[发明专利]一种基于GA-BP-CBR的工业设备故障诊断系统及方法

说明书

本发明请求保护一种基于GA‑BP‑CBR的工业设备故障诊断系统及方法，包括：GA‑BP神经网络模块、案例推理CBR网络模块、结果修正模块及输出模块，其中,输入模块输入故障训练数据集给神经网络模块，GA‑BP神经网络模块训练出预分类网络，同时将案例描述通过CBR案例推理，形成案例库文件；利用训练好的预分类网络的输出结果对案例建立索引，将原案例库划分为若干个子案例库，诊断时，先将测试数据输入训练好的预分类网络，根据网络的输出，在相应的子案例库中寻找相似案例集，最后结果修正模块对得到的案例集参照神经网络的输出进行评价修正，得到最终的诊断结果。本发明减少了故障诊断检索时间并且提高了生产效率。

技术领域

本发明属于人工智能和生产线设备的结合领域，涉及基于优化的神经网络和案例推理的生产线设备故障诊断机制研究。

背景技术

工业设备和生产系统操作的可靠性对生产型企业的盈利能力和竞争能力都有着重要影响，这使得企业对工业生产过程和生产设备的维护策略的重要性的关注日益增加。我国工业发展如火如荼，提出了工业4.0智能制造2025战略。这对我国的工业发展是一个巨大的挑战和机遇。我们要抓住这个机会发展我国的工业事业，让我国的制造业水平在上一个台阶，成为制造业强国及大国。

现代控制系统的设备复杂化和规模大型化,有关系统的异常检测和故障诊断一直是学术界关注的重点问题。系统一旦发生故障,若不能及时发现并处理, 将造成巨大的经济损失和人员伤亡。例如美国石油化工企业每年因机械故障直接损失200亿美元；2015年2月4日,中国台湾复兴航空客机因两个发动机同时失效导致断油坠落,造成35人以上死亡等。

我国制造业发展迅速，工厂里的生产设备也是多种多样，机器设备经常处在高负荷，长时间的运转当中。机械设备难免发生故障。在我国的工厂里面，由于加工量大，运转时间长，设备一直处在高速运转当中。一旦工业设备发生故障，就会导致生产线运行受阻,妨碍生产线上的加工和生产,导致严重的生产效率低下。如何更好更快的对设备进行预测与诊断，尽快找出事故发生的原因，一直是专家们研究的热点。

工业设备故障预测与诊断一直是专家们研究的热点，如何在较短时间内对工业设备进行故障预测与诊断，推测发生故障大的可能性及时调整，在发生故障后找出故障存在的原因，进而进行维修一直是我们的研究热点。针对生产线设备发生故障。将遗传算法的神经网络理论(GA-BP)和案例推理理论(CBR) 引入到工业设备故障预测与诊断系统中，对生产线设备故障进行案例表示、案例检索、案例的调整和修改与案例学习提升了预测率，从而缩短了工业设备故障诊断的时间，对生产线设备故障预测与诊断有一定的参考价值。

有鉴于此，无论是GA-BP还是CBR虽然都有了成功的应用，但都存在着局限性。针对于GA-BP的局限主要表现在神经网络故障诊断器性能主要取决与训练样本不确定性；加入新的训练样本时，需对整个网络重新进行训练，使得网络的自学习十分不便；在神经网络系统中，诊断对象信息表达的方式单一，因为通常的神经网络只能处理数值信息等，而CBR的主要局限体现在案例的建立以及案例的选择，其次在案例之间的相似度量难以确定等。而根据两者的特点比较，存在着互补性，实现遗传算法-神经网络理论与案例推理的模型信息融合与工业设备故障预测诊断机制，完善诊断模型。利用GA-BP-CBR诊断机制，通过该机制快速找出故障产生的原因。进而减少因为设备故障而导致的停机时间。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种基于GA-BP-CBR的工业设备故障诊断系统及方法。本发明的技术方案如下：