CN108427986A - 一种生产线电机故障预测方法及装置 - Google Patents
一种生产线电机故障预测方法及装置 Download PDFInfo
- Publication number
- CN108427986A CN108427986A CN201810159979.5A CN201810159979A CN108427986A CN 108427986 A CN108427986 A CN 108427986A CN 201810159979 A CN201810159979 A CN 201810159979A CN 108427986 A CN108427986 A CN 108427986A
- Authority
- CN
- China
- Prior art keywords
- parameter
- time
- input set
- value
- neural network
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 30
- 238000003062 neural network model Methods 0.000 claims abstract description 103
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims abstract description 20
- 238000012937 correction Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 18
- 230000003044 adaptive effect Effects 0.000 claims description 15
- 238000005259 measurement Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 13
- 238000012544 monitoring process Methods 0.000 claims description 10
- 230000005284 excitation Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 210000002364 input neuron Anatomy 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 210000004205 output neuron Anatomy 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 28
- 230000008569 process Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 6
- 238000013178 mathematical model Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000005662 electromechanics Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Neurology (AREA)
- Quality & Reliability (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Control Of Electric Motors In General (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明实施例提供一种生产线电机故障预测方法及装置。所述方法包括获取第一输入集和第二输入集，分别包括第一时刻到当前时刻范围内每个时刻的第一参数值，以及当前时刻的其它参数值；通过神经网络模型得到预测时刻的第一参数预测值；在预测时刻获取所述电机的第一参数实测值，并与第一参数预测值进行比较；若误差超过预设的误差阈值，则采用Adam算法对所述神经网络模型中的各个权值进行校正，本发明实施例通过预设的神经网络模型得到预测时刻的第一参数预测值，再判断第一参数预测值是否会引起故障，从而产生预警，并对神经网络模型中的权值进行实时校正，从而能够快速预测电机故障，保证了预测和诊断的实时性，提高了预测和诊断的精度。
Description
技术领域
本发明实施例涉及机电技术领域，尤其涉及一种生产线电机故障预测方法及装置。
背景技术
近年来我国高速铁路动车组进入大规模建设时期，投入运营的动车组数量不断增加，对于动车组设备的生产需求也不断的增长。自动化生产线(产线)的电机为产线提供动力，在运行过程中承受各种电磁交变应力的作用，易电机出现各种电气故障和机械故障，电机的正常运行对产线的安全起着至关重要的作用。因此利用这些不断积累的产线监测数据，对电机进行故障趋势预测，具有十分重要的意义。
在对产线电机进行故障预测和诊断的过程中，常规的故障预测和诊断方法存在以下缺点：1)故障预测和诊断模型复杂，建立成本太高。依托产线电机领域专家丰富的经验，建立电机的数学模型，然后使用电机的状态特征数据和建立的数学模型做比较，通过大量数学方法验证，达到预测效果。这需要对产线电机的运行机理有深刻的认识，对其故障历史有长时间的研究，还有要严谨科学的方法对电机建立数学模型。而实际中，产线电机作为一个复杂的系统，对其建立数学模型具有很大的挑战，建立了的数学模型也通常会有各种缺陷，并不能精确完整的描述电机，需要长时间的完善，这期间需要耗费巨大的时间和金钱成本。2)故障预测和诊断模型无法满足任务的实时性。复杂的故障预测诊断模型需要很大的计算量和逻辑推理才能完成故障的预测和诊断任务，这就很难保证电机预测诊断的实时性要求。3)故障预测和诊断模型无法做到自我反馈修正。产线电机工作环境的不同，对其进行故障预测和诊断的实际情况也不同，这需要故障预测和诊断模型能够在工作运行中不断进行自我修正，提高预测和诊断精度。
可见由于常规的故障预测和诊断方法存在的缺点，使常规的故障预测速度较慢，无法保证预测和诊断的实时性，且预测和诊断精度不够。
发明内容
