一种工业设备故障诊断系统技术方案

本发明专利技术提供了一种工业设备故障诊断系统，属于故障分析技术领域，本发明专利技术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，首先通过聚类模块对设备的实时运行参数进行分类，将实时运行参数划分为不同的特征数据组；然后通过yolov5网络模型对不同的特征数据组及参数数据库进行增加对比处理，进而提取到有用的目标运行特征，然后通过贝叶斯风险决策模型开展深度学习，从目标运行特征数据中识别设备故障的时序参数特征，实现故障的诊断，通过对原始采集的设备的实时运行参数进行处理后，在进一步进行故障诊断，筛除了一些干扰信息，使得诊断结构更加准确。诊断结构更加准确。诊断结构更加准确。

【技术实现步骤摘要】
一种工业设备故障诊断系统


[0001]本专利技术属于故障分析
，具体涉及一种工业设备故障诊断系统。

技术介绍

[0002]工业设备是工业生产必不可少的支撑主体，由于高强度的运转，工业设备经常会由于各种原因而出现不同的故障。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，在发生故障时，一般要停机进行故障检查及设备维修，而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。
[0003]因此，故障诊断是工业生产中相当重要的一环。在现有技术中通常采用故障诊断的方法来提前对设备可能出现的一些隐患进行诊断排查。现有方法通常采用对采集的工业设备相关的数据进行及时的分析，来判断可能出现的故障隐患，进而在很大程度地减小了设备故障带来的损失，也减小了设备维护的成本。
[0004]现有的故障诊断主要采用基于解析模型及机器学习的方法，通过将采集到的工业设备相关的数据输入诊断模型，进而得到故障的诊断结果。由于采集到的工业设备相关的数据类型较多，实时性也有所不同，直接将其用做数据源来对故障进行判断会导致判断结果存在一定的误差，进而影响故障排查和设备维护的精确度。

技术实现思路

[0005]为了解决上述问题，本专利技术提供了一种工业设备故障诊断系统。
[0006]为了实现上述目的，本专利技术提供如下技术方案：
[0007]一种工业设备故障诊断系统，包括以下步骤：/>[0008]数据采集模块，用于通过多个数据采集通道采集待监测设备的实时运行参数；
[0009]聚类模块，用于对设备的实时运行参数进行分类，将实时运行参数划分为不同的特征数据组；
[0010]特征提取模块，用于将不同的特征数据组及参数数据库中的数据输入yolov5网络模型，提取目标运行特征数据；
[0011]故障识别模块，用于将目标运行特征数据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。
[0012]优选地，还包括预处理模型，所述预处理模块用于在通过所述聚类模块对设备的实时运行参数进行分类之前，对所述设备实时运行参数进行数据清洗、格式转化。
[0013]优选地，所述聚类模块采用K
‑
means聚类算法对设备的实时运行参数进行分类。
[0014]优选地，所述特征提取模块具体包括：
[0015]特征增强模块，用于通过CA注意力机制增强不同的特征数据组中的有用特征；
[0016]特征提取模块，用于通过特征提取网络CSPDarknet53对有用特征及参数数据库中
的数据进行比对，提取目标运行特征数据。
[0017]优选地，所述将目标运行特征数据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，具体为：
[0018]定义设备运行参数的观测向量为x，故障类型为ω
i
，共有c类设备故障，则贝叶斯分类器为：
[0019][0020]式中，P(ω
i
|x)为设备观测向量为x时发生i类故障的条件概率；P(ω
i
)为故障数据库中已记录的发生i类故障的频率，P(x|ω
i
)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(ω
j
)为故障数据库中已记录的发生j类故障的频率，P(x|ω
j
)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；
[0021]将观测向量x分到故障类别ω
i
的条件风险为决策α
i
的加权平均损失：
[0022][0023]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(ω
i
)、P(x|ω
i
)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λ
ij
根据各类故障的运维成本α
i
和发生故障的损失b
ij
计算：α
i
是故障本身的维护成本，b
ij
是将j类故障误认为i类故障的代价；
[0024]λ
ij
＝a
i
+b
ij
,i＝1,2,
…
,c
[0025]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：
[0026][0027]即，选择使得条件风险R(α
i
|x)最小的决策α
i
作为故障预测结果。
[0028]优选地，还包括故障原因查找模块，用于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。
[0029]优选地，所述biLSTM
‑
PCNN混合神经网络模型包括PCNN模型和biLSTM模型；
[0030]所述PCNN模型用于接收设备实时运行参数及其对应的不同设备故障类别，并提取设备在各个时刻的数据特征序列；
[0031]所述biLSTM模型用于接收设备在各个时刻的数据特征序列，并提取设备参数序列的变化特征。
[0032]优选地，所述数据采集模块包括多个设置在不同监测位置的传感器。
[0033]优选地，还包括数据存储模块，用于将采集的设备的实时运行参数存入参数数据库，将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数据存入故障信息库。
[0034]本专利技术提供的工业设备故障诊断系统具有以下有益效果：
[0035]本专利技术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，首先通过聚类
模块对设备的实时运行参数进行分类，将实时运行参数划分为不同的特征数据组；然后通过yolov5网络模型对不同的特征数据组及参数数据库进行增加对比处理，进而提取到有用的目标运行特征，然后通过贝叶斯风险决策模型开展深度学习，从目标运行特征数据中识别设备故障的时序参数特征，实现故障的诊断，通过对原始采集的设备的实时运行参数进行处理后，在进一步进行故障诊断，筛除了一些干扰信息，使得诊断结构更加准确。
附图说明
[0036]为了更清楚地说明本专利技术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专利技术的部分实施例，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。
[0037]图1为本专利技术实施例1的工业设备故障诊断系统的框架图；
[0038]图2为混合神经网络模型本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种工业设备故障诊断系统，其特征在于，包括：数据采集模块，用于通过多个数据采集通道采集待监测设备的实时运行参数；聚类模块，用于对设备的实时运行参数进行分类，将实时运行参数划分为不同的特征数据组；特征提取模块，用于将不同的特征数据组及参数数据库中的数据输入yolov5网络模型，提取目标运行特征数据；故障识别模块，用于将目标运行特征数据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。2.根据权利要求1所述的工业设备故障诊断系统，其特征在于，还包括预处理模型，所述预处理模块用于在通过所述聚类模块对设备的实时运行参数进行分类之前，对所述设备实时运行参数进行数据清洗、格式转化。3.根据权利要求1所述的工业设备故障诊断系统，其特征在于，所述聚类模块采用K
‑
means聚类算法对设备的实时运行参数进行分类。4.根据权利要求3所述的工业设备故障诊断系统，其特征在于，所述特征提取模块具体包括：特征增强模块，用于通过CA注意力机制增强不同的特征数据组中的有用特征；特征提取模块，用于通过特征提取网络CSPDarknet53对有用特征及参数数据库中的数据进行比对，提取目标运行特征数据。5.根据权利要求4所述的工业设备故障诊断系统，其特征在于，所述将目标运行特征数据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，具体为：定义设备运行参数的观测向量为x，故障类型为ω
i
，共有c类设备故障，则贝叶斯分类器为：式中，P(ω
i
|x)为设备观测向量为x时发生i类故障的条件概率；P(ω
i
)为故障数据库中已记录的发生i类故障的频率，P(x|ω
i
)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(ω
j
)为故障数据库中已记录的发生j类故障的频率，P(x|ω
j
)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ω

【专利技术属性】
技术研发人员：杨庆虎，肖凤春，陈笑蓉，
申请(专利权)人：贵州城市职业学院，
类型：发明
国别省市：