[发明专利]一种基于云服务的远程监测与故障诊断系统及故障诊断方法

摘要

本发明公开了一种基于云服务的远程监测与故障诊断系统及故障诊断方法，涉及智能制造和云诊断领域，包括数据采集单元、远程通讯网关单元、云存储管理单元、云服务中心单元。数据采集单元，部署在数据采集终端上；远程通讯网关单元，部署在云端前置网关服务器上；云存储管理单元，部署在云端数据服务器上；云服务中心单元，部署在云端应用服务器上。本发明创造性的将基于遗传算法优化的BP神经网络故障诊断方法应用在远程监测与故障诊断系统，能够便捷的提供适合跨地域环境下的远程监测与故障诊断服务；能够为设备制造商的技术人员提供机械设备远程在线工况监测，为生产企业使用的机械设备提供复杂故障的快速、准确、高效诊断。

主权项

1.一种基于云服务的远程监测与故障诊断系统的故障诊断方法，其特征在于：该基于云服务的远程监测与故障诊断系统包括数据采集单元、远程通讯网关单元、云存储管理单元、云服务中心单元；所述数据采集单元部署在机械设备的现场，数据采集单元与所述的远程通讯网关单元之间、所述的远程通讯网关单元与所述的云存储管理单元之间、所述的远程通讯网关单元与所述的云服务中心单元之间、所述的云存储管理单元与所述的云服务中心单元之间均采用网络进行连接；所述的云服务中心单元，包括监测服务模块、诊断服务模块及预警服务模块，监测服务模块、诊断服务模块、预警服务模块分别部署在云端应用服务器上；所述的监测服务模块，对机械设备提供实时可视化监控服务，以及指定时间段内的过程回溯服务；所述的诊断服务模块为不同难度、不同层次的诊断需求提供专家诊断服务；所述的预警服务模块提供对机械设备的故障预警服务，并将预警信息及时告知相关人员；其诊断方法，包括以下步骤：步骤1：确定输入、输出向量：根据布尔矩阵的构造原理，定义在故障诊断中，特征参数有m个，即输入特征向量P=(s₁,s₂,…,s_m)，待识别的故障类型有n个，即输出特征向量Q=(r₁,r₂,…,r_n)；根据模糊聚类分析，r_j（j∈[1,n]）在(0,1)之间取值，判定r_j中隶属度最大者为零部件故障发生的原因；步骤2：选取网络层数：采用三层BP神经网络，分别为输入层、隐含层、输出层；根据步骤1所述的输入特征向量、输出特征向量，确定输入层神经元个数为a，其中a=m，输出层神经元个数为b，其中b=n；步骤3：计算隐含层神经元个数：隐含层神经元个数由公式+x确定，x 是一个常数，取值在[1,10]之间；步骤4：设定初始权值：设定初始权值为[‑1,1]之间的随机数值；步骤5：设定学习速率：设定学习速率为[0.01,0.8]之间的随机数值；步骤6：采用遗传算法对 BP 神经网络的初始权值和学习速率进行优化，避免后续的网络学习陷入局部极小值，包括以下步骤：步骤6.1：根据BP神经网络的输入层、隐含层和输出层神经元个数来确定遗传算法的编码长度LL=a*b+b*h+h*a;步骤6.2：确定遗传算法的适应度函数；步骤6.3：通过遗传算法的选择、交叉和变异操作产生新的种群个体；步骤6.4：根据编码长度和适应度函数，计算种群个体的适应度值，若该适应度值满足最优适应度，则将步骤6.3得到种群个体作为最优的个体输出到BP神经网络作为初始权值和学习速率，进入步骤6.5，否则继续进行步骤6.3的操作；步骤6.5：判断遗传算法是否达到了设定的最大进化代数，若达到则输出最优解作为BP神经网络的初始权值和学习速率，进入步骤7，否则转到步骤6.3；步骤7：特征向量分组：将输入特征向量P分为两组，一组作为学习样本数据进行网络学习，用X_P表示，另一组作为诊断分析数据，用Y_P表示；步骤8：网络学习，包括以下步骤：步骤8.1：将步骤6.4和步骤6.5得到的初始权值、学习速率和学习样本数据X_P输入BP神经网络的输入层，计算隐含层、输出层各神经元的输出；步骤8.2：计算输出层期望输出值与实际输出值的偏差E_P；步骤8.3：若E_P满足训练误差条件，则网络学习结束，进入步骤9，反之，则调整输出层和隐含层的权值，返回步骤8.1继续学习，依此类推，直至偏差E_p符合条件；步骤8.4：将网络学习得出的最终权值作为后续诊断分析的对应权值，并得到诊断分析的算法模型；步骤9：诊断分析：将诊断分析数据Y_P输入步骤8.3得出的算法模型，计算实际输出值即隶属度，若隶属度超过0.8即认为设备工况为故障存在，反之，则认为设备工况正常。