CN109828549A - 一种基于深度学习的工业互联网设备故障预测方法 - Google Patents
一种基于深度学习的工业互联网设备故障预测方法 Download PDFInfo
- Publication number
- CN109828549A CN109828549A CN201910080221.7A CN201910080221A CN109828549A CN 109828549 A CN109828549 A CN 109828549A CN 201910080221 A CN201910080221 A CN 201910080221A CN 109828549 A CN109828549 A CN 109828549A
- Authority
- CN
- China
- Prior art keywords
- data
- equipment fault
- cnn
- industry internet
- equipment
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种基于深度学习的工业互联网设备故障预测方法。在实际场景中收集到的大规模时序数据中,故障数据通常非常稀少,未来的故障可能是先前从未发生过的,因此难以实现对设备故障的分析和预测。针对这一问题,提出一种基于深度学习的工业互联网设备故障预测方法。该方法主要采用CNN+LSTM的无监督学习结构,将CNN模型的输出作为双向LSTM的输入。在原始输入序列上应用单层CNN提取局部和鉴别特征之后,在先前的CNN之上建立两层双向LSTM以对时间模式进行编码。然后,将两个全连接层堆叠在一起以处理LSTM的输出。最后采用线性回归层进行故障分析与预测。
Description
技术领域
本发明涉及互联网领域、设备状态预测领域和深度学习,具体涉及到一种基于深度学习的工业互联网设备故障预测方法。
背景技术
工业互联网设备故障预测是指对设备运行状态的一种实时监测和预测行为。通过对设备现有故障数据的分析和挖掘,预测设备未来可能发生的故障,从而进行实时监测和预防,保证设备的高效运行。近年来最接近本发明的技术有:
(1)、基于关联规则的Apriori算法:该算法的基本思想是:首先找出所有的频集,这些项集出现的频繁性至少和预定义的最小支持度一样。然后由频集产生强关联规则,这些规则必须满足最小支持度和最小可信度。然后使用第1步找到的频集产生期望的规则,产生只包含集合的项的所有规则,其中每一条规则的右部只有一项,这里采用的是中规则的定义。一旦这些规则被生成,那么只有那些大于用户给定的最小可信度的规则才被留下来。为了生成所有频集,使用了递推的方法。
(2)、基于时间序列分析的SAX算法:SAX将一段长度为n的时间序列X转换为一段任意时间长度的字符串。这个算法包括两个步骤:将原始时间序列数据转换为PAA特征表示;将PAA数据转换为字符串。PAA的使用带来了简单有效的降维性,同时也提供了重要的下边界属性。将一段时间序列的PAA特征表示离散化到SAX中,得到的符号与时间序列的特征相对应,具有相同的概率。对原始算法所使用的各种时间序列的数据集进行了广泛而又严格的分析,结果表明z-normalized的时间序列的值遵循正态分布。通过使用它的属性,可以很容易的在正常曲线下使用查表法来确定直线坐标,分割高斯曲线下的区域。
其中,应用并行关联算法分别对机器设备故障时和正常时进行关联性分析,得到关联性强的传感器参数,从而确定机器设备故障时和正常时哪些传感器的相关性比较大,排除掉一些相关性不大的传感器。根据所给数据,按照时间逆序分析发生故障时和发生故障前半个小时传感器的变化率。将求出的变化率按降序排序,取前n个传感器参数,n的值根据需求确定,分析故障发生前传感器参数的变化和不同故障发生时传感器参数的变化,从而确定出故障发生前哪些传感器参数变化比较明显,可以锁定相关传感器,并将传感器参数的变化可视化。根据SAX算法进行数据处理和模式挖掘,并将结果和结果序列以json格式进行数据传输。
发明内容
为解决现有技术中的缺点和不足,本发明提出了一种基于深度学习的工业互联网设备故障预测方法,对设备的高效运行提供有力的保障。
本发明的技术方案为:
一种基于深度学习的工业互联网设备故障预测方法,在少量现有故障数据的基础上,对未来可能产生的故障进行分析和预测,提高工业互联网设备的高效工作能力,该方法主要包括以下步骤:
步骤(1)、对数据进行预处理,如通过数据清洗发现并纠正数据文件中可识别的错误,通过归一化方法处理,将数据归到数字信号处理范畴之内,方便数据的后续处理;
步骤(2)、研究各个设备之间的关联性,通过应用并行关联算法发现多个设备传感器参数之间的关联关系;
步骤(3)、采用时间序列分析的方法,基于随机过程理论和数理统计学方法,拟采用Apriori-Based Algorithms算法进行模式挖掘并测试;
步骤(4)、利用CNN+双向LSTM的无监督学习的结构进行设备故障预测,将CNN模型的输出作为双向LSTM的输入;
步骤(5)、采用集成学习算法,通过集成学习的方式预测设备故障。
本发明的有益效果:
(1)在基于平行数据的小样本生成方面,将平行数据的思想引入到设备故障分析与预测领域,解决大数据处理过程中的小数据困扰,从小数据产生虚拟大数据,虚实对偶,为故障分析和预测提供新的理论和方法;
(2)提出面向海量多源异构数据融合提取方法实现对多来源、多模态、多维度的智能装备大数据的融合与特征提取,提高对于设备分析的全面性;
(3)针对故障问题数据少、难以预判问题,构建复杂数据下的预测模型,实现工业设备故障精准诊断分析,有效提高生产效率、降低资源能源消耗。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,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。
图1为本发明基于CNN和双向LSTM的设备故障分析预测图;
图2为本发明基于深度学习的工业互联网设备故障预测流程图。
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。基于本发明中的实施例,本领域普通技术人员在没有做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。
