故障预测方法、故障预测装置、存储介质及电子设备制造方法及图纸

本公开是关于一种故障预测方法、故障预测装置、存储介质及电子设备。该故障预测方法包括获取待监测设备运行时产生的振动监测数据；基于故障规则库中包含的故障征兆与故障类型间的对应关系，建立振动监测数据的故障标签；基于振动监测数据及振动监测数据的故障标签，对深度学习模型进行模型训练，得到深度学习模型的学习结果；学习结果表征待监测设备运行时的当前运行状态下存在的故障类型；基于学习结果，优化机理专家系统中构成故障类型的故障征兆的征兆权重；基于优化后的机理专家系统和模型训练后的深度学习模型预测待监测设备运行时存在的故障状态，提高预测质量。提高预测质量。提高预测质量。

【技术实现步骤摘要】
故障预测方法、故障预测装置、存储介质及电子设备


[0001]本公开涉及故障诊断
，尤其涉及一种故障预测方法、故障预测装置、存储介质及电子设备。

技术介绍

[0002]旋转机械是工业生产中的重要设备，其安全运行时工业生产安全稳定进行的前提。对旋转机械进行故障诊断可以及时发现设备故障，对保障其可靠运行至关重要。然而目前的设备监测管理系统只能做到设备的异常检测和阈值报警，无法准确判断故障类型。

