CN106777622A - 基于人工智能的机电设备在线故障诊断的方法及系统 - Google Patents

基于人工智能的机电设备在线故障诊断的方法及系统 Download PDF

Info

Publication number
CN106777622A
CN106777622A CN201611109294.7A CN201611109294A CN106777622A CN 106777622 A CN106777622 A CN 106777622A CN 201611109294 A CN201611109294 A CN 201611109294A CN 106777622 A CN106777622 A CN 106777622A
Authority
CN
China
Prior art keywords
electromechanical equipment
characteristic
information
character matrix
primitive character
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201611109294.7A
Other languages
English (en)
Inventor
张静
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Han Yue Intelligent Polytron Technologies Inc
Original Assignee
Shandong Han Yue Intelligent Polytron Technologies Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shandong Han Yue Intelligent Polytron Technologies Inc filed Critical Shandong Han Yue Intelligent Polytron Technologies Inc
Priority to CN201611109294.7A priority Critical patent/CN106777622A/zh
Publication of CN106777622A publication Critical patent/CN106777622A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
    • G06V30/194—References adjustable by an adaptive method, e.g. learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于人工智能的机电设备在线故障诊断的方法及系统，其中，该方法包括步骤1：分别采集机电设备的运行状态信息；步骤2：构建原始特征矩阵；筛选出原始特征矩阵中特征数据x的最大值xmax和最小值xmin，利用X＝(x‑xmin)/(xmax‑xmin)对原始特征矩阵中特征数据进行归一化，其中，X为归一化后的特征数据；步骤3：利用基于余弦相似度的特征空间降维方法来对归一化的原始特征矩阵进行降维处理，得到由具有分类信息的n个特征数据构成的降维后特征矩阵；其中，n为正整数；步骤4：建立相应的故障训练集；步骤5：实时采集机电设备的运行状态信息，经过步骤2‑步骤3后获得降维后的特征矩阵，并与故障训练集进行比对，判断机电设备的运行状态。