如图1所示,本发明的基于CNN和双向LSTM的设备故障分析预测图,其中一个是本地特征提取器,用卷积神经网络CNN实现,另一个是时间编码器,采用双向LSTM实现。在原始输入序列上应用单层CNN提取局部和鉴别特征之后,在先前的CNN之上建立两层双向LSTM以对时间模式进行编码。然后,将两个全连接层堆叠在一起以处理LSTM的输出。最后采用线性回归层进行故障分析与预测。
下面结合图1与图2,对基于深度学习的工业互联网设备故障预测的具体流程进行详细说明:
步骤(1)、对数据进行预处理,如通过数据清洗发现并纠正数据文件中可识别的错误,通过归一化方法处理,将数据归到数字信号处理范畴之内,方便数据的后续处理;
步骤(2)、研究各个设备之间的关联性,通过应用并行关联算法发现多个设备传感器参数之间的关联关系;
步骤(3)、采用时间序列分析的方法,基于随机过程理论和数理统计学方法,拟采用Apriori-Based Algorithms算法进行模式挖掘并测试;
步骤(4)、利用CNN+双向LSTM的无监督学习的结构进行设备故障预测,将CNN模型的输出作为双向LSTM的输入;
步骤(5)、采用集成学习算法,通过集成学习的方式预测设备故障。
本发明的基于深度学习的工业互联网设备故障预测方法,通过采用CNN+LSTM的无监督学习结构,将CNN模型的输出作为双向LSTM的输入,在原始输入序列上应用单层CNN提取局部和鉴别特征之后,在先前的CNN之上建立两层双向LSTM以对时间模式进行编码,完成对未来故障的分析与预测。实现工业设备故障精准诊断分析,有效提高生产效率、降低资源能源消耗
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.一种基于深度学习的工业互联网设备故障预测方法,其特征在于,在少量现有故障数据的基础上,对未来可能产生的故障进行分析和预测,提高工业互联网设备的高效工作能力,该方法主要包括以下步骤:
步骤(1)、对数据进行预处理,如通过数据清洗发现并纠正数据文件中可识别的错误,通过归一化方法处理,将数据归到数字信号处理范畴之内,方便数据的后续处理;
步骤(2)、研究各个设备之间的关联性,通过应用并行关联算法发现多个设备传感器参数之间的关联关系;
步骤(3)、采用时间序列分析的方法,基于随机过程理论和数理统计学方法,拟采用Apriori-Based Algorithms算法进行模式挖掘并测试;
步骤(4)、利用CNN+双向LSTM的无监督学习的结构进行设备故障预测,将CNN模型的输出作为双向LSTM的输入;
步骤(5)、采用集成学习算法,通过集成学习的方式预测设备故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910080221.7A CN109828549A (zh) | 2019-01-28 | 2019-01-28 | 一种基于深度学习的工业互联网设备故障预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910080221.7A CN109828549A (zh) | 2019-01-28 | 2019-01-28 | 一种基于深度学习的工业互联网设备故障预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109828549A true CN109828549A (zh) | 2019-05-31 |
Family
ID=66862678
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910080221.7A Pending CN109828549A (zh) | 2019-01-28 | 2019-01-28 | 一种基于深度学习的工业互联网设备故障预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109828549A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110766566A (zh) * | 2019-10-16 | 2020-02-07 | 国网安徽省电力有限公司信息通信分公司 | 一种基于双向lstm模型的运维行为智能分析系统 |
CN111504676A (zh) * | 2020-04-23 | 2020-08-07 | 中国石油大学(北京) | 基于多源监控数据融合的设备故障诊断方法、装置及系统 |
CN111552609A (zh) * | 2020-04-12 | 2020-08-18 | 西安电子科技大学 | 一种异常状态检测方法、系统、存储介质、程序、服务器 |
CN111597996A (zh) * | 2020-05-18 | 2020-08-28 | 中车永济电机有限公司 | 基于深度学习的风力发电机轴承故障辨识模型的构建方法 |
CN111782491A (zh) * | 2019-11-15 | 2020-10-16 | 华中科技大学 | 一种磁盘故障预测方法、装置、设备及存储介质 |
CN111982256A (zh) * | 2020-08-18 | 2020-11-24 | 上海陆杰电子科技有限公司 | 一种基于多通道cnn模型的汽车衡压力传感器故障预警方法 |
CN112668507A (zh) * | 2020-12-31 | 2021-04-16 | 南京信息工程大学 | 基于混合神经网络与注意力机制的海杂波预测方法及系统 |
CN114580472A (zh) * | 2022-02-28 | 2022-06-03 | 西北大学 | 工业互联网中因果与注意力并重的大型设备故障预测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106250707A (zh) * | 2016-08-12 | 2016-12-21 | 王双坤 | 一种基于深度学习算法处理头部结构像数据的方法 |
