基于深度学习的设备故障智能诊断与预警方法及系统与流程

本发明涉及深度学习，尤其是涉及一种基于深度学习的设备故障智能诊断与预警方法及系统。

背景技术：

1、在现有的工业互联网系统的设备故障诊断与预警方法中，通常采用机器学习回归类算法、状态估计法和时间序列预测法等实现对设备的故障诊断与预警，但是，针对一些运行工况复杂且各个监测参数具有耦合性强和延迟的特性的设备，比如磨煤机等，现有的设备故障诊断与预警方法的诊断与故障预测效果不佳，且对多变量耦合故障的预警效果不理想。

技术实现思路

1、本发明的目的在于提供一种基于深度学习的设备故障智能诊断与预警方法及系统，用以解决现有的工业互联网系统的设备故障诊断与预警方法的诊断与故障预测效果不佳，且对多变量耦合故障的预警效果差的问题。

2、为了达到上述目的，本发明实施例提供一种基于深度学习的设备故障智能诊断与预警方法，包括：

3、获取目标设备的第一历史运行数据；

4、根据所述第一历史运行数据，确定所述目标设备的目标故障类型所对应的特征参数以及所述特征参数对应的特征变量；

5、根据所述第一历史运行数据中的特征参数的历史值和所述第一历史运行数据中所述特征参数对应的特征变量的历史值，构建设备故障预测模型；

6、根据所述目标设备的实时运行数据和所述故障预测模型，得到所述特征参数的预测值；其中，所述特征参数的预测值用于进行设备故障诊断或预警。

7、可选地，所述方法还包括：

8、根据所述特征参数的预测值和所述实时运行数据中特征参数的实时值，进行设备故障诊断或预警。

9、可选地，根据所述第一历史运行数据，确定所述目标设备的目标故障类型所对应的特征参数以及所述特征参数对应的特征变量之前，所述方法还包括：

10、利用hampel滤波算法对第一历史运行数据序列进行滤波处理，得到所述第一历史运行数据中的离群运行数据，其中，所述第一历史运行数据序列是按照时间顺序对所述第一历史运行数据进行排序得到的；

11、根据第一历史运行数据序列中位于所述离群运行数据两侧的第一历史运行数据，得到所述离群运行数据的替换值；

12、在所述第一历史运行数据中，将所述离群运行数据替换为所述替换值。

13、可选地，根据所述第一历史运行数据，确定所述目标设备的目标故障类型所对应的特征参数以及所述特征参数对应的特征变量，包括：

14、获取所述第一历史运行数据中，所述目标设备的目标故障类型所对应的特征参数；

15、针对第一特征参数，获取所述第一历史运行数据中所述第一特征参数的历史值和所述第一历史运行数据中特征变量的历史值；其中，所述第一特征参数为任一特征参数；

16、根据所述第一特征参数的历史值和所述特征变量的历史值，建立目标线性回归模型；

17、根据所述目标线性回归模型，得到第一损失函数；

18、利用lasso回归算法对所述第一损失函数进行正则化处理，得到处理后的目标线性回归模型；

19、根据所述处理后的目标线性回归模型，得到所述第一特征参数对应的第一特征变量。

20、可选地，根据所述第一历史运行数据中的特征参数的历史值和所述第一历史运行数据中所述特征参数对应的特征变量的历史值，构建设备故障预测模型，包括：

21、根据所述第一历史运行数据中至少一第一历史时刻对应的特征变量的历史值、每一所述第一历史时刻对应的至少一第二历史时刻对应的特征变量的历史值和每一所述第一历史时刻对应的特征参数的历史值，构建基于预设神经网络模型的所述设备故障预测模型；

22、其中，所述第一历史时刻为所述第一历史运行数据中，除首个历史时刻之外的任一历史时刻，所述至少一第二历史时刻位于所述第一历史时刻之前的、连续的历史时刻，且所述至少一第二历史时刻包括与所述第一历史时刻相邻的历史时刻。

23、可选地，所述预设神经网络模型为双向长短时记忆网络bilstm模型；

24、所述bilstm模型包括依次连接的一个输入层、两个长短时记忆网络lstm层、一个全连接层和一个输出层；

25、所述输入层用于输入所述至少一第一历史时刻对应的特征变量的历史值和每一所述第一历史时刻对应的至少一第二历史时刻对应的特征变量的历史值；

26、所述lstm层用于根据所述至少一第一历史时刻对应的特征变量的历史值和每一所述第一历史时刻对应的至少一第二历史时刻对应的特征变量的历史值进行训练，输出第一信息；

