一种工业设备故障诊断系统

1.本发明属于故障分析技术领域，具体涉及一种工业设备故障诊断系统。


背景技术：

2.工业设备是工业生产必不可少的支撑主体，由于高强度的运转，工业设备经常会由于各种原因而出现不同的故障。工业设备发生故障不仅会影响企业生产效率和经济效益，还有可能酿成重大安全事故。因此，在发生故障时，一般要停机进行故障检查及设备维修，而工业设备停机维护会造成经济损失，并且工业设备数量大、型号多、结构复杂，人工维护成本巨大，导致维保人员难以及时排查设备故障隐患，造成不必要的损失。
3.因此，故障诊断是工业生产中相当重要的一环。在现有技术中通常采用故障诊断的方法来提前对设备可能出现的一些隐患进行诊断排查。现有方法通常采用对采集的工业设备相关的数据进行及时的分析，来判断可能出现的故障隐患，进而在很大程度地减小了设备故障带来的损失，也减小了设备维护的成本。
4.现有的故障诊断主要采用基于解析模型及机器学习的方法，通过将采集到的工业设备相关的数据输入诊断模型，进而得到故障的诊断结果。由于采集到的工业设备相关的数据类型较多，实时性也有所不同，直接将其用做数据源来对故障进行判断会导致判断结果存在一定的误差，进而影响故障排查和设备维护的精确度。


技术实现要素：

5.为了解决上述问题，本发明提供了一种工业设备故障诊断系统。
6.为了实现上述目的，本发明提供如下技术方案：
7.一种工业设备故障诊断系统，包括以下步骤：
8.数据采集模块，用于通过多个数据采集通道采集待监测设备的实时运行参数；
9.聚类模块，用于对设备的实时运行参数进行分类，将实时运行参数划分为不同的特征数据组；
10.特征提取模块，用于将不同的特征数据组及参数数据库中的数据输入yolov5网络模型，提取目标运行特征数据；
11.故障识别模块，用于将目标运行特征数据及设备历史故障类别数据输入贝叶斯风险决策模型进行计算，输出设备实时运行参数对应的不同设备故障类别及各类故障的条件概率。
12.优选地，还包括预处理模型，所述预处理模块用于在通过所述聚类模块对设备的实时运行参数进行分类之前，对所述设备实时运行参数进行数据清洗、格式转化。
13.优选地，所述聚类模块采用k-means聚类算法对设备的实时运行参数进行分类。
14.优选地，所述特征提取模块具体包括：
15.特征增强模块，用于通过ca注意力机制增强不同的特征数据组中的有用特征；
16.特征提取模块，用于通过特征提取网络cspdarknet53对有用特征及参数数据库中
的数据进行比对，提取目标运行特征数据。
17.优选地，所述将目标运行特征数据及设备历史故障类别数据输入贝叶斯风险决策模型进行计算，输出设备实时运行参数对应的不同设备故障类别及各类故障的条件概率，具体为：
18.定义设备运行参数的观测向量为x，故障类型为ωi，共有c类设备故障，则贝叶斯分类器为：
[0019][0020]
式中，p(ωi|x)为设备观测向量为x时发生i类故障的条件概率；p(ωi)为故障数据库中已记录的发生i类故障的频率，p(x|ωi)为故障数据库中已记录的发生第i类故障时，观测到x的频率；p(ωj)为故障数据库中已记录的发生j类故障的频率，p(x|ωj)为故障数据库中已记录的发生第j类故障时，观测到x的频率；p(x)为设备观测向量的统计量；
[0021]
将观测向量x分到故障类别ωi的条件风险为决策αi的加权平均损失：
[0022][0023]
式(1)中的设备观测向量的统计量p(x)仅由设备运行参数的实际观测值决定，从故障数据库中的参数数据库统计获得，p(ωi)、p(x|ωi)涉及模型的历史决策结果，从故障信息库获取；式(2)中各类故障的风险系数λ
ij
根据各类故障的运维成本αi和发生故障的损失b
ij
计算：αi是故障本身的维护成本，b
ij
是将j类故障误认为i类故障的代价；
[0024]
λ
ij
＝ai+b
ij
,i＝1,2,
…
,c
[0025]
其中，c为自然数，则最小风险贝叶斯分类决策的目标函数为：
[0026][0027]
即，选择使得条件风险r(αi|x)最小的决策αi作为故障预测结果。
[0028]
