[发明专利]一种基于深度学习的工业设备故障预测方法

摘要

本发明涉及一种基于深度学习的工业设备故障预测方法，包括以下步骤：S1.通过传感器采集工业设备传感数据；S2.根据传感数据固定时间内的时序波获取频谱图；S3.深度学习算法根据频谱图对工业设备进行故障预测。本发明先通过传感器采集工业设备传感数据，然后根据传感数据固定时间内的时序波获取频谱图，最后采用基于卷积神经网络框架的深度学习算法根据频谱图对工业设备进行故障预测，准确地预测工业设备故障与否，大大提高工业设备寿命，避免工业生产中因为不确定的故障造成严重的后果，最大限度地保障企业的生产效益。

主权项

1.一种基于深度学习的工业设备故障预测方法，其特征在于：包括以下步骤：/nS1.通过传感器采集工业设备传感数据；/nS2.根据传感数据固定时间内的时序波获取频谱图；/nS3.深度学习算法根据频谱图对工业设备进行故障预测；/n所述步骤S3中深度学习算法采用卷积神经网络，具体步骤如下：/nS31.利用工业设备正常工作和不正常工作时的传感数据频谱图离线训练卷积神经网络框架；/nS32.利用训练好的卷积神经网络框架，根据传感数据的频谱图，在线预测工业设备故障与否；/n所述步骤S31利用工业设备正常工作和不正常工作时的传感数据频谱图离线训练卷积神经网络框架，主要包括以下步骤：/nS311.构造卷积神经网络，具体步骤如下：/nA.构造输入层：把尺寸大小一样的工业设备正常工作和不正常工作时的传感数据频谱图作为输入层；/nB.构造卷积层：卷积层由K个卷积滤波器构成，对频谱图进行滤波得到K个特征图s1；/nC.构造下采样层：下采样层对特征图进行采用，分别对K个特征图的t×t大小的领域进行加权求和或者取其最大值等运算，再乘上一个乘子偏差，加上位移偏差，接着通过一个激活函数的运算，得到最后的下采样特征图c1；/nD.重复步骤B和步骤C：下采样特征图c1再作为输入层，通过B步骤得到第二层卷积层s2，再通过C步骤下采样，得到第二层下采样层c2，重复这两个步骤，特征图的大小变小直到最后一次滤波后光栅化为一维数据；/nE.构造密集连接层:对光栅化为一维的数据加入有M个神经元的全连接层，即通过乘上全连接层的权重矩阵，加上偏置，然后对其使用激活函数ReLU，得到最后的全连接层；/nF.构造输出层：输出层采用softmax层，跟全连接层相连，输出最后的检测结果；/nS312.利用工业设备正常工作和不正常工作的传感数据频谱图，采用Adam算法对卷积神经网络的误差梯度做最速下降优化，离线训练卷积神经网络。/n