CN108197014B - 故障诊断方法、装置及计算机设备 - Google Patents
故障诊断方法、装置及计算机设备 Download PDFInfo
- Publication number
- CN108197014B CN108197014B CN201711474125.8A CN201711474125A CN108197014B CN 108197014 B CN108197014 B CN 108197014B CN 201711474125 A CN201711474125 A CN 201711474125A CN 108197014 B CN108197014 B CN 108197014B
- Authority
- CN
- China
- Prior art keywords
- fault
- diagnosed
- equipment
- neural network
- convolutional neural
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3452—Performance evaluation by statistical analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提出一种故障诊断方法、装置及计算机设备,其中,该方法包括:获取待诊断设备的第一运行数据,所述第一运行数据包括所述待诊断设备中的各个传感器在连续时间段内的检测数据;利用训练好的卷积神经网络,对所述第一运行数据进行处理,确定所述待诊断设备的故障类型、故障位置及故障时间。由此,实现了在待诊断设备运行时,根据待诊断设备的运行数据,实时进行故障诊断,提高了故障诊断的及时性和效率,且诊断过程无需专业的技术人员操作,减小了人力成本。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种故障诊断方法、装置及计算机设备。
背景技术
随着科技的发展,电力、电子等设备的应用越来越广泛,在人们生活、学习和工作中占有越来越重要的地位,若设备发生故障,会对人们的正常工作、学习或生活造成极大的影响。因此,对设备进行故障诊断具有重要的意义。
现有的故障诊断方法,通常是在故障发生后,对设备上报的故障码进行分析,从而进行故障诊断,以根据诊断结果采取对应的措施,这种方式,不能及时发现设备故障,故障诊断的效率低,且诊断过程需要专业的技术人员操作,对操作人员的要求较高,人力成本高。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明提出一种故障诊断方法,实现了在待诊断设备运行时,根据待诊断设备的运行数据,实时进行故障诊断,提高了故障诊断的及时性和效率,且诊断过程无需专业的技术人员操作,减小了人力成本。
本发明还提出一种故障诊断装置。
本发明还提出一种计算机设备。
本发明还提出一种计算机可读存储介质。
本发明还提出一种计算机程序产品。
本发明第一方面实施例提出了一种故障诊断方法,包括:获取待诊断设备的第一运行数据,所述第一运行数据包括所述待诊断设备中的各个传感器在连续时间段内的检测数据;利用训练好的卷积神经网络,对所述第一运行数据进行处理,确定所述待诊断设备的故障类型、故障位置及故障时间。
在本发明一种可能的实现形式中,所述待诊断设备中包括S个传感器,所述第一运行数据中包括T组不同时刻采集的数据;
所述对所述第一运行数据进行处理之前,还包括:
根据所述第一运行数据,确定所述卷积神经网络的S×T维的输入矩阵,其中,所述S×T维的输入矩阵中每个元素分别对应一个传感器在一个时刻采集的数据;
所述确定所述待诊断设备的故障类型、故障位置及故障时间,包括:
根据所述卷积神经网络的输出,确定所述S×T维的输入矩阵中各元素对应的故障类型;
根据所述各元素对应的传感器、采集时间、故障类型,确定所述待诊断设备的故障类型、故障位置及故障时间。
在本发明另一种可能的实现形式中,所述对所述第一运行数据进行处理,包括:
将所述S×T维的输入矩阵通过卷积及池化处理,生成M×N×Z的张量,其中M为小于或等于S的正整数,N为小于或等于T的正整数,Z为正整数。
在本发明另一种可能的实现形式中,M小于S,和/或,N小于T;
所述确定所述待诊断设备的故障类型、故障位置及故障时间,包括:
根据所述卷积神经网络的输出,确定M×N个单元格分别对应的故障定位框信息及故障类型;
根据各单元格与各元素的对应关系、各单元格对应的故障定位框信息及故障类型,确定所述待诊断设备的故障类型、故障位置及故障时间。
在本发明另一种可能的实现形式中,所述确定所述待诊断设备的故障类型,包括:
确定所述卷积神经网络输出的故障定位框的可信度大于阈值。
在本发明另一种可能的实现形式中,所述对所述第一运行数据进行处理之前,还包括:
获取已确定故障类型、故障位置及故障时间的第一设备的第二运行数据;
利用预设的卷积神经网络,对所述第二运行数据进行处理,确定所述第一设备的预测故障类型、预测故障位置及预测故障时间;
根据所述故障类型、故障位置、故障时间,及所述预测故障类型、预测故障位置及预测故障时间,对所述预设的卷积神经网络进行修正,直至所述卷积神经网络的权重值稳定。
本发明实施例的故障诊断方法,获取待诊断设备的第一运行数据后,可以利用训练好的卷积神经网络,对第一运行数据进行处理,确定待诊断设备的故障类型、故障位置及故障时间。由此,实现了在待诊断设备运行时,根据待诊断设备的运行数据,实时进行故障诊断,提高了故障诊断的及时性和效率,且诊断过程无需专业的技术人员操作,减小了人力成本。
本发明第二方面实施例提出了一种故障诊断装置,包括:第一获取模块,用于获取待诊断设备的第一运行数据,所述第一运行数据包括所述待诊断设备中的各个传感器在连续时间段内的检测数据;第一确定模块,用于利用训练好的卷积神经网络,对所述第一运行数据进行处理,确定所述待诊断设备的故障类型、故障位置及故障时间。
在本发明一种可能的实现形式中,所述待诊断设备中包括S个传感器,所述第一运行数据中包括T组不同时刻采集的数据;
所述装置,还包括:
第二确定模块,用于根据所述第一运行数据,确定所述卷积神经网络的S×T维的输入矩阵,其中,所述S×T维的输入矩阵中每个元素分别对应一个传感器在一个时刻采集的数据;
所述第一确定模块,具体用于:
根据所述卷积神经网络的输出,确定所述S×T维的输入矩阵中各元素对应的故障类型;
根据所述各元素对应的传感器、采集时间、故障类型,确定所述待诊断设备的故障类型、故障位置及故障时间。
在本发明另一种可能的实现形式中,所述第一确定模块,还用于:
将所述S×T维的输入矩阵通过卷积及池化处理,生成M×N×Z的张量,其中M为小于或等于S的正整数,N为小于或等于T的正整数,Z为正整数。
在本发明另一种可能的实现形式中,M小于S,和/或,N小于T;
所述第一确定模块,还用于:
根据卷积神经网络的输出,确定M×N个单元格分别对应的故障定位框信息及故障类型;
根据各单元格与各元素的对应关系、各单元格对应的故障定位框信息及故障类型,确定待诊断设备的故障类型、故障位置及故障时间。
在本发明另一种可能的实现形式中,所述第一确定模块,还用于:
确定所述卷积神经网络输出的故障定位框的可信度大于阈值。
在本发明另一种可能的实现形式中,所述装置,还包括:
第二获取模块,用于获取已确定故障类型、故障位置及故障时间的第一设备的第二运行数据;
第三确定模块,用于利用预设的卷积神经网络,对所述第二运行数据进行处理,确定所述第一设备的预测故障类型、预测故障位置及预测故障时间;
修正模块,用于根据所述故障类型、故障位置、故障时间,及预测故障类型、预测故障位置及预测故障时间,对所述预设的卷积神经网络进行修正,直至所述卷积神经网络的权重值稳定。
本发明实施例的故障诊断装置,获取待诊断设备的第一运行数据后,可以利用训练好的卷积神经网络,对第一运行数据进行处理,确定待诊断设备的故障类型、故障位置及故障时间。由此,实现了在待诊断设备运行时,根据待诊断设备的运行数据,实时进行故障诊断,提高了故障诊断的及时性和效率,且诊断过程无需专业的技术人员操作,减小了人力成本。
本发明第三方面实施例提出了一种计算机设备,包括:
存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,当所述处理器执行所述程序时实现如第一方面所述的故障诊断方法。
本发明第四方面实施例提出了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面所述的故障诊断方法。
本发明第五方面实施例提出了一种计算机程序产品,当所述计算机程序产品中的指令由处理器执行时,执行如第一方面所述的故障诊断方法。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1是本发明一个实施例的故障诊断方法的流程图;
图2是本发明另一个实施例的故障诊断方法的流程图;
图3是本发明一个实施例的故障诊断装置的结构示意图;
图4是本发明另一个实施例的故障诊断装置的结构示意图;
图5是本发明一个实施例的计算机设备的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
具体的,本发明各实施例针对现有的故障诊断方法,通常是在故障发生后,对设备上报的故障码进行分析,从而进行故障诊断,以根据诊断结果采取对应的措施,这种方式,不能及时发现设备故障,故障诊断的效率低、可靠性差,且诊断过程需要专业的技术人员操作,对操作人员的要求较高,人力成本高,用户体验差的问题,提出一种故障诊断方法。
本发明实施例提供的故障诊断方法,获取待诊断设备的第一运行数据后,可以利用训练好的卷积神经网络,对第一运行数据进行处理,确定待诊断设备的故障类型、故障位置及故障时间。由此,实现了在待诊断设备运行时,根据待诊断设备的运行数据,实时进行故障诊断,提高了故障诊断的及时性和效率,且诊断过程无需专业的技术人员操作,减小了人力成本。
下面参考附图描述本发明实施例的故障诊断方法、装置及计算机设备。
图1是本发明一个实施例的故障诊断方法的流程图。
如图1所示,该故障诊断方法包括:
步骤101,获取待诊断设备的第一运行数据,第一运行数据包括待诊断设备中的各个传感器在连续时间段内的检测数据。
其中,本发明实施例提供的故障诊断方法的执行主体,为本发明实施例提供的故障诊断装置。该故障诊断装置可以被配置在待诊断设备中,或设置在其它任意设备中,以对待诊断设备进行故障诊断,提高故障诊断的及时性、效率和可靠性。
其中,待诊断设备,可以是手机、电脑、鼓风机等任意配置有传感器的设备。
本发明实施例中,待诊断设备中的各个传感器,可以包括电流传感器、电压传感器、温度传感器、压力传感器等任意可以采集待诊断设备的运行数据的传感器。并且,连续时间段的时长,可以根据需要设置,比如,可以为一天、一周、15天等等,本实施例对此不做限定。
具体的,可以预先设置待诊断设备运行时,其中的各个传感器以预设的时间间隔,分别采集待诊断设备的各运行数据,并将各传感器在连续一段时间内采集的数据作为第一运行数据。
比如,假设待诊断设备为汽车,汽车中包括检测水温的温度传感器S1、检测油温的温度传感器S2、检测发动机机油压力的压力传感器S3等,各传感器以1)的时间间隔采集数据,连续时间段为5s。则当前时刻为t5时,可以将温度传感器S1在t0、t1、t2、t3、t4时刻分别采集的水温数据,温度传感器S2在t0、t1、t2、t3、t4时刻分别采集的油温数据,压力传感器S3在t0、t1、t2、t3、t4时刻分别采集的机油压力数据等,作为第一运行数据。其中,t0、t1、t2、t3、t4、t5之间的间隔分别为1s。
步骤102,利用训练好的卷积神经网络,对第一运行数据进行处理,确定待诊断设备的故障类型、故障位置及故障时间。
其中,待诊断设备的故障类型,可以是温度过高、电流过大、磨损等任意故障类型中的一个或多个。
故障位置,具体是指待诊断设备中,发生故障的区域。比如,可以是汽车的发动机、变速器、转向盘、散热器等位置。
需要说明的是,待诊断设备的故障类型、故障位置及故障时间,均可以为一个或多个。
具体的,可以预先训练输出为待诊断设备的故障类型、故障位置及故障时间的卷积神经网络,从而在获取到待诊断设备的第一运行数据后,可以利用训练好的卷积神经网络,对第一运行数据进行处理,确定待诊断设备的故障类型、故障位置及故障时间。
具体实现时,可以将待诊断设备的第一运行数据以矩阵的形式表示,从而将矩阵形式的数据,输入训练好的卷积神经网络,以确定待诊断设备的故障类型、故障位置及故障时间。
即,若待诊断设备中包括S个传感器,第一运行数据中包括T组不同时刻采集的数据时,在步骤102之前,还可以包括:
根据第一运行数据,确定卷积神经网络的S×T维的输入矩阵,其中,S×T维的输入矩阵中每个元素分别对应一个传感器在一个时刻采集的数据。
举例来说,假设待诊断设备中包括S1、S2、S3及S4共4个传感器,第一运行数据中包括4个传感器分别在t1、t2、t3时刻采集的3组数据,则可以根据第一运行数据,确定卷积神经网络的4×3维的输入矩阵。
其中,第一行至第四行的各元素分别为4个传感器分别采集的数据,第一列至第三列的各元素分别对应各传感器在t1、t2、t3时刻采集的3组数据。
相应的,步骤102中确定待诊断设备的故障类型、故障位置及故障时间可以包括:
根据卷积神经网络的输出,确定S×T维的输入矩阵中各元素对应的故障类型;
根据各元素对应的传感器、采集时间、故障类型,确定待诊断设备的故障类型、故障位置及故障时间。
需要说明的是,各元素对应的故障类型可以包含无故障。
具体的,将S×T维的输入矩阵输入训练好的卷积神经网络后,卷积神经网络的输出为输入矩阵中的每个元素对应的故障类型。而由于S×T维的输入矩阵中各元素,分别为一个传感器在一个时刻采集的数据,即一个元素对应一个传感器和一个采集时间,而每个传感器都分别对应设置在待诊断设备的特定位置,从而在确定了任一元素对应的故障类型后,即可结合该元素对应的传感器和采集时间,确定该待诊断设备的故障类型、故障位置及故障时间。
举例来说,假设待诊断设备为汽车,输入矩阵为4×3维的矩阵,将4×3维的矩阵输入训练好的卷积神经网络后,输入矩阵中的每个元素对应输出了一个故障类型。其中,第2行3列的元素对应的故障类型为温度过高,其它元素对应的故障类型为无故障。
若第2行3列的元素为检测油温的温度传感器S2在t3时刻采集的数据,则根据第2行3列的元素对应的传感器S2的位置,可以确定待诊断设备的故障位置为油箱。根据第2行3列的元素对应的故障类型及采集时间,可以确定待诊断设备的故障类型为温度过高,故障时间为t3时刻。
可以理解的是,待诊断设备的某种故障可能是由多个传感器在多个时刻采集的数据决定的。比如,汽车的散热器上部和下部分别安装了温度传感器S5和S6,则散热器是否堵塞可以根据S5和S6在一段时间内分别采集的温度数据确定。若温度传感器S5和S6在一段时间内分别采集的温度差均超过预设范围,则可以确定散热器堵塞。
则为了提高故障诊断的准确性,在本发明一种可能的实现形式中,将S×T维的输入矩阵输入训练好的卷积神经网络之后,卷积神经网络还可以先将S×T维的输入矩阵通过卷积及池化处理,生成张量,再根据生成的张量,输出结果,从而可以根据卷积神经网络的输出,对待诊断设备进行故障诊断。
即,步骤102中,对第一运行数据进行处理,可以包括:
将S×T维的输入矩阵通过卷积及池化处理,生成M×N×Z的张量,其中M为小于或等于S的正整数,N为小于或等于T的正整数,Z为正整数。
相应的,在M小于S和/或N小于T时,可以通过以下方式,确定待诊断设备的故障类型、故障位置及故障时间:
根据卷积神经网络的输出,确定M×N个单元格分别对应的故障定位框信息及故障类型;
根据各单元格与各元素的对应关系、各单元格对应的故障定位框信息及故障类型,确定待诊断设备的故障类型、故障位置及故障时间。
具体的,对输入矩阵进行卷积和池化处理时,Z、M和N的大小可以根据需要进行设置,本实施例对此不做限定。
举例来说,可以在卷积神经网络中,构建两层卷积池化层,第一层卷积层采用Z个1×1卷积核对输入矩阵进行升维,并通过第二层的2×2Maxpool层,将矩阵变为S/2×T/2×Z,以生成M×N×Z的张量。其中,第二层卷积核维度为(S/2-2M+1)×(T/2-2N+1)。
然后进入全连接层,将Z维度输入进全连接神经网络,即可输出M×N个单元格的故障定位的结果。
具体的,待诊断设备的某种故障可能是由单元格中的全部或者部分数据决定的,因此,本申请实施例中,在对各单元的故障进行定位时,可以用故障定位框的形式对单元格对应的故障进行预测。具体的,可以预测各单元对应的故障定位框的定位点坐标、所属故障定位框的长度和宽度、以及对应的可信度共5个故障定位框信息。
具体实现时,由于每个单元格可能同时包括多个故障定位框,且待诊断设备的故障类型可能包括多种,因此,本申请实施例中,可以设定每个单元格对应B个C行、6列的输出矩阵,即卷积神经网络输出M×N×B个C行、6列的矩阵。其中,B可以根据单元格可以同时包括的故障定位框的数量确定,比如为1、2或3等。输出矩阵中的前5列分别表示该单元格包括的任一每个故障定位框的5个信息(定位点坐标X、Y,长度、宽度及可信度);第6列分别为该单元格属于每种故障类型的概率。比如若待诊断设备可能的故障类型包括:过温故障、过流故障、过压故障及无故障,则C可以取4。
其中,本实施例中的故障定位框的定位点,可以为故障定位框的中心点,或者也可能为任一可定位故障定位框的其它点,比如为故障定位框的左上顶点等等。
具体实现时,为了对每个单元格,都可以预测出其包括的故障定位框的信息及属于各种故障类型的概率,Z通常可以设置为大于5×B+C的正整数。
举例来说,若待预测设备包括的故障类型C=3,且B=2,即任一单元格包括2种故障定位框,从而经过卷积神经网络处理后,第i个单元格即可对应2个3行、6列的矩阵。
其中,第i个单元格的第j个输出矩阵中,各行的第一列至第五列元素xij、yij、lij、wij及confij分别相同,均为第j各故障定位框的信息,xij和yij分别为单元格i包括的第j个故障定位框的定位点的横纵坐标,lij和wij分别为第j个故障定位框的长度和宽度,confij为第j个故障定位框的可信度;第六列元素分别为单元格i对应各故障类型的概率。其中,第六列中不同行的元素分别表示第i个单元格属于不同的故障类型的概率。
需要说明的是,同一单元格对应的不同输出矩阵反映了该单元格包括的不同故障定位框的位置信息。另外,同一单元格对应的B个不同输出矩阵中,每个矩阵中的第六列元素与其它矩阵中的第六列元素分别相同,即该单元格对应各故障类型的概率与故障定位框的位置无关。进而可以将可信度及故障类型概率的乘积最高的故障定位框及故障类型,确定为该单元格对应的故障类型及故障位置。
具体的,可以预先设置可信度阈值及概率阈值,从而可以从该单元格对应的各输出矩阵中,选取可信度大于预设可信度阈值的一个或多个矩阵,并从选取的一个或多个矩阵中,选取概率大于预设概率阈值的一行或多行元素,以确定该单元格的各个故障定位框的信息及类型。