US20170220854A1 (en) * | 2016-01-29 | 2017-08-03 | Conduent Business Services, Llc | Temporal fusion of multimodal data from multiple data acquisition systems to automatically recognize and classify an action |
CN107862406A (zh) * | 2017-10-31 | 2018-03-30 | 中国南方电网有限责任公司 | 应用深度学习和改进Apriori算法综合的一次设备风险预测的方法 |
CN108009674A (zh) * | 2017-11-27 | 2018-05-08 | 上海师范大学 | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 |
CN108344564A (zh) * | 2017-12-25 | 2018-07-31 | 北京信息科技大学 | 一种基于深度学习的主轴特性试验台状态识别及预测方法 |
CN108595667A (zh) * | 2018-04-28 | 2018-09-28 | 广东电网有限责任公司 | 一种网络异常数据的关联性分析方法 |
-
2019
- 2019-01-28 CN CN201910080221.7A patent/CN109828549A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170220854A1 (en) * | 2016-01-29 | 2017-08-03 | Conduent Business Services, Llc | Temporal fusion of multimodal data from multiple data acquisition systems to automatically recognize and classify an action |
CN106250707A (zh) * | 2016-08-12 | 2016-12-21 | 王双坤 | 一种基于深度学习算法处理头部结构像数据的方法 |
CN107862406A (zh) * | 2017-10-31 | 2018-03-30 | 中国南方电网有限责任公司 | 应用深度学习和改进Apriori算法综合的一次设备风险预测的方法 |
CN108009674A (zh) * | 2017-11-27 | 2018-05-08 | 上海师范大学 | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 |
CN108344564A (zh) * | 2017-12-25 | 2018-07-31 | 北京信息科技大学 | 一种基于深度学习的主轴特性试验台状态识别及预测方法 |
CN108595667A (zh) * | 2018-04-28 | 2018-09-28 | 广东电网有限责任公司 | 一种网络异常数据的关联性分析方法 |
Non-Patent Citations (2)
Title |
---|
HONGHU PAN,ETC: "An Improved Bearing Fault Diagnosis Method using One-Dimensional CNN and LSTM", 《JOURNAL OF MECHANICAL ENGINEERING》 * |
刘炳集 等: "基于时频图和CNN 的滚动轴承故障诊断", 《南昌航空大学学报:自然科学版》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110766566A (zh) * | 2019-10-16 | 2020-02-07 | 国网安徽省电力有限公司信息通信分公司 | 一种基于双向lstm模型的运维行为智能分析系统 |
CN111782491B (zh) * | 2019-11-15 | 2022-03-22 | 华中科技大学 | 一种磁盘故障预测方法、装置、设备及存储介质 |
CN111782491A (zh) * | 2019-11-15 | 2020-10-16 | 华中科技大学 | 一种磁盘故障预测方法、装置、设备及存储介质 |
CN111552609A (zh) * | 2020-04-12 | 2020-08-18 | 西安电子科技大学 | 一种异常状态检测方法、系统、存储介质、程序、服务器 |
CN111552609B (zh) * | 2020-04-12 | 2022-03-11 | 西安电子科技大学 | 一种异常状态检测方法、系统、存储介质、程序、服务器 |
CN111504676B (zh) * | 2020-04-23 | 2021-03-30 | 中国石油大学(北京) | 基于多源监控数据融合的设备故障诊断方法、装置及系统 |
CN111504676A (zh) * | 2020-04-23 | 2020-08-07 | 中国石油大学(北京) | 基于多源监控数据融合的设备故障诊断方法、装置及系统 |
CN111597996A (zh) * | 2020-05-18 | 2020-08-28 | 中车永济电机有限公司 | 基于深度学习的风力发电机轴承故障辨识模型的构建方法 |
CN111597996B (zh) * | 2020-05-18 | 2022-03-15 | 中车永济电机有限公司 | 基于深度学习的风力发电机轴承故障辨识模型的构建方法 |
CN111982256A (zh) * | 2020-08-18 | 2020-11-24 | 上海陆杰电子科技有限公司 | 一种基于多通道cnn模型的汽车衡压力传感器故障预警方法 |
CN111982256B (zh) * | 2020-08-18 | 2021-11-16 | 上海陆杰电子科技有限公司 | 一种基于多通道cnn模型的汽车衡压力传感器故障预警方法 |
CN112668507A (zh) * | 2020-12-31 | 2021-04-16 | 南京信息工程大学 | 基于混合神经网络与注意力机制的海杂波预测方法及系统 |
