CN115576733A - 一种基于深度强化学习的设备智能故障诊断*** - Google Patents
一种基于深度强化学习的设备智能故障诊断*** Download PDFInfo
- Publication number
- CN115576733A CN115576733A CN202211438944.8A CN202211438944A CN115576733A CN 115576733 A CN115576733 A CN 115576733A CN 202211438944 A CN202211438944 A CN 202211438944A CN 115576733 A CN115576733 A CN 115576733A
- Authority
- CN
- China
- Prior art keywords
- fault
- operation data
- historical
- data
- real
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
- G06F11/079—Root cause analysis, i.e. error or fault diagnosis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及电子数据技术领域,尤其涉及一种基于深度强化学习的设备智能故障诊断***,包括,数据采集单元、数据监测单元、数据学习单元以及故障诊断单元。本发明通过数量采集单元对待诊断设备的历史故障节点中的故障位置以及故障节点前的历史运行数据进行采集,保障了实际故障位置与实际的运行数据之间的准确匹配,通过数据学习单元生成各故障位置对应的历史运行数据曲线,通过设置故障诊断单元将出现故障的待诊断设备的实时运行数据进行转换,生成实时运行数据曲线,通过将实时运行数据曲线与各历史运行数据曲线进行相似度对比以及数量判定,确定对应的故障位置,减少硬件设置,极大程度地提高了故障位置诊断的准确性。
Description
技术领域
本发明涉及电子数据技术领域,尤其涉及一种基于深度强化学习的设备智能故障诊断***。
背景技术
设备故障是指设备失去或降低其规定功能的事件或现象,表现为设备的某些元件失去原有的精度或性能,使设备不能正常运行、技术性能降低,尤其是对于各种电子设备,由于其结构复杂且精密,在其中任意一处出现故障时,都能够导致整个设备无法运行,往往需要人工进行检修,进行具体故障位置的判定,从而导致故障修复时间较长。
中国专利公开号:CN114327993B,公开了一种设备故障诊断***及故障诊断方法;其是利用数据采样芯片对每一个数据采集通道采集待监测设备中与数据采集通道电连接的监测位置的工作数据,并根据预设的信息判定出故障的所在,由此可见,在现有技术中的设备故障诊断***中,其故障诊断的准确性是根据预设的的信息而进行判定的,不仅判定的区间较小,而且对复杂设备判定出故障的准确位置,需设置较多的数据采集点,难以在复杂结构设备上实现,并且诊断出的故障位置的定位不够准确。
发明内容
为此,本发明提供一种基于深度强化学习的设备智能故障诊断***,用以克服现有技术中设备智能故障诊断***诊断的故障位置的定位不够准确问题。
为实现上述目的,本发明提供一种基于深度强化学习的设备智能故障诊断***,包括,
数据采集单元,用以采集待诊断设备的若干历史故障节点、各历史故障节点的故障位置以及各历史故障节点前的历史运行数据;
数据监测单元,其与待诊断设备相连,用以获取待诊断设备的实时运行数据,
数据学习单元,其与所述数据采集单元相连,所述数据学习单元内设置有初始故障前学习周期,数据学习单元能够对待诊断设备的各历史故障节点的故障位置,以及各历史故障节点前初始故障前学习周期的历史运行数据进行学习,生成位置曲线矩阵;
故障诊断单元,其与所述数据采集单元、数据监测单元以及数据学习单元分别相连,所述故障诊断单元能够根据待诊断设备的实时运行数据生成实时运行数据曲线,并将实时运行数据曲线与位置曲线矩阵中的各历史运行数据曲线进行实时相似度判定,确定是否对判定的历史运行数据曲线进行选定标记,故障诊断单元在选定标记的历史运行数据曲线的数量不为1时,将对数据学习单元的初始故障前学习周期进行调整,故障诊断单元在选定标记的历史运行数据曲线的数量为1时,将根据选定标记的历史运行数据曲线在所述位置曲线矩阵中选取对应的故障位置作为输出,完成设备的故障诊断。
进一步地,所述数据学习单元内设置有初始故障前学习周期Tc,数据学习单元将对各历史故障节点的故障位置以及各历史故障节点前Tc内的历史运行数据进行学习,生成位置曲线矩阵S-U=(S1-U(t)1、S2-U(t)2、S3-U(t)3……Sn-U(t)n),其中,S1为第一故障位置、S2为第二故障位置、S3为第三故障位置……Sn为第n故障位置;U(t)1为第一故障位置在故障节点前Tc内的历史运行数据曲线,U(t)2为第二故障位置在故障节点前Tc内的历史运行数据曲线,U(t)3为第三故障位置在故障节点前Tc内的历史运行数据曲线……U(t)n为第n故障位置在故障节点前Tc内的历史运行数据曲线,其中任意一历史运行数据曲线U(t)i为历史运行数据值随时间变化的曲线,其中, i=1、2、3……n。