27、所述全连接层用于对两个所述lstm层输出的所述第一信息进行权重连接，得到预设维度的网络输出信息；

28、所述输出层用于输出所述预设维度的网络输出信息。

29、可选地，根据所述目标设备的实时运行数据和所述故障预测模型，得到所述特征参数的预测值，包括：

30、将所述目标设备在当前时刻的实时运行数据和第二历史运行数据输入所述故障预测模型，得到所述故障预测模型输出的当前时刻的特征参数的预测值；

31、其中，所述第二历史运行数据包括所述目标设备在至少一第三历史时刻的运行数据；所述至少一第三历史时刻位于所述当前时刻之前的、连续的历史时刻，且所述至少一第三历史时刻包括与所述当前时刻相邻的历史时刻。

32、可选地，根据所述特征参数的预测值和所述实时运行数据中特征参数的实时值，进行设备故障诊断或预警，包括：

33、根据所述特征参数的预测值和所述实时运行数据中的特征参数的实时值，得到所述目标故障类型对应的故障指数；

34、利用高斯核密度估计算法，根据所述故障指数和预设置信度，得到所述目标故障类型对应的预警阈值；

35、在所述故障指数超过所述预警阈值的情况下，针对所述目标故障类型进行故障诊断或预警。

36、可选地，根据所述特征参数的预测值和所述实时运行数据中的特征参数的实时值，得到所述目标故障类型对应的故障指数，包括：

37、获取所述目标故障类型对应的特征参数中的第一目标特征参数和第二目标特征参数，其中，所述目标设备处于所述目标故障类型下，所述第一目标特征参数的参数值大于未处于所述目标故障类型下的参数值，所述目标设备处于所述目标故障类型下，所述第二目标特征参数的参数值小于未处于所述目标故障类型下的参数值；

38、针对每一所述第一目标特征参数，将特征参数的实时值除以对应的特征参数的预测值，得到每一所述第一目标特征参数对应的第一值；

39、针对每一所述第二目标特征参数，将特征参数的实时值除以对应的特征参数的预测值，得到每一所述第二目标特征参数对应的第二值；

40、根据每一所述第一目标特征参数对应的第一值的乘积得到第三值，以及，根据每一所述第二目标特征参数对应的第二值的乘积得到第四值；

41、将所述第三值除以所述的第四值，得到所述目标故障类型对应的故障指数。

42、本发明实施例还提供一种基于深度学习的设备故障智能诊断与预警装置，包括：

43、获取模块，用于获取目标设备的第一历史运行数据；

44、第一处理模块，用于根据所述第一历史运行数据，确定所述目标设备的目标故障类型所对应的特征参数以及所述特征参数对应的特征变量；

45、第二处理模块，用于根据所述第一历史运行数据中的特征参数的历史值和所述第一历史运行数据中所述特征参数对应的特征变量的历史值，构建设备故障预测模型；

46、第三处理模块，用于根据所述目标设备的实时运行数据和所述故障预测模型，得到所述特征参数的预测值；其中，所述特征参数的预测值用于进行设备故障诊断或预警。

47、本发明实施例还提供一种基于深度学习的设备故障智能诊断与预警系统，包括：收发机、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序；所述处理器，用于读取存储器中的程序实现如上中任一项所述的基于深度学习的设备故障智能诊断与预警方法中的步骤。

48、本发明实施例还提供一种计算机可读存储介质，用于存储计算机程序，所述计算机程序被处理器执行时实现如上中任一项所述的基于深度学习的设备故障智能诊断与预警方法中的步骤。

49、本发明实施例还提供一种计算机程序产品，包括计算机指令，所述计算机指令被处理器执行时实现如上中任一项所述的基于深度学习的设备故障智能诊断与预警方法的步骤。

50、本发明的上述技术方案至少具有如下有益效果：

51、本发明实施例的提供的基于深度学习的设备故障智能诊断与预警方法，通过获取目标设备的第一历史运行数据，根据第一历史运行数据，确定目标设备的目标故障类型对应的特征参数以及特征参数对应的特征变量，根据第一历史运行数据中的特征参数的历史值和所述第一历史运行数据中所述特征参数对应的特征变量的历史值，构建设备故障预测模型，通过所述目标设备的实时运行数据和所述故障预测模型，得到所述特征参数的预测值，并通过特征参数的预测值进行设备故障诊断或预警，通过上述设备故障预测模型能够在设备故障的早期及时给出故障诊断与预警，预测效果好，并且针对多变量耦合故障的预警效果更佳。