基于LSTM编码网络的复杂设备关键部件故障诊断系统的制作方法

基于lstm编码网络的复杂设备关键部件故障诊断系统
技术领域
1.本发明涉及复杂设备健康管理技术领域，尤其涉及一种基于lstm编码网络的复杂设备关键部件故障诊断系统。


背景技术：

2.复杂机电设备在工业和国防等众多领域具有重要关键地位。要实现复杂机电设备的长期稳定、安全、可靠运行，不仅对设备本身的设计研制提出了很高的要求，如设计稳定可靠的控制系统、选择合适台体材料等。此外，由于设备本身的性能退化以及各种人为因素、环境因素等的影响，设备系统产生故障的可能性是不可避免的。而造成设备各类故障或者衰退情况的原因和机理往往是十分复杂的，一般来说设备的故障经常发生在旋转机械部件等关键部件上。基于设备振动信号等监测数据实现其关键部件的智能故障诊断，是设备应用保障的实际迫切需求。
3.设备关键部件的智能故障诊断是一种模式识别问题，包括数据预处理、特征提取和选择以及故障分类三个步骤。传统的故障模式分类方法的浅层结构缺乏强大的特征表示能力，其获得良好精度的前提是依据先验知识提取反映故障类型的敏感特征。然而，特征提取容易造成关键信息丢失，从而导致异常事件预测准确率下降。
4.近年来人工智能、数据挖掘等先进技术快速发展及实现应用，为实现设备关键部件故障诊断提供了新思路。自动编码器是深度学习中广泛使用的模型，能够使用多层编码过程从未标记数据中提取深度特征。然而，对于许多应用，模型训练是困难的，并且性能受到隐藏层结构和迭代次数的影响。
5.设备的关键机械部件的振动数据能很大程度上反映装备的运行状况，例如轴承故障造成的摩擦、冲击、振动、转速突变或者其结构的形变与断裂等都会在振动信号上有不同的表征。振动信号所表现出的故障征兆一般分布在不同的频段之内，从而通过频谱分析、小波分析等方法寻找敏感特征是比较传统但有效的。然而在健康程度衰退的早期，故障征兆可能十分微弱，还有可能被其他部件振动或者环境噪声所湮没，造成征兆识别难度增大。因此对隐藏微弱缺陷特征的有效发现与挖掘，是设备关键部件智能诊断技术中的重要研究内容。