技术实现思路

[0003]有鉴于此，本公开实施例期望提供一种故障预测方法、故障预测装置、存储介质及电子设备。
[0004]本公开的技术方案是这样实现的：
[0005]第一方面，本公开提供一种故障预测方法。
[0006]本公开实施例提供的故障预测方法，包括：
[0007]获取待监测设备运行时产生的振动监测数据；
[0008]基于故障规则库中包含的故障征兆与故障类型间的对应关系，建立所述振动监测数据的故障标签；其中，所述振动监测数据表征所述待监测设备运行时的当前运行状态；
[0009]基于所述振动监测数据及所述振动监测数据的故障标签，对所述深度学习模型进行模型训练，得到所述深度学习模型的学习结果；所述学习结果表征所述待监测设备运行时的当前运行状态下存在的故障类型；
[0010]基于所述学习结果，优化机理专家系统中构成所述故障类型的所述故障征兆的征兆权重；
[0011]基于优化后的所述机理专家系统和模型训练后的所述深度学习模型预测所述待监测设备运行时存在的故障状态。
[0012]在一些实施例中，所述基于故障规则库中包含的故障征兆与故障类型间的对应关系，建立所述振动监测数据的故障标签，包括：
[0013]对所述振动监测数据进行信号分析，结合设定的故障征兆阈值，确定每种故障征兆的发生情况；
[0014]基于所述故障类型对应的所有故障征兆的征兆权重分配，得到所述故障类型的触发概率；
[0015]基于所述故障类型的触发概率与所述故障类型的触发阈值进行比较，确定所述振动监测数据的故障标签。
[0016]在一些实施例中，所述基于所述故障类型的触发概率与所述故障类型的触发阈值进行比较，确定所述振动监测数据的故障标签，包括：
[0017]若所述故障类型的触发概率大于或等于所述故障类型的触发阈值，则确定所述振
动监测数据的故障标签为发生所述故障类型对应的故障；
[0018]若所述故障类型的触发概率小于所述故障类型的触发阈值，则确定所述振动监测数据的故障标签为所述故障类型对应的故障未发生。
[0019]在一些实施例中，所述基于所述振动监测数据及所述振动监测数据的故障标签，对所述深度学习模型进行模型训练，得到所述深度学习模型的学习结果，包括：
[0020]将所述振动监测数据分为训练集和测试集；
[0021]以所述训练集为输入，所述训练集的故障标签为输出，训练深度学习模型；
[0022]输入所述测试集至训练的所述深度学习模型，得到所述学习结果；
[0023]所述基于所述学习结果，优化机理专家系统中构成所述故障类型的所述故障征兆的征兆权重，包括：
[0024]采用启发式算法随机搜索的方式进行权重搜索，调整所述故障类型中各故障征兆的征兆权重，使得所述测试集的故障标签和深度学习模型的所述学习结果一致。
[0025]在一些实施例中，所述采用启发式算法随机搜索的方式进行权重搜索，调整所述故障类型中各故障征兆的征兆权重，使得所述测试集的故障标签和深度学习模型的所述学习结果一致，包括：
[0026]初始化搜索起点为当前故障类型的所有征兆权重q0；
[0027]由启发式算法进行第i轮权重搜索，获得多组新的征兆权重
[0028]依次应用每组征兆权重对测试集数据进行规则推理，以深度学习模型输出为标准，计算获得第i轮搜索第j组征兆权重的推理结果评价准，计算获得第i轮搜索第j组征兆权重的推理结果评价
[0029]其中，K为测试集样本总数，和分别为规则推理的测试集的故障标签和深度学习模型的输出结果；
[0030]基于第i轮权重搜索的R值最大的征兆权重作为第i+1轮权重搜索的搜索起点进行第i+1轮权重搜索，直至达到最大搜索次数或者R值不再增加。
[0031]在一些实施例中，所述对所述振动监测数据进行信号分析，结合设定的故障征兆阈值，确定每种故障征兆的发生情况，包括：
[0032]获取所述待监测设备运行时产生的故障维修记录；
[0033]基于对与所述故障维修记录对应的监测数据进行信号分析，确定所述故障类型下故障征兆发生时的故障征兆阈值；
[0034]对所述振动监测数据进行信号分析，得到故障征兆对应的振动监测数据；
[0035]若故障征兆对应的振动监测数据超过所述故障征兆阈值，则确定所述待监测设备运行时产生所述故障类型下的所述故障征兆。
[0036]在一些实施例中，所述基于所述故障类型对应的所有故障征兆的征兆权重分配，得到所述故障类型的触发概率，包括：
[0037]确定所述故障类型下每个故障征兆对应的征兆权重；
[0038]基于所述故障类型下各故障征兆的发生情况与各所述故障征兆分别对应的所述征兆权重，进行乘积累加，得到所述故障类型的触发概率。
[0039]第二方面，本公开提供一种故障预测装置，包括：
[0040]数据获取模块，用于获取待监测设备运行时产生的振动监测数据；
[0041]故障标签建立模块，用于基于故障规则库中包含的故障征兆与故障类型间的对应关系，建立所述振动监测数据的故障标签；其中，所述振动监测数据表征所述待监测设备运行时的当前运行状态；
[0042]模型训练模块，用于基于所述振动监测数据及所述振动监测数据的故障标签，对所述深度学习模型进行模型训练，得到所述深度学习模型的学习结果；所述学习结果表征所述待监测设备运行时的当前运行状态下存在的故障类型；