CN114580472A (zh) * | 2022-02-28 | 2022-06-03 | 西北大学 | 工业互联网中因果与注意力并重的大型设备故障预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109828549A (zh) | 一种基于深度学习的工业互联网设备故障预测方法 | |
Zhong et al. | Data-driven based fault prognosis for industrial systems: A concise overview | |
Bordoloi et al. | Support vector machine based optimization of multi-fault classification of gears with evolutionary algorithms from time–frequency vibration data | |
Zou et al. | Bearing fault diagnosis based on combined multi-scale weighted entropy morphological filtering and bi-LSTM | |
Xu et al. | Attention-based multiscale denoising residual convolutional neural networks for fault diagnosis of rotating machinery | |
Kim et al. | RDR-based knowledge based system to the failure detection in industrial cyber physical systems | |
Ishibashi et al. | GFRBS-PHM: A genetic fuzzy rule-based system for phm with improved interpretability | |
Folmer et al. | Detection of temporal dependencies in alarm time series of industrial plants | |
CN104008294B (zh) | 轴承异常检测系统及其方法 | |
Choi et al. | Explainable anomaly detection framework for predictive maintenance in manufacturing systems | |
CN110388315A (zh) | 基于多源信息融合的输油泵故障识别方法、装置及系统 | |
CN113868006A (zh) | 时间序列的检测方法、装置、电子设备及计算机存储介质 | |
CN115454778A (zh) | 大规模云网络环境下的时序指标异常智能监控系统 | |
CN117131110B (zh) | 一种基于关联分析的容性设备介质损耗监测方法及系统 | |
CN110263944A (zh) | 一种多变量故障预测方法和装置 | |
CN108875532A (zh) | 一种基于稀疏编码和长度后验概率的视频动作检测方法 | |
CN114563671A (zh) | 一种基于CNN-LSTM-Attention神经网络的高压电缆局部放电诊断方法 | |
CN113505531B (zh) | 基于结合传统诊断与机器学习方法且针对往复机械气门间隙异常故障的诊断模型构建方法 | |
Garg et al. | Weibull fuzzy probability distribution for analysing the behaviour of pulping unit in a paper industry | |
Sun et al. | Intelligent fault diagnosis scheme for rolling bearing based on domain adaptation in one dimensional feature matching | |
Liu | US Pandemic prediction using regression and neural network models | |
Korovin et al. | Real-time diagnostics of oil production equipment using data mining | |
Malathi et al. | Estimation of effort in software cost analysis for heterogenous dataset using fuzzy analogy | |
Xu et al. | Multi-attention-based Feature Aggregation Convolutional Networks with Dual Focal Loss for Fault Diagnosis of Rotating Machinery Under Data Imbalance Conditions | |
CN111461461B (zh) | 一种水利工程异常检测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
CB03 | Change of inventor or designer information |
Inventor after: Zhang Weishan Inventor after: Fang Kai Inventor after: Ren Pengcheng Inventor before: Fang Kai Inventor before: Zhang Weishan Inventor before: Ren Pengcheng |
|
CB03 | Change of inventor or designer information | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190531 |
|
WD01 | Invention patent application deemed withdrawn after publication |