进一步地,所述故障诊断单元内设置有第一预设相似度M1与第二预设相似度M2,其中,M1<M2,所述故障诊断单元获取待诊断设备故障前Tc内的实时运行数据,并生成实时运行数据曲线U(t)s,故障诊断单元将在位置曲线矩阵S-U中获取任意一历史运行数据曲线U(t)i,其中,i=1、2、3……n,故障诊断单元计算实时运行数据曲线U(t)s与历史运行数据曲线U(t)i的实时相似度Ms,并将实时相似度Ms与第一预设相似度M1和第二预设相似度M2进行对比,
当Ms<M1时,所述故障诊断单元判定实时相似度低于第一预设相似度M1,故障诊断单元不对历史运行数据曲线U(t)i进行选定标记,并在所述位置曲线矩阵S-U中获取除U(t)i外的另一历史运行数据曲线进行判定,直至将位置曲线矩阵S-U中全部的历史运行数据曲线判定完成;
当M1≤Ms≤M2时,所述故障诊断单元判定实时相似度在第一预设相似度与第二预设相似度之间,故障诊断单元将对实时运行数据曲线U(t)s的实时运行数据低差值进行判定,以确定是否对历史运行数据曲线U(t)i进行选定标记;
当Ms>M2时,所述故障诊断单元判定实时相似度高于第二预设相似度,中控单元将对历史运行数据曲线U(t)i进行选定标记,并在所述位置曲线矩阵S-U中获取除U(t)i外的另一历史运行数据曲线进行判定,直至将位置曲线矩阵S-U中全部的历史运行数据曲线判定完成。
进一步地,所述故障诊断单元内设置有标准运行数据差值Δub,当所述故障诊断单元判定实时相似度在第一预设相似度与第二预设相似度之间时,所述故障诊断单元将获取实时运行数据曲线U(t)s中的实时运行数据最小值usa与历史运行数据曲线U(t)i中的历史运行数据最小值uia,并根据实时运行数据最小值usa与历史运行数据最小值uia计算实时运行数据低差值Δus,Δus=|usa-uia|,故障诊断单元将实时运行数据低差值Δus与标准运行数据差值Δub进行对比,
当Δus≤Δub时,所述故障诊断单元判定实时运行数据低差值未超出标准运行数据差值,故障诊断单元将对实时运行数据曲线U(t)s的实时运行数据高差值进行判定,以确定是否对历史运行数据曲线U(t)i进行选定标记;
当Δus>Δub时,所述故障诊断单元判定实时运行数据低差值已超出标准运行数据差值,故障诊断单元不对历史运行数据曲线U(t)i进行选定标记。
进一步地,当所述故障诊断单元判定实时运行数据低差值未超出标准运行数据差值时,所述故障诊断单元将获取实时运行数据曲线U(t)s中的实时运行数据最大值usz与历史运行数据曲线U(t)i中的历史运行数据最大值uiz,并根据实时运行数据最大值usz与历史运行数据最大值uiz计算实时运行数据高差值Δuh,Δuh=|usz-uiz|,故障诊断单元将实时运行数据高差值Δuh与标准运行数据差值Δub进行对比,
当Δuh≤Δub时,所述故障诊断单元判定实时运行数据高差值未超出标准运行数据差值,故障诊断单元对历史运行数据曲线U(t)i进行选定标记;
当Δuh>Δub时,所述故障诊断单元判定实时运行数据高差值已超出标准运行数据差值,故障诊断单元不对历史运行数据曲线U(t)i进行选定标记。
进一步地,所述故障诊断单元在对位置曲线矩阵S-U中全部的历史运行数据曲线判定完成后,将对进行选定标记的历史运行数据曲线的数量进行判定,
若选定标记的历史运行数据曲线的数量为0时,所述故障诊断单元将对所述数据学习单元内设置有初始故障前学习周期Tc进行调整;
若选定标记的历史运行数据曲线的数量为1时,所述故障诊断单元将根据选定标记的历史运行数据曲线在所述位置曲线矩阵S-U中选取对应的故障位置作为输出,完成设备的故障诊断;
若选定标记的历史运行数据曲线的数量大于1时,所述故障诊断单元将根据选定标记的历史运行数据曲线的数量对所述数据学习单元内设置有初始故障前学习周期Tc进行调整。
进一步地,所述故障诊断单元内设置有调级周期Tj,故障诊断单元在选定标记的历史运行数据曲线的数量为0时,将所述数据学习单元的初始故障前学习周期调整为Tc’,Tc’=Tc-Tj,所述数据学习单元将对各历史故障节点的故障位置以及各历史故障节点前Tc’内的历史运行数据进行学习,生成位置曲线矩阵S-U’,所述故障诊断单元重复上述根据实时相似度判定对历史运行数据曲线进行选定标记,与根据选定标记历史运行数据曲线数量对初始故障前学习周期进行调整的操作,直至使选定标记的历史运行数据曲线数量大于等于1时,停止对数据学习单元的初始故障前学习周期的调整。
进一步地,所述故障诊断单元在选定标记的历史运行数据曲线的数量大于1时,将所述数据学习单元的初始故障前学习周期调整为Tc’,Tc’=Tc×[1+(k-1)/n],其中,k为选定标记的历史运行数据曲线的数量,n为位置曲线矩阵S-U中历史运行数据曲线的总数量,所述数据学习单元将对各历史故障节点的故障位置以及各历史故障节点前Tc’内的历史运行数据进行学习,生成位置曲线矩阵S-U’,所述故障诊断单元重复上述根据实时相似度判定对历史运行数据曲线进行选定标记,与根据选定标记历史运行数据曲线数量对初始故障前学习周期进行调整的操作,直至使选定标记的历史运行数据曲线数量小于等于1时,停止对数据学习单元的初始故障前学习周期的调整。
进一步地,所述历史运行数据为待诊断设备的电压运行数据、电流运行数据、温度运行数据、噪音运行数据的一种或多种。
进一步地,所述数据监测单元获取的待诊断设备的实时运行数据,应与所述数据采集单元采集的历史运行数据种类一致。