Description

基于人工智能的机电设备在线故障诊断的方法及系统
技术领域
本发明属于设备故障诊断领域，尤其涉及一种基于人工智能的机电设备在线故障诊断的方法及系统。
背景技术
故障诊断就是根据从系统运行过程中得到的信息，进行分析和判断，确定系统是否存在故障及存在何种故障的过程。随着科技的发展，现在的设备自身结构和系统自动化程度越来越复杂，这也造成设备出现故障的可能性和故障种类增加，同时人们对于设备故障的控制和检测也越来越困难化，并且由于设备出现故障带来的损失也越来越大，设备的故障检测问题越来越受到行业的重视。
随着人工智能的快速发展，基于人工智能和模式识别的诊断技术正发展为新兴的故障诊断方法。这种方法包含了推理、学习、统计等功能，但由于当前基于人工智能的故障诊断在统计、学习方面的技术瓶颈，造成诊断偶然性、误判性严重等问题，无法做到准确、高效地故障诊断。因此，现有的工智能和模式识别的诊断技术有待改进和发展。
发明内容
为了解决现有技术的缺点，本发明的第一目的是提供一种基于人工智能的机电设备在线故障诊断的方法。
一种基于人工智能的机电设备在线故障诊断的方法，包括：
步骤1：分别采集机电设备的运行状态信息，所述运行状态信息包括机械振动信号、噪声信号、设备运行图像信息及设备运行环境信息；
步骤2：对采集到的信息进行预处理，并提取预处理后信息的特征，构建原始特征矩阵；筛选出原始特征矩阵中特征数据x的最大值xmax和最小值xmin，利用X＝(x-xmin)/(xmax-xmin)对原始特征矩阵中特征数据进行归一化，其中，X为归一化后的特征数据；
步骤3：利用基于余弦相似度的特征空间降维方法来对归一化的原始特征矩阵进行降维处理，得到由具有分类信息的n个特征数据构成的降维后特征矩阵；其中，n为正整数；
步骤4：设置机电设备的每种运行状态对应一个类别模式，每一个类别模式具有n个特征数据且对应n维空间的一个矢量或一个点；根据机电设备的正常运行状态信息将每维空间所对应的区域划分为一个类别模式，建立相应的故障训练集；
步骤5：实时采集机电设备的运行状态信息，经过步骤2-步骤3后获得降维后的特征矩阵，并与故障训练集进行比对，判断机电设备的运行状态。
本发明对构建的原始特征矩阵进行归一化处理后，再基于余弦相似度的特征空间降维方法，降低了特征值之间的相关性，提高了训练效率和预测准确度，并且可以通过统计、推理实现自我学习的能力，从而使得对大型复杂系统的故障检测变得高效可靠。
进一步地，该方法还包括：利用基于boost思想的增量学习算法来更新故障训练集，实现对机电设备的运行状态进行分类。
在构建故障训练集的过程中，随着增量数据过大，使得训练时间很长，对低配置计算机而言很容易出现系统资源不足问题；而且数据集更新复杂，使得新模型向新增样本集偏斜，使得模型的结构风险加大。通过本发明的基于boost思想的增量学习算法来更新故障训练集，在增量学习过程中可以剔除次要因素，加快增量学习训练过程，减少训练时间和空间。
进一步地，所述步骤2中对采集到的信息进行预处理包括消除趋势项和平滑滤波。通过预处理可以对数据进行分析加工，因为采集到的数据是有一些噪声跟缺失的，通过本方法的预处理，可以去除缺失的无效数据、减少噪声数据，为后续的特征提取步骤减少了对损坏数据、不合格数据的处理过程，提升了处理效率。
进一步地，在步骤2之前，还包括将采集机电设备的运行状态信息由模拟量转化为数字量。采集的机电设备的运行状态信息均是模拟量，通过模数转换，可以使模拟信号转变成可以计算的数据。
本发明的第二目的是提供一种基于人工智能的机电设备在线故障诊断的系统。
本发明的一种基于人工智能的机电设备在线故障诊断的系统，包括：
信息采集模块，其用于分别采集机电设备的运行状态信息，所述运行状态信息包括机械振动信号、噪声信号、设备运行图像信息及设备运行环境信息；
特征矩阵构建模块，其用于对采集到的信息进行预处理，并提取预处理后信息的特征，构建原始特征矩阵；筛选出原始特征矩阵中特征数据x的最大值xmax和最小值xmin，利用X＝(x-xmin)/(xmax-xmin)对原始特征矩阵中特征数据进行归一化，其中，X为归一化后的特征数据；
特征矩阵降维模块，其用于利用基于余弦相似度的特征空间降维方法来对归一化的原始特征矩阵进行降维处理，得到由具有分类信息的n个特征数据构成的降维后特征矩阵；其中，n为正整数；
故障训练集建立模块，其用于设置机电设备的每种运行状态对应一个类别模式，每一个类别模式具有n个特征数据且对应n维空间的一个矢量或一个点；根据机电设备的正常运行状态信息将每维空间所对应的区域划分为一个类别模式，建立相应的故障训练集；
运行状态判断模块，其用于实时采集机电设备的运行状态信息，依次经过预处理、构建原始特征矩阵、归一化和降维处理后获得的特征矩阵，并与故障训练集进行比对，判断机电设备的运行状态。
进一步地，该系统还包括：故障训练集更新模块，其用于利用基于boost思想的增量学习算法来更新故障训练集，实现对机电设备的运行状态进行分类。