本发明实施例提供一种生产线电机故障预测方法及装置，用以解决现有技术中故障预测速度较慢，无法保证预测和诊断的实时性，且预测和诊断精度不够。
第一方面，本发明实施例提供了一种自动化生产线电机故障预测方法，包括：
根据预设的时间步长和预设的神经网络模型，获取第一输入集和第二输入集；其中，所述第一输入集包括从第一时刻开始到当前时刻结束的时间范围内每个时刻电机的第一参数值，所述第二输入集包括当前时刻至少一个所述电机的其它参数值；
根据所述第一输入集和第二输入集，通过所述神经网络模型至少得到预测时刻的第一参数预测值；其中，所述预测时刻晚于当前时刻；
在预测时刻获取所述电机的第一参数实测值，并与所述第一参数预测值进行比较；
若比较的误差超过预设的误差阈值，则根据所述误差采用自适应矩估算Adam算法对所述神经网络模型中的各个权值进行校正。
第二方面，本发明实施例提供了一种自动化生产线电机故障预测装置，其特征在于，包括：
获取模块，用于根据预设的时间步长和预设的神经网络模型，获取第一输入集和第二输入集；其中，所述第一输入集包括从第一时刻开始到当前时刻结束的时间范围内每个时刻电机的第一参数值，所述第二输入集包括当前时刻至少一个所述电机的其它参数值；
计算模块，用于根据所述第一输入集和第二输入集，通过所述神经网络模型至少得到预测时刻的第一参数预测值；其中，所述预测时刻晚于当前时刻；
实测模块，用于在预测时刻获取所述电机的第一参数实测值，并与所述第一参数预测值进行比较；
校正模块，用于若比较的误差超过预设的误差阈值，则根据所述误差采用自适应矩估算Adam算法对所述神经网络模型中的各个权值进行校正。
第三方面，本发明实施例还提供了一种电子设备，包括：
处理器、存储器、通信接口和总线；其中，
所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
所述通信接口用于该电子设备的通信设备之间的信息传输；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如下方法：
根据预设的时间步长和预设的神经网络模型，获取第一输入集和第二输入集；其中，所述第一输入集包括从第一时刻开始到当前时刻结束的时间范围内每个时刻电机的第一参数值，所述第二输入集包括当前时刻至少一个所述电机的其它参数值；
根据所述第一输入集和第二输入集，通过所述神经网络模型至少得到预测时刻的第一参数预测值；其中，所述预测时刻晚于当前时刻；
在预测时刻获取所述电机的第一参数实测值，并与所述第一参数预测值进行比较；
若比较的误差超过预设的误差阈值，则根据所述误差采用自适应矩估算Adam算法对所述神经网络模型中的各个权值进行校正。
第四方面，本发明实施例还提供了一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如下方法：
根据预设的时间步长和预设的神经网络模型，获取第一输入集和第二输入集；其中，所述第一输入集包括从第一时刻开始到当前时刻结束的时间范围内每个时刻电机的第一参数值，所述第二输入集包括当前时刻至少一个所述电机的其它参数值；
根据所述第一输入集和第二输入集，通过所述神经网络模型至少得到预测时刻的第一参数预测值；其中，所述预测时刻晚于当前时刻；
在预测时刻获取所述电机的第一参数实测值，并与所述第一参数预测值进行比较；
若比较的误差超过预设的误差阈值，则根据所述误差采用自适应矩估算Adam算法对所述神经网络模型中的各个权值进行校正。
本发明实施例提供的生产线电机故障预测方法及装置，通过通过所述电机第一参数值的历史数据和当前时刻的其它参数值，通过预设的神经网络模型得到预测时刻的第一参数预测值，再判断所述第一参数预测值是否会引起故障，从而产生预警，并在预测时刻得到第一参数实测值后，对所述神经网络模型中的权值进行实时校正，从而能够快速预测电机故障，保证了预测和诊断的实时性，提高了预测和诊断的精度。
附图说明
图1为本发明实施例的生产线电机故障预测方法流程图；
图2为本发明实施例的另一生产线电机故障预测方法流程图；
图3为本发明实施例的生产线电机故障预测装置结构示意图；
图4为本发明实施例的电子设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例的生产线电机故障预测方法流程图，如图1所示，所述方法包括：
步骤S01、根据预设的时间步长和预设的神经网络模型，获取第一输入集和第二输入集；其中，所述第一输入集包括从第一时刻开始到当前时刻结束的时间范围内每个时刻电机的第一参数值，所述第二输入集包括当前时刻至少一个所述电机的其它参数值。
本发明实施主要是通过对电机的各个参数建立对应的神经网络模型，然后通过历史数据和当前数据来对参数进行预测，进而判断预测到的参数值是否会引起故障，从而产生预警。
对于生产线电机，在运行时所涉及到的参数有很多，例如有电机外部的输出数据：电机输出扭矩、带动物体速度、质量等，电机运行的外部环境数据：电机运行环境温度，以及电机运行数据：电机运行温度、振动等。
而在建立神经网络模型时可以是针对电机运行数据中的一个或者多个参数来进行预测，而在本发明实施例中，仅以对一个神经网络模型对应一个参数进行预测为例进行说明，该参数称为第一参数，例如以电机运行温度作为第一参数。
然后根据预设的神经网络模型的输入层的设置，先从所述电机的历史数据中获取所述神经网络模型的第一输入集和第二输入集，所述第一输入集中的参数量和所述第二输入集中的参数量均是根据所述神经网络模型预先设定不变的。所述第一输入集包括在时间段[第一时刻T1，当前时刻Tn]范围内，每个时刻Ti的第一参数值Xi，其中，相邻两个时刻的间隔由预设的时间步长来决定，例如1分钟。所述第二输入集包括当前时刻Tn除第一参数外所述电机的至少一个其它参数值，具体在所述第二输入集中包括哪些其它参数值，需要根据其它参数值对所述第一参数值影响力来预先设置。例如将所述电机运行温度作为第一参数时，可以将当前时刻Tn的电机输出转矩Yn、带动物体速度Sn和电机运行环境温度Rn组成第二输入集。至此，得到的所述第一输入集为{X1,X2,…,Xn}，所述第二输入集为{Yn,Sn,Rn}。
步骤S02、根据所述第一输入集和第二输入集，通过所述神经网络模型至少得到预测时刻的第一参数预测值；其中，所述预测时刻晚于当前时刻。