与现有技术相比,本发明的有益效果在于,通过数量采集单元对待诊断设备的历史故障节点中的故障位置以及故障节点前的历史运行数据进行采集,保障了实际故障位置与实际的运行数据之间的准确匹配,若待诊断设备的历史故障数据较少,还可以针对与待诊断设备同型号设备的历史故障数据进行采集,保障故障位置定位的全面性,通过设置数据学习单元,对每个故障位置出现故障前的历史运行数据进行学习,生成各故障位置对应的历史运行数据曲线,曲线的周期为初始故障前学习周期Tc,通过设置故障诊断单元将出现故障的待诊断设备的实时运行数据进行转换,生成实时运行数据曲线,通过将实时运行数据曲线与各历史运行数据曲线进行相似度对比以及数量判定,确实对应的故障位置,不但减少了硬件设置,而且极大程度地提高了故障位置诊断的准确性。
尤其,通过数据学习单元对各历史故障节点的故障位置以及的历史运行数据进行学习,快速生成在初始故障前学习周期内的各故障位置以及对应的历史运行数据曲线的矩阵,保障了实际故障位置与实际的运行数据之间的准确匹配,并且由于历史数据的真实性,也保证了生成的位置曲线矩阵的准确性,使故障诊断的位置定位更加精准。
尤其,通过计算实时运行数据曲线与历史运行数据曲线的实时相似度,能够快速确定实时运行数据是否与正在判定的历史运行数据匹配,同时,在设备的可能故障点较少时,能够使***快速进行准确的数据匹配,精准的确定出故障位置,在设备的可能故障点较多时,通过设置第一预设相似度和第二预设相似度对计算出的实时相似度进行快速筛选,在保障故障诊断准确率的同时提高了故障诊断的效率。
进一步地,当故障诊断单元判定实时相似度在第一预设相似度与第二预设相似度之间时,通过计算实时运行数据最小值与历史运行数据最小值计算实时运行数据低差值,用以表示实时曲线的下限偏移程度,通过设置标准值进行对比,快速筛选出非匹配的历史运行数据曲线,保障诊断***的正常运行。
进一步地,在实时运行数据低差值未超出标准运行数据差值时,将根据实时运行数据最大值与历史运行数据最大值计算实时运行数据高差值,用来表示实时曲线的上限偏移程度,并将其再次与标准运行数据差值进行对比,快速地进行历史运行数据曲线的选定标记,提高故障诊断的效率。
进一步地,对具有选定标记的历史运行数据曲线的数量进判定,当数量为0时,表示位置曲线矩阵中无历史运行数据与实时运行数据匹配,当数量为1时,表示仅有1个匹配项,直接在位置曲线矩阵中选取对应的故障位置作为输出,完成设备的故障诊断,当数量大于1时,存在多个匹配项,表示位置曲线矩阵的精度较低,因此需对初始故障前学习周期进行调整,确定故障诊断***仅存在一个匹配项,提高了故障位置诊断的定位精度。
进一步地,在位置曲线矩阵中无历史运行数据与实时运行数据匹配时,通过逐级地减小学习单元的学习周期,缩短各历史运行数据曲线以及实时运行数据曲线的长度,增大匹配标准,以保障故障诊断***能够产生故障位置的输出,保障了***的正常运行。
尤其,在选定标记的历史运行数据曲线的数量大于1时,表示故障诊断***的诊断精度不足,根据实际的历史运行数据曲线的数量对数据学习单元的学习周期进行增加调整,提高故障诊断***的诊断精度,通过能够有效的减小选定标记的历史运行数据曲线的数量,通过重复判定调节操作,直至使选定标记历史运行数据曲线的数量为1,准确地输出对应为故障位置,进一步提高了故障诊断***的故障定位准确性。
附图说明
图1为本实施例所述基于深度强化学习的设备智能故障诊断***的结构示意图。
具体实施方式
为了使本发明的目的和优点更加清楚明白,下面结合实施例对本发明作进一步描述;应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非在限制本发明的保护范围。
需要说明的是,在本发明的描述中,术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系,这仅仅是为了便于描述,而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,还需要说明的是,在本发明的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域技术人员而言,可根据具体情况理解上述术语在本发明中的具体含义。
请参阅图1所示,其为本实施例所述基于深度强化学习的设备智能故障诊断***的结构示意图,本实施例公开一种基于深度强化学习的设备智能故障诊断***,包括,
数据采集单元,用以采集待诊断设备的若干历史故障节点、各历史故障节点的故障位置以及各历史故障节点前的历史运行数据;
数据监测单元,其与待诊断设备相连,用以获取待诊断设备的实时运行数据,
数据学习单元,其与所述数据采集单元相连,所述数据学习单元内设置有初始故障前学习周期,数据学习单元能够对待诊断设备的各历史故障节点的故障位置,以及各历史故障节点前初始故障前学习周期的历史运行数据进行学习,生成位置曲线矩阵;
故障诊断单元,其与所述数据采集单元、数据监测单元以及数据学习单元分别相连,所述故障诊断单元能够根据待诊断设备的实时运行数据生成实时运行数据曲线,并将实时运行数据曲线与位置曲线矩阵中的各历史运行数据曲线进行实时相似度判定,确定是否对判定的历史运行数据曲线进行选定标记,故障诊断单元在选定标记的历史运行数据曲线的数量不为1时,将对数据学习单元的初始故障前学习周期进行调整,故障诊断单元在选定标记的历史运行数据曲线的数量为1时,将根据选定标记的历史运行数据曲线在所述位置曲线矩阵中选取对应的故障位置作为输出,完成设备的故障诊断。
