一种工业系统智能故障诊断系统及其方法技术方案

本发明专利技术公开一种工业智能故障诊断系统，包括如下步骤：通过采集传感器数据信号获得到多元时间序列片段；将每组多元时间序列片段通过KNN算法构建相关图数据集；通过软掩码算法对相关图数据集进行过滤分别获得因果估计图和非因果估计图；通过因果解耦算法分别对因果估计图和非因果估计图进行特征提取获得因果相关图和非因果相关图对因果相关图和非因果相关图进行调整获得因果干预图表示；对因果相关图中因果特征进行校验获得第一故障类别，对非因果相关图中非因果特征进行校验获得第二故障类别；对因果干预图中因果干预特征进行校验获得第三故障类别；汇总输出工业系统出现故障种类；本发明专利技术快速、精准的诊断工业故障，保证生产任务完成。保证生产任务完成。保证生产任务完成。

【技术实现步骤摘要】
一种工业系统智能故障诊断系统及其方法

：
[0001]本专利技术属于工业大数据、PHM和机器学习领域，尤其涉及一种工业系统智能故障诊断方法。

技术介绍
：
[0002]故障诊断(Fault Diagnosis,FD)技术一般是指根据工业设备的运行状况，利用一定的技术手段分析并判断是否有故障发生，从而确定故障发生的位置、种类及原因等情况，即故障检测与分类、故障定位与溯源。作为故障诊断领域的重要方向，研究故障检测与分类技术不仅是故障定位与溯源的基础，而且在工业领域具有重要的理论和工程意义，将为现场人员准确检测故障、判断故障类别和快速提出补救措施提供参考信息，从而避免一些因意外故障而导致的灾难性事故。
[0003]故障诊断对于探索监测数据与机器健康状态之间的关系具有重要作用，是机器健康管理(Prognostics and Health Management，PHM)中的重要问题。传统上，这种关系是由工程师丰富的经验和丰富的专业知识所决定的。例如，经验丰富的工程师可以根据异常声音诊断发动机的故障，或者使用先进的信号处理方法分析振动信号来定位轴承故障。然而，在工程场景中，用户希望有一种自动化的方法来缩短维修周期，提高诊断精度。特别是，在人工智能的帮助下，故障诊断过程有望智能化到能够自动检测和识别机器的健康状态。
[0004]智能故障诊断(Intelligent Fault Diagnosis,IFD)是指将人工神经网络(Artificial Neural Networks,ANN)、支持向量机(Support Vector Machine,SVM)、深度神经网络(Deep Neural Networks,DNN)等机器学习理论应用于机器故障诊断，有望实现上述目的。这种方法不是利用工程师的经验和知识，而是利用机器学习理论，从收集的数据中自适应地学习机器的诊断知识。IFD旨在构建端到端的故障诊断模型，能够自动从收集到的数据判断机器的健康状态。
[0005]此外，现有技术中基于传统机器学习的方法，如ANN、SVM、KNN等传统机器学习理论方法的出现，促进了IFD的出现，包括基于专家系统的方法[1]，基于人工神经网络的方法[2]，基于支持向量机的方法[3]和其他智能方法[4]。在这些方法中，从采集的数据中人工提取故障特征。在此基础上，选取敏感特征训练能自动识别机器健康状态的诊断模型。在传统机器学习的帮助下，诊断模型开始建立所选特征与机器健康状态之间的关系，从而削弱了人类在机器故障诊断中的贡献，将其推向了人工智能时代。虽然基于传统机器学习的IFD能够识别机器的健康状态，而不是人类的故障检测，但人工特征提取仍然主要依赖于人类的劳动。此外，传统的机器学习理论由于泛化性能较低而无法适用于日益增长的数据，从而降低了诊断的准确性。深度学习是机器学习领域的一个新兴方向，自2006年Hinton使用贪婪分层预训练策略训练深度信念网络[5](Deep Belief Network，DBN)以来，受到广泛关注。此外，卷积神经网络(Convolutional Neural Network，CNN)也取得了一系列突破，如AlexNet[6]、ResNet[7]等。这些理论进一步激发了IFD的发展，并催生了一系列基于深度学习的故障诊断方法，如基于DBN的方法、基于CNN的方法和基于ResNet的方法。
[0006]在这些方法中，深度学习有助于从采集的数据中自动学习故障特征，而不是在过去的IFD中人工提取特征。他们试图在处理日益增长的数据时提供端到端的诊断模型。这些模型将直接将原始监测数据与相应的机器健康状态联系起来，从而进一步释放IFD中的人力。
[0007]随着工业4.0时代智能制造的到来，现代工业生产过程(如航空航天、设备制造等)正朝着智能、集成化发展。为了降低维护成本，保证工业系统的安全运行，一个有效、可靠的健康监测系统变得越来越重要。工业过程的故障诊断是一个使用多变量时间序列信号的分类问题。由于各部件之间相互作用复杂，联系紧密，一旦某一位置出现故障，多个部件的读数就会出现异常，影响整个过程的运行[13]。此外，不同的故障会导致不同元件的读数异常，元件之间的关系很难发现。为了进行故障诊断，需要挖掘多分量之间的相互作用，学习时间序列信号中的隐藏信息。
[0008]现有的IFD方法大多强调工业系统中多个独立组件的信号，而忽略了不同组件之间的相互作用。通常，组件之间存在复杂的交互。例如，如果系统的某一部分发生故障，与之相关的多个组件将产生异常信号。通过融合多部件的数据，可以更好地实现故障诊断。为了挖掘组件之间复杂的相互作用，拓扑结构的图数据可以完成这一任务。因此，使用结构属性图来描述工业过程数据，其中每个组件对应一个节点，并且可以根据组件信号的相似性来学习节点之间的边。不同故障模式下的分量信号不同，学习到的边也不同，从而得到不同的拓扑图结构。通过学习这样的图结构，可以挖掘隐藏的故障信息，从而识别故障类型[14]，将任务转化为图识别问题。
[0009]为了区分不同故障模式的拓扑图结构，获得一种能够表示部件的信号信息和部件之间相互作用的图构造方法是非常重要的。组件之间的相互作用可以通过从组件之间的相似关系构建图来探索，并且可以使用K近邻图[15]方法来获得连接组件的边。还需要一种图分类算法，既能学习面向故障信息的图表示，又能保持图的专一性，从而区分不同故障的拓扑图。应用于各个领域的图形神经网络[16]算法已经显示出出色的图形分类性能，并可用于学习面向错误的图形表示，这是一种融合信息的有效方式通过信息传递机制，从多个组件中获取信息。然而，由于图的结构复杂，信息量大，借助GNN强大的表示学习能力，找到输入图的关键部分并过滤掉不相关的部分是非常重要的[17]。例如，在多个成分中找到正常信号和异常信号是非常重要的。异常信号属于关键部分，根据关键部分将不同的子图划分为相应的故障类型。目前广泛使用的注意[18]和池化[19]学习方法采用的是“学习相关”的规律，挖掘了被关注图和真实标签之间隐藏的相互信息，导致利用捷径特征进行决策。这些捷径特征大多是由样本选择的偶然性或学习到的环境噪声特征引起的，它们是非因果性的，因此也被称为非因果特征。
[0010]然而，由于设备工况、运行环境等因素会影响机械设备运行时产生的数据存在差异，导致学习到的非因果特征只能在训练集上表现出良好的性能，泛化能力较差，这阻碍了它们在工业系统中的实际应用。因此，需要避免学习非因果特征，找到影响故障诊断的本质特征，也就是因果特征。提出了一种基于因果注意的图神经网络策略。该策略促进了被关注图对输入的因果特征的学习，缓解了非因果特征的干扰，从而使其对预测标签的因果影响最大化，解决了上述问题。具体来说，首先在输入图中加入一个注意力模块，生成因果和捷径特征的估计值。然后，根据因果关系[20]对后门调整公式进行参数化，将因果估计与非因
果估计结合起来，进行稳定的预测。
[0011]综上，本方案针对工业过程故障诊断任务，解决工业系统因果关系挖掘以及故障识别问题。主要关键技术问题总本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种工业智能故障诊断系统，其特征在于，所述故障诊断系统包括数据预处理模块图神经网络、注意力模块、图卷积模块、第一分类器、第二分类器、后门调整模块、第三分类器和故障识别模块；所述数据预处理模块通过采集工业系统传感器数据信号进行归一化、分割处理获得到多元时间序列片段；所述图神经网络将每组多元时间序列片段通过KNN算法构建相关图数据集G＝{A，X}；其中：A记录了图的详细结构信息，X是用来描述节点特征的矩阵所述注意力模块通过软掩码算法对相关图数据集进行过滤分别获得因果估计图和非因果估计图；所述图卷积模块通过因果解耦算法分别对因果估计图和非因果估计图进行特征提取获得因果相关图和非因果相关图即：即：式中：是因果相关图G
c
的类别表示；是非因果相关图G
t
的类别表示；GConv
c
是因果相关图的特征表示，GComv
t
是获得非因果相关图的特征表示；后门调整模块通过如下公式对因果相关图和非因果相关图进行调整获得因果干预图表示：式中：h
Gc
是因果相关图G
c
的表示；是式非因果相关图G
t
′
的分层表示；所述第一分类器通过如下公式对因果相关图中因果特征进行校验获得第一故障类别，即：式中：是训练数据的交叉熵损失，是G的真实标签；所述第二分类器通过如下公式对非因果相关图中非因果特征进行校验获得第二故障类别：式中：KL为Kullback
‑
Leibler散度，用来度量两个概率分布相似度，y
unif
为均匀分布；所述第三分类器通过如下公式对因果干预图中因果干预特征进行校验获得第三故障类别：式中：τ
′
是非因相关图的估计集，它从训练数据中收集出现的非因果特征；所述故障识别模块通过如下公式第一故障类别、第二故障类别和第三故障类别进行汇总输出工业系统出现故障种类：
式中：λ1和λ2是控制解耦和因果干预程度的常数，是可调的超参数。2.根据权利要求1所述一种工业智能故障诊断系统，其特征在于，所述注意力模块通过软掩码算法对相关图数据集进行过滤分别获得因果估计图和非因果估计图过程，包括如下步骤：将G＝{A，X}表示工业传感器相关图数据集作为输入图；通过多层感知机MLP
node
(
·
)和MLP
edge
(
·
)从节点和边两个角度分别对相关图数据集进行估算；对于节点v
i
和edge(v
i
，v<...

【专利技术属性】
技术研发人员：刘若楠，张全虎，王昊，
申请(专利权)人：天津大学，
类型：发明
国别省市：