷积层：卷积层使用卷积核对输入信号的局部区域进行卷积运算，并产生相应的特征。卷积层具有权值共享的特点，即同一个卷积核将以固定的步长遍历一次输入。本发明选用了可分离卷积，可分离卷积可看做将普通卷积分为两部分：空间卷积和通道卷积，如图4所示，首先通过
的卷积核进行空间卷积，然后再通过
的卷积核进行通道卷积，最终输出了与图3普通卷积相同的结果。通过计算普通卷积与可分离卷积的参数个数，可得出普通卷积的参数量为：
可分离卷积的参数量为：
在式子（1）和（2）中，
为输入层大小，
为卷积层大小，
为输入特征通道数，
为卷积核数量。
通过比较可分离卷积与普通卷积的参数量：
可得出：对于相同的输入层和输出层，可分离卷积相比于普通卷积，可以大量的减少参数，从而缩短训练时长，提高训练效率。
在卷积层的计算中，卷积采用了输入矩阵与卷积核中的对应点进行点乘，然后求和，再加一个偏置，计算公式为：
式中K表示通道数，M为每个通道的卷积核的行数，N为每个通道的卷积核的列数。yn表示卷积输出结果，bn表示线性计算中的偏置，ai,j,k为线性运算中的加权系数，xi,j,k表示原始输入的特征元素值或上一层卷积层的输出结果。
池化层：本发明选用了最大池化层，主要作用为下采样、降维，去除冗余信息、对特征进行压缩、简化网络复杂度、减小计算量、减小内存消耗，同时还具有实现非线性、扩大感知野、实现不变性（平移不变性、旋转不变性和尺度不变性）等特点。对数据T∈
，池化后输出：
式中n：输入向量划分的部分，
表示第i个特征张量，W：池化窗口的大小，S：步长。
全局平均池化（GAP）：在卷积层之后，用全局平均池化层替代全连接层原因是：全局平均池化在特征图与最终的分类间转换更加简单自然，同时全局平均池化不像全连接层需要大量训练调优的参数，降低了空间参数会使模型更加健壮，抗过拟合效果更佳。
分类器层：输出层采用的激活函数是Softmax函数。通过Softmax函数一作用，就映射成为(0,1)的值，而这些值的累和为1（满足概率的性质），那么就可以将它理解成概率，在最后选取输出结点的时候，可以选取概率最大（也就是值对应最大的）结点，作为最终的预测目标。
损失函数:本发明中采用交叉熵损失函数：
式中：E为目标函数，n为样本数，y为真实值，t为预测值。
S3:搭建诊断贝叶斯网络，包含故障层与原因层。搜集乳化液泵故障发生历史原因的历史记录做成统计表，确定故障层节点与原因层节点，进一步建立故障层与原因层之间的连接关系，根据搜集到的历史记录，从而确定贝叶斯网络的条件概率表，完成以上步骤，即完成了诊断贝叶斯网络的搭建。
贝叶斯网络是一种概率网络，它是基于概率推理的图形化网络。贝叶斯网络是基于概率推理的数学模型,所谓概率推理就是通过一些变量的信息来获取其他的概率信息的过程，基于概率推理的贝叶斯网络(Bayesian network)是为了解决不定性和不完整性问题而提出的，它对于解决复杂设备不确定性和关联性引起的故障有很好的优势，在多个领域中获得广泛应用。
其中所述步骤S3进一步包括:
S31:所述的故障层由乳化液泵的16种故障形式构成，原因层由引起每种故障发生的原因所构成。
S32:搜集乳化液泵一段时间里的故障维修记录，根据记录找到每种故障形式各50个案例，共550个案例，每个案例都要有其对应的具体原因。
S33:根据每个案例故障形式与原因的对应关系，确定诊断贝叶斯网络结构故障层与原因层之间的连接关系，从而确定贝叶斯网络的结构。
S34:通过结合已经搭建好的贝叶斯网络结构与搜集的案例数据，来确定贝叶斯网络的结构中故障节点与原因节点之间的条件概率以及各个原因导致故障发生的先验概率，最终形成了贝叶斯网络的条件概率表。对于条件概率表确定的详细步骤为：比如对于泵启动后无压力或压力无法调高这一故障，首先要从搜集的案例中筛选出引起这一故障的原因的相关数据，进行定量分析，确定各种原因的先验概率P先验；其次还要统计由于各个原因引起故障发生的概率，将其作为故障与原因的条件概率；以此类推，每种故障都按照这样的步骤进行，由此就确定了诊断贝叶斯网络的条件概率表P条件。
S4:将训练好的轻量化卷积神经网络与贝叶斯网络所构成的乳化液泵故障诊断模型嵌入到煤矿综采工作面智慧云平台。
S5:对乳化液泵运行时的各项数据进行实时监测，并将其输入到煤矿综采工作面智慧云平台，若诊断出正常，则会继续监测；若诊断出故障，则会发出预警，并将该故障诊断结果输入到贝叶斯网络中进行条件概率的推理，从而得出各故障原因的概率，以后验概率值最大的节点对应的原因作为诊断结果，实现故障定位，帮助一线设备维修人员进行快速维修。
诊断贝叶斯网络的应用。根据卷积神经网络诊断出的故障形式作为诊断贝叶斯网络模型的输入，即代表该故障节点100%发生。计算由于各种原因导致故障发生的概率计算方法如式8所示，将最大概率值作为诊断结论。
式中P原因为引起故障发生原因的概率，P先验为各种原因的先验概率，P条件为诊断贝叶斯网络的条件概率表，P故障为发生故障的概率。
本发明利用GeNIe 2.0软件进行诊断贝叶斯网络（BN）的搭建。将11种故障作为诊断贝叶斯网络的子节点，将每种故障发生的原因作为诊断贝叶斯网络的父节点。比如，泵启动后无压力或压力无法调高故障诊断贝叶斯网络如图7所示，一共有17个节点，其他故障形式及原因组成的结构图与此类似。
具体的推理过程以图7泵启动后无压力或压力无法调高这一故障为例，当贝叶斯网络接收到故障形式，以后验概率值最大的节点对应的原因作为诊断结果，并进行检修，将会出现以下三种情况：