通过数量采集单元对待诊断设备的历史故障节点中的故障位置以及故障节点前的历史运行数据进行采集,保障了实际故障位置与实际的运行数据之间的准确匹配,若待诊断设备的历史故障数据较少,还可以针对与待诊断设备同型号设备的历史故障数据进行采集,保障故障位置定位的全面性,通过设置数据学习单元,对每个故障位置出现故障前的历史运行数据进行学习,生成各故障位置对应的历史运行数据曲线,曲线的周期为初始故障前学习周期Tc,通过设置故障诊断单元将出现故障的待诊断设备的实时运行数据进行转换,生成实时运行数据曲线,通过将实时运行数据曲线与各历史运行数据曲线进行相似度对比以及数量判定,确实对应的故障位置,不但减少了硬件设置,而且极大程度地提高了故障位置诊断的准确性。
具体而言,所述数据学习单元内设置有初始故障前学习周期Tc,数据学习单元将对各历史故障节点的故障位置以及各历史故障节点前Tc内的历史运行数据进行学习,生成位置曲线矩阵S-U=(S1-U(t)1、S2-U(t)2、S3-U(t)3……Sn-U(t)n),其中,S1为第一故障位置、S2为第二故障位置、S3为第三故障位置……Sn为第n故障位置;U(t)1为第一故障位置在故障节点前Tc内的历史运行数据曲线,U(t)2为第二故障位置在故障节点前Tc内的历史运行数据曲线,U(t)3为第三故障位置在故障节点前Tc内的历史运行数据曲线……U(t)n为第n故障位置在故障节点前Tc内的历史运行数据曲线,其中任意一历史运行数据曲线U(t)i为历史运行数据值随时间变化的曲线,其中, i=1、2、3……n。
通过数据学习单元对各历史故障节点的故障位置以及的历史运行数据进行学习,快速生成在初始故障前学习周期内的各故障位置以及对应的历史运行数据曲线的矩阵,保障了实际故障位置与实际的运行数据之间的准确匹配,并且由于历史数据的真实性,也保证了生成的位置曲线矩阵的准确性,使故障诊断的位置定位更加精准。
具体而言,所述故障诊断单元内设置有第一预设相似度M1与第二预设相似度M2,其中,M1<M2,所述故障诊断单元获取待诊断设备故障前Tc内的实时运行数据,并生成实时运行数据曲线U(t)s,故障诊断单元将在位置曲线矩阵S-U中获取任意一历史运行数据曲线U(t)i,其中,i=1、2、3……n,故障诊断单元计算实时运行数据曲线U(t)s与历史运行数据曲线U(t)i的实时相似度Ms,并将实时相似度Ms与第一预设相似度M1和第二预设相似度M2进行对比,
当Ms<M1时,所述故障诊断单元判定实时相似度低于第一预设相似度M1,故障诊断单元不对历史运行数据曲线U(t)i进行选定标记,并在所述位置曲线矩阵S-U中获取除U(t)i外的另一历史运行数据曲线进行判定,直至将位置曲线矩阵S-U中全部的历史运行数据曲线判定完成;
当M1≤Ms≤M2时,所述故障诊断单元判定实时相似度在第一预设相似度与第二预设相似度之间,故障诊断单元将对实时运行数据曲线U(t)s的实时运行数据低差值进行判定,以确定是否对历史运行数据曲线U(t)i进行选定标记;
当Ms>M2时,所述故障诊断单元判定实时相似度高于第二预设相似度,中控单元将对历史运行数据曲线U(t)i进行选定标记,并在所述位置曲线矩阵S-U中获取除U(t)i外的另一历史运行数据曲线进行判定,直至将位置曲线矩阵S-U中全部的历史运行数据曲线判定完成。
通过计算实时运行数据曲线与历史运行数据曲线的实时相似度,能够快速确定实时运行数据是否与正在判定的历史运行数据匹配,同时,在设备的可能故障点较少时,能够使***快速进行准确的数据匹配,精准的确定出故障位置,在设备的可能故障点较多时,通过设置第一预设相似度和第二预设相似度对计算出的实时相似度进行快速筛选,在保障故障诊断准确率的同时提高了故障诊断的效率。
具体而言,所述故障诊断单元内设置有标准运行数据差值Δub,当所述故障诊断单元判定实时相似度在第一预设相似度与第二预设相似度之间时,所述故障诊断单元将获取实时运行数据曲线U(t)s中的实时运行数据最小值usa与历史运行数据曲线U(t)i中的历史运行数据最小值uia,并根据实时运行数据最小值usa与历史运行数据最小值uia计算实时运行数据低差值Δus,Δus=|usa-uia|,故障诊断单元将实时运行数据低差值Δus与标准运行数据差值Δub进行对比,
当Δus≤Δub时,所述故障诊断单元判定实时运行数据低差值未超出标准运行数据差值,故障诊断单元将对实时运行数据曲线U(t)s的实时运行数据高差值进行判定,以确定是否对历史运行数据曲线U(t)i进行选定标记;
当Δus>Δub时,所述故障诊断单元判定实时运行数据低差值已超出标准运行数据差值,故障诊断单元不对历史运行数据曲线U(t)i进行选定标记。
当故障诊断单元判定实时相似度在第一预设相似度与第二预设相似度之间时,通过计算实时运行数据最小值与历史运行数据最小值计算实时运行数据低差值,用以表示实时曲线的下限偏移程度,通过设置标准值进行对比,快速筛选出非匹配的历史运行数据曲线,保障诊断***的正常运行。
具体而言,当所述故障诊断单元判定实时运行数据低差值未超出标准运行数据差值时,所述故障诊断单元将获取实时运行数据曲线U(t)s中的实时运行数据最大值usz与历史运行数据曲线U(t)i中的历史运行数据最大值uiz,并根据实时运行数据最大值usz与历史运行数据最大值uiz计算实时运行数据高差值Δuh,Δuh=|usz-uiz|,故障诊断单元将实时运行数据高差值Δuh与标准运行数据差值Δub进行对比,
当Δuh≤Δub时,所述故障诊断单元判定实时运行数据高差值未超出标准运行数据差值,故障诊断单元对历史运行数据曲线U(t)i进行选定标记;
