CN110119787B - 一种旋转型机械设备工况检测方法及设备 - Google Patents

Abstract

本发明实施例提供一种旋转型机械设备工况检测方法及设备。所述方法包括：获取旋转型机械设备的当前运行数据；将所述当前运行数据输入至预先训练好的工况检测模型，获得基于所述当前运行数据的预测运行结果。本发明实施例通过对旋转型机械设备自身历史数据的自动学习，有效的解决了不同类型设备、不同传感器型号、不同运行环境、不同流量介质等差异性因素造成通用分析方法对设备异常及工况判断不准确的问题。

Description

一种旋转型机械设备工况检测方法及设备

技术领域

本发明涉及计算机技术领域，尤其涉及一种旋转型机械设备工况检测方法及设备。

背景技术

旋转型机械设备(包括但不限于泵机、电机、鼓风机、压缩机、汽轮机等)在工业生产中一直是生产系统中的重要设备，对动力的供应、介质的转运、杂质的抽取以及液体的加注等方面都有重要作用。旋转型机械设备在在运转中一旦处于异常的运转状态，轻则降低生产效率，增加生产成本，重则导致设备故障，被动停机，维修成本激增，生产及收益停滞，更有甚者造成生产事故，威胁生产安全。所以无论是在设备生产层面还是设备使用层面，越来越多的用户开始考虑对于旋转型机械设备的监控以及异常工况及故障的检测。

目前市面上绝大部分的旋转型机械设备异常检测产品使用的方法大致分为两种，第一种是阈值判断，指的是在采集到机械设备振动数据后求取振动或加速度或速度或位移的有效值，然后与阈值比对，三轴中的某一轴超过阈值则认为当前机械设备振动存在异常。阈值的设定通常以各类型设备相应的国家标准为参照，如泵机设备的振动阈值一般以GB-10889-1989“泵的振动测量与评价方法”为参照，将国家标准中设定的不同等级的泵赋予对应的振动烈度阈值来进行判断，同时部分产品会支持客户设置阈值；第二种是通过一些行业或设备知识，对振动信息(加速度、速度或位移)进行频域上的分析，然后通过一节简单的业务规则或二叉树算法实现正常与异常的区分。

除异常检测产品之外，目前市面上产品在实现旋转型机械设备工况识别功能时，绝大多数都会采用专家团队分析的模式。将采集到的认为存在异常的数据上传到系统后台，并生成一系列的图谱(如：频谱图、包络谱图等)，由专家团队人工的对图谱进行讨论和分析，得出当前异常对应哪种工况或故障的结论，并将结果提交到前台给客户展示。

对于上文提到的异常检测方法而言，第一种阈值法存在的缺陷是：如果选取默认阈值作为异常检测指标的话，对于很多的生产场景都是不太适用的，因为标准制定所用的实验环境和介质相对而言都是理想状态，有很多场景都会让机械设备在正常运行下振动超过阈值；如果用户自定义阈值，很多用户缺乏相应的故障判断知识，导致阈值设定不准确，且生产调整后还需要相当长的一段时间确认新的阈值，导致在一段时间内异常识别不准确。第二种规则法虽然比烈度大小判断更加接近于本质，但是传感器的数据误差，机械设备的振动谐波都会在频域上出现对异常判断的干扰项，从而导致在实际应用中使用业务知识判断异常得不到较好的准确度或不能广泛适应不同机械设备类型。

对于上文中提到的工况识别采用的专家分析模式，其缺陷主要有以下几点：1.人工成本。一个专家团队一年的费用至少需要数十万，对生产本身的成本造成很大的负担；2.分析延迟。目前市面上最好的专家分析服务，得出故障分析报告(位置、原因等)也需要约八小时左右，这样导致维修备件的延迟，停机时间的增加，给生产带来不利影响；3.人为误判。专家团队中每一位专业角度不同，水平参差不齐，极有可能导致分析意见的不一致或分析结果的错误，同样造成生产的延误、备件的错误等增加成本的事件。

发明内容

本发明实施例提供一种旋转型机械设备工况检测方法及设备，用于解决现有技术中人工成本高、分析延迟且误判较多的问题。

第一方面，本发明实施例提供一种旋转型机械设备工况检测方法，包括：

获取旋转型机械设备的当前运行数据；

将所述当前运行数据输入至预先训练好的工况检测模型，获得基于所述当前运行数据的预测运行结果；其中所述工况检测模型，是基于旋转型机械设备的历史运行数据，以线性神经元模型为起点，以结合卷积神经网络、循环神经网络和BP神经网络中核心算子的最终模型训练得到的。

进一步，所述工况检测模型，通过以下步骤得到：

获取旋转型机械设备的历史运行数据，并对所述历史运行数据进行预处理；

基于旋转型机械设备异常工况判定的分类问题，采用交叉熵作为代价函数，并采用随机梯度下降算法作为每次搜索迭代的优化算法，通过预处理后的历史运行数据对线性神经元为模型进行训练，获得初始工况检测模型；

以代价函数最小为标准，对所述初始工况检测模型进行深度学习结构搜索和扩展，并重新训练，获得所述工况检测模型。

进一步，所述对所述历史运行数据进行预处理，具体包括：

将所述历史运行数据按照固定长度进行分割，获得若干数据矩阵；

对于每一个数据矩阵，对三轴的每一轴数据分别标准化和异常值清洗，获得清洗后的数据矩阵；

对所述清洗后的数据矩阵进行尺寸转换，以达到三轴数据在进入线性神经元模型和最终模型时互不干扰的效果。

进一步，所述以代价函数最小为标准，对所述初始工况检测模型进行深度学习结构搜索和扩展，并重新训练，获得所述工况检测模型，具体包括：

对所述预处理后的历史数据进行第一次切分，获得第一训练集、第一验证集和第一测试集；

通过所述第一训练集、第一验证集和第一测试集对所述初始工况检测模型的当前结构进行训练、横向扩展和纵向扩展，直至满足预设完成条件时，获得最终模型网络结构；

对所述预处理后的历史数据进行第二次切分，获得第二训练集和第二验证集；

通过所述第二训练集对所述最终模型网络结构进行训练，直至所述第二验证集的代价函数值收敛，获得所述旋转型机械设备的工况检测模型。

进一步，所述通过所述第一训练集、第一验证集和第一测试集对所述初始工况检测模型的当前结构进行训练、横向扩展和纵向扩展，直至满足预设完成条件时，获得最终模型网络结构，具体包括：

100，通过所述第一训练集、第一验证集和第一测试集对所述初始工况检测模型的当前结构进行训练和横向扩展，直至满足结构确定条件时，获得当前网络层结构；

200，基于所述当前网络层结构，向下扩展一层初始网络结构，以对所述当前网络层结构进行纵向扩展；

300，通过所述第一训练集、第一验证集和第一测试集对纵向扩展后的当前网络层结构进行训练和横向扩展，直至满足结构确定条件时，确定当前网络层的最终结构；

400，重复步骤200和300，直至满足预设完成条件时，获得最终模型网络结构。

进一步，步骤100，所述通过所述第一训练集、第一验证集和第一测试集对所述初始工况检测模型的当前结构进行训练和横向扩展，直至满足结构确定条件时，获得当前网络层结构，具体包括：

100.1，通过所述第一训练集对所述初始工况检测模型的当前结构进行训练，直至所述第一验证集上的代价函数的值在迭代中不再下降，获得当前结构下的最优参数和第一测试集代价函数值；

100.2，基于所述最优参数和测试集代价函数值，横向扩展一个算子，并赋予所述算子全0参数；

100.3，重复步骤100.1，若当前结构所得测试集代价函数值小于上一结构所得测试集代价函数值，则获得所述当前结构的最优结构；否则返回上一结构，进行算子扩展后重复步骤100.1，直至确定一个扩展算子；

100.4，重复步骤100.1、100.2和100.3，直至满足结构确定条件时，获得当前网络层结构。

具体的，结构确定条件为以下条件中的一个或多种：

当前网络层在结构更新后已经包含了五个不同的算子；

当前网络层在结构更新后已经包含两个相同的算子；

以及当前网络层在横向扩展中使用的全部算子所得代价函数值均大于扩展前代价函数值。

具体的，所述预设完成条件为：

当前网络层满足结构确定条件后，所得的测试集代价函数值大于增加所述当前网络层前的测试集代价函数值，所述最终模型网络结构为增加所述当前网络层前的网络结构；和/或

当设定搜索时间到达时，若当前网络层未满足结构确定条件而自然终止，则以增加所述当前网络层前的网络结构为所述最终模型网络结构；若满足结构确定条件且下一网络层还未执行扩展，且所得的测试集代价函数值小于增加所述当前网络层前的测试集代价函数值，则以当前网络结构为所述最终模型网络结构。