举例来说,假设预先设置的故障类型包括c1、c2两种故障类型,输出矩阵中的每个矩阵中第一行第六列对应故障类型c1的概率,第二行第六列对应故障类型c2的概率,且每个单元格对应两个故障定位框。则单元格i对应的一个矩阵u中,第一行元素u11、u12、u13、u14、u15、u16分别可以为单元格i对应的第一个故障定位框定位点的横坐标xi1和纵坐标yi1、故障定位框的长度li1、宽度wi1、对应的可信度confi1、对应故障类型c1的概率a;第二行元素u21、u22、u23、u24、u25、u26分别可以为单元格i对应的第一个故障定位框定位点的横坐标xi1和纵坐标yi1、故障定位框的长度li1、宽度wi1、对应的可信度confi1、对应故障类型c2的概率b。
单元格i对应的另一个矩阵v中,第一行元素v11、v12、v13、v14、v15、v16分别可以为单元格i对应的第二个故障故障定位框定位点的横坐标xi2和纵坐标yi2、故障定位框的长度li2、宽度wi2、对应的可信度confi2、对应故障类型c1的概率a;第二行元素v21、v22、v23、v24、v25、v26分别可以为单元格i对应的第二个故障故障定位框定位点的横坐标xi2和纵坐标yi2、故障定位框的长度li2、宽度wi2、对应的可信度confi2、对应故障类型c2的概率b。
第一个故障定位框的可信度confi1与a的乘积为0.12、第一个故障定位框的可信度confi1与b的乘积为0.20,第二个故障定位框的可信度confi2与a的乘积为0.76,第二个故障定位框的可信度confi2与b的乘积为0.24。从而即可确定该单元格最终对应的故障定位框为第二个故障定位框,且故障类型为c1。
或者,在本发明实施例中,卷积神经网络的输出矩阵,也可以为其它形式。比如,可以输出5×B+C个矩阵,每个矩阵包括M×N个元素。
其中,5×B+C个矩阵中,前5×B个矩阵,分别用于输出每个单元格包括的定位框的位置及可信度信息,后C个矩阵中,每个矩阵的M×N个元素分别为各单元格对应一种故障类型时的概率,不同的矩阵对应不同的故障类型。
举例来说,假设预先设置的故障类型包括c1、c2、c3三种故障类型即C=3,且每个单元格包括的故障定位框数量为2,即B=2。则卷积神经网络处理后,即可输出5×2+3=13个矩阵。
其中,前10个矩阵中,每5个矩阵对应各单元格的一个故障定位框的位置及可信度。例如,第一个矩阵中的各元素分别可以为与各单元格对应的第一一个故障定位框定位点的横坐标,第二个矩阵中的各元素分别为各单元格对应的第一个故障定位框定位点的纵坐标,第三个矩阵中的各元素分别为与各单元格对应的第一个故障定位框的长度,第四个矩阵中的各元素分别为与各单元格对应的第一个故障定位框的宽度,第五个矩阵中的各元素分别为各单元格对应第一个故障定位框的可信度。
相应的,第六个矩阵中的各元素分别为与各单元格对应的第二个故障定位框定位点的横坐标,第七个矩阵中的各元素分别为与各单元格对应的第二个故障定位框定位点的纵坐标,第八个矩阵中的各元素分别为与各单元格对应的第二个故障定位框的长度,第九个矩阵中的各元素分别为与各单元格对应的第二个故障定位框的宽度,第十个矩阵中的各元素分别为各单元格对应的第二个故障定位框的可信度。
进而,第十一个矩阵中的各元素分别为各单元格对应故障类型c1的概率,第十二个矩阵中的各元素分别为各单元格对应故障类型c2时的概率,第十三个矩阵中的各元素分别为各单元格对应故障类型c3时的概率。
进一步的,由于S×T维的输入矩阵中各元素与M×N个单元格存在对应关系,因此在确定了各单元格对应的故障定位框及故障类型后,即可根据各单元格与S×T维的输入矩阵中各元素的对应关系,确定输入矩阵中各元素与故障定位框及故障类型的对应关系。而由于输入矩阵中每个元素对应一个传感器在一个时刻采集的数据,从而在确定了各元素与故障定位框及故障类型的对应关系后,即可根据该元素对应的传感器在设备中的位置、该元素对应的采集时间,确定待诊断设备的故障位置、故障时间及故障类型。
举例来说,根据第一运行数据,确定的矩阵AS×T如下式(1)所示,该矩阵经卷积及池化处理后的矩阵BM×N如下式(2)所示,由式(1)和(2)可知,矩阵BM×N中,各单元格(bij)分别对应矩阵AS×T中的3行3列的元素。
若确定了单元格b12对应的某一故障定位框的位置坐标为(1,1,2,2,0.7),且故障定位框的定位点为该定位框的左上顶点,定位点坐标(1,1)表示该定位点为该单元格中的第一行第一列的元素,定位狂的长和宽(2,2)分别表示该定位框的长度和宽度方向分别包括该单元格中的2个元素。即该故障定位框包括的元素为a14、a15、a24和a25。
假设单元格b12中的三列元素,分别为检测油温的温度传感器S1、检测剩余油量的油量传感器S2及检测喷油嘴开度的传感器S3在t1、t2及t3时刻采集的数据。那么在确定了故障定位框包括温度传感器S1和油量传感器S2,在t1及t2时刻采集的数据,从而即可确定该待诊断设备的故障位置为油箱,故障类型为油量过高(低)、且温度过高,故障时间为t1到t2。
需要说明的是,在本发明实施例中,可以设置M/N=S/T,从而保证单元格的长宽比值,尽量贴近S×T维的输入矩阵的行数与列数比值,保证预测的故障定位框的长和宽的误差权重相同,保证预测的故障定位框定位点的横坐标和纵坐标的误差比重相同。
具体的,本发明实施例提供的故障诊断方法,通过根据待诊断设备的运行数据,实时进行故障诊断,提高了故障诊断的及时性;通过同时确定待诊断设备的故障类型、故障发生的时间及发生故障的位置,提高了故障诊断速度;当同时出现多种故障时,可以实现同时对不同故障的分类和定位;且通过将运行数据对应的输入矩阵进行卷积及池化处理后再进行故障诊断,可以准确定位和识别发生故障的传感器采集的数据,识别由多个传感器采集的数据组合而成的复杂故障识别,提高了故障诊断的准确性和可靠性。
本发明实施例的故障诊断方法,获取待诊断设备的第一运行数据后,可以利用训练好的卷积神经网络,对第一运行数据进行处理,确定待诊断设备的故障类型、故障位置及故障时间。由此,实现了在待诊断设备运行时,根据待诊断设备的运行数据,实时进行故障诊断,提高了故障诊断的及时性和效率,且诊断过程无需专业的技术人员操作,减小了人力成本。
通过上述分析可知,在获取待诊断设备的第一运行数据后,可以利用训练好的卷积神经网络,对第一运行数据进行处理,确定待诊断设备的故障类型、故障位置及故障时间。下面结合图2,对本发明实施例提供的卷积神经网络的训练过程进行详细描述。