当Δuh>Δub时,所述故障诊断单元判定实时运行数据高差值已超出标准运行数据差值,故障诊断单元不对历史运行数据曲线U(t)i进行选定标记。
在实时运行数据低差值未超出标准运行数据差值时,将根据实时运行数据最大值与历史运行数据最大值计算实时运行数据高差值,用来表示实时曲线的上限偏移程度,并将其再次与标准运行数据差值进行对比,快速地进行历史运行数据曲线的选定标记,提高故障诊断的效率。
具体而言,所述故障诊断单元在对位置曲线矩阵S-U中全部的历史运行数据曲线判定完成后,将对进行选定标记的历史运行数据曲线的数量进行判定,
若选定标记的历史运行数据曲线的数量为0时,所述故障诊断单元将对所述数据学习单元内设置有初始故障前学习周期Tc进行调整;
若选定标记的历史运行数据曲线的数量为1时,所述故障诊断单元将根据选定标记的历史运行数据曲线在所述位置曲线矩阵S-U中选取对应的故障位置作为输出,完成设备的故障诊断;
若选定标记的历史运行数据曲线的数量大于1时,所述故障诊断单元将根据选定标记的历史运行数据曲线的数量对所述数据学习单元内设置有初始故障前学习周期Tc进行调整。
对具有选定标记的历史运行数据曲线的数量进判定,当数量为0时,表示位置曲线矩阵中无历史运行数据与实时运行数据匹配,当数量为1时,表示仅有1个匹配项,直接在位置曲线矩阵中选取对应的故障位置作为输出,完成设备的故障诊断,当数量大于1时,存在多个匹配项,表示位置曲线矩阵的精度较低,因此需对初始故障前学习周期进行调整,确定故障诊断***仅存在一个匹配项,提高了故障位置诊断的定位精度。
具体而言,所述故障诊断单元内设置有调级周期Tj,故障诊断单元在选定标记的历史运行数据曲线的数量为0时,将所述数据学习单元的初始故障前学习周期调整为Tc’,Tc’=Tc-Tj,所述数据学习单元将对各历史故障节点的故障位置以及各历史故障节点前Tc’内的历史运行数据进行学习,生成位置曲线矩阵S-U’,所述故障诊断单元重复上述根据实时相似度判定对历史运行数据曲线进行选定标记,与根据选定标记历史运行数据曲线数量对初始故障前学习周期进行调整的操作,直至使选定标记的历史运行数据曲线数量大于等于1时,停止对数据学习单元的初始故障前学习周期的调整。
在位置曲线矩阵中无历史运行数据与实时运行数据匹配时,通过逐级地减小学习单元的学习周期,缩短各历史运行数据曲线以及实时运行数据曲线的长度,增大匹配标准,以保障故障诊断***能够产生故障位置的输出,保障了***的正常运行。
具体而言,所述故障诊断单元在选定标记的历史运行数据曲线的数量大于1时,将所述数据学习单元的初始故障前学习周期调整为Tc’,Tc’=Tc×[1+(k-1)/n],其中,k为选定标记的历史运行数据曲线的数量,n为位置曲线矩阵S-U中历史运行数据曲线的总数量,所述数据学习单元将对各历史故障节点的故障位置以及各历史故障节点前Tc’内的历史运行数据进行学习,生成位置曲线矩阵S-U’,所述故障诊断单元重复上述根据实时相似度判定对历史运行数据曲线进行选定标记,与根据选定标记历史运行数据曲线数量对初始故障前学习周期进行调整的操作,直至使选定标记的历史运行数据曲线数量小于等于1时,停止对数据学习单元的初始故障前学习周期的调整。
在选定标记的历史运行数据曲线的数量大于1时,表示故障诊断***的诊断精度不足,根据实际的历史运行数据曲线的数量对数据学习单元的学习周期进行增加调整,提高故障诊断***的诊断精度,通过能够有效的减小选定标记的历史运行数据曲线的数量,通过重复判定调节操作,直至使选定标记历史运行数据曲线的数量为1,准确地输出对应为故障位置,进一步提高了故障诊断***的故障定位准确性。
具体而言,所述历史运行数据为待诊断设备的电压运行数据、电流运行数据、温度运行数据、噪音运行数据的一种或多种。
具体而言,所述数据监测单元获取的待诊断设备的实时运行数据,应与所述数据采集单元采集的历史运行数据种类一致。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征做出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述仅为本发明的优选实施例,并不用于限制本发明;对于本领域的技术人员来说,本发明可以有各种更改和变化。 凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于深度强化学习的设备智能故障诊断***,其特征在于,包括,
数据采集单元,用以采集待诊断设备的若干历史故障节点、各历史故障节点的故障位置以及各历史故障节点前的历史运行数据;
数据监测单元,其与待诊断设备相连,用以获取待诊断设备的实时运行数据,
数据学习单元,其与所述数据采集单元相连,所述数据学习单元内设置有初始故障前学习周期,数据学习单元能够对待诊断设备的各历史故障节点的故障位置,以及各历史故障节点前初始故障前学习周期的历史运行数据进行学习,生成位置曲线矩阵;
故障诊断单元,其与所述数据采集单元、数据监测单元以及数据学习单元分别相连,所述故障诊断单元能够根据待诊断设备的实时运行数据生成实时运行数据曲线,并将实时运行数据曲线与位置曲线矩阵中的各历史运行数据曲线进行实时相似度判定,确定是否对判定的历史运行数据曲线进行选定标记,故障诊断单元在选定标记的历史运行数据曲线的数量不为1时,将对数据学习单元的初始故障前学习周期进行调整,故障诊断单元在选定标记的历史运行数据曲线的数量为1时,将根据选定标记的历史运行数据曲线在所述位置曲线矩阵中选取对应的故障位置作为输出,完成设备的故障诊断。
