[发明专利]一种设备故障诊断方法

说明书

本发明公开了一种设备故障诊断方法，包括步骤1：故障诊断训练步骤：根据领域知识归纳总结出用于故障识别的基础学习样本；利用输入参数数据的正态分布规律，扩充基础学习样本；根据输入与输出数量，建立神经网络诊断模型，利用已扩充完备的学习样本训练神经网络诊断模型，存储生成故障模式知识库。步骤2：故障诊断运行步骤：故障诊断运行步骤：从实时数据库中获取异常样本信息数据，经滤波降噪处理后，进一步模糊预处理，进入已训练好的神经网络模型中进行计算，输出最终故障诊断结果。解决了现有设备故障诊断中，存在耗时、费力、低效、经济效益不佳的技术问题。

技术领域

本发明涉及故障诊断技术领域，具体涉及一种设备故障诊断方法。

背景技术

近些年来，随着生产的发展和科学的进步，设备结构越来越复杂，自动化程度也越来越高，不同部位之间的作用相互牵扯，耦合性越来越强，设备故障越来越呈现非线性、多样性与不确定性。通过拆卸、解体设备的途径，即费时费力，诊断效果往往不理想，且容易导致设备二次损坏。

通过安装监控传感器装置来实时读取设备重要部位的状态，以观察设备相关参数的运行趋势对照指标阈值的这种方法简单直观可靠性强，目前普及比较广泛。但是这种方法的效率依然受限于设备维护人员的工作经验能力以及精力，经验欠缺的人员对设备突显的复杂未知状况处理较为有心无力。

人工神经网络(Artificial Neural Network，即ANN)，是20世纪80年代以来人工智能领域兴起的研究热点。它从信息处理角度对人脑神经元网络进行抽象，建立某种简单模型，按不同的连接方式组成不同的网络。在工程与学术界也常直接简称为神经网络或类神经网络。

与专家系统相比，基于人工神经网络的故障诊断方法具有鲁棒性好、容错能力强和学习能力强等特点，避免了专家系统故障诊断所面临的知识库构造等难题，不需要推理机的构造。神经网络最大特点是在大样本量的情况下可无限非线性逼近原始数据模型，神经网络故障诊断方法的性能取决于样本是否完备。然而，工业实际中，设备监测系统每天都可采集到大量的数据，但基本都属于设备正常工况下的数据，各种不同故障工况数据极其缺乏，样本缺乏代表性，诊断模型无法实现全面、系统的训练，导致诊断精度差、诊断结果可靠性低等问题。

发明内容

本发明提供了一种设备故障诊断方法，解决了现有设备故障诊断中，存在耗时、费力、低效、经济效益不佳的技术问题。本发明的技术方案是，一种设备故障诊断方法，按照以下步骤实施：

步骤1：故障诊断训练步骤：根据领域知识归纳总结出用于故障识别的基础学习样本；利用输入参数数据的正态分布规律，扩充基础学习样本；根据输入与输出数量，建立神经网络诊断模型，利用已扩充完备的学习样本训练神经网络诊断模型，存储生成故障模式知识库；

步骤2：故障诊断运行步骤：故障诊断运行步骤：从实时数据库中获取异常样本信息数据，经滤波降噪处理后，进一步模糊预处理，进入已训练好的神经网络模型中进行计算，输出最终故障诊断结果；

其中，所述步骤1的具体步骤为：

(1.1)根据领域知识归纳总结出用于故障识别的基础学习样本；

(1.2)按照表1区间与样本数量的正态分布约束关系，随机生成每种故障工况样本数量为N的学习样本数据，扩充基础学习样本，形成完备的学习样本。表中，μ为正常工况下输入样本的均值，σ为正常工况下输入样本的均方差；表征正常工况下各测量参数样本均方差与样本均值的比值，即[]表示对计算结果取整。

表1样本数量与样本区间的关系

(1.3)将影响因素作为神经网络的输入，故障类别作为神经网络的输出，隐含层单元数则根据输入层与输出层的数量利用经验公式与试算进行确定，建立神经网络故障诊断结构模型；