技术实现要素：

6.本发明目的是提供了一种基于lstm编码网络的复杂设备关键部件故障诊断系统，以解决上述问题。
7.本发明解决技术问题采用如下技术方案：
8.一种基于lstm编码网络的复杂设备关键部件故障诊断系统，包括：设备关键运行数据采集模块、设备关键运行数据预处理模块、设备关键运行数据特征提取模块和设备关键部件故障模式识别模块，其中：
9.通过所述设备关键运行数据采集模块采集设备关键部件运行过程中的关键运行
数据，并对数据进行传输和存储；
10.通过设备关键运行数据预处理模块对采集得到的设备关键部件运行数据进行滤波、去噪、异常值剔除、缺失值填补和归一化处理，得到用于特征提取的数据；
11.通过设备关键运行数据特征提取模块对经过预处理的设备关键部件运行数据进行特征提取，对数据抽取和转化得到设备关键部件数据能量图谱；
12.通过设备关键部件故障模式识别模块实现从设备关键部件数据能量图谱到设备关键部件健康状态空间的映射，识别得到设备关键部件的故障模式。
13.进一步的，所述设备关键运行数据采集模块数据采集系统采用分层架构进行部署，自下到上分别为采集层、传输层、管理层；采集层采集到相关的数据，通过tcp/ip协议组网，发送数据到传输层，网关通过数据格式转换，通过局域网lan方式发送数据到处理层，管理层对数据进行管理和存储，为后续数据分析处理做好支撑。
14.进一步的，采集层采集到的相关的数据为设备关键部件多维度数据，包含各种关键部件的多类数据，具体为设备关键部件运行状态参数，包括电流、电压、温度、湿度和振动信号数据。
15.进一步的，设备关键运行数据预处理模块包括数据分割模块、数据清洗模块、数据变换模块和数据规约模块，其中：
16.所述数据分割模块，用于将整体数据分割成较小的、独立管理的数据；
17.所述数据清洗模块，用于填补数据的缺失值，过滤噪声、识别离群点，并纠正数据的不一致性；
18.所述数据变换模块，将设备关键部件原始数据转化和映射到其他的特征空间，能够更加突出数据的固有特征，便于进行特征提取和故障模式识别；
19.所述数据规约模块，对设备关键部件原始数据进行简化，使用尽可能少的数据量来表征整个系统的特征信息，且尽量减少信息的损失。
20.进一步的，所述设备关键运行数据特征提取模块，通过小波分解构建设备关键部件信号能量图谱实现特征提取，对于不同类型的信号，选择与期望信号特征最匹配类型的小波进行分析，得到可靠的特征提取结果。
21.进一步的，所述设备关键部件故障模式识别模块，采用lstm编码网络实现设备关键部件的故障模式分类识别。
22.进一步的，lstm编码网络基本单元采用两层lstm神经编码器；第一层将原始的能量图映射为初次抽取的编码矩阵，获取各层能量的信息表示，第二层将第一层得到的编码矩阵抽取为编码向量，展现健康状态的分布特点；最后将编码向量映射到健康状态空间。
23.本发明的有益效果：
24.本发明通过对设备监测信号的小波变换构建信号能量图谱，提取数据原始的最有效特征；通过lstm编码网络实现能量图到设备健康状态空间的映射，识别设备当前健康状态；通过反向传播算法对模型进行训练。在一定程度上提高了特征提取的能力，所需迭代次数更少，诊断准确率也更高。
附图说明
25.图1附图为本发明提供的基于lstm编码网络的设备关键部件故障诊断方法系统组
成结构示意图。
26.图2附图为本发明提供的设备关键运行数据预处理方法示意图。
27.图3附图为本发明提供的设备关键运行数据特征提取方法示意图。
28.图4附图为本发明提供的设备关键信号能量图谱示意图。
29.图5附图为本发明提供的设备关键部件故障模式识别方法示意图。
30.图6附图为本发明提供的lstm编码网络结构示意图。
具体实施方式
31.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
32.参考附图1，本发明公开了一种基于lstm编码网络的复杂设备关键部件故障诊断系统，包括：设备关键运行数据采集模块、设备关键运行数据预处理模块、设备关键运行数据特征提取模块和设备关键部件故障模式识别模块，其中：
33.通过所述设备关键运行数据采集模块采集设备关键部件运行过程中的关键运行数据，并对数据进行传输和存储；
34.通过设备关键运行数据预处理模块对采集得到的设备关键部件运行数据进行滤波、去噪、异常值剔除、缺失值填补和归一化处理，得到用于特征提取的数据；
35.通过设备关键运行数据特征提取模块对经过预处理的设备关键部件运行数据进行特征提取，对数据抽取和转化得到设备关键部件数据能量图谱；
36.通过设备关键部件故障模式识别模块实现从设备关键部件数据能量图谱到设备关键部件健康状态空间的映射，识别得到设备关键部件的故障模式。
37.所述设备关键运行数据采集模块数据采集系统采用分层架构进行部署，自下到上分别为采集层、传输层、管理层，实现对设备各类关键测试参数的采集、传输、存储和管理；采集层采集到相关的数据，通过tcp/ip协议组网，发送数据到传输层，网关通过数据格式转换，通过局域网lan方式发送数据到处理层，数据采集通过各类传感器实现，传感器采集得到数据存储到数据库，并在数据库完成数据的管理，为之后的数据分析和故障模式识别做好支撑。采集层采集到的相关的数据为设备关键部件多维度数据，包含各种关键部件的多类数据，具体为设备关键部件运行状态参数，包括电流、电压、温度、湿度和振动信号数据。
38.设备关键运行数据预处理模块包括数据分割模块、数据清洗模块、数据变换模块和数据规约模块，其中：所述数据分割模块，用于将整体数据分割成较小的、独立管理的数据；所述数据清洗模块，用于填补数据的缺失值，过滤噪声、识别离群点，并纠正数据的不一致性；所述数据变换模块，将设备关键部件原始数据转化和映射到其他的特征空间，能够更加突出数据的固有特征，便于进行特征提取和故障模式识别；所述数据规约模块，对设备关键部件原始数据进行简化，使用尽可能少的数据量来表征整个系统的特征信息，且尽量减少信息的损失。
