[发明专利]基于卷积神经网络与贝叶斯网络的机械设备故障诊断方法

权利要求书

1.一种基于卷积神经网络与贝叶斯网络的机械设备故障诊断方法，其特征在于：包括以下步骤，

S1：通过传感器监测乳化液泵的各项参数；

S2：采集乳化液泵发生各种故障时的各项监测数据，将其进行归一化、标准化预处理，利用预处理后的各项监测数据训练轻量化卷积神经网络模型，得到一个训练好的乳化液泵故障诊断模型；

S3：搭建诊断贝叶斯网络，包括故障层与原因层；

S4：将训练好的轻量化卷积神经网络与诊断贝叶斯网络所构成的乳化液泵故障诊断模型嵌入到云平台；

S5：对乳化液泵运行时的各项数据进行实时监测，并将其输入到轻量化卷积神经网络，若诊断出故障，会发出预警，并将该诊断结果输入到贝叶斯网络中进行条件概率的推理，从而得出各故障原因的概率，实现故障定位。

2.根据权利要求1所述的基于卷积神经网络与贝叶斯网络的机械设备故障诊断方法，其特征在于：所述的步骤S2采取以下方法，

S21：正常状态以及每种故障形式均取100个样本，每个样本都包括了监测参数数据以及对应的标签，每个样本中的监测数据都按照采样频率100Hz进行采集，采集时长为1分钟，最后将所有样本按照6:2:2的比例划分训练集、验证集和测试集；

S22：将划分的训练集输入到搭建的轻量化的卷积神经网络初始模型中进行训练，并用验证集进行验证，之后再将测试集输入到模型中进行测试，验证输出结果是否与实际故障类型相符；在训练的过程中采用的是Adam学习率自适应算法，通过交叉熵损失函数来找到最优的模型，保存最优模型的参数和结构，从而获得了一个训练好的乳化液泵故障诊断模型。

3.根据权利要求2所述的基于卷积神经网络与贝叶斯网络的机械设备故障诊断方法，其特征在于：所述的轻量化卷积神经网络初始模型包括：二维可分离卷积层、二维最大池化层、全局平均池化层和Softmax分类器。

4.根据权利要求3所述的基于卷积神经网络与贝叶斯网络的机械设备故障诊断方法，其特征在于：所述的步骤S3采取以下方法，

S31：所述的故障层由乳化液泵的故障形式构成，原因层由引起每种故障发生的原因所构成；

S32：搜集乳化液泵一段时间内的故障维修记录，根据记录找到每种故障形式各50个案例，每个案例都要有其对应的具体原因；

S33：根据每个案例故障形式与原因的对应关系，确定诊断贝叶斯网络结构故障层与原因层之间的连接关系，从而确定贝叶斯网络的结构；

S34：通过结合已经搭建好的贝叶斯网络结构与搜集的案例数据，来确定贝叶斯网络的结构中故障节点与原因节点之间的条件概率以及各个故障发生的先验概率，最终形成了贝叶斯网络的条件概率表。

5.根据权利要求4所述的基于卷积神经网络与贝叶斯网络的机械设备故障诊断方法，其特征在于：所述的步骤S34条件概率表确定的详细步骤为，首先要从一种故障形式搜集的案例中筛选出引起这一故障的原因的相关数据，进行定量分析，确定各种原因的先验概率P_先验；其次统计由于各个原因引起故障发生的概率，将其作为故障与原因的条件概率；以此类推，每种故障都按照这样的步骤进行，由此确定诊断贝叶斯网络的条件概率表P_条件。