在构建故障训练集的过程中，随着增量数据过大，使得训练时间很长，对低配置计算机而言很容易出现系统资源不足问题；而且数据集更新复杂，使得新模型向新增样本集偏斜，使得模型的结构风险加大。通过本发明的基于boost思想的增量学习算法来更新故障训练集，在增量学习过程中可以剔除次要因素，加快增量学习训练过程，减少训练时间和空间。
进一步地，该系统还包括：模数转化模块，其用于将采集机电设备的运行状态信息由模拟量转化为数字量。采集的机电设备的运行状态信息均是模拟量，通过模数转换，可以使模拟信号转变成可以计算的数据。
本发明还提供了另一种基于人工智能的机电设备在线故障诊断的系统。
该基于人工智能的机电设备在线故障诊断的系统，包括：
信息采集装置，被配置为分别采集机电设备的运行状态信息，并传送至服务器；所述运行状态信息包括机械振动信号、噪声信号、设备运行图像信息及设备运行环境信息；
服务器，其被配置为：
对采集到的信息进行预处理，并提取预处理后信息的特征，构建原始特征矩阵；筛选出原始特征矩阵中特征数据x的最大值xmax和最小值xmin，利用X＝(x-xmin)/(xmax-xmin)对原始特征矩阵中特征数据进行归一化，其中，X为归一化后的特征数据；
利用基于余弦相似度的特征空间降维方法来对归一化的原始特征矩阵进行降维处理，得到由具有分类信息的n个特征数据构成的降维后特征矩阵；其中，n为正整数；
设置机电设备的每种运行状态对应一个类别模式，每一个类别模式具有n个特征数据且对应n维空间的一个矢量或一个点；根据机电设备的正常运行状态信息将每维空间所对应的区域划分为一个类别模式，建立相应的故障训练集；
实时采集机电设备的运行状态信息，依次经过预处理、构建原始特征矩阵、归一化和降维处理后获得的特征矩阵，并与故障训练集进行比对，判断机电设备的运行状态。
进一步地，所述服务器，还被配置为：利用基于boost思想的增量学习算法来更新故障训练集，实现对机电设备的运行状态进行分类。
在构建故障训练集的过程中，随着增量数据过大，使得训练时间很长，对低配置计算机而言很容易出现系统资源不足问题；而且数据集更新复杂，使得新模型向新增样本集偏斜，使得模型的结构风险加大。通过本发明的基于boost思想的增量学习算法来更新故障训练集，在增量学习过程中可以剔除次要因素，加快增量学习训练过程，减少训练时间和空间。
进一步地，该系统还包括：A/D转化器，其用于将采集机电设备的运行状态信息由模拟量转化为数字量。采集的机电设备的运行状态信息均是模拟量，通过模数转换，可以使模拟信号转变成可以计算的数据。
本发明的有益效果为：
本发明对构建的原始特征矩阵进行归一化处理后，再基于余弦相似度的特征空间降维方法，降低了特征值之间的相关性，提高了训练效率和预测准确度，并且可以通过统计、推理实现自我学习的能力，从而使得对大型复杂系统的故障检测变得高效可靠。
附图说明
图1是本发明实施例中一种基于人工智能的机电设备在线故障诊断的方法的流程图；
图2是余弦相似度原理图；
图3是基于boost思想的增量学习算法的流程图；
图4是发电机故障经特征提取压缩数据后形成两维矢量图；
图5是本发明实施例中一种基于人工智能的机电设备在线故障诊断的系统的结构示意图图；
图6是本发明实施例中另一种基于人工智能的机电设备在线故障诊断的系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
图1是本发明实施例中一种基于人工智能的机电设备在线故障诊断的方法的流程图，如图所示本实施例中的基于人工智能的机电设备在线故障诊断的方法可以包括：
步骤1：分别采集机电设备的运行状态信息，所述运行状态信息包括机械振动信号、噪声信号、设备运行图像信息及设备运行环境信息。
具体实现中，运行状态信息有一维波形(如机械振动和噪声)、二维图像(如文字、图片)、物理参量(压力、温度、湿度)和逻辑值(开、关)等。
步骤2：对采集到的信息进行预处理，并提取预处理后信息的特征，构建原始特征矩阵；筛选出原始特征矩阵中特征数据x的最大值xmax和最小值xmin，利用X＝(x-xmin)/(xmax-xmin)对原始特征矩阵中特征数据进行归一化，其中，X为归一化后的特征数据。
进一步地，所述步骤2中对采集到的信息进行预处理包括消除趋势项和平滑滤波。通过预处理可以对数据进行分析加工，因为采集到的数据是有一些噪声跟缺失的，通过本方法的预处理，可以去除缺失的无效数据、减少噪声数据，为后续的特征提取步骤减少了对损坏数据、不合格数据的处理过程，提升了处理效率。
进一步地，在步骤2之前，还包括将采集机电设备的运行状态信息由模拟量转化为数字量。采集的机电设备的运行状态信息均是模拟量，通过模数转换，可以使模拟信号转变成可以计算的数据。
步骤3：利用基于余弦相似度的特征空间降维方法来对归一化的原始特征矩阵进行降维处理，得到由具有分类信息的n个特征数据构成的降维后特征矩阵；其中，n为正整数。
本发明的基于余弦相似度的特征空间降维方法，降低了特征值之间的相关性，提高了训练效率和预测准确度。具体步骤如下：