39.数据分割模块、数据清洗模块、数据变换模块和数据规约模块具体包括数据分箱法、缺失值填补法、离群点分析法和主成分分析法(pca)，流程如图2所示。其中：
40.数据分箱法通过考察数据的近邻值来光滑有序数据值。这些有序值被分布到一些箱中，对于箱均值光滑，箱中每一个值都被替换为箱中的均值。
41.缺失值填补法通过使用属性的中心度量(均值和中位数)填充缺失值；或者通过使用与给定元组属同一类的所有样本的属性均值或中位数填充缺失值。
42.离群点分析法使用聚类方法来检测离群点，将类似的值组织成群，直观地把落在群集合之外的值视为离群点。
43.主成分分析法将高度相关的多传感器数据进行空间的映射完成降维，使用尽可能少的数据量来表征整个系统的特征信息，且尽量减少信息的损失。
44.设备关键运行数据预处理模块通过数据挖掘和神经网络实现设备关键部件数据预处理，可以实现设备关键部件大量监测数据的清洗和转化，改进数据的质量，提高特征提取和故障模式识别的精度和效率。采用数据清洗方法填补数据的缺失值，过滤噪声、识别离群点，并纠正数据的不一致性；采用主成分分析法对多维数据进行降维，将原始数据映射到新的数据空间，提取数据的关键信息，可以尽在量减少信息的损失的前提下用更少的数据量来表征整个系统的状态信息。同时，针对具体数据，可以采用神经网络更加高效、智能的实现数据预处理。
45.所述设备关键运行数据特征提取模块，通过小波分解构建设备关键部件信号能量图谱实现特征提取，对于不同类型的信号，选择与期望信号特征最匹配类型的小波进行分析，得到可靠的特征提取结果。
46.设备关键数据特征提取模块采用基于小波包能量分解的方法完成。具体流程如图3所示。首先，设备的原始监测信号通过数据分割、数据清洗、数据变换和数据归约的处理，得到小波包分解输入信号。小波包是将原始信号分解成一个由小波基函数得到的空间中，并且可以根据系数还原得到原始信号。在所有频率范围内获取不同频段的分解系数，兼具时域分析和频域分析的特点。采用小波包对信号进行分解得到的各频带信号能量中包含着丰富的特征，可对非平稳信号进行分析，提取信号中的微弱特征，也可利用小波分解去除信号中的噪声频带。
47.设备关键数据特征提取模块得到的设备信号能量图谱如图4所示，图中色块的灰度代表所表示色块的能量大小，色块灰度越大则该部分信号的能量越高，图中右侧给出了色块灰度和数值的对应标尺。
48.设备关键运行数据特征提取模块通过数据挖掘和神经网络实现设备关键部件的特征提取，可以从大量设备监测数据中挖掘系统健康和故障特征。采用主成分分析法对多维数据进行降维，将原始数据映射到新的特征空间，转化为有效特征；采用相似性分析对不同长度的时间序列进行分析，通过实时监测数据与标准数据的相似性对比，提取出监测数据的健康特征。同时，针对具体数据，可以采用神经网络更加高效的实现健康特征提取
49.所述设备关键部件故障模式识别模块，采用基于长短期记忆网络lstm的基本结构组成的编码网络lstm-ae实现设备关键部件的故障模式分类识别，从而实现从数据能量图谱到健康状态空间的抽取和映射。
50.设备关键部件故障模式识别模块基于lstm编码网络实现。具体流程如图5所示。通过设备信号能量图谱数据完成lstm编码网络的训练，同时完成模型测试及优化，用于进行设备关键部件的故障模式识别。
51.lstm编码网络(lstm-ae)的结构如图6所示。lstm网络是在标准的循环神经网络基础上进行了改进，设计了四个门结构使得神经元具有长期记忆的能力，这是一种有效的基于梯度的算法，该结构使得常量误差流经特殊单元的内部状态，从而避免了梯度爆炸或者消失的问题。
52.假设编码网络输入为包括d维样本的样本集x＝{x1,x2,
…
,xd}，xd表示第d个输入向量，编码过程是将输入向量映射到隐藏层向量h＝{h1,h2,
…
,hd}，hd表示第d个隐藏层向量，编码过程可表示为：
53.h＝s(wx b)
54.s(t)＝1/(1 e-t
)
55.其中s是编码网络的激活函数，t代表激活函数的输入，w是m
×
n维编码权重矩阵，b为m维编码偏差向量。
56.解码过程是将隐藏层向量h转换为与输入数据具有相同维数的重构数据集z＝{z1,z2,
…
,zd}，zd表示第d个输出向量，解码过程可以表示为：
57.z＝s(w
′
h b
′
)
58.其中w
′
是n
×
m维解码权重矩阵，b
′
为n维解码偏差向量。
59.lstm编码网络基本单元采用两层lstm神经编码器；第一层将原始的能量图映射为初次抽取的编码矩阵，获取各层能量的信息表示，第二层将第一层得到的编码矩阵抽取为编码向量，展现健康状态的分布特点；最后将编码向量映射到健康状态空间，实现设备关键部件及其关键部件的故障模式识别。
60.本发明公开提供了一基于lstm编码网络的设备关键部件故障诊断方法，针对基于振动信号的设备关键部件隐藏微弱缺陷特征的发现与挖掘困难、准确度不高的问题，实现了设备关键部件多频段振动数据的特征提取和故障模式识别，特征提取能力更强，诊断准确率更高，稳定性更好；基于数据清洗和主成分分析的方法，对设备关键部件大量检测数据进行预处理，构建了能反映设备关键部件状态的数据空间，便于进行特征提取和故障模式的识别；基于小波分解的方法，对设备关键部件振动数据进行多次分解和整合，构建信号能量图谱，提取振动信号最有效特征；基于lstm编码网络的方法，对信号能量图谱进行逐层的抽取和映射，识别设备关键部件故障模式。
61.本发明通过对设备监测信号的小波变换构建信号能量图谱，提取数据原始的最有效特征；通过lstm编码网络实现能量图到设备健康状态空间的映射，识别设备当前健康状态；通过反向传播算法对模型进行训练。在一定程度上提高了特征提取的能力，所需迭代次数更少，诊断准确率也更高。
62.最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。