[发明专利]一种基于DNN的复杂设备多重故障诊断方法

摘要

本发明提供一种基于DNN的复杂设备多重故障诊断方法，步骤如下：1、采集设备的多重故障日志，统计并汇总故障信息；2、依靠专家知识定位多重故障的根源；3、按照时间特征整合日志信息，得到时序数据集；4、预处理时序数据集；5、对数据集进行数值量化；使用词嵌入作为DNN的首层网络；在网络层后添加Dropout；6、建立LSTM网络层；7、建立MLP网络层；8、设置DNN的学习参数；9、划分数据集；10、使用划分的数据集对DNN进行学习和测试；本发明对多重故障日志进行处理，得到时序数据集；建立包含词嵌入网络层、LSTM网络层以及MLP网络层的DNN模型；划分数据集后，利用批量训练数据集和验证数据集对DNN进行学习，并采用测试数据集评估DNN识别根源故障的准确性。

主权项

1.一种基于DNN的复杂设备多重故障诊断方法，其特征在于：其步骤如下：步骤1、采集记录设备多重故障的日志文件，统计并汇总设备故障发生的位置、类型、表现症状；步骤2、依靠专家知识对多重故障的根源故障进行定位，得到各日志记录的多重故障所对应的根源故障；步骤3、对日志文件记录的多重故障信息按照时间特征进行整合，得到多重故障时序数据集；步骤4、对多重故障时序数据集的样本进行预处理，获得格式统一的时序数据集；步骤5、对预处理后的时序文本数据集进行数值量化；使用词嵌入网络层作为DNN的首层网络用于生成时间序列的特征向量数据；在词嵌入网络层后添加Dropout网络层，减轻DNN的过拟合问题；步骤6、建立LSTM网络中间层并对LSTM的参数进行设置；步骤7、建立MLP网络层并对MLP的参数进行设置，以完成DNN整体结构的构建；步骤8、对DNN的学习过程参数进行设置；步骤9、采用训练、验证、测试三分法对特征向量数据集进行划分；步骤10、使用划分好的数据集对DNN进行学习和测试，得到用于多重故障根源识别的诊断模型；通过上述步骤，能实现基于DNN的复杂设备多重故障诊断方法，该方法首先对多重故障的日志文件进行预处理，获得多重故障时序数据集；然后针对设备多重故障的特点建立DNN模型，该模型包含词嵌入网络层、LSTM网络层以及MLP网络层，其中词嵌入网络层用于对多重故障时序样本进行向量化，LSTM网络层用于学习多重故障时序向量的时间特征，MLP网络层利用多重故障的时序信息识别多重故障的根源故障；最后利用批量训练样本和验证数据集对DNN进行训练，并采用测试样本数据集对这一DNN识别多重故障根源的准确性验证，以证明这一方法的可行性。