余弦相似度用向量空间中两个向量夹角的余弦值作为衡量两个个体间差异的大小。相比距离度量，余弦相似度更加注重两个向量在方向上的差异，而非距离或长度上。
与欧几里德距离类似，基于余弦相似度的计算方法也是把一个特征维作为n-维坐标系中的一个点，通过连接这个点与坐标系的原点构成一条直线(向量)，两个特征之间的相似度值就是两条直线(向量)间夹角的余弦值。因为连接代表特征的点与原点的直线都会相交于原点，夹角越小代表两个用户越相似，夹角越大代表两个用户的相似度越小。同时在三角系数中，角的余弦值是在[-1,1]之间的，0度角的余弦值是1，180度角的余弦值是-1。如果两个特征的余弦值的绝对值在[0.5,1]之间，那么我们认为这两个特征的相关度大，建议取其一即可，如果两个特征的余弦值的绝对值在[0,0.5]之间，那么我们认为这时的这两个特征不相关。
从图2可以看出距离度量衡量的是空间各点间的绝对距离，跟各个点所在的位置坐标(即个体特征维度的数值)直接相关；而余弦相似度衡量的是空间向量的夹角，更加的是体现在方向上的差异，而不是位置。如果保持点的位置不变，B点朝原方向远离坐标轴原点，那么这个时候余弦相似度cosθ是保持不变的，因为夹角不变，而A、B两点的距离显然在发生改变。
对于大部分的振动信号来说，它的特征信息都是非负的，而余弦相似度更多的是从方向上区分差异，而对绝对的数值不敏感。因此没法衡量每个维数值得差异，会导致这样一个情况：比如两个特征差异很大，但由于都为非负值，所以余弦相似度会在一个很小的范围内变动。这是需要对特征信息进行归一化处理：
X＝(x-xmin)/(xmax-xmin)；
这时的余弦显示度就在[-1,1]之间变化，更加的符合实际。
步骤4：设置机电设备的每种运行状态对应一个类别模式，每一个类别模式具有n个特征数据且对应n维空间的一个矢量或一个点；根据机电设备的正常运行状态信息将每维空间所对应的区域划分为一个类别模式，建立相应的故障训练集。
进一步地，该方法还包括：利用基于boost思想的增量学习算法来更新故障训练集，实现对机电设备的运行状态进行分类。在构建故障训练集的过程中，随着增量数据过大，使得训练时间很长，对低配置计算机而言很容易出现系统资源不足问题；而且数据集更新复杂，使得新模型向新增样本集偏斜，使得模型的结构风险加大。通过本发明的基于boost思想的增量学习算法来更新故障训练集，在增量学习过程中可以剔除次要因素，加快增量学习训练过程，减少训练时间和空间。
基于boost思想的增量学习算法，使系统在原有训练集的基础上可以自我学习分析出新训练模型。具体步骤如下如图3所示，考虑初始训练集中非支持向量对增量样本的影响，对初始样本进行有选择的淘汰，达到提高分类精度的目的。
输入：初始样本集A和对应的训练初始分类器S，支持向量集记为SV，增量样本集New；
步骤一：用分类器S对新增样本集New进行分类，得到一个新增样本集的错分样本集New_err和满足条件的已有样本集；
步骤二：如果样本集New_err为空集或者数量小于阈值，转到步骤四为非空集，将错分样本集New_err提升为训练集，并和支持向量集SV—起进行训练，更新分类器S和支持向量集SV。
步骤三：将更新后的分类器S再对新增样本集New和之前的支持向量进行预测，重复步骤一到三过程；
步骤四：输出最终的分类器S。
在本发明中，初始样本集A指的是采集机电设备的运行状态信息构成的集合；训练初始分类器S是最初得到的故障训练集；增量样本集New是指的后续采集的机电设备的运行状态信息而构成的集合；支持向量集SV表示符合分类要求的支持向量。
总体的思想是：对于新增样本集，将其中错分点进行提升，升为训练点，训练得到一个新的训练模型，使用新的模型在对剩余点进行预测，再将剩余点的错分点进行训练，在对错分点进行提升，这样循环迭代，将错分点的权值逐步提高，加大对于错分点的训练，使得错分点的训练为主要问题进行解决，最终达到可分效果。
步骤5：实时采集机电设备的运行状态信息，经过步骤2-步骤3后获得降维后的特征矩阵，并与故障训练集进行比对，判断机电设备的运行状态。
例如：某发动机的故障诊断。根据所测试发动机运行时的各部分的温度和压力，经特征提取压缩数据后形成两维矢量，如图4所示，横坐标为温度，纵坐标为压力。每一次测量形成一个矢量，矢量的始端为原点，末端标志为平面上的一个点，这就代表一个运行模式。经过对发动机状态的一系列测试后，得到的测点分为两类，一类为良好工作状态点，如图所示S1类：另一类为较差或故障工作状态点，如图所示S2类。对发动机的某一运行状态，得到测点Z，通过判断它与S1，S2类的偏离程度来识别它的工作模式，很明显z点属于S1类。
本实施例对构建的原始特征矩阵进行归一化处理后，再基于余弦相似度的特征空间降维方法，降低了特征值之间的相关性，提高了训练效率和预测准确度，并且可以通过统计、推理实现自我学习的能力，从而使得对大型复杂系统的故障检测变得高效可靠。
