[发明专利]一种工业设备的故障诊断方法

权利要求书

1.一种工业设备的故障诊断方法，其特征在于，包括：

采集样本，所述样本包括正常样本和故障样本；

构建参数评估模型，并采用正常样本对参数评估模型进行训练；

采用训练后的参数评估模型对待诊断设备的监测参数进行评估，得到监测参数评估值；

根据监测参数评估值以及对应的监测参数，对故障样本进行更新；

构建故障识别模型，并采用故障样本对故障识别模型进行训练；

获取待诊断设备的实时监测参数，并通过训练后的故障识别模型对实时监测参数进行识别，得到故障诊断结果。

2.根据权利要求1所述的工业设备的故障诊断方法，其特征在于，所述正常样本为：

D_P＝{(X_t-k,Y_t)|t∈{k,k+1,...,m},k0}

其中，D_P表示正常样本集合，正常样本的输入X_t-k表示监测起始时刻到t-k时刻工业设备的监测参数值，k表示预测时间间隔，m为正整数，mk，正常样本的输出Y_t表示t时刻工业设备的监测参数值；当k＝1时，正常样本的输入X_t-k和输出Y_t分别表示工业设备在监测起始时刻到前一时刻的监测参数值矩阵和当前时刻的监测参数值。

3.根据权利要求2所述的工业设备的故障诊断方法，其特征在于，所述故障样本为：

D_E＝{(X_t,Y_t),t∈{0,1,...,m}}

其中，D_E表示故障样本集合，X_t表示t时刻工业设备的监测参数值，Y_t表示t时刻工业设备的故障标签one-hot向量。

4.根据权利要求1所述的工业设备的故障诊断方法，其特征在于，所述参数识别模型包括依次连接的输入层、若干卷积神经网络层、扁平层、LSTM层、全连接层以及输出层；所述卷积神经网络层包括依次连接的第一卷积层、第一池化层、第二卷积层以及第二池化层；所述全连接层采用Relu函数作为激活函数。

5.根据权利要求1所述的工业设备的故障诊断方法，其特征在于，所述根据监测参数评估值以及对应的监测参数，对故障样本进行更新，包括：

根据监测参数评估值，获取待诊断设备的监测参数值与监测参数评估值之间的差异值σ为：

σ＝f(Y,Y')

其中，f(Y,Y')表示差异值计算函数，Y表示待诊断设备的监测参数值，Y'表示监测参数评估值，所述监测参数值和监测参数评估值均为连续时间点上的序列，|*|表示取绝对值；

根据差异值σ，获取待诊断设备的稳定度H为：

其中，e表示自然常数，W表示监测参数的权重系数，监测参数包括n个子监测参数，W＝[w₁ w₂…w_n]，w₁ w₂…w_n分别表示n个子监测参数的权重系数；

根据稳定度H，获取工业设备出现故障时对应的监测参数，并将对应的监测参数添加至故障样本集合，完成故障样本的更新。

6.根据权利要求5所述的工业设备的故障诊断方法，其特征在于，所述根据稳定度H，获取待诊断设备出现故障时对应的监测参数，包括：

获取正常样本的样本均值和标准差；

将样本均值与三倍标准差进行求和，得到和值，并将和值作为控制上限；

将样本均值与三倍标准差进行求差，得到差值，并将差值作为控制下限；

获取控制上限与控制下限的平均值，并将平均值作为中心线；

根据控制上限、控制下限和中心线，构建故障判断条件；

获取待诊断设备在连续时间点上的稳定度，并根据连续时间点上的稳定度和故障判断条件，获取待诊断设备出现故障时对应的监测参数。