[发明专利]一种基于深度神经网络的设备健康状况评估方法和装置

权利要求书

1.一种基于深度神经网络的设备健康状况评估方法，其特征在于，所述方法包括：

将待测设备模拟运行在不同的工作状态下，并获取不同工作状态下对应的振动频域信号；

随机选取预设数量的振动频域信号作为样本数据，并采用DAE算法，来训练预设的深度神经网络；

采用训练好的深度神经网络，来评估待测设备的健康状态。

2.根据权利要求1所述的方法，其特征在于，所述随机选取预设数量的振动频域信号作为样本数据，并采用DAE算法，来训练预设的深度神经网络，包括：

采用无监督学习方式并利用DAE算法，逐层训练深度神经网络的每层隐藏层。

3.根据权利要求2所述的方法，其特征在于，在完成预设的深度神经网络的训练之前，所述方法还包括：

根据样本数据健康状态的不同类型，采用BP算法，对预设的深度神经网络的参数进行微调。

4.根据权利要求3所述的方法，其特征在于，所述预设的深度神经网络包括五层隐藏层，五层隐藏层中每层隐藏层的神经元个数依次分别为400、200、100、50和8。

5.根据权利要求1所述的方法，其特征在于，所述待测设备为核电站CRF，所述获取不同工作状态下对应的振动频域信号，包括：

从水平、垂直、轴向三个方向，对核电站CRF的预设振动测点采集振动频域信号，所述预设振动测点包括：电机非驱动端测点、电机驱动端测点、齿轮箱输入端测点、行星架测点、大齿圈测点、输出轴测点、泵上轴承座近驱动端测点、泵上轴承座远驱动端测点。

6.一种基于深度神经网络的设备健康状况评估装置，其特征在于，包括：

获取模块，用于将待测设备模拟运行在不同的工作状态下，并获取不同工作状态下对应的振动频域信号；

训练模块，用于随机选取预设数量的振动频域信号作为样本数据，并采用DAE算法，来训练预设的深度神经网络；

处理模块，用于采用训练好的深度神经网络，来评估待测设备的健康状态。

7.根据权利要求6所述的装置，其特征在于，所述训练模块，还用于采用无监督学习方式并利用DAE算法，逐层训练深度神经网络的每层隐藏层。

8.根据权利要求7所述的装置，其特征在于，还包括：

调整模块，用于根据样本数据健康状态的不同类型，采用BP算法，对预设的深度神经网络的参数进行微调。

9.根据权利要求8所述的装置，其特征在于，所述预设的深度神经网络包括五层隐藏层，五层隐藏层中每层隐藏层的神经元个数依次分别为400、200、100、50和8。

10.根据权利要求6所述的装置，其特征在于，所述待测设备为核电站CRF，所述获取模块，还用于从水平、垂直、轴向三个方向，对核电站CRF的预设振动测点采集振动频域信号，所述预设振动测点包括：电机非驱动端测点、电机驱动端测点、齿轮箱输入端测点、行星架测点、大齿圈测点、输出轴测点、泵上轴承座近驱动端测点、泵上轴承座远驱动端测点。