[发明专利]一种基于网络模型免疫优化的设备故障诊断方法

说明书

本发明涉及一种基于网络模型免疫优化的设备故障诊断方法，包括如下步骤：步骤1、对采集的设备数据进行预处理，得到多帧时频图，并将多帧时频图构建成训练集和测试集；步骤2、构建神经网络并对其进行初始化，接着对初始化的神经网络进行优化，得到至少两个优化后的神经网络，并对每个优化后的神经网络进行训练，得到每个训练完成后的神经网络；步骤3、将测试集中的同一个测试样本输入到训练完成后的每个神经网络中，并对每个神经网络输出结果进行融合，即得到设备的故障诊断结果。该方法简单，通过抗体的方式事先确定出神经网络的卷积核个数最优值，提高了神经网络的识别准确率，同时该方法的有效抗体选取耗时少，减少神经网络的模型优化周期。

技术领域

本发明涉及故障诊断领域，特别涉及一种基于网络模型免疫优化的设备故障诊断方法。

背景技术

设备故障诊断是维修系统的重要组成部分，它对于安全性维护和减少意外重大故障引起的经济损失具有重要意义。在旋转机械实际运行过程中由于工况复杂、过载、安装精度差及润滑不良等原因，滚动轴承外圈、滚动体及内圈等部件极容易发生故障，进而影响机械系统整体运行的安全性和可靠性。为此，发现早期故障，并进行及时维修是工业界的一大应用需求。

随着深度学习的兴起，许多深度网络模型被研究提出应用于故障诊断等应用。如专利号为专利ZL201811312879.8的中国发明专利公开了一种电动汽车故障诊断方法，包括：采集加速踏板位置、车速、电动机转速、发电机转速和发动机转速的信号，建立故障决策表，并对采集的数据进行预处理；将建立的故障决策表进行二进制粒化，用粒计算对所述故障决策表进行属性约简，得到最小属性集；以所述最小属性集中的条件属性作为输入，以其决策属性作为输出，进行BP神经网络与RBF神经网络的训练，确定BP神经网络与RBF神经网络的隐含层层数及隐含层神经元节点数，设置训练参数，所述训练参至少包括：训练次数、训练函数；利用训练好的BP神经网络与RBF神经网络进行实时故障诊断，得到两个网络的故障诊断结果；利用证据理论将BP神经网络与RBF神经网络的诊断结果进行融合得到最终诊断结果。

但由于深度网络模型极易受应用领域、数据数量和质量的影响，需要不断调整网络模型参数或结构，非常耗时，导致应用开发周期长。为此需要进一步改进。

发明内容

本发明所要解决的技术问题是针对上述现有技术提供一种网络训练时间短且能提高故障诊断准确率的基于网络模型免疫优化的设备故障诊断方法。

本发明解决上述技术问题所采用的技术方案为：一种基于网络模型免疫优化的设备故障诊断方法，其特征在于包括如下步骤：

步骤1、对采集的设备数据进行预处理，得到多帧时频图，并将多帧时频图构建成训练集和测试集；

步骤2、构建神经网络并对其进行初始化，接着对初始化的神经网络进行优化，得到至少两个优化后的神经网络，并对每个优化后的神经网络进行训练，得到每个训练完成后的神经网络；

其中初始化的神经网络具体优化过程为：

步骤2-1、设定循环次数a，a的初始值为0；初次循环时，生成N个父类抗体，并将其组成父类抗体集合，每个父类抗体的抗体基因为随机生成的神经网络中每一个卷积层的卷积核个数；N为大于等于1的自然数；

步骤2-2、使用每个父类抗体对神经网络进行评估，得到每个父类抗体的评价分数；

具体过程为：以预设第一迭代次数c₀以及步骤21中每个父类抗体的抗体基因作为神经网络每一个卷积层的卷积核个数，生成N个神经网络，并选取训练集中的部分训练样本分别输入到N个神经网络中，得到每个父类抗体的评价分数；

步骤2-3、对每个父类抗体进行变异繁殖，使每个父类抗体分别产生k个子类抗体，从而得到k*N个子类抗体；

步骤2-4、采用步骤2-2中相同的方法，使用k*N个子类抗体对神经网络进行评估，得到各个子类抗体的评价分数；