2.根据权利要求1所述的基于深度强化学习的设备智能故障诊断***,其特征在于,所述数据学习单元内设置有初始故障前学习周期Tc,数据学习单元将对各历史故障节点的故障位置以及各历史故障节点前Tc内的历史运行数据进行学习,生成位置曲线矩阵S-U=(S1-U(t)1、S2-U(t)2、S3-U(t)3……Sn-U(t)n),其中,S1为第一故障位置、S2为第二故障位置、S3为第三故障位置……Sn为第n故障位置;U(t)1为第一故障位置在故障节点前Tc内的历史运行数据曲线,U(t)2为第二故障位置在故障节点前Tc内的历史运行数据曲线,U(t)3为第三故障位置在故障节点前Tc内的历史运行数据曲线……U(t)n为第n故障位置在故障节点前Tc内的历史运行数据曲线,其中任意一历史运行数据曲线U(t)i为历史运行数据值随时间变化的曲线,其中, i=1、2、3……n。
3.根据权利要求2所述的基于深度强化学习的设备智能故障诊断***,其特征在于,所述故障诊断单元内设置有第一预设相似度M1与第二预设相似度M2,其中,M1<M2,所述故障诊断单元获取待诊断设备故障前Tc内的实时运行数据,并生成实时运行数据曲线U(t)s,故障诊断单元将在位置曲线矩阵S-U中获取任意一历史运行数据曲线U(t)i,其中,i=1、2、3……n,故障诊断单元计算实时运行数据曲线U(t)s与历史运行数据曲线U(t)i的实时相似度Ms,并将实时相似度Ms与第一预设相似度M1和第二预设相似度M2进行对比,
当Ms<M1时,所述故障诊断单元判定实时相似度低于第一预设相似度M1,故障诊断单元不对历史运行数据曲线U(t)i进行选定标记,并在所述位置曲线矩阵S-U中获取除U(t)i外的另一历史运行数据曲线进行判定,直至将位置曲线矩阵S-U中全部的历史运行数据曲线判定完成;
当M1≤Ms≤M2时,所述故障诊断单元判定实时相似度在第一预设相似度与第二预设相似度之间,故障诊断单元将对实时运行数据曲线U(t)s的实时运行数据低差值进行判定,以确定是否对历史运行数据曲线U(t)i进行选定标记;
当Ms>M2时,所述故障诊断单元判定实时相似度高于第二预设相似度,中控单元将对历史运行数据曲线U(t)i进行选定标记,并在所述位置曲线矩阵S-U中获取除U(t)i外的另一历史运行数据曲线进行判定,直至将位置曲线矩阵S-U中全部的历史运行数据曲线判定完成。
4.根据权利要求3所述的基于深度强化学习的设备智能故障诊断***,其特征在于,所述故障诊断单元内设置有标准运行数据差值Δub,当所述故障诊断单元判定实时相似度在第一预设相似度与第二预设相似度之间时,所述故障诊断单元将获取实时运行数据曲线U(t)s中的实时运行数据最小值usa与历史运行数据曲线U(t)i中的历史运行数据最小值uia,并根据实时运行数据最小值usa与历史运行数据最小值uia计算实时运行数据低差值Δus,Δus=|usa-uia|,故障诊断单元将实时运行数据低差值Δus与标准运行数据差值Δub进行对比,
当Δus≤Δub时,所述故障诊断单元判定实时运行数据低差值未超出标准运行数据差值,故障诊断单元将对实时运行数据曲线U(t)s的实时运行数据高差值进行判定,以确定是否对历史运行数据曲线U(t)i进行选定标记;
当Δus>Δub时,所述故障诊断单元判定实时运行数据低差值已超出标准运行数据差值,故障诊断单元不对历史运行数据曲线U(t)i进行选定标记。
5.根据权利要求4所述的基于深度强化学习的设备智能故障诊断***,其特征在于,当所述故障诊断单元判定实时运行数据低差值未超出标准运行数据差值时,所述故障诊断单元将获取实时运行数据曲线U(t)s中的实时运行数据最大值usz与历史运行数据曲线U(t)i中的历史运行数据最大值uiz,并根据实时运行数据最大值usz与历史运行数据最大值uiz计算实时运行数据高差值Δuh,Δuh=|usz-uiz|,故障诊断单元将实时运行数据高差值Δuh与标准运行数据差值Δub进行对比,
当Δuh≤Δub时,所述故障诊断单元判定实时运行数据高差值未超出标准运行数据差值,故障诊断单元对历史运行数据曲线U(t)i进行选定标记;
当Δuh>Δub时,所述故障诊断单元判定实时运行数据高差值已超出标准运行数据差值,故障诊断单元不对历史运行数据曲线U(t)i进行选定标记。
6.根据权利要求5所述的基于深度强化学习的设备智能故障诊断***,其特征在于,所述故障诊断单元在对位置曲线矩阵S-U中全部的历史运行数据曲线判定完成后,将对进行选定标记的历史运行数据曲线的数量进行判定,
若选定标记的历史运行数据曲线的数量为0时,所述故障诊断单元将对所述数据学习单元内设置有初始故障前学习周期Tc进行调整;
若选定标记的历史运行数据曲线的数量为1时,所述故障诊断单元将根据选定标记的历史运行数据曲线在所述位置曲线矩阵S-U中选取对应的故障位置作为输出,完成设备的故障诊断;
若选定标记的历史运行数据曲线的数量大于1时,所述故障诊断单元将根据选定标记的历史运行数据曲线的数量对所述数据学习单元内设置有初始故障前学习周期Tc进行调整。