[0043]机理专家系统优化模块，用于基于所述学习结果，优化机理专家系统中构成所述故障类型的所述故障征兆的征兆权重；
[0044]故障预测模块，用于基于优化后的所述机理专家系统和模型训练后的所述深度学习模型预测所述待监测设备运行时存在的故障状态。
[0045]在一些实施例中，所述故障标签建立模块，用于
[0046]对所述振动监测数据进行信号分析，结合设定的故障征兆阈值，确定每种故障征兆的发生情况；
[0047]基于所述故障类型对应的所有故障征兆的征兆权重分配，得到所述故障类型的触发概率；
[0048]基于所述故障类型的触发概率与所述故障类型的触发阈值进行比较，确定所述振动监测数据的故障标签。
[0049]在一些实施例中，所述故障标签建立模块，用于
[0050]若所述故障类型的触发概率大于或等于所述故障类型的触发阈值，则确定所述振动监测数据的故障标签为发生所述故障类型对应本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种故障预测方法，其特征在于，包括：获取待监测设备运行时产生的振动监测数据；基于故障规则库中包含的故障征兆与故障类型间的对应关系，建立所述振动监测数据的故障标签；其中，所述振动监测数据表征所述待监测设备运行时的当前运行状态；基于所述振动监测数据及所述振动监测数据的故障标签，对深度学习模型进行模型训练，得到所述深度学习模型的学习结果；所述学习结果表征所述待监测设备运行时的当前运行状态下存在的故障类型；基于所述学习结果，优化机理专家系统中构成所述故障类型的所述故障征兆的征兆权重；基于优化后的所述机理专家系统和模型训练后的所述深度学习模型预测所述待监测设备运行时存在的故障状态。2.根据权利要求1所述的故障预测方法，其特征在于，所述基于故障规则库中包含的故障征兆与故障类型间的对应关系，建立所述振动监测数据的故障标签，包括：对所述振动监测数据进行信号分析，结合设定的故障征兆阈值，确定每种故障征兆的发生情况；基于所述故障类型对应的所有故障征兆的征兆权重分配，得到所述故障类型的触发概率；基于所述故障类型的触发概率与所述故障类型的触发阈值进行比较，确定所述振动监测数据的故障标签。3.根据权利要求2所述的故障预测方法，其特征在于，所述基于所述故障类型的触发概率与所述故障类型的触发阈值进行比较，确定所述振动监测数据的故障标签，包括：若所述故障类型的触发概率大于或等于所述故障类型的触发阈值，则确定所述振动监测数据的故障标签为发生所述故障类型对应的故障；若所述故障类型的触发概率小于所述故障类型的触发阈值，则确定所述振动监测数据的故障标签为所述故障类型对应的故障未发生。4.根据权利要求1所述的故障预测方法，其特征在于，所述基于所述振动监测数据及所述振动监测数据的故障标签，对所述深度学习模型进行模型训练，得到所述深度学习模型的学习结果，包括：将所述振动监测数据分为训练集和测试集；以所述训练集为输入，所述训练集的故障标签为输出，训练深度学习模型；输入所述测试集至训练的所述深度学习模型，得到所述学习结果；所述基于所述学习结果，优化机理专家系统中构成所述故障类型的所述故障征兆的征兆权重，包括：采用启发式算法随机搜索的方式进行权重搜索，调整所述故障类型中各故障征兆的征兆权重，使得所述测试集的故障标签和深度学习模型的所述学习结果一致。5.根据权利要求4所述的故障预测方法，其特征在于，所述采用启发式算法随机搜索的方式进行权重搜索，调整所述故障类型中各故障征兆的征兆权重，使得所述测试集的故障标签和深度学习模型的所述学习结果一致，包括：初始化搜索起点为当前故障类型的所有征兆权重q0；
由启发式算法进行第i轮权重搜索，获得多组新的征兆权重依次应用每组征兆权重对测试集数据进行规则推理，以深度学习模型输出为标准，计算获得第i轮搜索第j组征兆权重的推理结果评价算获得第i轮搜索第j组征兆权重的推理结果评价其中，K为测试集样本总数，和分别为规则推理的测试集的故障标签和深度学习模型的输出结果；基于第i轮权重搜索的R值最大的征兆权重作为第i+1轮权重搜索的搜索起点进行第i+1轮权重搜索，直至达到最大搜索次数或者R值不再增加。6.根据权利要求2所述的故障预测方法，其特征在于，所述对所述振动监测数据进行信号分析，结合设定的故障征兆阈值，确定每种故障征兆的发生情况，包括：获取所述待监测设备运行时产生的故障维修记录；基于对与所述故障维修记录对应的监测数据进行信号分析，确定所述故障类型下故障征兆发生时的故障征兆阈值；对所述振动监测数据进行信号分析，得到故障征兆对应的振动监测数据；若故障征兆对应的振动监测数据超过所述故障征兆阈值，则确定所述待监测设备运行时产生所述故障类型下的所述故障征兆。7.根据权利要求2所述的故障预测方法，其特征在于，所述基于所述故障类型对应的所有故障征兆的征兆权重分配，得到所述故障类型的触发概率，包括：确定所述故障类型下每个故障征兆对应的征兆权重；基于所述故障类型下各故障征兆的发生情况与各所述故障征兆分别对应的所述征兆权重，进行乘积累加，得到所述故...

【专利技术属性】
技术研发人员：郭盛，
申请(专利权)人：新奥新智科技有限公司，
类型：发明
国别省市：