将得到的第一输入集{X1,X2,…,Xn}和第二输入集{Yn,Sn,Rn}输入到所述神经网络模型的输入层，最终可以从所述神经网络模型的输出层至少得到预测时刻的第一参数预测值，其中所述预测时刻要晚于当前时刻。
根据实际的需要，可以将所述神经网络模型的输出层设置为同时预测多个不同预测时刻的第一参数预测值，且每个预测时刻与当前时刻的时间差也可以在建立所述神经网络模型时预先设定。但为了简便起见，在下面的实施例中都仅以所述神经网络模型仅能输出预测时刻Tm的第一参数预测值Xm’为例进行举例说明。
进一步，所述方法还包括：
若所述预测时刻的第一参数预测值超过了预设的第一参数阈值范围，则发出故障预警信息。
在得到预测时刻的第一参数预测值后，可以将所述第一参数预测值与预设的第一参数阈值范围进行比较，例如，若所述第一参数预测值为90度，而所述第一参数阈值范围为45～85度，则判定所述第一参数预测值超过所述第一参数阈值范围，并发出故障预警信息，警告所述电机可能会在时刻Tm发生故障，具体表现为所述电机运行温度过高。从而使工作人员能够根据预警信息对电机的其它参数作出调整，或者暂停电机来避免故障的发生。
步骤S03、在预测时刻获取所述电机的第一参数实测值，并与所述第一参数预测值进行比较。
当时间来到所述预测时刻Tm时，可以直接得到所述电机的第一参数实测值Xm。将得到的第一参数实测值Xm与在时刻Tn时通过所述神经网络模型得到的第一参数预测值Xm’进行比较以得到误差。
步骤S04、若比较的误差超过预设的误差阈值，则根据所述误差采用自适应矩估算Adam算法对所述神经网络模型中的各个权值进行校正。
若所述误差小于预设的误差阈值，则证明所述神经网络模型中所有权值的设定满足要求。而若所述误差超过了预设的误差阈值，则判定需要对所述神经网络模型中的权值进行适当的校正。
具体校正的方法有很多，在本发明实施例仅给出其中的一种方法举例，根据所述误差采用自适应矩估算(Adaptive Moment Estimation，Adam)算法来对所述神经网络模型中的权值进行校正。从而，使所述神经网络模型能够在实际的使用过程中不断自我反馈修正。
本发明实施例中通过所述电机第一参数值的历史数据和当前时刻的其它参数值，通过预设的神经网络模型得到预测时刻的第一参数预测值，再判断所述第一参数预测值是否会引起故障，从而产生预警，并在预测时刻得到第一参数实测值后，对所述神经网络模型中的权值进行实时校正，从而能够快速预测电机故障，保证了预测和诊断的实时性，提高了预测和诊断的精度。
图2为本发明实施例的另一生产线电机故障预测方法流程图，如图2所示，在所述步骤S01前所述方法还包括：
步骤S05、构建所述神经网络模型并初始化。
在使用所述神经网络模型进行对第一参数值进行预测前，需要先构建所述神经网络模型。
进一步地，所述神经网络模型至少包括输入层、隐藏层和输出层；其中所述输入层的输入神经元数量与所述第一输入集和第二输入集中包含的数值量相同，所述输出层的输出神经元数量为得到的第一参数预测值的数量。
所述神经网络模型结构有很多种，本发明实施例仅以三层神经网络模型为例进行举例说明。构建的神经网络模型包括输入层、隐藏层和输出层，其中所述输入层包括有与所述第一输入集和第二输入集中数值量相同的输入神经元，每个输入神经元对应于一个输入的数据值。所述输出层包括有与得到的第一参数预测值的数量相同的输出神经元。而隐藏层的隐藏神经元的数量则会根据所述输入神经元和输出神经元的数据来进行设定，例如，若所述输入神经元的数量为16，所述输出神经数量为1，则所述隐藏神经元的数量可以为当然，具体计算方法可以根据实际的需要来设定。且每个隐藏神经元与每个输入神经元，以及每个输出神经元与每个隐藏神经元之间均经过权值相连。
进一步地，所述隐藏层的激励函数为Morlet小波，所述输出层的激励函数为sigmoid函数。
为了能够使所述神经网络模型更加可靠，可以对隐藏层和输出层分别采用激励函数，例如可以对所述隐藏层采用Morlet小波作为激励函数，对所述输出层采用sigmoid函数作为激励函数。
在构建完成神经网络模型后，需要先对所述神经网络模型进行初始化，具体至少包括有对所有权值以及激励函数的参数设置初始值，并设定误差阈值、网络学习率等。
步骤S06、获取所述电机的历史数据，所述历史数据至少包括每个时刻的第一参数值和其它参数值，并对所述历史数据进行归一化处理。
在构建完神经网络模型的同时，还需要获取所述电机的历史数据，所述历史数据至少包括有每个时刻实测的第一参数值和其它参数值。由于电机的各个参数都具有不同的物理意义和不同的量纲，通过将所有的参数都归一化为0～1之间的数值，可以使所述神经网络的预测更加准确，加快训练过程。由此可知，在上述的实施例中根据第一输入集和第二输入集通过训练完成的神经网络模型得到第一参数预测值的过程中，所述第一输入集和第二输入集中的数据值也需要进行归一化处理。而得到的第一参数预测值也是归一化的值，需要再经过去归一化才能得到真实的第一参数预测值。
步骤S07、根据归一化后的历史数据、所述误差阈值和Adam算法对经过初始化的所述神经网络模型进行训练。
然后从归一化后的历史数据中根据构建的神经网络模型提取出用于训练的输入参数，然后再将得到的预测值与历史数据中同一时刻的实测值进行比较，若得到的误差超过了预设的误差阈值，则对所述神经网络模型中的权值和各个激励函数进行校正。
用于校正的算法有很多，例如梯度下降法或者Adam算法等。其中梯度下降法，要先确立误差目标函数，并求解确立的误差目标函数的一阶偏导数、以负梯度方向作为搜索方向。这种搜索是一种贪心的过程，只考虑目标函数在迭代点的局部性质，很难选择出合适的学习率，太小的学习率会导致网络收敛过于缓慢，而学习率太大可能会影响收敛，并导致损失函数在最小值上波动，甚至出现梯度发散。而且相同的学习率并不适用于所有的参数更新。而本发明实施例采用的Adam算法利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率，经过Adam算法偏置校正，每一次迭代学习率都有个确定范围，使得参数比较平稳。在实际应用中，Adam方法效果良好。与其他自适应学习率算法相比，其收敛速度更快，学习效果更为有效，而且可以纠正其他优化技术中存在的问题，如学习率消失、收敛过慢或是高方差的参数更新导致损失函数波动较大等问题。
