基于深度学习的智能车间机器故障状态预测方法研究

There are a series of uncertain events in the real manufacturing workshop, and these uncertainty events have an important influence on the production efficiency and workshop stability. Machine failure is one of the most common uncertainties in manufacturing workshop, and it is difficult to predict them effectively. Aiming at the above problems and combining with the latest achievements of artificial intelligence, this project carries out research on the deep learning based prediction methods for machine fault state. 1) on the modeling of problem aspect, this project focus on the unbalanced characteristics of the fault samples, and a new “exploration” mode of pseudo data generation method is investigated to improve the quality of the sample data; 2) on the prediction method aspect, a new ensemble CNN based prediction methods is proposed, and the variety index of the base CNN models is investigate in order to improve the prediction accuracy of the ensemble CNN model; 3) on the application aspect, a new general feature extraction layer based on CNN is constructed to realize the re-usage of the neural network between multiple working conditions. Finally, a new data-driven fault diagnosis system is developed and applied on a specific workshop. The high efficiency and high precision prediction on machine failure can provide the basis of the decision-making on the workshop to improve the stability of production.

制造车间中存在着一系列不确定事件，对车间的生产效率和稳定性有着重要的影响。机器故障是制造系统最常见的不确定事件之一，现有方法难以对其进行有效的预测。针对该问题，结合人工智能的最新成果，本项目开展基于深度学习的机器故障状态预测方法研究，1)在“问题”上，研究故障样本的数据不平衡问题，提出基于“外延方式”的虚拟数据生成方法，以提高样本数据的质量，为后续算法提供有效输入；2）在“方法”上，通过探索集成模型内各子模型的多样化指标，提出基于集成CNN模型的智能车间机器故障状态预测方法，提高预测准确度；3）在“应用”上，构建通用特征提取层，实现多工况之间的“知识重用”。最后，结合具体对象开发系统并进行应用验证，高效高精度的机器故障预测能为车间的动态决策提供依据，以提高生产的稳定性。

由于智能车间中的机器设备处于长期运行中，其健康程度不可避免的存在退化现象。而无预兆的突发机器故障不仅会严重影响车间的生产计划、降低产品质量，甚至造成严重的经济损失和人员伤亡。因此，对机器故障状态进行预测是确保车间安全、稳定生产的重要环节。本项目针对上述问题，结合新一代人工智能技术，研究了基于深度学习的智能车间机器故障状态预测方法，分别从故障数据预处理、故障预测模型建立、故障特征识别与重用的三个方面开展研究。1）针对机器故障数据呈现出的小样本、数据分布复杂、个性化强的特性，研究了基于无监督学习的多流行谱聚类故障诊断方法，实现了对故障数据分布特征的识别与分析；提出了基于批数据重采样的CNN故障诊断模型及其超参数自优化方法，实现了多可变样本比例条件下故障诊断模型的自动诊断。2）针对机器故障诊断模型的构建，构造了一种双输出的CNN预测模型，实现了对故障模式和故障劣化趋势的双目标预测，提高了故障预测的准确性；研究了基于周期学习率的快速集成故障诊断模型及其改进形式，实现了高效高精度的集成故障诊断模型的构建，并提高了其泛化能力。3）针对极限工况下故障数据体量稀少的问题，研究了基于故障特迁移的迁移CNN算法，减少了对深层CNN对故障数据体量的依赖；提出了基于负相关集成的特征迁移算法，提高了故障特征迁移算法的鲁棒性；研究了特征迁移学习算法的自动超参数优化方法，实现了对学习率、批量和正则化项等三个超参数的自动优化，提高了迁移CNN模型的易用性和有效性。本项目共发表学术论文17篇，部分论文发表在本领域top期刊上，其中SCI论文10篇，入选ESI高被引论文1篇，申请发明专利6项（授权4项），登记软件著作权2项。本项目的研究成果极大地丰富了智能制造技术和新一代人工智能技术的融合，也为智能制造系统其他相关问题的解决提供了新的思路和技术，具有较大的科学价值和实际工程应用价值。

内容获取失败，请点击重试