7.根据权利要求6所述的基于深度强化学习的设备智能故障诊断***,其特征在于,所述故障诊断单元内设置有调级周期Tj,故障诊断单元在选定标记的历史运行数据曲线的数量为0时,将所述数据学习单元的初始故障前学习周期调整为Tc’,Tc’=Tc-Tj,所述数据学习单元将对各历史故障节点的故障位置以及各历史故障节点前Tc’内的历史运行数据进行学习,生成位置曲线矩阵S-U’,所述故障诊断单元重复上述根据实时相似度判定对历史运行数据曲线进行选定标记,与根据选定标记历史运行数据曲线数量对初始故障前学习周期进行调整的操作,直至使选定标记的历史运行数据曲线数量大于等于1时,停止对数据学习单元的初始故障前学习周期的调整。
8.根据权利要求6所述的基于深度强化学习的设备智能故障诊断***,其特征在于,所述故障诊断单元在选定标记的历史运行数据曲线的数量大于1时,将所述数据学习单元的初始故障前学习周期调整为Tc’,Tc’=Tc×[1+(k-1)/n],其中,k为选定标记的历史运行数据曲线的数量,n为位置曲线矩阵S-U中历史运行数据曲线的总数量,所述数据学习单元将对各历史故障节点的故障位置以及各历史故障节点前Tc’内的历史运行数据进行学习,生成位置曲线矩阵S-U’,所述故障诊断单元重复上述根据实时相似度判定对历史运行数据曲线进行选定标记,与根据选定标记历史运行数据曲线数量对初始故障前学习周期进行调整的操作,直至使选定标记的历史运行数据曲线数量小于等于1时,停止对数据学习单元的初始故障前学习周期的调整。
9.根据权利要求1所述的基于深度强化学习的设备智能故障诊断***,其特征在于,所述历史运行数据为待诊断设备的电压运行数据、电流运行数据、温度运行数据、噪音运行数据的一种或多种。
10.根据权利要求9所述的基于深度强化学习的设备智能故障诊断***,其特征在于,所述数据监测单元获取的待诊断设备的实时运行数据,应与所述数据采集单元采集的历史运行数据种类一致。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211438944.8A CN115576733B (zh) | 2022-11-17 | 2022-11-17 | 一种基于深度强化学习的设备智能故障诊断*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211438944.8A CN115576733B (zh) | 2022-11-17 | 2022-11-17 | 一种基于深度强化学习的设备智能故障诊断*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115576733A true CN115576733A (zh) | 2023-01-06 |
CN115576733B CN115576733B (zh) | 2023-03-10 |
Family
ID=84588313
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211438944.8A Active CN115576733B (zh) | 2022-11-17 | 2022-11-17 | 一种基于深度强化学习的设备智能故障诊断*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115576733B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120084615A1 (en) * | 2010-09-30 | 2012-04-05 | Kimio Ozawa | Fault information managing method and fault information managing program |
US20150160098A1 (en) * | 2013-11-01 | 2015-06-11 | Hitachi Power Solutions Co., Ltd. | Health management system, fault diagnosis system, health management method, and fault diagnosis method |
CN107526784A (zh) * | 2017-07-27 | 2017-12-29 | 上海电力学院 | 一种基于矩阵填充的故障诊断方法 |
CN109933500A (zh) * | 2019-03-27 | 2019-06-25 | 新奥数能科技有限公司 | 设备故障告警方法、装置、可读介质及电子设备 |
CN113834657A (zh) * | 2021-09-24 | 2021-12-24 | 北京航空航天大学 | 一种基于改进mset及频谱特征的轴承故障预警及诊断方法 |
CN114816917A (zh) * | 2022-04-24 | 2022-07-29 | 京东科技信息技术有限公司 | 监测数据处理方法、装置、设备及存储介质 |
-
2022
- 2022-11-17 CN CN202211438944.8A patent/CN115576733B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120084615A1 (en) * | 2010-09-30 | 2012-04-05 | Kimio Ozawa | Fault information managing method and fault information managing program |
