本发明涉及智能的技术领域,尤其涉及到一种基于深度学习的工业设备故障预测方法。
背景技术:
在制造业生产线上,工业生产设备都会受到持续的振动和冲击,这导致设备材料和零件的磨损老化,从而导致工业设备容易产生故障,而当人们意识到故障时,可能已经产生了很多不良品,甚至整个工业设备已经奔溃停机,从而造成巨大的损失。如果能在故障发生之前进行故障预测,提前维修更换即将出现问题的零部件,这样就可以提高工业设备的寿命以及避免某个设备突然出现故障对整个工业生产带来严重的影响。
随着工业4.0的到来,智能工厂的工业设备都配上了各种感应器,采集其振动、温度、电流、电压等数据显得轻而易举,通过分析这些实时的传感数据,对工业设备进行故障预测将是一种行之有效的措施。
技术实现要素:
本发明的目的在于克服现有技术的不足,提供一种大大提高工业设备寿命、避免工业设备出现故障从而减少生产出不良品机率、保障企业生产效益的基于深度学习的工业设备故障预测方法。
为实现上述目的,本发明所提供的技术方案为:其包括以下步骤:
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。
进一步地,步骤s2的具体步骤如下:
s21.把采集的各种传感数据按t毫秒的固定时长分块;
s22.把在t毫秒时间内的传感数据绘成时序波;
s23.利用傅立叶变换运算分解时序波,求取各个频带的能量值,获取各种传感数据的时序波频谱图。
进一步地,步骤s3中深度学习算法采用卷积神经网络,具体步骤如下:
s31.利用工业设备正常工作和不正常工作的传感数据频谱图离线训练卷积神经网络框架;
s32.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。
进一步地,步骤s31利用工业设备正常工作和不正常工作的传感数据频谱图离线训练深度学习算法,主要包括以下步骤:
s311.构造卷积神经网络,具体步骤如下:
a.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;
b.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;
c.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;
d.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;
e.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;
f.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;
s312.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。
与现有技术相比,本方案原理和优点如下:
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。
附图说明
图1为本发明一种基于深度学习的工业设备故障预测方法的流程示意图;
图2为本发明实施例中卷积神经网络框架示意图。
具体实施方式
下面结合具体实施例对本发明作进一步说明:
参见附图1所示,本实施例所述的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.通过传感器采集振动、温度、电流、电压等各种工业设备传感数据;
s2.根据传感数据固定时间内的时序波获取频谱图:
s21.把采集的各种传感数据按t毫秒的固定时长分块;
s22.把在t毫秒时间内的传感数据绘成时序波;
s23.利用傅立叶变换运算分解时序波,求取各个频带的能量值,获取各种传感数据的时序波频谱图;
s3.深度学习算法根据频谱图对工业设备进行故障预测:
s31.深度学习算法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:
s311.构造卷积神经网络:
a.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;
b.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;
c.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;
d.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;
e.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;
f.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;
如图2所示,假如输入层为一副传感数据在一定时间内的大小为28×28的频谱图,第一层卷积层采用6个卷积核,可得到6幅24×4的特征图,经过采样层得到6幅采样后12×12的特征图;经过第二层卷积层,其由12个卷积核构成,可得到得到12幅8×8的特征图,再经过采样层得到12幅4×4的特征图;12幅4×4的特征图通过光栅后,与全连层相连,提取频谱图整体的特征信息,得到最终频谱图的高层特征向量,用于后续sotfmax分类器的输入,从而对工业设备进行障碍预测;该卷积神经网络只是用于示意说明,其输入的图像大小,通道数可以变化,卷积核的个数,网络的深度也可变。
s312.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;
s32.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。
本实施例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。
以上所述之实施例子只为本发明之较佳实施例,并非以此限制本发明的实施范围,故凡依本发明之形状、原理所作的变化,均应涵盖在本发明的保护范围内。