图5是本发明实施例中一种基于人工智能的机电设备在线故障诊断的系统的结构示意图图，如图所示本实施例中的基于人工智能的机电设备在线故障诊断的系统包括：
信息采集模块，其用于分别采集机电设备的运行状态信息，所述运行状态信息包括机械振动信号、噪声信号、设备运行图像信息及设备运行环境信息；
特征矩阵构建模块，其用于对采集到的信息进行预处理，并提取预处理后信息的特征，构建原始特征矩阵；筛选出原始特征矩阵中特征数据x的最大值xmax和最小值xmin，利用X＝(x-xmin)/(xmax-xmin)对原始特征矩阵中特征数据进行归一化，其中，X为归一化后的特征数据；
特征矩阵降维模块，其用于利用基于余弦相似度的特征空间降维方法来对归一化的原始特征矩阵进行降维处理，得到由具有分类信息的n个特征数据构成的降维后特征矩阵；其中，n为正整数；
故障训练集建立模块，其用于设置机电设备的每种运行状态对应一个类别模式，每一个类别模式具有n个特征数据且对应n维空间的一个矢量或一个点；根据机电设备的正常运行状态信息将每维空间所对应的区域划分为一个类别模式，建立相应的故障训练集；
运行状态判断模块，其用于实时采集机电设备的运行状态信息，依次经过预处理、构建原始特征矩阵、归一化和降维处理后获得的特征矩阵，并与故障训练集进行比对，判断机电设备的运行状态。
进一步地，该系统还包括：故障训练集更新模块，其用于利用基于boost思想的增量学习算法来更新故障训练集，实现对机电设备的运行状态进行分类。
在构建故障训练集的过程中，随着增量数据过大，使得训练时间很长，对低配置计算机而言很容易出现系统资源不足问题；而且数据集更新复杂，使得新模型向新增样本集偏斜，使得模型的结构风险加大。通过本发明的基于boost思想的增量学习算法来更新故障训练集，在增量学习过程中可以剔除次要因素，加快增量学习训练过程，减少训练时间和空间。
进一步地，该系统还包括：模数转化模块，其用于将采集机电设备的运行状态信息由模拟量转化为数字量。采集的机电设备的运行状态信息均是模拟量，通过模数转换，可以使模拟信号转变成可以计算的数据。
图6是本发明实施例中另一种基于人工智能的机电设备在线故障诊断的系统的结构示意图，如图所示本实施例中的基于人工智能的机电设备在线故障诊断的系统包括：
信息采集装置，被配置为分别采集机电设备的运行状态信息，并传送至服务器；所述运行状态信息包括机械振动信号、噪声信号、设备运行图像信息及设备运行环境信息。
信息采集装置包括振动加速度传感器、声音采集装置、图像采集装置、温度传感器和湿度传感器。
服务器，其被配置为：
对采集到的信息进行预处理，并提取预处理后信息的特征，构建原始特征矩阵；筛选出原始特征矩阵中特征数据x的最大值xmax和最小值xmin，利用X＝(x-xmin)/(xmax-xmin)对原始特征矩阵中特征数据进行归一化，其中，X为归一化后的特征数据；
利用基于余弦相似度的特征空间降维方法来对归一化的原始特征矩阵进行降维处理，得到由具有分类信息的n个特征数据构成的降维后特征矩阵；其中，n为正整数；
设置机电设备的每种运行状态对应一个类别模式，每一个类别模式具有n个特征数据且对应n维空间的一个矢量或一个点；根据机电设备的正常运行状态信息将每维空间所对应的区域划分为一个类别模式，建立相应的故障训练集；
实时采集机电设备的运行状态信息，依次经过预处理、构建原始特征矩阵、归一化和降维处理后获得的特征矩阵，并与故障训练集进行比对，判断机电设备的运行状态。
进一步地，所述服务器，还被配置为：利用基于boost思想的增量学习算法来更新故障训练集，实现对机电设备的运行状态进行分类。
在构建故障训练集的过程中，随着增量数据过大，使得训练时间很长，对低配置计算机而言很容易出现系统资源不足问题；而且数据集更新复杂，使得新模型向新增样本集偏斜，使得模型的结构风险加大。通过本发明的基于boost思想的增量学习算法来更新故障训练集，在增量学习过程中可以剔除次要因素，加快增量学习训练过程，减少训练时间和空间。
进一步地，该系统还包括：A/D转化器，其用于将采集机电设备的运行状态信息由模拟量转化为数字量。采集的机电设备的运行状态信息均是模拟量，通过模数转换，可以使模拟信号转变成可以计算的数据。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种基于人工智能的机电设备在线故障诊断的方法，其特征在于，包括：
步骤1：分别采集机电设备的运行状态信息，所述运行状态信息包括机械振动信号、噪声信号、设备运行图像信息及设备运行环境信息；
步骤2：对采集到的信息进行预处理，并提取预处理后信息的特征，构建原始特征矩阵；筛选出原始特征矩阵中特征数据x的最大值xmax和最小值xmin，利用X＝(x-xmin)/(xmax-xmin)对原始特征矩阵中特征数据进行归一化，其中，X为归一化后的特征数据；
步骤3：利用基于余弦相似度的特征空间降维方法来对归一化的原始特征矩阵进行降维处理，得到由具有分类信息的n个特征数据构成的降维后特征矩阵；其中，n为正整数；
步骤4：设置机电设备的每种运行状态对应一个类别模式，每一个类别模式具有n个特征数据且对应n维空间的一个矢量或一个点；根据机电设备的正常运行状态信息将每维空间所对应的区域划分为一个类别模式，建立相应的故障训练集；
步骤5：实时采集机电设备的运行状态信息，经过步骤2-步骤3后获得降维后的特征矩阵，并与故障训练集进行比对，判断机电设备的运行状态。
2.如权利要求1所述的一种基于人工智能的机电设备在线故障诊断的方法，其特征在于，该方法还包括：利用基于boost思想的增量学习算法来更新故障训练集，实现对机电设备的运行状态进行分类。
3.如权利要求1所述的一种基于人工智能的机电设备在线故障诊断的方法，其特征在于，所述步骤2中对采集到的信息进行预处理包括消除趋势项和平滑滤波。
4.如权利要求1所述的一种基于人工智能的机电设备在线故障诊断的方法，其特征在于，在步骤2之前，还包括将采集机电设备的运行状态信息由模拟量转化为数字量。
5.一种基于人工智能的机电设备在线故障诊断的系统，其特征在于，包括：
信息采集模块，其用于分别采集机电设备的运行状态信息，所述运行状态信息包括机械振动信号、噪声信号、设备运行图像信息及设备运行环境信息；
特征矩阵构建模块，其用于对采集到的信息进行预处理，并提取预处理后信息的特征，构建原始特征矩阵；筛选出原始特征矩阵中特征数据x的最大值xmax和最小值xmin，利用X＝(x-xmin)/(xmax-xmin)对原始特征矩阵中特征数据进行归一化，其中，X为归一化后的特征数据；
特征矩阵降维模块，其用于利用基于余弦相似度的特征空间降维方法来对归一化的原始特征矩阵进行降维处理，得到由具有分类信息的n个特征数据构成的降维后特征矩阵；其中，n为正整数；
故障训练集建立模块，其用于设置机电设备的每种运行状态对应一个类别模式，每一个类别模式具有n个特征数据且对应n维空间的一个矢量或一个点；根据机电设备的正常运行状态信息将每维空间所对应的区域划分为一个类别模式，建立相应的故障训练集；
运行状态判断模块，其用于实时采集机电设备的运行状态信息，依次经过预处理、构建原始特征矩阵、归一化和降维处理后获得的特征矩阵，并与故障训练集进行比对，判断机电设备的运行状态。
6.如权利要求5所述的一种基于人工智能的机电设备在线故障诊断的系统，其特征在于，该系统还包括：故障训练集更新模块，其用于利用基于boost思想的增量学习算法来更新故障训练集，实现对机电设备的运行状态进行分类。
7.如权利要求5所述的一种基于人工智能的机电设备在线故障诊断的系统，其特征在于，该系统还包括：模数转化模块，其用于将采集机电设备的运行状态信息由模拟量转化为数字量。
8.一种基于人工智能的机电设备在线故障诊断的系统，其特征在于，包括：
信息采集装置，被配置为分别采集机电设备的运行状态信息，并传送至服务器；所述运行状态信息包括机械振动信号、噪声信号、设备运行图像信息及设备运行环境信息；
服务器，其被配置为：
对采集到的信息进行预处理，并提取预处理后信息的特征，构建原始特征矩阵；筛选出原始特征矩阵中特征数据x的最大值xmax和最小值xmin，利用X＝(x-xmin)/(xmax-xmin)对原始特征矩阵中特征数据进行归一化，其中，X为归一化后的特征数据；
利用基于余弦相似度的特征空间降维方法来对归一化的原始特征矩阵进行降维处理，得到由具有分类信息的n个特征数据构成的降维后特征矩阵；其中，n为正整数；
设置机电设备的每种运行状态对应一个类别模式，每一个类别模式具有n个特征数据且对应n维空间的一个矢量或一个点；根据机电设备的正常运行状态信息将每维空间所对应的区域划分为一个类别模式，建立相应的故障训练集；
实时采集机电设备的运行状态信息，依次经过预处理、构建原始特征矩阵、归一化和降维处理后获得的特征矩阵，并与故障训练集进行比对，判断机电设备的运行状态。
9.如权利要求8所述的一种基于人工智能的机电设备在线故障诊断的系统，其特征在于，所述服务器，还被配置为：利用基于boost思想的增量学习算法来更新故障训练集，实现对机电设备的运行状态进行分类。
10.如权利要求8所述的一种基于人工智能的机电设备在线故障诊断的系统，其特征在于，该系统还包括：A/D转化器，其用于将采集机电设备的运行状态信息由模拟量转化为数字量。
CN201611109294.7A 2016-12-06 2016-12-06 基于人工智能的机电设备在线故障诊断的方法及系统 Pending CN106777622A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611109294.7A CN106777622A (zh) 2016-12-06 2016-12-06 基于人工智能的机电设备在线故障诊断的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611109294.7A CN106777622A (zh) 2016-12-06 2016-12-06 基于人工智能的机电设备在线故障诊断的方法及系统

Publications (1)

Publication Number Publication Date
CN106777622A true CN106777622A (zh) 2017-05-31

Family

ID=58878300

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611109294.7A Pending CN106777622A (zh) 2016-12-06 2016-12-06 基于人工智能的机电设备在线故障诊断的方法及系统

Country Status (1)

Country Link
CN (1) CN106777622A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107168294A (zh) * 2017-06-26 2017-09-15 西安热工研究院有限公司 一种火电水系统设备无人巡检监控方法
CN107957934A (zh) * 2017-10-31 2018-04-24 国家计算机网络与信息安全管理中心 一种服务器运行时状态的跨层度量方法及系统
CN108089078A (zh) * 2017-12-07 2018-05-29 北京能源集团有限责任公司 设备劣化预警方法及系统
CN109636071A (zh) * 2019-01-31 2019-04-16 南京邮电大学 一种基于SVR的pm2.5浓度值在线预测方法
CN110334775A (zh) * 2019-07-12 2019-10-15 广东工业大学 一种基于宽度学习的无人机线路故障识别方法和装置
CN111046981A (zh) * 2020-03-17 2020-04-21 北京三快在线科技有限公司 一种无人车控制模型的训练方法及装置
CN111504366A (zh) * 2020-03-23 2020-08-07 李方 基于人工智能的流体输送系统精确计量方法及计量装置
CN112083861A (zh) * 2020-09-07 2020-12-15 中国南方电网有限责任公司超高压输电公司天生桥局 柔性直流阀控信息采集判断辅助工具及信息采集判断方法
CN113158555A (zh) * 2021-03-29 2021-07-23 华北电力大学 一种基于专家系统和随机森林分类器的重型燃机控制系统模拟量输入模块bit设计方法
CN113691310A (zh) * 2021-08-13 2021-11-23 广东电网有限责任公司 光纤链路的故障监测方法、装置、设备和存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103808509A (zh) * 2014-02-19 2014-05-21 华北电力大学（保定） 一种基于人工智能算法的风机齿轮箱故障诊断方法
CN103823461A (zh) * 2014-02-28 2014-05-28 南京工业大学 一种可在线故障诊断的工业循环水浓缩倍数采集系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103808509A (zh) * 2014-02-19 2014-05-21 华北电力大学（保定） 一种基于人工智能算法的风机齿轮箱故障诊断方法
CN103823461A (zh) * 2014-02-28 2014-05-28 南京工业大学 一种可在线故障诊断的工业循环水浓缩倍数采集系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
吴冕: "基于改进SVDD的设备故障诊断方法及在线监测系统研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
王晨霞: "智能化轴承状态监测", 《企业技术开发》 *
陈希镇: "《现代统计分析方法的理论和应用》", 31 May 2016, 国防工业出版社 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107168294A (zh) * 2017-06-26 2017-09-15 西安热工研究院有限公司 一种火电水系统设备无人巡检监控方法
CN107168294B (zh) * 2017-06-26 2024-01-19 西安热工研究院有限公司 一种火电水系统设备无人巡检监控方法
CN107957934A (zh) * 2017-10-31 2018-04-24 国家计算机网络与信息安全管理中心 一种服务器运行时状态的跨层度量方法及系统
CN107957934B (zh) * 2017-10-31 2023-10-13 国家计算机网络与信息安全管理中心 一种服务器运行时状态的跨层度量方法及系统
CN108089078A (zh) * 2017-12-07 2018-05-29 北京能源集团有限责任公司 设备劣化预警方法及系统
CN109636071B (zh) * 2019-01-31 2022-07-26 南京邮电大学 一种基于SVR的pm2.5浓度值在线预测方法
CN109636071A (zh) * 2019-01-31 2019-04-16 南京邮电大学 一种基于SVR的pm2.5浓度值在线预测方法
CN110334775A (zh) * 2019-07-12 2019-10-15 广东工业大学 一种基于宽度学习的无人机线路故障识别方法和装置
CN111046981A (zh) * 2020-03-17 2020-04-21 北京三快在线科技有限公司 一种无人车控制模型的训练方法及装置
CN111504366A (zh) * 2020-03-23 2020-08-07 李方 基于人工智能的流体输送系统精确计量方法及计量装置
CN111504366B (zh) * 2020-03-23 2022-01-25 李方 基于人工智能的流体输送系统精确计量方法及计量装置
CN112083861A (zh) * 2020-09-07 2020-12-15 中国南方电网有限责任公司超高压输电公司天生桥局 柔性直流阀控信息采集判断辅助工具及信息采集判断方法
CN113158555A (zh) * 2021-03-29 2021-07-23 华北电力大学 一种基于专家系统和随机森林分类器的重型燃机控制系统模拟量输入模块bit设计方法
CN113691310A (zh) * 2021-08-13 2021-11-23 广东电网有限责任公司 光纤链路的故障监测方法、装置、设备和存储介质
CN113691310B (zh) * 2021-08-13 2022-07-29 广东电网有限责任公司 光纤链路的故障监测方法、装置、设备和存储介质