US20150160098A1 (en) * | 2013-11-01 | 2015-06-11 | Hitachi Power Solutions Co., Ltd. | Health management system, fault diagnosis system, health management method, and fault diagnosis method |
CN107526784A (zh) * | 2017-07-27 | 2017-12-29 | 上海电力学院 | 一种基于矩阵填充的故障诊断方法 |
CN109933500A (zh) * | 2019-03-27 | 2019-06-25 | 新奥数能科技有限公司 | 设备故障告警方法、装置、可读介质及电子设备 |
CN113834657A (zh) * | 2021-09-24 | 2021-12-24 | 北京航空航天大学 | 一种基于改进mset及频谱特征的轴承故障预警及诊断方法 |
CN114816917A (zh) * | 2022-04-24 | 2022-07-29 | 京东科技信息技术有限公司 | 监测数据处理方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
焦嵩鸣: "基于融合相似度的制粉***健康预警及故障诊断", 《***仿真学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN115576733B (zh) | 2023-03-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6862484B2 (en) | Controlling method for manufacturing process | |
EP3376637B1 (en) | Converter valve fault warning method and system | |
EP1132789A2 (en) | Machining control system | |
CN108931709A (zh) | 一种高容错率的配网故障定位方法 | |
CN106912067B (zh) | 一种基于模糊神经网络的wsn无线通信模块故障诊断方法 | |
US20050192698A1 (en) | Method and system for improving process control for semiconductor manufacturing operations | |
CN115903707A (zh) | 一种基于工位监测的连接线生产优化方法及*** | |
US20220042952A1 (en) | State estimation device and state estimation method | |
CN117706413B (zh) | 一种基于数据分析的标准电源模块运行自检*** | |
CN115576733B (zh) | 一种基于深度强化学习的设备智能故障诊断*** | |
CN111682925B (zh) | 智慧路灯用数据采集及处理方法 | |
CN112034699A (zh) | 一种冗余***高精度散热控制方法 | |
CN115908051A (zh) | 一种电力***储能容量确定方法 | |
CN117609679A (zh) | 基于多源数据的电动推杆故障检测方法 | |
CN116594446B (zh) | 一种大数据中心温控方法及*** | |
CN112505482A (zh) | 一种基于智能化故障定位的电网自愈方法及实现该方法的*** | |
CN115880100A (zh) | 一种基于云端平台的智慧电网数据处理方法与*** | |
CN117730316A (zh) | 测量设备的改进及与测量设备相关的改进 | |
CN116457740A (zh) | 自动生成传感器数据的时间序列的训练数据 | |
Hayashi et al. | A new manufacturing control system using Mahalanobis distance for maximizing productivity | |
CN115561565B (zh) | 一种基于网络通信的高压变频器监测装置及方法 | |
Suyama | Fault detection of redundant sensors used in reliable sampled-data control systems | |
US20220292353A1 (en) | Training Dataset, Training and Artificial Neural Network for the State Estimation of a Power Network | |
CN118249507A (zh) | 基于馈线自动化的智能电网供电数据智能管理方法 | |
EP4228164A1 (en) | Transceiver for transmitting and receiving signals and method for the transceiver |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |