[发明专利]一种面向工业设备数据的故障诊断方法及系统

权利要求书

1.一种面向工业设备数据的故障诊断方法，其特征在于，所述方法包括：

获取各种故障类型下多个传感器的检测数据，各所述传感器的检测数据为多个；

为各所述传感器构建一个深度置信网络；

对各所述深度置信网络进行优化，确定各所述深度置信网络的网络超参数；

以所述传感器的检测数据为输入，以所述传感器的检测数据对应的故障类型的概率为输出，训练优化后的各所述深度置信网络；

将待诊断检测数据输入训练后的各所述深度置信网络中，输出多个各故障类型的概率；

采用基于皮尔逊系数的改进D-S证据理论对各所述故障类型的概率值进行决策层融合，输出故障类型。

2.根据权利要求1所述的面向工业设备数据的故障诊断方法，其特征在于，所述为各所述传感器构建一个深度置信网络，具体包括：

初始化各深度置信网络：设置各所述深度置信网络的网络节点数、训练学习率、动量参数和迭代次数。

3.根据权利要求1所述的面向工业设备数据的故障诊断方法，其特征在于，所述对各所述深度置信网络进行优化，确定各所述深度置信网络的网络超参数，具体包括：

采用量子粒子群算法对各所述深度置信网络进行优化，确定各所述深度置信网络的网络超参数。

4.根据权利要求3所述的面向工业设备数据的故障诊断方法，其特征在于，所述采用量子粒子群算法对各所述深度置信网络进行优化，确定各所述深度置信网络的网络超参数，具体包括：

设定粒子群的种群规模和最大迭代数，并生成给定数量的粒子群；所述粒子群中每个粒子表示一个所述深度置信网络的待优化超参数；

设定所述粒子群的适应度函数；

计算各粒子的初始适应度；

将各粒子的初始适应度作为各粒子的个体极值；

将各个体极值中的最优值作为群体极值并计算所述粒子的平均适应度；

根据所述群体极值、所述平均适应度和各粒子的所述个体极值更新各粒子的位置；

计算各粒子的适应度，初始化迭代数；

将各粒子的所述适应度作为各粒子的个体极值；

将各个体极值中的最优值作为群体极值并计算所述粒子的平均适应度，所述迭代数加1；

判断所述迭代数是否达到最大迭代数；

若否，则返回“根据所述群体极值、所述平均适应度和各粒子的所述个体极值更新各粒子的位置”；

若是，则将所述群体极值对应的粒子表示的参数作为所述深度置信网络的网络超参数。

5.根据权利要求1所述的面向工业设备数据的故障诊断方法，其特征在于，所述采用基于皮尔逊系数的改进D-S证据理论对各所述故障类型的概率值进行决策层融合，输出故障类型，具体包括：

将各所述深度置信网络输出的多个各故障类型的概率作为初始概率分配矩阵；

计算各传感器证据体之间的相关性系数；

根据各所述相关性系数获得各传感器证据体之间的相关性矩阵；

计算各所述传感器证据体的可信度；

根据各所述传感器证据体的可信度修正所述初始概率分配矩阵；

将修正后的所述初始概率分配矩阵中概率为0的项修改为0.001，将概率最大的项减去0.001，获得修正后的概率分配矩阵；

根据所述修正后的概率分配矩阵，采用D-S证据理论的合成规则计算每个故障类型的概率值；

将各故障类型的概率值中最大值对应的故障类型作为输出结果。