[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

说明书

本发明公开了一种基于深度神经网络的设备健康状况评估方法和装置。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。本发明提供的方法，结合设备大数据的特点与深度神经网络的优势，可以同时完成设备大数据故障特征自适应提取和设备健康状况的识别，还可以自适应地提取健康状况信号频谱中蕴含的故障信息，取得了较高的设备健康评估精度，更能表征设备数据内部隐藏的复杂多变的特性，在面对复杂的监测诊断任务时，可以更准备地识别设备健康状况。

技术领域

本发明涉及深度神经网络技术领域，特别涉及一种基于深度神经网络的设备健康状况评估方法和装置。

背景技术

设备健康状况评估在设备的维护检修领域是十分重要的，特别是互联网技术的发展，使得利用互联网技术来智能判断设备健康状况，成为日趋重要的技术手段。

传统设备健康状况评估方法，是基于“信号处理的特征提取+机器学习模型”，该传统方法的如下不足：

在特征提取方面，需要掌握大量的信号处理技术结合丰富的工程实践经验来提取故障特征，并且孤立的对待特征提取与健康评估两个环节，并未考虑它们之间的关系；

在模型训练方面，使用浅层模型表证信号与健康状况之间复杂的映射关系，导致面对设备大数据时，模型的分析评估能力有明显不足，很难满足大数据背景下设备健康状况评估的实际需求。

发明内容

为了解决现有技术的问题，本发明实施例提供了一种基于深度神经网络的设备健康状况评估方法和装置。所述技术方案如下：

一方面，本发明实施例提供了一种基于深度神经网络的设备健康状况评估方法，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，并采用降噪自动编码器(Denoised Auto Encoder，简称“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。

在本发明实施例上述的设备健康状况评估方法中，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。

在本发明实施例上述的设备健康状况评估方法中，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，采用误差反传播(Back Propagation，简称“BP”)算法，对预设的深度神经网络的参数进行微调。

在本发明实施例上述的设备健康状况评估方法中，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。

在本发明实施例上述的设备健康状况评估方法中，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。

另一方面，本发明实施例提供了一种基于深度神经网络的设备健康状况评估装置，所述装置包括：