优选地，还包括故障原因查找模块，用于将设备实时运行参数及其对应的不同设备故障类别输入bilstm-pcnn混合神经网络模型，输出故障的影响参数；通过各类故障的条件概率和影响参数查找故障原因。
[0029]
优选地，所述bilstm-pcnn混合神经网络模型包括pcnn模型和bilstm模型；
[0030]
所述pcnn模型用于接收设备实时运行参数及其对应的不同设备故障类别，并提取设备在各个时刻的数据特征序列；
[0031]
所述bilstm模型用于接收设备在各个时刻的数据特征序列，并提取设备参数序列的变化特征。
[0032]
优选地，所述数据采集模块包括多个设置在不同监测位置的传感器。
[0033]
优选地，还包括数据存储模块，用于将采集的设备的实时运行参数存入参数数据库，将设备实时运行参数对应的不同设备故障类别及各类故障的条件概率数据存入故障信息库。
[0034]
本发明提供的工业设备故障诊断系统具有以下有益效果：
[0035]
本发明以工业设备的故障记录和对应的实时运行参数为分析对象，首先通过聚类
模块对设备的实时运行参数进行分类，将实时运行参数划分为不同的特征数据组；然后通过yolov5网络模型对不同的特征数据组及参数数据库进行增加对比处理，进而提取到有用的目标运行特征，然后通过贝叶斯风险决策模型开展深度学习，从目标运行特征数据中识别设备故障的时序参数特征，实现故障的诊断，通过对原始采集的设备的实时运行参数进行处理后，在进一步进行故障诊断，筛除了一些干扰信息，使得诊断结构更加准确。
附图说明
[0036]
为了更清楚地说明本发明实施例及其设计方案，下面将对本实施例所需的附图作简单地介绍。下面描述中的附图仅仅是本发明的部分实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0037]
图1为本发明实施例1的工业设备故障诊断系统的框架图；
[0038]
图2为混合神经网络模型结构图；
[0039]
图3为bilstm记忆单元的结构图；
[0040]
图4为顺序传播的dropout结构图；
[0041]
图5为仿真系统架构图；
[0042]
图6为系统仿真流程图。
具体实施方式
[0043]
为了使本领域技术人员更好的理解本发明的技术方案并能予以实施，下面结合附图和具体实施例对本发明进行详细说明。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
[0044]
实施例1
[0045]
本发明提供了一种工业设备故障诊断系统，如图1所示，本实施例提供的工业设备故障诊断系统具体包括数据采集模块、聚类模块、特征提取模块、故障识别模块、故障原因查找模块及数据存储模块。
[0046]
具体地，数据采集模块包括多个设置在不同监测位置的传感器，通过多个数据采集通道采集待监测设备的运行参数。聚类模块用于对设备的实时运行参数进行分类，将实时运行参数划分为不同的特征数据组；具体地，本实施例中，采用k-means聚类算法对设备的实时运行参数进行分类。特征提取模块用于将不同的特征数据组及参数数据库中的数据输入yolov5网络模型，提取目标运行特征数据；故障识别模块用于将目标运行特征数据及设备历史故障类别数据输入贝叶斯风险决策模型进行计算，输出设备实时运行参数对应的不同设备故障类别及各类故障的条件概率。故障原因查找模块用于将设备实时运行参数及其对应的不同设备故障类别输入bilstm-pcnn混合神经网络模型，输出故障的影响参数；通过各类故障的条件概率和影响参数查找故障原因。数据存储模块用于将采集的设备的实时运行参数存入参数数据库，将设备实时运行参数对应的不同设备故障类别及各类故障的条件概率数据存入故障信息库。
[0047]
为了进一步提高诊断精度，本实施例还包括预处理模块，预处理模块用于在通过所述聚类模块对设备的实时运行参数进行分类之前，对所述设备实时运行参数进行数据清洗、格式转化。
[0048]
其中，特征提取模块具体包括特征增强模块和特征提取模块。特征增强模块用于通过ca注意力机制增强不同的特征数据组中的有用特征；特征提取模块用于通过特征提取网络cspdarknet53对有用特征及参数数据库中的数据进行比对，提取目标运行特征数据。
[0049]