在对所述神经网络模型进行校正后，再从归一化后的历史数据中选取新的一组用于训练的输入参数来对所述神经网络进行训练，直到所述神经网络模型的输出值与实测值的误差满足误差阈值时，则判定当前所述神经网络模型可以用于进行第一参数的预测。
另外，在训练的过程中，为了防止由于初始值不理想等原因导致训练的时间过长，所以会在对训练的次数进行限定，设定一个训练数量，若所述神经网络模型在经过训练数量次的训练后依然没有使误差满足误差阈值。则停止训练，通过调整初始值或者更新历史数据的方式来重新进行训练。
本发明实施例中通过构建神经网络模型，并用大量的历史数据进行训练，然后再通过所述电机第一参数值的历史数据和当前时刻的其它参数值，通过训练后的神经网络模型得到预测时刻的第一参数预测值，再判断所述第一参数预测值是否会引起故障，从而产生预警，并在预测时刻得到第一参数实测值后，对所述神经网络模型中的权值进行实时校正，从而能够快速预测电机故障，保证了预测和诊断的实时性，提高了预测和诊断的精度。
基于上述实施例，进一步地，所述预测时刻晚于当前时刻；具体为：
所述预测时刻比当前第一输入集中最晚时刻晚一个时间步长；相应地，所述方法还包括：
若要得到预设的监测时刻的第一参数预测值，所述监测时刻晚于当前时刻预设数量的时间步长，则执行以下步骤：
步骤A1、将新得到的第一参数预测值加入当前第一输入集中，以替换当前第一输入集中最早时刻的第一参数值，以更新第一输入集；
步骤A2、根据新的第一输入集和第二输入集，通过所述神经网络模型得到下一预测时刻的第一参数预测值；
步骤A3、若所述下一预测时刻不等于所述监测时刻，则继续循环执行步骤A1-A2，直到所述下一预测时刻等于所述监测时刻为止。
为了让所述神经网络模型能够更加准确快速得得到预测时刻的第一参数预测值，可以将所述预测时刻在构建神经网络模型时设置仅比当前时刻晚一个时间步长，即所述预测时刻比所述第一输入集中最晚时刻晚一个时间步长。
由于所述生产线电机的外部环境相对比较稳定，其它参数不会随着时间的流逝而产生大幅的变化，所以可以利用得到的第一参数预测值，通过神经网络模型来预测更晚一些时间步长的时刻的第一参数预测值。
例如，第一输入集{X1,X2,……,Xn}包括时刻T1,T2,……,Tn的第一参数值，第二输入集为{Yn,Sn,Rn}包括当前时刻Tn的其它参数值，则所述神经网络模型输出值为预测时刻Tn+1的第一参数预测值Xn+1’；
再用所述时刻Tn+1的第一参数预测值Xn+1’替换当前第一输入集中最早时刻T1的第一参数值X1，从而形成新的第一输入集{X2,……,Xn,Xn+1’}，将该新第一输入集{X2,……,Xn,Xn+1’}和原第二输入集{Yn,Sn,Rn}作为所述神经网络模型的输入，从而得到下一个预测时刻Tn+2的第一参数预测值Xn+2’；
以此类推：
根据第一输入集{X3,……,Xn,Xn+1’,Xn+2’}和第二输入集{Yn,Sn,Rn}，可以得到下一预测时刻Tn+3的第一参数预测值Xn+3’；
根据第一输入集{X4,……,Xn,Xn+1’,Xn+2’,Xn+3’}和第二输入集{Yn,Sn,Rn}，可以得到下一预测时刻Tn+4的第一参数预测值Xn+4’；
……；
直到得到预设监测时刻的第一参数预测值为止。
至此，在当前时刻Tn根据第一输入集{X1,X2,……,Xn}和第二输入集{Yn,Sn,Rn}就可以通过神经网络模型得到之后多个时刻的第一参数预测值，通过对这些第一参数预测值与所述第一参数阈值范围的比较就可以对更晚些时候的故障发出预警信息，从而能更早得发现故障，并采取相应的应对措施。
本发明实施例中通过所述电机第一参数值的历史数据和当前时刻的其它参数值，通过预设的神经网络模型得到预测时刻的第一参数预测值，再判断所述第一参数预测值是否会引起故障，从而产生预警，并在预测时刻得到第一参数实测值后，对所述神经网络模型中的权值进行实时校正，从而能够快速预测电机故障，保证了预测和诊断的实时性，提高了预测和诊断的精度。
图3为本发明实施例的生产线电机故障预测装置结构示意图，如图3所示，所述装置包括：获取模块10、计算模块11、实测模块12、校正模块13，其中：
所述获取模块10用于根据预设的时间步长和预设的神经网络模型，获取第一输入集和第二输入集；其中，所述第一输入集包括从第一时刻开始到当前时刻结束的时间范围内每个时刻电机的第一参数值，所述第二输入集包括当前时刻至少一个所述电机的其它参数值；所述计算模块11用于根据所述第一输入集和第二输入集，通过所述神经网络模型至少得到预测时刻的第一参数预测值；其中，所述预测时刻晚于当前时刻；所述实测模块12用于在预测时刻获取所述电机的第一参数实测值，并与所述第一参数预测值进行比较；所述校正模块13用于若比较的误差超过预设的误差阈值，则根据所述误差采用自适应矩估算Adam算法对所述神经网络模型中的各个权值进行校正。具体地：
根据预设的神经网络模型的输入层的设置，先由获取模块10从所述电机的历史数据中获取所述神经网络模型的第一输入集和第二输入集，所述第一输入集中的参数量和所述第二输入集中的参数量均是根据所述神经网络模型预先设定不变的。所述第一输入集包括在时间段[第一时刻T1，当前时刻Tn]范围内，每个时刻Ti的第一参数值Xi，其中，相邻两个时刻的间隔由预设的时间步长来决定，例如1分钟。所述第二输入集包括当前时刻Tn除第一参数外所述电机的至少一个其它参数值，具体在所述第二输入集中包括哪些其它参数值，需要根据其它参数值对所述第一参数值影响力来预先设置。例如，得到的所述第一输入集为{X1,X2,…,Xn}，所述第二输入集为{Yn,Sn,Rn}。
所述获取模块10将得到的第一输入集{X1,X2,…,Xn}和第二输入集{Yn,Sn,Rn}输入到所述计算模块11中的神经网络模型的输入层，最终可以从所述神经网络模型的输出层至少得到预测时刻Tm的第一参数预测值Xm’，其中所述预测时刻要晚于当前时刻。
进一步，所述装置还包括：
预警模块，用于若所述预测时刻的第一参数预测值超过了预设的第一参数阈值范围，则发出故障预警信息。
在得到预测时刻的第一参数预测值后，所述计算模块11可以将所述第一参数预测值发送给预警模块，与预设的第一参数阈值范围进行比较，若所述第一参数预测值超过所述第一参数阈值范围，则发出故障预警信息，警告所述电机可能会在时刻Tm发生故障，具体表现为所述电机运行温度过高。从而使工作人员能够根据预警信息对电机的其它参数作出调整，或者暂停电机来避免故障的发生。
当时间来到所述预测时刻Tm时，实测模块12可以直接得到所述电机的第一参数实测值Xm，并发送给校正模块13。所述校正模块13将得到的第一参数实测值Xm与在时刻Tn时由所述计算模块11发送的第一参数预测值Xm’进行比较以得到误差。
若所述误差小于预设的误差阈值，则证明所述神经网络模型中所有权值的设定满足要求。而若所述误差超过了预设的误差阈值，则判定需要对所述神经网络模型中的权值进行适当的校正。
具体校正的方法有很多，在本发明实施例仅给出其中的一种方法举例，根据所述误差采用自适应矩估算(Adaptive Moment Estimation，Adam)算法来对所述神经网络模型中的权值进行校正。从而，使所述神经网络模型能够在实际的使用过程中不断自我反馈修正。
本发明实施例提供的装置用于执行上述方法，其功能具体参考上述方法实施例，其具体方法流程在此处不再赘述。
本发明实施例中通过所述电机第一参数值的历史数据和当前时刻的其它参数值，通过预设的神经网络模型得到预测时刻的第一参数预测值，再判断所述第一参数预测值是否会引起故障，从而产生预警，并在预测时刻得到第一参数实测值后，对所述神经网络模型中的权值进行实时校正，从而能够快速预测电机故障，保证了预测和诊断的实时性，提高了预测和诊断的精度。
图4为本发明实施例的电子设备结构示意图。如图4所示，所述电子设备，包括：处理器(processor)601、存储器(memory)602和总线603；
其中，所述处理器601和所述存储器602通过所述总线603完成相互间的通信；
所述处理器601用于调用所述存储器602中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：根据预设的时间步长和预设的神经网络模型，获取第一输入集和第二输入集；其中，所述第一输入集包括从第一时刻开始到当前时刻结束的时间范围内每个时刻电机的第一参数值，所述第二输入集包括当前时刻至少一个所述电机的其它参数值；根据所述第一输入集和第二输入集，通过所述神经网络模型至少得到预测时刻的第一参数预测值；其中，所述预测时刻晚于当前时刻；在预测时刻获取所述电机的第一参数实测值，并与所述第一参数预测值进行比较；若比较的误差超过预设的误差阈值，则根据所述误差采用自适应矩估算Adam算法对所述神经网络模型中的各个权值进行校正。
进一步地，本发明实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：根据预设的时间步长和预设的神经网络模型，获取第一输入集和第二输入集；其中，所述第一输入集包括从第一时刻开始到当前时刻结束的时间范围内每个时刻电机的第一参数值，所述第二输入集包括当前时刻至少一个所述电机的其它参数值；根据所述第一输入集和第二输入集，通过所述神经网络模型至少得到预测时刻的第一参数预测值；其中，所述预测时刻晚于当前时刻；在预测时刻获取所述电机的第一参数实测值，并与所述第一参数预测值进行比较；若比较的误差超过预设的误差阈值，则根据所述误差采用自适应矩估算Adam算法对所述神经网络模型中的各个权值进行校正。
进一步地，本发明实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：根据预设的时间步长和预设的神经网络模型，获取第一输入集和第二输入集；其中，所述第一输入集包括从第一时刻开始到当前时刻结束的时间范围内每个时刻电机的第一参数值，所述第二输入集包括当前时刻至少一个所述电机的其它参数值；根据所述第一输入集和第二输入集，通过所述神经网络模型至少得到预测时刻的第一参数预测值；其中，所述预测时刻晚于当前时刻；在预测时刻获取所述电机的第一参数实测值，并与所述第一参数预测值进行比较；若比较的误差超过预设的误差阈值，则根据所述误差采用自适应矩估算Adam算法对所述神经网络模型中的各个权值进行校正。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的电子设备等实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种自动化生产线电机故障预测方法，其特征在于，包括：
根据预设的时间步长和预设的神经网络模型，获取第一输入集和第二输入集；其中，所述第一输入集包括从第一时刻开始到当前时刻结束的时间范围内每个时刻电机的第一参数值，所述第二输入集包括当前时刻至少一个所述电机的其它参数值；
根据所述第一输入集和第二输入集，通过所述神经网络模型至少得到预测时刻的第一参数预测值；其中，所述预测时刻晚于当前时刻；
在预测时刻获取所述电机的第一参数实测值，并与所述第一参数预测值进行比较；
若比较的误差超过预设的误差阈值，则根据所述误差采用自适应矩估算Adam算法对所述神经网络模型中的各个权值进行校正。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
若所述预测时刻的第一参数预测值超过了预设的第一参数阈值范围，则发出故障预警信息。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
构建所述神经网络模型并初始化；
获取所述电机的历史数据，所述历史数据至少包括实测得到的每个时刻的第一参数值和其它参数值，并对所述历史数据进行归一化处理；
根据归一化后的历史数据、所述误差阈值和Adam算法对经过初始化的所述神经网络模型进行训练。
4.根据权利要求1的方法，其特征在于，所述预测时刻晚于当前时刻；具体为：
所述预测时刻比当前第一输入集中最晚时刻晚一个时间步长；相应地，所述方法还包括：
若要得到预设的监测时刻的第一参数预测值，所述监测时刻晚于当前时刻预设数量的时间步长，则执行以下步骤：
步骤A1、将新得到的第一参数预测值加入当前第一输入集中，以替换当前第一输入集中最早时刻的第一参数值，以更新第一输入集；
步骤A2、根据新的第一输入集和第二输入集，通过所述神经网络模型得到下一预测时刻的第一参数预测值；
步骤A3、若所述下一预测时刻不等于所述监测时刻，则继续循环执行步骤A1-A2，直到所述下一预测时刻等于所述监测时刻为止。