1、通过检修发现该故障是由该节点对应的原因引起的，并且这个原因位于该故障树中的底层事件，那么表明该原因即为引起故障的原因。
2、如果检修结果表明故障是由该节点对应的原因引起的，且这个原因是故障树的中层事件，则说明其发生是由底层事件引起的，则需要进一步推理；将该节点设置为100%发生，继续深入推理，找出后验概率最大的父节点再次进行检修。
3、如果检修结果表明故障不是由该节点对应的原因引起的，说明此节点代表的原因并未发生，则需要将该节点设置为100%不发生，作为证据输入继续推理，找出后验概率最大的父节点进行检修。
对应检修结果，重复以上相关步骤，直至检修出引起故障的原因。
以卷积神经网络识别为乳化液泵启动后无压力或压力无法调高故障为例，如图7所示，首先将卷积神经网络输出作为贝叶斯网络输入，即将“泵启动后无压力或压力无法调高”节点设置为100%发生；其次对BN中各节点的属性进行定义。“Observations”意为观测节点，一般表示顶上事件、事故类型、故障类型等；“Targets”意为目标节点，一般表示通过证据输入希望获得后验概率的节点。这里将“泵启动后无压力或压力无法调高”节点定义为“Observations”，其余节点定义为“Targets”；最后选择GeNIe2.0软件中的ClusteringAlgorithm（联合树算法），进行BN更新，完成推理结果，会得出各目标节点的后验概率，对比各目标节点的后验概率，假设选取后验概率值最大的“主阀故障”作为诊断结果，进行检修。检修结果表明确实存在主阀故障，但由于其对应是事故树的中间事件，其发生必由底层事件引起，所以仍需进一步诊断。将主阀故障作为已知信息输入至诊断贝叶斯网络中，即设置“主阀故障”节点为100%发生，再次进行BN更新，假设选取后验概率值最大的“主阀卡住”作为诊断结果，进行检修，检修结果表明确实存在主阀卡住，因其位于事故树中的底层事件，故本次故障诊断结束。根据诊断的故障原因进行维修，即可保证设备正常工作。
本发明的主要原理，首先利用轻量化的卷积神经网络模型对故障类型进行识别，既发挥了卷积神经网络（CNN）强大的数据特征提取能力，又利用可分离卷积层减少了参数，提高了模型的训练效率；之后，在诊断模型中又采用了全局平均池化层，同样是减少了参数，避免了模型过拟合；最后，利用诊断贝叶斯网络对故障原因进行不确定性推理，得出每种故障原因的概率，相比于专家系统而言，既提高了诊断效率，同时也减少了人为因素的干扰，整体提高了诊断的智能化水平。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。
Claims (8)
1.一种基于卷积神经网络与贝叶斯网络的机械设备故障诊断方法，其特征在于：包括以下步骤，
S1：通过传感器监测乳化液泵的各项参数；
S2：采集乳化液泵发生各种故障时的各项监测数据，将其进行归一化、标准化预处理，利用预处理后的各项监测数据训练轻量化卷积神经网络模型，得到一个训练好的乳化液泵故障诊断模型；
S3：搭建诊断贝叶斯网络，包括故障层与原因层；
S4：将训练好的轻量化卷积神经网络与诊断贝叶斯网络所构成的乳化液泵故障诊断模型嵌入到云平台；
S5：对乳化液泵运行时的各项数据进行实时监测，并将其输入到轻量化卷积神经网络，若诊断出故障，会发出预警，并将该诊断结果输入到贝叶斯网络中进行条件概率的推理，从而得出各故障原因的概率，实现故障定位。
2.根据权利要求1所述的基于卷积神经网络与贝叶斯网络的机械设备故障诊断方法，其特征在于：所述的步骤S2采取以下方法，
S21：正常状态以及每种故障形式均取100个样本，每个样本都包括了监测参数数据以及对应的标签，每个样本中的监测数据都按照采样频率100Hz进行采集，采集时长为1分钟，最后将所有样本按照6:2:2的比例划分训练集、验证集和测试集；
S22：将划分的训练集输入到搭建的轻量化的卷积神经网络初始模型中进行训练，并用验证集进行验证，之后再将测试集输入到模型中进行测试，验证输出结果是否与实际故障类型相符；在训练的过程中采用的是Adam学习率自适应算法，通过交叉熵损失函数来找到最优的模型，保存最优模型的参数和结构，从而获得了一个训练好的乳化液泵故障诊断模型。
3.根据权利要求2所述的基于卷积神经网络与贝叶斯网络的机械设备故障诊断方法，其特征在于：所述的轻量化卷积神经网络初始模型包括：二维可分离卷积层、二维最大池化层、全局平均池化层和Softmax分类器。
4.根据权利要求3所述的基于卷积神经网络与贝叶斯网络的机械设备故障诊断方法，其特征在于：所述的步骤S3采取以下方法，
S31：所述的故障层由乳化液泵的故障形式构成，原因层由引起每种故障发生的原因所构成；
S32：搜集乳化液泵一段时间内的故障维修记录，根据记录找到每种故障形式各50个案例，每个案例都要有其对应的具体原因；
S33：根据每个案例故障形式与原因的对应关系，确定诊断贝叶斯网络结构故障层与原因层之间的连接关系，从而确定贝叶斯网络的结构；
S34：通过结合已经搭建好的贝叶斯网络结构与搜集的案例数据，来确定贝叶斯网络的结构中故障节点与原因节点之间的条件概率以及各个故障发生的先验概率，最终形成了贝叶斯网络的条件概率表。
