[发明专利]一种基于深度学习的机器故障的预测和分类方法

权利要求书

1.一种基于深度学习的机器故障的预测和分类方法，其特征在于，包括：

数据预处理阶段，对获取的时序数据进行预处理；

特征提取阶段，建立基于CNN的自动编码器的特征提取模型，然后利用所述特征提取模型提取预处理后的数据集的特征；

预测模型训练阶段，构建基于双向LSTM的预测模型，利用特征提取阶段得到的特征训练所述预测模型；

分类模型训练阶段，利用特征提取阶段得到的特征并采用有监督学习的方式训练基于自动编码器的DNNs分类模型；及

模型使用阶段，利用训练后的预测模型来预测故障发生的时间，并且利用训练后的分类模型对即将发生的故障进行模式分类、故障类别分类、故障源定位和故障程度划分。

2.根据权利要求1所述的基于深度学习的机器故障的预测和分类方法，其特征在于，所述数据预处理阶段通过传感器等获取时序数据并进行预处理，包括数据异常值处理、缺失值填补、数据降维。

3.根据权利要求1所述的基于深度学习的机器故障的预测和分类方法，其特征在于，所述特征提取阶段具体为：

构建一个包含输入层、编码层、解码层、输出层的基于CNN的自动编码器，输入层的输入N为数据预处理阶段得到的数据集，编码层进行下采样和特征提取，得到特征Feature，解码层通过反卷积，将Feature还原为输入N，建立损失函数F(Y，N)，损失函数为MSE，通过梯度下降法来降低损失函数，使得输入N等于输出Y来提取输入的特征。

4.根据权利要求1所述的基于深度学习的机器故障的预测和分类方法，其特征在于，

构建基于双向LSTM的预测模型具体步骤为：

构建两层双向LSTM神经网络，以对时间模式进行编码；

将两个完全连接的密集层堆叠在一起以处理LSTM的输出；

采用线性回归层进行预测；

所述利用特征提取阶段得到的特征训练所述预测模型具体为：

训练时给定预测的输出和真实的目标，计算出训练数据的均方误差，并进行反向传播以更新模型参数，在模型训练期间引入Dropout，通过Dropout，部分隐藏的输出将被随机屏蔽，以使被隐藏的输出在训练过程中不会影响正向传播，在测试阶段时，Dropout将被关闭，所有隐藏的输出将对预测模型的测试产生影响。

5.根据权利要求1所述的基于深度学习的机器故障的预测和分类方法，其特征在于，所述分类模型训练阶段具体为：

建立基于自动编码器的DNN模型，DNN为由多个自编码器叠加而成的多层神经网络，然后在DNN模型的顶部添加一个softmax分类器得到分类模型，所述分类模型采用自底向上的无监督学习方法，逐层提取特征，然后利用有监督学习方法对所述分类模型进行微调，得到训练后的分类模型。

6.根据权利要求5所述的基于深度学习的机器故障的预测和分类方法，其特征在于，所述分类模型为层次结构的DNN模型，所述分类模型的第一个层次用于模式划分，在第二个层次用于对每个模式构造不同的DNN分类模型；第三个层次用于对每个故障类别进行故障严重程度划分。

7.根据权利要求1所述的基于深度学习的机器故障的预测和分类方法，其特征在于，所述模型使用阶段具体为：

将特征提取阶段得到的特征输入到训练后的预测模型中进行预测，当预测值超过所设阈值时，提出预警，并将预测的数据输入到训练后的分类模型中，对将要发生的故障进行故障类别分类、故障源定位和故障程度划分。