图2是本发明另一个实施例的故障诊断方法的流程图。
如图2所示,该故障诊断方法,还可以包括:
步骤201,获取已确定故障类型、故障位置及故障时间的第一设备的第二运行数据。
具体的,可以预先确定第一设备的故障类型及故障位置,并获取第一设备的第二运行数据,其中第二运行数据包括第一设备的各个传感器在连续时间段内采集的数据。
需要说明的是,第一设备中包括S个传感器,第二运行数据中包括T组不同时刻采集的数据时,还可以根据第二运行数据,确定卷积神经网络的S×T维的输入矩阵,其中,S×T维的输入矩阵中每个元素分别对应一个传感器在一个时刻采集的数据。
比如,若第一设备中包括S1、S2、S3、S4 4个传感器,第二运行数据中包括t1、t2、t3时刻采集的3组数据,则可以根据第二运行数据,确定卷积神经网络的4×3维的输入矩阵。
进一步的,还可以将S×T维的输入矩阵通过卷积及池化处理,生成M×N×Z的张量,其中,M为小于或等于S的正整数,N为小于或等于T的正整数,Z为正整数。
步骤202,利用预设的卷积神经网络,对第二运行数据进行处理,确定第一设备的预测故障类型、预测故障位置及预测故障时间。
步骤203,根据故障类型、故障位置、故障时间,及预测故障类型、预测故障位置及预测故障时间,对预设的卷积神经网络进行修正,直至卷积神经网络的权重值稳定。
具体的,可以预设一个卷积神经网络,并设置卷积神经网络的权重值,然后利用预设的卷积神经网络,对第二运行数据进行处理,确定第一设备的预测故障类型、预测故障位置及预测故障时间,从而可以将已确定的第一设备的故障类型、故障位置及故障时间,与第一设备的预测故障类型、预测故障位置及预测故障时间进行对比,根据差值确定各权重值的修正系数,以对预设的卷积神经网络进行一次修正。通过利用多组运行数据,对预设的卷积神经网络进行多次修正,直至卷积神经网络的权重值稳定,即可训练生成最终的卷积神经网络。
具体实现时,可以定义如公式(3)所示的卷积神经网络的目标函数。
其中,f(·)表示:如果第j个故障定位框的定位点落在第i个单元格中,则fij(·)为计算值,否则为0;表示:当预测故障不在故障定位框时否则为0;gij(·)表示y(i)=k是否为真,如果为真,则gij(·)为1,反之为0。B为故障定位框的个数。
其中,由于故障框的定位误差和类型分类误差不应该处于相同地位,所以设置α为定位误差系数,β为分类误差系数,γ为置信误差系数。表示预测属于该i类故障的概率预测值,其中conf为置信系数,如下公式(4)所示。
confi=Pri(faultk)·Overlapi(faultk) (4)
其中,当故障出现在单元格中时Pr()为1,故障没有出现在单元格中时为0。Overlap()表示故障框的面积占单元格总面积的占比。Pr()和Overlap()两者相乘表示定位框的置信系数。
为了方便计算规则,在本发明实施例中,可以采用将不同误差的最小二乘相加,为了平衡各误差加入不同误差权衡方法,其中为了平衡坐标点误差和长宽误差,可以采用将长宽误差进行先平方再求取二次范数的方法。通过设置M/N=S/T,可以保证单元格的长宽比值,尽量贴近选取的数据矩阵的行数与列数比值,保证w,l(预测区域即故障定位框的长宽)的误差权重相同,保证预测的坐标xi,yi的误差比重相同。
另外,为了平衡故障在预测区域内和不在预测区域内时的误差区别,及定位误差和分类误差的区别,在上述目标函数中加入了α,β,γ三个权重系数。其中,α,β,γ三个权重系数可以根据实际情况进行调节,也可根据经验设置为1.5,0.05,1.5来平衡各部分误差权重。
在训练卷积神经网络时,可以选取已确定故障类型和故障位置的第一设备的第二运行数据,并对第二运行数据进行标注,在将根据第二运行数据,确定的卷积神经网络的输入矩阵,输入卷积神经网络后,提取所有单元格的预测值,再根据标注的标签即故障数据中心点,与预测值进行对比,选取包含故障中心点的单元格,计算损失函数。
根据定位误差会出现如下四种状况:
1、单元预测包含故障,实际值包含故障;
2、预测不包含故障,实际包含故障;
3、预测包含故障,实际不包含故障;
4、预测不包含故障,实际不包含故障。
针对1,2情况,如公式(5),定位误差为:
针对情况3,公式(6),定位误差为:
针对情况4,预测值和实际值置信系数均为0,所以定位误差为0。
分类误差,可以根据人为标定的标签确定,故障类型所属分类对应的分类误差为1,其他分类对应的分类误差值为0。
训练好卷积神经网络后,获取到待诊断设备的第一运行数据,并将根据第一运行数据确定的卷积神经网络的S×T维的输入矩阵,通过卷积及池化处理后,即可利用训练好的卷积神经网络,计算每个单元格的预测概率P,预测概率P如公式(7)所示。
其中P(Ci|faultk)为预测的第k个故障定位框的故障类型为Ci类的预测概率;Pr(faultk)为预测故障是否在预测区域内,预测存在时为1,不存在时为0;Overlapi(faultk))为预测数据与预测区域交叉面积与总面积比值。
本发明实施例提供的故障诊断方法,可以获取已确定故障类型及故障位置的第一设备的第二运行数据,然后对第二运行数据进行标注,确定故障数据位置,再利用预设的卷积神经网络,对第二运行数据进行处理,确定第一设备的预测故障类型、预测故障位置及预测故障时间,从而根据故障数据位置及预测故障类型、预测故障位置及预测故障时间,对预设的卷积神经网络进行修正,直至卷积神经网络的权重值稳定。由此,实现了对卷积神经网络的训练,从而在获取待诊断设备的第一运行数据后,可以利用训练好的卷积神经网络,对第一运行数据进行处理,确定待诊断设备的故障类型、故障位置及故障时间。
图3是本发明一个实施例的故障诊断装置的结构示意图。
如图3所示,该故障诊断装置包括:
第一获取模块31,用于获取待诊断设备的第一运行数据,第一运行数据包括待诊断设备中的各个传感器在连续时间段内的检测数据;
第一确定模块32,用于利用训练好的卷积神经网络,对第一运行数据进行处理,确定待诊断设备的故障类型、故障位置及故障时间。
具体的,本实施例提供的故障诊断装置,可以被配置在任何设备中,用于执行如上述实施例所示的故障诊断方法,以对设备进行故障诊断。
在本发明一种可能的实现形式中,待诊断设备中包括S个传感器,第一运行数据中包括T组不同时刻采集的数据;
相应的,故障诊断装置,还包括:
