[发明专利]一种设备故障诊断方法

说明书

本发明属于设备运行保障技术领域，具体涉及一种设备故障诊断方法；它包括以下步骤：确定研究设备的类别、额定参数、初始寿命周期；针对对象类别特点建立专家系统模型规则库；建立对象历史数据库；引入人工神经网络来对高维非线性问题进行建模；利用BP神经网络实现故障诊断；本发明一种设备故障诊断方法，引入大数据、人工智能算法等技术将设备额定参数、设备运行工况和设备运维历史和经验等数据化、模型化、标准化，同时赋予诊断系统智能学习更迭能力，根据结果输出对调试参数进行反馈修正，最终通过可视化平台展示反映设备全生命周期状态，为故障预警、诊断分析、故障检修决策提供数据支持，从而降低设备故障率。

技术领域

本发明属于设备运行保障技术领域，具体涉及一种设备故障诊断方法。

背景技术

当前对运行设备故障的预警、定检诊断完全基于运维人员的经验来判断，但是由于运维人员工作经历、工作状态以及个体的差异性，从而会导致对于故障的诊断存在偏差，同时人员流动、分工变动导致运维人员经验值的继承无法有效延续，试错成本和机会成本处于波浪起伏状态，设备数量众多，运维人员的精力无法完全集中也会导致判断滞后、遗漏等情况的发生，无法完成事前预警和有效的定检决策。

发明内容

本发明的目的是为了克服现有技术的不足，而提供一种能够有效诊断设备故障的方案，为设备检修到期提醒、故障诊断、定检决策提供数据支持的一种设备故障诊断方法。

本发明的目的是这样实现的，一种设备故障诊断方法，它包括以下步骤：

步骤1：确定研究设备的类别、额定参数、初始寿命周期；

步骤2：针对对象类别特点建立专家系统模型规则库；

步骤3：建立对象历史数据库；

步骤4：引入人工神经网络来对高维非线性问题进行建模；

步骤5：利用BP神经网络实现故障诊断。

步骤1中所述的设备类别包括机械、电机、阀门，所述的设备额定参数包括功率、电压、频率、转速、温度；

步骤2中所述的专家系统模型规则库，包括故障数据库、规则库、知识库；RBF网络是一种三层神经网络，其包括输入层、隐层、输出层，从输入空间到隐层空间的变换是非线性的，而从隐层空间到输出层空间变换是线性的；

RBF网络的基本原理是：用RBF作为隐单元的“基”构成隐含层空间，这样就可以将输入矢量直接映射到隐空间，而不需要通过权连接，当RBF的中心点确定以后，这种映射关系也就确定了，而隐含层空间到输出空间的映射是线性的，即网络的输出是隐单元输出的线性加权和，此处的权即为网络可调参数；径向基神经网络的激活函数可表示为：

其中x_p为第p个输入样本，c_i为第i个中心点，h为隐含层的结点数，n是输出的样本数或分类数。径向基神经网络的结构可得到网络的输出为：

当然，采用最小二乘的损失函数表示：

求解的参数有3个：基函数的中心、方差以及隐含层到输出层的权值；

采取自组织选取中心学习方法：

第一步：无监督学习过程，求解隐含层基函数的中心与方差；

第二步：有监督学习过程，求解隐含层到输出层之间的权值；

首先，选取h个中心做k-means聚类，对于高斯核函数的径向基，方差由公式求解：

c_max为所选取中心点之间的最大距离；