[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

说明书

本发明涉及故障诊断技术领域，具体为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。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，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，并将其输入到云平台，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。

技术领域

本发明涉及故障诊断技术领域，具体为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。

背景技术

煤炭是我国重要的基础能源，根据中国工程院相关报告预测：到2030年，煤炭在我国能源结构中所占比例为50％；直至2050年，仍将以40％的占比高居榜首。 煤矿安全高效生产是确保我国经济发展和社会稳定的重要基础之一。目前，煤炭依然是我国主体能源，煤矿井下环境复杂恶劣，使煤矿设备故障频发，对采煤安全造成严重威胁，对煤矿经济收入造成严重损失。

在煤矿综采工作面的日常生产过程中，各种机械设备起到了关键的作用，但由于井下工况复杂，环境恶劣，所以设备的日常维护耗时耗力，且对一线设备工作人员有很高技术要求。当发生故障时，无法做到快速准确故障诊断，难以故障定位，极大延长了维修时间，导致长时间停机，加剧煤矿经济损失。目前对于机械设备故障诊断方法的研究还比较少，大多通过PLC等对机械设备参数在线监测，无法做到准确地预防、诊断。机械设备大多故障机理复杂，包括故障现象多样、故障耦合、产生原因不一、故障定位难等，传统的故障诊断方法无法胜任机械设备故障诊断任务。

因此，提出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，通过对机械设备的运行数据在线监测诊断，对机械设备的运行状态分析判断，为机械设备的日常维护提供参考，在故障发生时，能够利用诊断贝叶斯网络实现机械设备快速、准确地故障诊断并分析产生原因，在实际应用中具有重要意义。

发明内容

本发明通过轻量化卷积神经网络监测机械设备在实际运行中的各项实时数据，实时诊断，在故障发生时能够及时发出警报，并利用贝叶斯网络推理故障原因，提供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。

本发明采取以下技术方案：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，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，并将其输入到云平台，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。

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。

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。

步骤S3采取以下方法，