Similar Documents

Publication Publication Date Title
CN106777622A (zh) 基于人工智能的机电设备在线故障诊断的方法及系统
CN110567720A (zh) 非平衡小样本场景下风机轴承故障深度对抗诊断方法
CN108470138A (zh) 用于目标检测的方法和装置
CN110297479B (zh) 一种基于卷积神经网络信息融合的水电机组故障诊断方法
CN116881832A (zh) 旋转机械设备故障诊断模型的构建方法及装置
CN116229052B (zh) 一种基于孪生网络的变电站设备状态变化检测方法
CN110135160A (zh) 软件检测的方法、装置及系统
CN112307984B (zh) 基于神经网络的安全帽检测方法和装置
CN116824335A (zh) 一种基于YOLOv5改进算法的火灾预警方法及系统
CN115114965A (zh) 风电机组齿轮箱故障诊断模型、方法、设备及存储介质
CN115793590A (zh) 适用于系统安全运维的数据处理方法及平台
CN117076928A (zh) 一种桥梁健康状态监测方法、装置、系统及电子设备
CN113627268A (zh) 模型训练方法、矿井提升机用减速器故障检测方法和装置
CN114298110A (zh) 基于可解释1dcnn模型的滚动轴承故障诊断方法及系统
CN112463205B (zh) 基于ai和大数据的应用程序管理方法及人工智能服务器
US11276285B2 (en) Artificial intelligence based motion detection
CN110320802B (zh) 基于数据可视化的复杂系统信号时序识别方法
CN116541771A (zh) 一种基于多尺度特征融合的非平衡样本轴承故障诊断方法
CN106081911B (zh) 一种塔式起重机在线监测系统
JPH0728766A (ja) パターン認識システム及び監視システム
CN114187292A (zh) 棉纺纸筒的异常检测方法、装置、设备及存储介质
CN113505817A (zh) 不均衡数据下轴承故障诊断模型样本自适应加权训练方法
Pan et al. Generalized zero-shot learning fault diagnosis framework based on anomaly detection and contractive stacked autoencoder
CN111291624B (zh) 一种挖掘机目标识别方法及系统
CN117760731B (zh) 基于Soft-IntroVAE和1D-2DA-FCNN的不平衡样本滚动轴承故障诊断方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20170531

RJ01 Rejection of invention patent application after publication