5.根据权利要求4所述的基于卷积神经网络与贝叶斯网络的机械设备故障诊断方法，其特征在于：所述的步骤S34条件概率表确定的详细步骤为，首先要从一种故障形式搜集的案例中筛选出引起这一故障的原因的相关数据，进行定量分析，确定各种原因的先验概率P先验；其次统计由于各个原因引起故障发生的概率，将其作为故障与原因的条件概率；以此类推，每种故障都按照这样的步骤进行，由此确定诊断贝叶斯网络的条件概率表P条件。
6.根据权利要求5所述的基于卷积神经网络与贝叶斯网络的机械设备故障诊断方法，其特征在于：所述的步骤S5中贝叶斯网络进行条件概率的推理的具体过程为，
S51：计算由于各种原因导致故障发生的概率，计算方法如下式，
式中P原因为引起故障发生原因的概率，P先验为各种原因的先验概率，P条件为诊断贝叶斯网络的条件概率表，P故障为发生故障的概率；将各种原因中P原因中为最大概率值的故障形式作为诊断结论；
S52：根据卷积神经网络诊断出的故障形式作为诊断贝叶斯网络模型的输入，会出现以下三种情况：
1、如果通过检修发现该故障是由该节点对应的原因引起的，并且这个原因位于该故障树中的底层事件，那么表明该原因即为引起故障的原因；
2、如果检修结果表明故障是由该节点对应的原因引起的，且这个原因是故障树的中层事件，则说明其发生是由底层事件引起的，则需要进一步推理；将该节点设置为100%发生，继续深入推理，找出后验概率最大的父节点再次进行检修；
3、如果检修结果表明故障不是由该节点对应的原因引起的，说明此节点代表的原因并未发生，则需要将该节点设置为100%不发生，作为证据输入继续推理，找出后验概率最大的父节点进行检修；对应检修结果，重复以上相关步骤，直至检修出引起故障的原因。
7.根据权利要求6所述的基于卷积神经网络与贝叶斯网络的机械设备故障诊断方法，其特征在于：所述的步骤S1中，乳化液泵的各项参数包括：电动机电流、电动机转矩、电动机转速、乳化液泵系统压力、乳化液流量、乳化液泵振动、乳化液浓度、乳化液温度、乳化液液位、乳化油位、润滑油温度、喷油压力、绕组温度、轴承温度、水箱水位以及声音信号。
8.根据权利要求7所述的基于卷积神经网络与贝叶斯网络的机械设备故障诊断方法，其特征在于：所述的步骤S2中，乳化液泵的故障形式包括：泵无法启动、泵启动后无压力或压力无法调高、压力脉动大流量不足或无流量、曲轴箱温度过高、系统压力调不上且缓慢下降、泵压力突然升高超过卸载阀调定压力、泵运转时噪声大、支架停止供液时卸载阀动作频繁、运行中泵无排液、配比浓度调不高、电动机故障一共11种故障形式。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210014436.0A CN114444582A (zh) | 2022-01-07 | 2022-01-07 | 基于卷积神经网络与贝叶斯网络的机械设备故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210014436.0A CN114444582A (zh) | 2022-01-07 | 2022-01-07 | 基于卷积神经网络与贝叶斯网络的机械设备故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114444582A true CN114444582A (zh) | 2022-05-06 |
Family
ID=81366990
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210014436.0A Pending CN114444582A (zh) | 2022-01-07 | 2022-01-07 | 基于卷积神经网络与贝叶斯网络的机械设备故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114444582A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115093190A (zh) * | 2022-07-29 | 2022-09-23 | 长兴贝斯德邦建材科技有限公司 | 气凝胶无机保温膏料及其智能化生产系统 |
| CN115165363A (zh) * | 2022-06-27 | 2022-10-11 | 西南交通大学 | 一种基于cnn的轻型轴承故障诊断方法及系统 |
| CN115468647A (zh) * | 2022-09-29 | 2022-12-13 | 太原理工大学 | 一种飞行器故障声学线性调频识别方法和系统 |
| CN116030063A (zh) * | 2023-03-30 | 2023-04-28 | 同心智医科技(北京)有限公司 | Mri图像的分类诊断系统、方法、电子设备及介质 |
| CN116028849A (zh) * | 2022-12-30 | 2023-04-28 | 西安重装智慧矿山工程技术有限公司 | 基于深度自编码网络的乳化液泵故障诊断方法 |
| CN118442041A (zh) * | 2024-07-04 | 2024-08-06 | 新疆胜新复合材料有限公司 | 深井举升系统优化控制方法及系统 |
| CN119025873A (zh) * | 2024-10-29 | 2024-11-26 | 合力（天津）能源科技股份有限公司 | 一种电动桥塞智能封堵预警方法及装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190087294A1 (en) * | 2018-05-11 | 2019-03-21 | Beihang University | Method for establishing fault diagnosis technique based on contingent Bayesian networks |
| CN110647830A (zh) * | 2019-09-12 | 2020-01-03 | 华中科技大学 | 基于卷积神经网络和高斯混合模型的轴承故障诊断方法 |
| US20200387785A1 (en) * | 2019-06-05 | 2020-12-10 | Wuhan University | Power equipment fault detecting and positioning method of artificial intelligence inference fusion |
| CN112699927A (zh) * | 2020-12-25 | 2021-04-23 | 北京无线电计量测试研究所 | 一种管线故障诊断方法和系统 |
| CN113033309A (zh) * | 2021-02-25 | 2021-06-25 | 北京化工大学 | 一种基于信号下采样及一维卷积神经网络的故障诊断方法 |
| CN113537328A (zh) * | 2021-07-07 | 2021-10-22 | 大连理工大学人工智能大连研究院 | 一种基于深度学习的旋转机械故障诊断方法和装置 |
-
2022
- 2022-01-07 CN CN202210014436.0A patent/CN114444582A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190087294A1 (en) * | 2018-05-11 | 2019-03-21 | Beihang University | Method for establishing fault diagnosis technique based on contingent Bayesian networks |
| US20200387785A1 (en) * | 2019-06-05 | 2020-12-10 | Wuhan University | Power equipment fault detecting and positioning method of artificial intelligence inference fusion |
| CN110647830A (zh) * | 2019-09-12 | 2020-01-03 | 华中科技大学 | 基于卷积神经网络和高斯混合模型的轴承故障诊断方法 |
| CN112699927A (zh) * | 2020-12-25 | 2021-04-23 | 北京无线电计量测试研究所 | 一种管线故障诊断方法和系统 |
| CN113033309A (zh) * | 2021-02-25 | 2021-06-25 | 北京化工大学 | 一种基于信号下采样及一维卷积神经网络的故障诊断方法 |
| CN113537328A (zh) * | 2021-07-07 | 2021-10-22 | 大连理工大学人工智能大连研究院 | 一种基于深度学习的旋转机械故障诊断方法和装置 |
Non-Patent Citations (1)
| Title |
|---|
| 胡勇健;肖志怀;: "水电机组基于贝叶斯网络的故障树故障诊断分析研究", 中国农村水利水电, no. 08, 15 August 2017 (2017-08-15) * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115165363A (zh) * | 2022-06-27 | 2022-10-11 | 西南交通大学 | 一种基于cnn的轻型轴承故障诊断方法及系统 |
| CN115093190A (zh) * | 2022-07-29 | 2022-09-23 | 长兴贝斯德邦建材科技有限公司 | 气凝胶无机保温膏料及其智能化生产系统 |
| CN115468647A (zh) * | 2022-09-29 | 2022-12-13 | 太原理工大学 | 一种飞行器故障声学线性调频识别方法和系统 |
| CN116028849A (zh) * | 2022-12-30 | 2023-04-28 | 西安重装智慧矿山工程技术有限公司 | 基于深度自编码网络的乳化液泵故障诊断方法 |
| CN116028849B (zh) * | 2022-12-30 | 2024-05-14 | 西安重装智慧矿山工程技术有限公司 | 基于深度自编码网络的乳化液泵故障诊断方法 |
| CN116030063A (zh) * | 2023-03-30 | 2023-04-28 | 同心智医科技(北京)有限公司 | Mri图像的分类诊断系统、方法、电子设备及介质 |
| CN118442041A (zh) * | 2024-07-04 | 2024-08-06 | 新疆胜新复合材料有限公司 | 深井举升系统优化控制方法及系统 |