采用最小风险贝叶斯分类模型进行故障识别具体为：
[0050]
故障识别的核心任务是根据设备的运行参数预测故障发生的概率和类别，对于工业设备的故障预警，各种预警结果的影响不同，例如在通常情况下，漏报故障造成的损失远大于误报。因此故障分析模型需要考虑各类决策的风险。
[0051]
定义设备的运行参数的观测向量为x，对设备故障的预测结果为ωi，现实中总共有c类设备故障，则贝叶斯分类器为：
[0052][0053]
将观测向量x分到故障类别ωi的条件风险为决策αi的加权平均损失：
[0054][0055]
(1)式中的统计量p(x)仅由设备的运行参数的实际观测值决定，从故障数据库中的参数数据库统计获得，p(ωi)、p(x|ωi)涉及模型的历史决策结果，从故障信息库获取。(2)式中各类故障的风险系数λ
ij
根据各类故障的运维成本ai和发生故障的损失b
ij
计算：
[0056]
λ
ij
＝ai+b
ij
,(i＝1,2,
…
,c)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0057]
则最小风险贝叶斯分类决策的目标函数为：
[0058][0059]
即，选择使得条件风险r(αi|x)最小的决策αi作为故障预测结果。
[0060]
通过bilstm-pcnn混合神经网络模型进行故障原因诊断具体为：
[0061]
故障类别和故障原因之间存在复杂的显式或隐式关联，甚至一个设备每次出现同类故障的原因可能不同。下面以设备的运行参数为分析对象，通过神经网络模型开展深度学习，对设备发生故障时的实际参数向量进行分割，通过计算影响系数查找故障原因。
[0062]
设备devi的参数向量x包含n个维度，x＝(x1,x2,
…
,xn)，其中xk造成ωj类故障的概率因数为θ(i,j,k)且
[0063]
构建bilstm-pcnn混合神经网络模型如图2所示。
[0064]
通过两级神经网络模型实现设备故障特征参数的识别，使用分段卷积神经网络pcnn接收t时刻的设备实时参数由于设备参数的维度n是固定的，采用固定大小的卷积核k实现卷积操作，输出卷积结果c：
[0065][0066]
系统涉及三类数据误差：
[0067]
(a)传感器采集精度及环境造成采集数据误差，可通过最小池化减小误差；
[0068]
(b)特征提取领域受限造成估计值方差增大，可通过平均池化减小误差；
[0069]
(c)卷积层参数误差造成估计值偏移，可通过最大池化减小误差。
[0070]
因此，在池化层采取混合分段池化策略，根据设备参数的类型(如：电气参数、机械参数、控制参数等)，将设备参数向量的卷积结果c人工分割为多段：c＝(p1,p2,
…
,p
l
)，并分别实施最大池化、最小池化和平均池化：
[0071]
maxpool(c)＝max(pi)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0072]
minpool(c)＝min(pi)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0073]
avepool(c)＝ave(pi)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0074][0075]
采用pcnn模型提取出设备在各个时刻的数据特征序列x＝(x1,x2,
…
,x
t
)，并输入双向的长短期记忆模型(bilstm)，提取装备参数序列的变化特征，量化各个参数对于ωj故障的影响系数θ(i,j)＝(θ(i,j,1),θ(i,j,2),
…
,θ(i,j,n))。
[0076]
构建双向的bilstm记忆单元如图3所示：
[0077]
(1)遗忘门
[0078]
遗忘门决定了在信息传输过程中哪些信息可以被继承，哪些信息会丢失。在自然语言中词汇w
t
不仅依赖于左侧的词汇w
t-1
，也受到右侧词汇w
t+1
的约束。因此在bilstm中，设计了顺序遗忘门和逆序遗忘门分别处理来自语句左侧和右侧的信息损失。
[0079]
顺序遗忘门：来自左侧的信息在传输过程中可能有一部分丢失。信息是否丢失以及丢失的程度取决于当前输入w
t