第二确定模块,用于根据第一运行数据,确定卷积神经网络的S×T维的输入矩阵,其中,S×T维的输入矩阵中每个元素分别对应一个传感器在一个时刻采集的数据;
第一确定模块32,具体用于:
根据卷积神经网络的输出,确定S×T维的输入矩阵中各元素对应的故障类型;
根据各元素对应的传感器、采集时间、故障类型,确定待诊断设备的故障类型、故障位置及故障时间。
在本发明另一种可能的实现形式中,第一确定模块32,还用于:
将S×T维的输入矩阵通过卷积及池化处理,生成M×N×Z的张量,其中M为小于或等于S的正整数,N为小于或等于T的正整数,Z为正整数。
在本发明另一种可能的实现形式中,M小于S,和/或,N小于T;
第一确定模块32,还用于:
根据卷积神经网络的输出,确定M×N×Z个单元格分别对应的故障定位框信息及故障类型;
根据各单元格与各元素的对应关系、各单元格对应的故障定位框信息及故障类型,确定待诊断设备的故障类型、故障位置及故障时间。
在本发明另一种可能的实现形式中,第一确定模块32,还用于:
确定卷积神经网络输出的故障定位框的可信度大于阈值。
需要说明的是,前述对故障诊断方法实施例的解释说明也适用于该实施例的故障诊断装置,此处不再赘述。
本发明实施例的故障诊断装置,获取待诊断设备的第一运行数据后,可以利用训练好的卷积神经网络,对第一运行数据进行处理,确定待诊断设备的故障类型、故障位置及故障时间。由此,实现了在待诊断设备运行时,根据待诊断设备的运行数据,实时进行故障诊断,提高了故障诊断的及时性和效率,且诊断过程无需专业的技术人员操作,减小了人力成本。
图4是本发明一个实施例的故障诊断装置的结构示意图。
如图4所示,在图3所示的基础上,该故障诊断装置还可以包括:
第二获取模块41,用于获取已确定故障类型、故障位置及故障时间的第一设备的第二运行数据;
第三确定模块42,用于利用预设的卷积神经网络,对第二运行数据进行处理,确定第一设备的预测故障类型、预测故障位置及预测故障时间;
修正模块43,用于根据故障类型、故障位置、故障时间,及预测故障类型、预测故障位置及预测故障时间,对预设的卷积神经网络进行修正,直至卷积神经网络的权重值稳定。
需要说明的是,前述对故障诊断方法实施例的解释说明也适用于该实施例的故障诊断装置,此处不再赘述。
本发明实施例的故障诊断装置,获取待诊断设备的第一运行数据后,可以利用训练好的卷积神经网络,对第一运行数据进行处理,确定待诊断设备的故障类型、故障位置及故障时间。由此,实现了在待诊断设备运行时,根据待诊断设备的运行数据,实时进行故障诊断,提高了故障诊断的及时性和效率,且诊断过程无需专业的技术人员操作,减小了人力成本。
本发明第三方面实施例提出了一种计算机设备。
图5是本发明一个实施例的计算机设备的结构示意图。
如图5所示,该计算机设备包括:存储器51、处理器52及存储在存储器51上并可在处理器52上运行的计算机程序。
处理器52执行所述程序时实现上述实施例中提供的故障诊断方法。
进一步地,计算机设备还包括:
通信接口53,用于存储器51和处理器52之间的通信。
存储器51,用于存放可在处理器52上运行的计算机程序。
存储器51可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatilememory),例如至少一个磁盘存储器。
处理器52,用于执行所述程序时实现上述实施例所述的故障诊断方法。
如果存储器51、处理器52和通信接口53独立实现,则通信接口53、存储器51和处理器52可以通过总线相互连接并完成相互间的通信。所述总线可以是工业标准体系结构(Industry Standard Architecture,简称ISA)总线、外部设备互连(PeripheralComponent Interconnect,简称PCI)总线或扩展工业标准体系结构(Extended IndustryStandard Architecture,简称EISA)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅以一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
可选地,在具体实现时,如果存储器51、处理器52及通信接口53,集成在一块芯片上实现,则存储器51、处理器52及通信接口53可以通过内部接口完成相互间的通信。
处理器52可以是一个中央处理器(Central Processing Unit,简称CPU),或者是特定集成电路(Application Specific Integrated Circuit,简称ASIC),或者是被配置成实施本发明实施例的一个或多个集成电路。
本发明第四方面实施例提出了一种计算机可读存储介质,其上存储有计算机程序,当该程序被处理器执行时实现如前述实施例中的故障诊断方法。
本发明第五方面实施例提出了一种计算机程序产品,当所述计算机程序产品中的指令由处理器执行时,执行如前述实施例中的故障诊断方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (6)
1.一种故障诊断方法,其特征在于,包括:
获取待诊断设备的第一运行数据,所述第一运行数据包括所述待诊断设备中的各个传感器在连续时间段内的检测数据,其中,所述待诊断设备中包括S个传感器,所述第一运行数据中包括T组不同时刻采集的数据,各所述传感器采集的数据不同;
根据所述第一运行数据,确定训练好的卷积神经网络的S×T维的输入矩阵,其中,所述S×T维的输入矩阵中每个元素分别对应一个传感器在一个时刻采集的数据;
利用所述训练好的卷积神经网络,将所述S×T维的输入矩阵通过卷积及池化处理,生成M×N×Z的张量,其中M为小于S的正整数,N为小于T的正整数,Z为正整数;
根据所述卷积神经网络的输出,确定M×N个单元格分别对应的故障定位框信息及属于各种故障类型的概率,将所述故障定位框信息中的可信度与所述故障类型的概率的乘积最高的故障定位框及故障类型,确定为M×N个单元格分别对应的故障位置及故障类型;
根据各单元格与各元素的对应关系、各单元格对应的故障定位框信息及故障类型,确定所述待诊断设备的故障类型、故障位置及故障时间。
2.如权利要求1所述的方法,其特征在,所述确定所述待诊断设备的故障类型,包括:
确定所述卷积神经网络输出的故障定位框的可信度大于阈值,并确定可信度大于阈值的故障定位框的故障类型概率大于概率阈值。