| CN119025873A (zh) * | 2024-10-29 | 2024-11-26 | 合力（天津）能源科技股份有限公司 | 一种电动桥塞智能封堵预警方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114444582A (zh) | 基于卷积神经网络与贝叶斯网络的机械设备故障诊断方法 | |
| CN109710636B (zh) | 一种基于深度迁移学习的无监督工业系统异常检测方法 | |
| Lei et al. | Mutual information based anomaly detection of monitoring data with attention mechanism and residual learning | |
| CN110633855B (zh) | 一种桥梁健康状态检测与管养决策系统及方法 | |
| US20230023931A1 (en) | Hydraulic turbine cavitation acoustic signal identification method based on big data machine learning | |
| CN112785091B (zh) | 一种对油田电潜泵进行故障预测与健康管理的方法 | |
| CN112528519A (zh) | 发动机质量预警服务的方法、系统、可读介质和电子设备 | |
| CN114297918A (zh) | 基于全注意力深度网络和动态集成学习的航空发动机剩余寿命预测方法 | |
| CN113339204B (zh) | 一种基于混合神经网络的风力发电机故障识别方法 | |
| Son et al. | Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge | |
| Pollastro et al. | Semi-supervised detection of structural damage using variational autoencoder and a one-class support vector machine | |
| Ye et al. | A deep learning-based method for automatic abnormal data detection: Case study for bridge structural health monitoring | |
| 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 | |
| CN114239402A (zh) | 基于优化胶囊网络的核动力循环水泵故障诊断方法及系统 | |
| CN116796647B (zh) | 一种钻井溢流工况智能预测模型的训练、预测方法及井下溢流风险概率预测系统 | |
| CN118228086A (zh) | 一种桥梁变形监测方法、设备及介质 | |
| CN117010263A (zh) | 一种基于卷积神经网络和长短期记忆网络的剩余寿命预测方法 | |
| Tang et al. | Prediction of bearing performance degradation with bottleneck feature based on LSTM network | |
| CN112560252A (zh) | 一种航空发动机剩余寿命预测方法 | |
| Zhang et al. | A flexible monitoring framework via dynamic-multilayer graph convolution network | |
| Liang et al. | Self-organization comprehensive real-time state evaluation model for oil pump unit on the basis of operating condition classification and recognition | |
| Hua et al. | Dynamic Feature-Aware Graph Convolutional Network with Multi-sensor for Remaining Useful Life Prediction of Turbofan Engines | |
| Zhao et al. | A capsnet-based fault diagnosis method for a digital twin of a wind turbine gearbox | |
| Dang et al. | seq2graph: Discovering dynamic non-linear dependencies from multivariate time series | |
| CN114297795A (zh) | 一种基于PR-Trans的机械设备剩余寿命预测方法 |
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 |