5.根据权利要求1所述的方法，其特征在于，所述神经网络模型至少包括输入层、隐藏层和输出层；其中所述输入层的输入神经元数量与所述第一输入集和第二输入集中包含的数值量相同，所述输出层的输出神经元数量为得到的第一参数预测值的数量。
6.根据权利要求5所述的方法，其特征在于，所述隐藏层的激励函数为Morlet小波，所述输出层的激励函数为sigmoid函数。
7.一种自动化生产线电机故障预测装置，其特征在于，包括：
获取模块，用于根据预设的时间步长和预设的神经网络模型，获取第一输入集和第二输入集；其中，所述第一输入集包括从第一时刻开始到当前时刻结束的时间范围内每个时刻电机的第一参数值，所述第二输入集包括当前时刻至少一个所述电机的其它参数值；
计算模块，用于根据所述第一输入集和第二输入集，通过所述神经网络模型至少得到预测时刻的第一参数预测值；其中，所述预测时刻晚于当前时刻；
实测模块，用于在预测时刻获取所述电机的第一参数实测值，并与所述第一参数预测值进行比较；
校正模块，用于若比较的误差超过预设的误差阈值，则根据所述误差采用自适应矩估算Adam算法对所述神经网络模型中的各个权值进行校正。
8.根据权利要求7所述的装置，其特征在于，所述装置还包括：
预警模块，用于若所述预测时刻的第一参数预测值超过了预设的第一参数阈值范围，则发出故障预警信息。
9.一种电子设备，其特征在于，包括存储器和处理器，所述处理器和所述存储器通过总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至6任一所述的方法。
10.一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，该计算机程序被处理器执行时实现如权利要求1至6任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810159979.5A CN108427986A (zh) | 2018-02-26 | 2018-02-26 | 一种生产线电机故障预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810159979.5A CN108427986A (zh) | 2018-02-26 | 2018-02-26 | 一种生产线电机故障预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108427986A true CN108427986A (zh) | 2018-08-21 |
Family
ID=63157245
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810159979.5A Pending CN108427986A (zh) | 2018-02-26 | 2018-02-26 | 一种生产线电机故障预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108427986A (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109542065A (zh) * | 2018-12-03 | 2019-03-29 | 安徽易迈金工业科技有限公司 | 一种生产自动化防错管理方法 |
| CN109782392A (zh) * | 2019-02-27 | 2019-05-21 | 中国科学院光电技术研究所 | 一种基于改进型随机并行梯度下降算法的光纤耦合方法 |
| CN109870922A (zh) * | 2019-03-26 | 2019-06-11 | 武汉轻工大学 | 多功能榨油生产线控制方法、装置、设备及存储介质 |
| CN110097259A (zh) * | 2019-04-15 | 2019-08-06 | 杭州拓深科技有限公司 | 一种基于人工神经网络的集群式电气安全隐患预判方法 |
| CN110146810A (zh) * | 2019-04-23 | 2019-08-20 | 瑞声科技(新加坡)有限公司 | 一种线性马达测试参数的确定方法及装置 |
| CN111459906A (zh) * | 2020-03-02 | 2020-07-28 | 西安工业大学 | 一种电机数据库的建立方法 |
| CN112203311A (zh) * | 2019-07-08 | 2021-01-08 | 中国移动通信集团浙江有限公司 | 网元异常诊断方法、装置、设备及计算机存储介质 |
| CN112378056A (zh) * | 2020-11-18 | 2021-02-19 | 珠海格力电器股份有限公司 | 智能空调控制方法、装置、计算机设备和存储介质 |
| CN113031527A (zh) * | 2019-12-25 | 2021-06-25 | 新疆金风科技股份有限公司 | 多轴同步变桨控制方法、装置以及系统 |
| CN115129019A (zh) * | 2022-08-31 | 2022-09-30 | 合肥中科迪宏自动化有限公司 | 生产线故障分析模型的训练方法及生产线故障分析方法 |
| CN115406483A (zh) * | 2022-08-04 | 2022-11-29 | 国网湖北省电力有限公司黄龙滩水力发电厂 | 一种水电机组故障识别方法、装置、设备及可读存储介质 |
| CN116736048A (zh) * | 2023-03-31 | 2023-09-12 | 科润智能控制股份有限公司 | 一种新型智能干变与数据分析系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1992002895A2 (en) * | 1990-08-03 | 1992-02-20 | E.I. Du Pont De Nemours And Company | Computer neural network regulatory process control system and method |
| CN102486833A (zh) * | 2010-12-03 | 2012-06-06 | 财团法人工业技术研究院 | 装置的效能预测及故障检测的方法 |
| US20160247065A1 (en) * | 2006-02-14 | 2016-08-25 | Power Analytics Corporation | Systems and Methods for Real-Time Forecasting and Predicting of Electrical Peaks and Managing the Energy, Health, Reliability, and Performance of Electrical Power Systems Based on an Artificial Adaptive Neural Network |
| CN106125714A (zh) * | 2016-06-20 | 2016-11-16 | 南京工业大学 | 结合bp神经网络与二参数威布尔分布的故障率预测方法 |
| CN106548159A (zh) * | 2016-11-08 | 2017-03-29 | 中国科学院自动化研究所 | 基于全卷积神经网络的网纹人脸图像识别方法与装置 |
| CN106909990A (zh) * | 2017-03-01 | 2017-06-30 | 腾讯科技（深圳）有限公司 | 一种基于历史数据的预测方法及装置 |
| CN106991646A (zh) * | 2017-03-28 | 2017-07-28 | 福建帝视信息科技有限公司 | 一种基于密集连接网络的图像超分辨率方法 |
| CN107356955A (zh) * | 2017-06-28 | 2017-11-17 | 中国科学技术大学 | 一种基于神经网络的加速器束流位置测量方法及系统 |
| CN107730117A (zh) * | 2017-10-17 | 2018-02-23 | 中国电力科学研究院 | 一种基于异质数据综合分析的电缆检修预警方法及系统 |
-
2018
- 2018-02-26 CN CN201810159979.5A patent/CN108427986A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1992002895A2 (en) * | 1990-08-03 | 1992-02-20 | E.I. Du Pont De Nemours And Company | Computer neural network regulatory process control system and method |
| US20160247065A1 (en) * | 2006-02-14 | 2016-08-25 | Power Analytics Corporation | Systems and Methods for Real-Time Forecasting and Predicting of Electrical Peaks and Managing the Energy, Health, Reliability, and Performance of Electrical Power Systems Based on an Artificial Adaptive Neural Network |
| CN102486833A (zh) * | 2010-12-03 | 2012-06-06 | 财团法人工业技术研究院 | 装置的效能预测及故障检测的方法 |
| CN106125714A (zh) * | 2016-06-20 | 2016-11-16 | 南京工业大学 | 结合bp神经网络与二参数威布尔分布的故障率预测方法 |
| CN106548159A (zh) * | 2016-11-08 | 2017-03-29 | 中国科学院自动化研究所 | 基于全卷积神经网络的网纹人脸图像识别方法与装置 |
| CN106909990A (zh) * | 2017-03-01 | 2017-06-30 | 腾讯科技（深圳）有限公司 | 一种基于历史数据的预测方法及装置 |
| CN106991646A (zh) * | 2017-03-28 | 2017-07-28 | 福建帝视信息科技有限公司 | 一种基于密集连接网络的图像超分辨率方法 |
| CN107356955A (zh) * | 2017-06-28 | 2017-11-17 | 中国科学技术大学 | 一种基于神经网络的加速器束流位置测量方法及系统 |
| CN107730117A (zh) * | 2017-10-17 | 2018-02-23 | 中国电力科学研究院 | 一种基于异质数据综合分析的电缆检修预警方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| 刘峰等: "基于改进小波神经网络的动车组牵引电机故障趋势预测", 《制造业自动化》 * |
| 张文等: "一种实时校正的改进BP神经网络超短期风速预测模型", 《电网与清洁能源》 * |
| 彼岸花杀是条狗: "Adam算法", 《HTTP://WWW.CNBLOGS.COM/YIFDU25/P/8183587.HTML》 * |
| 量子位: "一文看懂各种神经网络优化算法：从梯度下降到Adam方法", 《HTTP://WWW.SOHU.COM/A/149921578_610300》 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109542065A (zh) * | 2018-12-03 | 2019-03-29 | 安徽易迈金工业科技有限公司 | 一种生产自动化防错管理方法 |
| CN109782392A (zh) * | 2019-02-27 | 2019-05-21 | 中国科学院光电技术研究所 | 一种基于改进型随机并行梯度下降算法的光纤耦合方法 |
| CN109870922A (zh) * | 2019-03-26 | 2019-06-11 | 武汉轻工大学 | 多功能榨油生产线控制方法、装置、设备及存储介质 |
| CN110097259A (zh) * | 2019-04-15 | 2019-08-06 | 杭州拓深科技有限公司 | 一种基于人工神经网络的集群式电气安全隐患预判方法 |
| CN110146810A (zh) * | 2019-04-23 | 2019-08-20 | 瑞声科技(新加坡)有限公司 | 一种线性马达测试参数的确定方法及装置 |
| CN112203311A (zh) * | 2019-07-08 | 2021-01-08 | 中国移动通信集团浙江有限公司 | 网元异常诊断方法、装置、设备及计算机存储介质 |
| CN113031527A (zh) * | 2019-12-25 | 2021-06-25 | 新疆金风科技股份有限公司 | 多轴同步变桨控制方法、装置以及系统 |
| CN111459906A (zh) * | 2020-03-02 | 2020-07-28 | 西安工业大学 | 一种电机数据库的建立方法 |
| CN111459906B (zh) * | 2020-03-02 | 2022-11-15 | 西安工业大学 | 一种电机数据库的建立方法 |
| CN112378056A (zh) * | 2020-11-18 | 2021-02-19 | 珠海格力电器股份有限公司 | 智能空调控制方法、装置、计算机设备和存储介质 |
| CN115406483A (zh) * | 2022-08-04 | 2022-11-29 | 国网湖北省电力有限公司黄龙滩水力发电厂 | 一种水电机组故障识别方法、装置、设备及可读存储介质 |
| CN115129019A (zh) * | 2022-08-31 | 2022-09-30 | 合肥中科迪宏自动化有限公司 | 生产线故障分析模型的训练方法及生产线故障分析方法 |
| CN116736048A (zh) * | 2023-03-31 | 2023-09-12 | 科润智能控制股份有限公司 | 一种新型智能干变与数据分析系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108427986A (zh) | 一种生产线电机故障预测方法及装置 | |
| US12066797B2 (en) | Fault prediction method and fault prediction system for predecting a fault of a machine | |
| JP6569927B1 (ja) | 異常判定システム、モータ制御装置、及び異常判定装置 | |
| US11042145B2 (en) | Automatic health indicator learning using reinforcement learning for predictive maintenance | |
| JP2016100009A (ja) | 機械の動作を制御する方法、および機械の動作を反復的に制御する制御システム | |
| US9934470B2 (en) | Production equipment including machine learning system and assembly and test unit | |
| US20210192368A1 (en) | Method and Device for Machine Learning in a Computing Unit | |
| JP2016158485A (ja) | 列車を所定の位置範囲に停止させるためのシステムおよび方法 | |
| US20210088986A1 (en) | Assistance device, learning device, and plant operation condition setting assistance system | |
| US10921755B2 (en) | Method and system for competence monitoring and contiguous learning for control | |
| JP6869589B1 (ja) | 情報処理装置、方法及びプログラム | |
| US10635078B2 (en) | Simulation system, simulation method, and simulation program | |
| CN111652371A (zh) | 一种离线强化学习网络训练方法、装置、系统及存储介质 | |
| CN112508316B (zh) | 实时异常检测系统中的自适应异常判定方法和装置 | |
| CN108282360A (zh) | 一种长短期预测融合的故障检测方法 | |
| CN113377595B (zh) | 故障诊断方法、装置、电子设备和存储介质 | |
| CN115600693A (zh) | 机器学习模型训练方法、识别方法、相关装置及电子设备 | |
| EP3413153A1 (en) | Method and distributed control system for carrying out an automated industrial process | |
| CN110309472B (zh) | 基于离线数据的策略评估方法及装置 | |
| US20220100254A1 (en) | Configuring a power management system using reinforcement learning | |
| JP2021082014A (ja) | 推定装置、訓練装置、推定方法、訓練方法、プログラム及び非一時的コンピュータ可読媒体 | |
| CN115319741B (zh) | 机器人控制模型的训练方法和机器人控制方法 | |
| JP2020086555A (ja) | 車載学習制御装置 | |
| JP6919955B2 (ja) | 情報処理装置、方法及びプログラム | |
| CN117454148A (zh) | 电力系统状态估计方法、装置、电子设备及存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180821 |
|
| RJ01 | Rejection of invention patent application after publication |