和上一时刻的细胞输出h
t-1
。
[0080][0081]
逆序遗忘门：与顺序遗忘门相反，来自右侧的信息丢失的程度取决于当前输入w
t
和下一时刻的细胞输出h
t+1
。
[0082][0083]
(10)(11)式中，sigmoid函数：其作用是产生一个(0,1)区间的实数，使得传输的信息可能被遗忘，函数值越小信息丢失越多。w
wf
是当前输入w
t
对遗忘门的权重参数，和分别是细胞输出h
t-1
和h
t+1
对遗忘门的权重参数，bf是遗忘门的偏置向量。
[0084]
(2)输入门
[0085]
输入门决定了当前输入信号w
t
有多少信息能够更新到细胞状态中。在bilstm中，设计了顺序输入门和逆序输入门分别处理来自左侧和右侧词汇的约束。
[0086][0087][0088][0089][0090][0091]
其中w是相关信号的权重参数，b是偏置向量。双曲函数作为神经
网络的激活函数，产生候选细胞状态g
t
，将信号值映射到(-1,1)区间。
[0092]
(3)输出门
[0093]
输出门决定了细胞的输出值。当前细胞的输出值取决于当前输入信号w
t
、上一时刻的细胞输出h
t-1
、下一时刻的细胞输出h
t+1
、当前细胞的更新状态c
t
。
[0094][0095]ht
＝o
t
tanh(c
t
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(18)
[0096]
训练模型的目标函数定义为使得(19)式的损失函数取得最小值：
[0097][0098]
其中是权值衰减项，λ是衰减系数。
[0099]
对于设备devi，参数θ(i,j,k)可以近似等价于引发设备故障的条件概率：
[0100]
θ(i,j,k)≈p(xi|devi,ωj)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(20)
[0101]
由于设备故障可能存在多方面的原因，在故障原因诊断过程中，从设备devi的运行参数中抽取故障系数θ(i,j,k)最高的m(m＜n)个运行参数作为故障ωj的候选诱因，指导运维管理人员排查故障和开展检修维护工作，其中：
[0102][0103]
过拟合处理
[0104]
深度学习训练强度的增加可能导致模型“过度学习”，从而识别到失真的参数特征。过拟合现象是无法完全避免的，只能采取适当的策略进行缓解。本发明采用了dropout策略来缓解过拟合。图3中在bilstm双向的记忆单元中使用了dropout操作，在输出门设置了一个随机函数drop(x)＝x|0，随机将记忆单元的输出置零。
[0105]
drop函数随机将部分记忆单元的输出信号h
t
置零，由于遗忘门、输入门都需要接收h
t
信号，因此相连接的记忆单元也失去活性。与传统dropout直接终止信号传输的做法不同，本发明所采用的dropout策略并不阻断信号在bilstm网络中的传输，而是阻止记忆单元状态的更新。以图4(a)为例，在信息顺序传播过程中，如果t-1时刻的记忆单元输出h
t-1
＝0，则t时刻的记忆单元状态无法更新，c
t
＝c
t-1
，此时bilstm结构相当于图4(b)的结构。在逆序传播中的情况与此类似。通过随机地使得一部分bilstm记忆单元失活，产生不同的子网络，有效地缓解过拟合的现象。
[0106]
下面通过仿真实验对本发明提供的工业设备故障诊断系统进行说明验证。
[0107]
仿真系统设计
[0108]
本发明基于ied仿真与scd文件技术开展设备仿真及可视化系统设计。仿真系统既能够实现ied设备基础操作仿真，还能有效模拟各类设备异常状态，以便于测试设备运维管理策略的实施效果。仿真系统架构如图5所示。
[0109]
系统兼容网采网跳和直采直跳两类数据传输模式，测控单元采用网采网跳模式，基于过程获得并输出数据，其他间隔层采取直采直跳模式，直接获取并传输数据，实现间隔预警。
[0110]
设备故障分析的仿真流程如图6所示：
[0111]
由故障模拟器生成停机、机械抖动等各类设备故障数据信息，通过过程仿真单元实现设备故障的过程仿真模拟。同时，由数据采样器模拟出与设备故障对应的各类运行参数，通过数据仿真单元实现数据仿真。由goose网络连接自动预警单元，整个仿真模拟过程通过cid文件进行控制，并通过scd文件传输到故障分析单元，调用相关算法模型开展故障预警、故障原因诊断等分析，通过可视化单元实现可视化交互。
[0112]
仿真实验结果
[0113]
通过仿真系统模拟了常见设备故障中的10类故障以及对应的设备的运行参数，如表1所示：
[0114]
表1设备故障类别
[0115][0116]
统计了仿真系统对各类故障的识别情况，以准确率p和召回率r作为评价相关技术实施效果的指标：
[0117][0118][0119][0120]
其中tpi为ωi类故障中被正确识别的样本数，其中fpi为被错误识别为ωi类故障的样本数，fni为ωi类故障中未被正确识别的的样本数。仿真结果如表2所示。
[0121]
表2系统仿真结果
[0122]
编号故障类型准确率p召回率rf1故障原因诊断准确率c1电路断路88.4％97.5％92.7％93.4％c2电路短路81.2％93.3％86.8％91.2％c3机械磨损79.6％94.7％86.5％96.1％c4部件松动84.3％95.6％89.6％93.3％c5零件锈蚀75.6％93.3％83.5％90.5％c6功能衰减72.9％92.0％81.3％89.3％
c7性能退化80.4％90.4％85.1％88.7％c8容器线路渗漏81.3％93.5％87.0％92.2％c9软件故障77.7％94.1％85.1％95.4％c10参数误差80.6％92.0％85.9％90.8％c11无故障91.2％78.9％84.6％-均值-81.2％92.3％86.2％92.1％
[0123]
准确率p标志着正确识别故障的能力，而召回率r标志着对设备故障隐患的预警能力，f1值则标志着系统的综合分析能力。通常在实际工业生产场景中，设备发生故障造成的损失和维护成本远大于误报故障的维护成本，因此运维管理工作从安全性角度出发，一般采取“宁可误报不可漏报”的总体原则。表2的数据显示，本发明采用的技术对c1～c10这10类故障的召回率较高，说明系统具备较强的故障预警能力，不容易出现漏报情况。但为此付出的代价是某些故障类别的识别准确率较低，即为了保证安全、避免漏报，牺牲了一部分故障识别的准确性，这是符合设备运维管理工作实际要求的。
[0124]
从设备故障原因诊断的准确率来看，本发明技术能够精准分析各类设备故障的原因，平均准确率达到92.1％，满足工业生产场景设备运维和管理工作的要求。
[0125]
本发明针对工业生产场景下，设备故障监测预警不及时、故障原因难排查等痛点，开展了设备故障预警及诊断技术研究及系统仿真。以工业设备的故障记录和对应的实时运行参数为分析对象，基于贝叶斯风险决策模型和人工神经网络模型开展深度学习，识别设备故障的时序参数特征，实现故障隐患的监测预警和故障原因诊断，开展辅助决策，指导运维管理人员排查故障原因和开展巡检维护。经过系统仿真，相关模型对于各类设备故障具有较强的识别和预警能力，满足工业设备管理“宁可误报不可漏报”的总体要求。模型为了避免漏报故障，牺牲了一部分故障识别的准确性。未来有待对故障特征识别算法进行改进，提高故障预警的准确率，进一步减少不必要的运维开销。
[0126]
综上所述，本发明围绕设备故障诊断和预知性维护工作的实际需求，研发了一套面向各类工业生产设备的故障诊断及预警技术，采取“宁可误报不可漏报”的总体原则，在降低运维工作成本的同时提高工作效率，保障安全生产工作。
[0127]
以上所述实施例仅为本发明较佳的具体实施方式，本发明的保护范围不限于此，任何熟悉本领域的技术人员在本发明披露的技术范围内，可显而易见地得到的技术方案的简单变化或等效替换，均属于本发明的保护范围。

技术特征：