3.如权利要求1-2任一所述的方法,其特征在于,所述根据所述第一运行数据,确定训练好的卷积神经网络的S×T维的输入矩阵之前,还包括:
获取已确定故障类型、故障位置及故障时间的第一设备的第二运行数据;
利用预设的卷积神经网络,对所述第二运行数据进行处理,确定所述第一设备的预测故障类型、预测故障位置及预测故障时间;
根据所述故障类型、故障位置、故障时间,及所述预测故障类型、预测故障位置及预测故障时间,对所述预设的卷积神经网络进行修正,直至所述卷积神经网络的权重值稳定。
4.一种故障诊断装置,其特征在于,包括:
第一获取模块,用于获取待诊断设备的第一运行数据,所述第一运行数据包括所述待诊断设备中的各个传感器在连续时间段内的检测数据,其中,所述待诊断设备中包括S个传感器,所述第一运行数据中包括T组不同时刻采集的数据,各所述传感器采集的数据不同;
第二确定模块,用于根据所述第一运行数据,确定训练好的卷积神经网络的S×T维的输入矩阵,其中,所述S×T维的输入矩阵中每个元素分别对应一个传感器在一个时刻采集的数据;
第一确定模块,用于利用所述训练好的卷积神经网络,将所述S×T维的输入矩阵通过卷积及池化处理,生成M×N×Z的张量,其中M为小于S的正整数,N为小于T的正整数,Z为正整数;根据所述卷积神经网络的输出,确定M×N个单元格分别对应的故障定位框信息及属于各种故障类型的概率,将所述故障定位框信息中的可信度与所述故障类型的概率的乘积最高的故障定位框及故障类型,确定为M×N个单元格分别对应的故障位置及故障类型;根据各单元格与各元素的对应关系、各单元格对应的故障定位框信息及故障类型,确定所述待诊断设备的故障类型、故障位置及故障时间。
5.一种计算机设备,包括:
存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-3中任一所述的故障诊断方法。
6.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-3中任一所述的故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711474125.8A CN108197014B (zh) | 2017-12-29 | 2017-12-29 | 故障诊断方法、装置及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711474125.8A CN108197014B (zh) | 2017-12-29 | 2017-12-29 | 故障诊断方法、装置及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108197014A CN108197014A (zh) | 2018-06-22 |
CN108197014B true CN108197014B (zh) | 2022-01-25 |
Family
ID=62586492
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711474125.8A Active CN108197014B (zh) | 2017-12-29 | 2017-12-29 | 故障诊断方法、装置及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108197014B (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109009013A (zh) * | 2018-06-25 | 2018-12-18 | 彭礼烨 | 智能手环 |
CN109163913B (zh) * | 2018-09-30 | 2021-02-09 | 深圳市元征科技股份有限公司 | 一种汽车故障诊断方法及相关设备 |
CN109617045A (zh) * | 2018-11-21 | 2019-04-12 | 宁波恒晨电力建设有限公司 | 降低低压开关跳闸风险的配电网安全保障方法及装置 |
CN111221247A (zh) * | 2018-11-23 | 2020-06-02 | 西门子股份公司 | 用于故障诊断的方法及系统、模型的训练方法以及介质 |
CN109871002B (zh) * | 2019-03-06 | 2020-08-25 | 东方证券股份有限公司 | 基于张量标签学习的并发异常状态识别与定位系统 |
CN109934404B (zh) * | 2019-03-13 | 2023-05-05 | 中交广州航道局有限公司 | 船机轴承箱的状态预测方法、装置及计算机设备 |
CN109861220B (zh) * | 2019-03-22 | 2022-07-01 | 西南交通大学 | 电力系统分析用深度卷积神经网络张量输入构建方法 |
CN110704964B (zh) * | 2019-09-16 | 2022-11-25 | 中国神华能源股份有限公司国华电力分公司 | 汽轮机运行状态诊断方法、装置及电子设备、存储介质 |
CN110988563B (zh) * | 2019-12-23 | 2022-04-01 | 厦门理工学院 | 一种ups故障检测方法、装置、设备和存储介质 |
CN111056395B (zh) * | 2019-12-25 | 2021-09-03 | 武汉科技大学 | 一种基于多点压力传感器的抱闸故障诊断方法 |
CN111309572B (zh) * | 2020-02-13 | 2021-05-04 | 上海复深蓝软件股份有限公司 | 测试分析方法、装置、计算机设备及存储介质 |
CN111651337B (zh) * | 2020-05-07 | 2022-07-12 | 哈尔滨工业大学 | 一种sram存储器空间服役故障分类失效检测方法 |
CN112491468B (zh) * | 2020-11-20 | 2022-04-01 | 福州大学 | 基于孪生节点辅助传感的fbg传感网络节点故障定位方法 |
CN112524077A (zh) * | 2020-12-09 | 2021-03-19 | 国家电网有限公司 | 检测风机故障的方法及装置、系统 |
CN113255546B (zh) * | 2021-06-03 | 2021-11-09 | 成都卡莱博尔信息技术股份有限公司 | 一种用于飞机系统传感器故障的诊断方法 |
CN114323102B (zh) * | 2021-12-17 | 2024-01-19 | 中国重汽集团济南动力有限公司 | 一种sent接口传感器故障诊断方法、装置及系统 |
CN117176199B (zh) * | 2023-11-02 | 2024-01-30 | 国网山东省电力公司兰陵县供电公司 | 一种hplc通信单元故障诊断方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102016107064A1 (de) * | 2015-04-15 | 2016-10-20 | Hamilton Sundstrand Corporation | Systemebenenfehlerdiagnose für das Luftregelsystem eines Luftfahrzeugs |
CN106408088A (zh) * | 2016-11-22 | 2017-02-15 | 北京六合智汇技术有限责任公司 | 一种基于深度学习理论的旋转机械设备故障诊断方法 |
CN106650919A (zh) * | 2016-12-23 | 2017-05-10 | 国家电网公司信息通信分公司 | 一种基于卷积神经网络的信息系统故障诊断方法及装置 |
CN206504869U (zh) * | 2017-02-27 | 2017-09-19 | 苏州大学 | 一种滚动轴承故障诊断装置 |
CN107329933A (zh) * | 2017-07-14 | 2017-11-07 | 北京知觉科技有限公司 | 基于光纤传感振动信号的故障检测方法及装置 |
-
2017
- 2017-12-29 CN CN201711474125.8A patent/CN108197014B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102016107064A1 (de) * | 2015-04-15 | 2016-10-20 | Hamilton Sundstrand Corporation | Systemebenenfehlerdiagnose für das Luftregelsystem eines Luftfahrzeugs |
CN106408088A (zh) * | 2016-11-22 | 2017-02-15 | 北京六合智汇技术有限责任公司 | 一种基于深度学习理论的旋转机械设备故障诊断方法 |
CN106650919A (zh) * | 2016-12-23 | 2017-05-10 | 国家电网公司信息通信分公司 | 一种基于卷积神经网络的信息系统故障诊断方法及装置 |
CN206504869U (zh) * | 2017-02-27 | 2017-09-19 | 苏州大学 | 一种滚动轴承故障诊断装置 |
CN107329933A (zh) * | 2017-07-14 | 2017-11-07 | 北京知觉科技有限公司 | 基于光纤传感振动信号的故障检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108197014A (zh) | 2018-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108197014B (zh) | 故障诊断方法、装置及计算机设备 | |
US11251749B2 (en) | Methods and systems for fault detection, diagnosis and localization in solar panel network | |
CN104573822B (zh) | 用于集成控制组件的用于计算lolimot的模型计算单元 | |
JP6501982B2 (ja) | 故障リスク指標推定装置および故障リスク指標推定方法 | |
CN109740617A (zh) | 一种图像检测方法及装置 | |
CN110686633B (zh) | 一种滑坡位移预测方法、装置及电子设备 | |
CN107591001B (zh) | 基于在线标定的快速路交通流数据填补方法及系统 | |
CN111462069B (zh) | 目标对象检测模型训练方法、装置、电子设备及存储介质 | |
CN107677967B (zh) | 确定电池电量的方法及装置 | |
CN115238836B (zh) | 一种基于气动数据和物理模型相关度的融合方法 | |
CN110866682B (zh) | 基于历史数据的地下电缆预警方法和装置 | |
CN110889630B (zh) | 一种主动配电网分布式状态估计方法 | |
CN113222209B (zh) | 基于域适应的区域尾气迁移预测方法、系统及存储介质 | |
CN114911788B (zh) | 一种数据插补方法、装置及存储介质 | |
CN116562120A (zh) | 一种基于rve的涡轮发动机系统健康状况评估方法及装置 | |
CN115184055B (zh) | 一种分级测试性优化的测试集确定方法及系统 | |
JP7435071B2 (ja) | 診断装置、診断方法およびプログラム | |
CN115657166A (zh) | 跨多气候区域的天气预报数值确定方法和装置 | |
CN110126846A (zh) | 驾驶场景的表示方法、装置、系统和存储介质 | |
CN113467590A (zh) | 一种基于相关性和人工神经网络的众核芯片温度重构方法 | |
CN105760270A (zh) | 一种能耗估算的方法及装置 | |
CN111752976A (zh) | 气象数据处理方法、装置、计算机设备及可读存储介质 | |
CN112200464B (zh) | 计及空间相关性的光伏电站出力数据的修正方法及系统 | |
CN116699427B (zh) | 基于非冗余测量拓扑结构的电池故障诊断方法及装置 | |
CN117435870B (zh) | 一种负荷数据实时填充方法、系统、设备和介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |