[发明专利]一种复杂机电设备的故障辨识与溯源方法

说明书

本发明提供了一种复杂机电设备的故障辨识与溯源方法，包括以下步骤：S1，通过多维传感器获取机电设备的状态监测信息；S2，将机电设备的状态监测信息带入图卷积神经网络获得诊断证据信息；S3，融合各种诊断证据信息，基于证据推理原则进行故障辨识；S4，根据故障辨识结果，通过故障传播模型进行故障溯源，获得故障根本原因定位。本发明弥补了原有数据处理水平和智能化水平不足等问题。

技术领域

本发明属于复杂系统故障技术领域，具体涉及一种复杂机电设备的故障辨识与溯源方法。

背景技术

机电系统通常是由有限的、完成特定功能的设备部件按照一定的方式和要素聚合而成，决定了复杂系统故障传播和诊断的复杂性，主要表现为故障原因与故障征兆之间错综联系。而且由于工作状况复杂、状态变化剧烈、高温高湿霉菌盐雾海洋环境、多物理场耦合、器部件尽限应用、故障模式多、多种设备组合工作等因素，对于故障尤其是复合或隐藏的故障难以诊断定位和溯源。传统稳态分析方法或单纯物理建模方法只能解决单一模式下的单个故障，缺乏通用和专用系统/设备故障建模的手段，从系统的角度进行故障传播溯源。

发明内容

本发明的目的就是为了解决上述背景技术存在的不足，提供一种复杂机电设备的故障辨识与溯源方法，弥补原有数据处理水平和智能化水平不足等问题。

本发明采用的技术方案是：一种复杂机电设备的故障辨识与溯源方法，其特征在于：包括以下步骤：

S1，通过多维传感器获取机电设备的状态监测信息；

S2，将机电设备的状态监测信息带入图卷积神经网络和长短时神经网络获得诊断证据信息；

S3，融合各种诊断证据信息，基于证据推理原则进行故障辨识；

S4，根据故障辨识结果，通过故障传播模型和证据网络进行故障溯源，获得故障根本原因定位。

上述技术方案中，所述多维传感器用于对机电设备的可见光几何现象、瞬时电气现象、持续热学现象的信息感知。

上述技术方案中，步骤S2中的图卷积神经网络和长短时神经网络的构建方法包括以下步骤：

a，利用机电设备的历史状态监测信息构建具备图样本结构表征的故障特征图；

b，根据故障特征图构建图卷积神经网络和长短时神经网络。

上述技术方案中，所述步骤a具体包括以下步骤：从机电设备的历史状态监测信息中提取故障特征，并进行特征样本增强；根据故障特征，选择具有时空关系和逻辑关系的事件和健康数据信息，利用信息的时空和逻辑关系构建故障特征图；所述故障特征图包括空间域特征图、关系域特征图和时间域特征图；其中，空间域特征图和关系域特征图具有相同的拓扑结构，用于构建统图卷积神经网络，作为其学习输入；时间域特征图用于构建长短时神经网络，作为其学习输入。

上述技术方案中，所述步骤b具体包括以下步骤：通过节点属性与边权重的一致性量化方法，将故障特征图预处理为纯节点连接图；通过空间卷积算法从纯节点连接图中提取含有结构化信息的节点特征向量；基于图注意力机制实现节点特征向量到图样本特征向量的转化，并设计与其匹配的分类层，生成图卷积神经网络。

上述技术方案中，空间域故障特征图构建方法包括以下步骤：基于机电设备的关键部位的节点与其他节点之间的相对影响关系获取节点间连接边的权重值，构成空间域故障特征图。

上述技术方案中，关系域故障特征图构建方法包括以下步骤：通过定性趋势分析方法提取机电设备各个节点的变量样本序列的定性变化趋势特征，将其作为节点属性值；并根据各节点之间的定性变化趋势特征相似性度量结果确定及节点间连接边及其权重值，用其反映各节点的变量样本序列之间的关联关系，构成关系域故障特征图。