1.一种工业设备故障诊断系统，其特征在于，包括：数据采集模块，用于通过多个数据采集通道采集待监测设备的实时运行参数；聚类模块，用于对设备的实时运行参数进行分类，将实时运行参数划分为不同的特征数据组；特征提取模块，用于将不同的特征数据组及参数数据库中的数据输入yolov5网络模型，提取目标运行特征数据；故障识别模块，用于将目标运行特征数据及设备历史故障类别数据输入贝叶斯风险决策模型进行计算，输出设备实时运行参数对应的不同设备故障类别及各类故障的条件概率。2.根据权利要求1所述的工业设备故障诊断系统，其特征在于，还包括预处理模型，所述预处理模块用于在通过所述聚类模块对设备的实时运行参数进行分类之前，对所述设备实时运行参数进行数据清洗、格式转化。3.根据权利要求1所述的工业设备故障诊断系统，其特征在于，所述聚类模块采用k-means聚类算法对设备的实时运行参数进行分类。4.根据权利要求3所述的工业设备故障诊断系统，其特征在于，所述特征提取模块具体包括：特征增强模块，用于通过ca注意力机制增强不同的特征数据组中的有用特征；特征提取模块，用于通过特征提取网络cspdarknet53对有用特征及参数数据库中的数据进行比对，提取目标运行特征数据。5.根据权利要求4所述的工业设备故障诊断系统，其特征在于，所述将目标运行特征数据及设备历史故障类别数据输入贝叶斯风险决策模型进行计算，输出设备实时运行参数对应的不同设备故障类别及各类故障的条件概率，具体为：定义设备运行参数的观测向量为x，故障类型为ω
i
，共有c类设备故障，则贝叶斯分类器为：式中，p(ω
i
|x)为设备观测向量为x时发生i类故障的条件概率；p(ω
i
)为故障数据库中已记录的发生i类故障的频率，p(x|ω
i
)为故障数据库中已记录的发生第i类故障时，观测到x的频率；p(ω
j
)为故障数据库中已记录的发生j类故障的频率，p(x|ω
j
)为故障数据库中已记录的发生第j类故障时，观测到x的频率；p(x)为设备观测向量的统计量；将观测向量x分到故障类别ω
i
的条件风险为决策α
i
的加权平均损失：式(1)中的设备观测向量的统计量p(x)仅由设备运行参数的实际观测值决定，从故障数据库中的参数数据库统计获得，p(ω
i
)、p(x|ω
i
)涉及模型的历史决策结果，从故障信息库获取；式(2)中各类故障的风险系数λ
ij
根据各类故障的运维成本α
i
和发生故障的损失b
ij
计算：α
i
是故障本身的维护成本，b
ij
是将j类故障误认为i类故障的代价；λ
ij
＝a
i
+b
ij
,i＝1,2,
…
,c
其中，c为自然数，则最小风险贝叶斯分类决策的目标函数为：即，选择使得条件风险r(α
i
|x)最小的决策α
i
作为故障预测结果。6.根据权利要求5所述的工业设备故障诊断系统，其特征在于，还包括故障原因查找模块，用于将设备实时运行参数及其对应的不同设备故障类别输入bilstm-pcnn混合神经网络模型，输出故障的影响参数；通过各类故障的条件概率和影响参数查找故障原因。7.根据权利要求6所述的工业设备故障诊断系统，其特征在于，所述bilstm-pcnn混合神经网络模型包括pcnn模型和bilstm模型；所述pcnn模型用于接收设备实时运行参数及其对应的不同设备故障类别，并提取设备在各个时刻的数据特征序列；所述bilstm模型用于接收设备在各个时刻的数据特征序列，并提取设备参数序列的变化特征。8.根据权利要求1所述的工业设备故障诊断系统，其特征在于，所述数据采集模块包括多个设置在不同监测位置的传感器。9.根据权利要求1所述的工业设备故障诊断系统，其特征在于，还包括数据存储模块，用于将采集的设备的实时运行参数存入参数数据库，将设备实时运行参数对应的不同设备故障类别及各类故障的条件概率数据存入故障信息库。

技术总结
本发明提供了一种工业设备故障诊断系统，属于故障分析技术领域，本发明以工业设备的故障记录和对应的实时运行参数为分析对象，首先通过聚类模块对设备的实时运行参数进行分类，将实时运行参数划分为不同的特征数据组；然后通过yolov5网络模型对不同的特征数据组及参数数据库进行增加对比处理，进而提取到有用的目标运行特征，然后通过贝叶斯风险决策模型开展深度学习，从目标运行特征数据中识别设备故障的时序参数特征，实现故障的诊断，通过对原始采集的设备的实时运行参数进行处理后，在进一步进行故障诊断，筛除了一些干扰信息，使得诊断结构更加准确。诊断结构更加准确。诊断结构更加准确。


技术研发人员：杨庆虎 肖凤春 陈笑蓉
受保护的技术使用者：贵州城市职业学院
技术研发日：2023.08.08
技术公布日：2023/10/11