第二方面，本发明实施例提供一种电子设备，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，所述处理器执行所述程序时实现本发明实施例第一方面所述旋转型机械设备工况检测方法的步骤。

第三方面，本发明实施例提供一种非暂态计算机可读存储介质，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本发明实施例第一方面所述旋转型机械设备工况检测方法的步骤。

本发明实施例提供一种旋转型机械设备工况检测方法及设备，通过对旋转型机械设备自身历史数据的自动学习，有效的解决了不同类型设备、不同传感器型号、不同运行环境、不同流量介质等差异性因素造成通用分析方法对设备异常及工况判断不准确的问题。

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一简单地介绍，显而易见地，下面描述中的附图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为本发明实施例一种旋转型机械设备工况检测方法流程图；

图2为本发明实施例技术方案流程图；

图3为本发明实施例一种电子设备的实体结构示意图。

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。

图1为本发明实施例一种旋转型机械设备工况检测方法流程图，如图1所示的旋转型机械设备工况检测方法，包括：

S1，获取旋转型机械设备的当前运行数据；

S2，将所述当前运行数据输入至预先训练好的工况检测模型，获得基于所述当前运行数据的预测运行结果；其中所述工况检测模型，是基于旋转型机械设备的历史运行数据，以线性神经元模型为起点，以结合卷积神经网络、循环神经网络和BP神经网络中核心算子的最终模型训练得到的。

本发明实施例提供的旋转型机械设备工况检测方法，主要针对旋转型机械设备的运行数据进行工况检测；具体是通过对旋转型机械设备自身历史数据的自动学习，获得预先训练好的工况检测模型，通过工况检测模型对当前运行数据进行检测，即可实现旋转型机械设备的工况检测。本发明实施例有效的解决了不同类型设备、不同传感器型号、不同运行环境、不同流量介质等差异性因素造成通用分析方法对设备异常及工况判断不准确的问题。

所述工况检测模型，通过以下步骤得到：

获取旋转型机械设备的历史运行数据，并对所述历史运行数据进行预处理；

基于旋转型机械设备异常工况判定的分类问题，采用交叉熵作为代价函数，并采用随机梯度下降算法作为每次搜索迭代的优化算法，通过预处理后的历史运行数据对线性神经元为模型进行训练，获得初始工况检测模型；

以代价函数最小为标准，对所述初始工况检测模型进行深度学习结构搜索和扩展，并重新训练，获得所述工况检测模型。

本发明实施例的工况检测模型通过以下步骤获取：

(1)历史数据预处理：基于每个单一机械设备自身的历史运行数据进行预处理。具体包括：

将所述历史运行数据按照固定长度进行分割，获得若干数据矩阵；并将分割出来的每一个数据矩阵作为后续算法的输入；

对于每一个数据矩阵，对三轴的每一轴数据分别标准化和异常值清洗，获得清洗后的数据矩阵；

对所述清洗后的数据矩阵进行尺寸转换，以达到三轴数据在进入线性神经元模型和最终模型时互不干扰的效果。

在生成初始工况检测模型，本发明实施例进行了算子范围限定：为保证搜索的快速、有效，本方法限定：只有已经经过长期测试，确定对振动信号分析有良好效果的算子，才能进入可搜索的算子范围内(如：3*1卷积；5*1卷积；3*1max pooling等)。

(2)生成初始工况检测模型：以最简单的线性神经元为模型起点，生成初始模型，并以旋转型机械设备异常及工况判定为分类问题为依据，采用交叉熵作为代价函数，并采用随机梯度下降算法作为每次搜索迭代的优化算法。

(3)最终获得工况检测模型：对所述初始工况检测模型进行深度学习结构搜索和扩展，进行若干轮训练，当代价函数最小时获得工况检测模型。

基于上述任一实施例，所述以代价函数最小为标准，对所述初始工况检测模型进行深度学习结构搜索和扩展，并重新训练，获得所述工况检测模型，具体包括：

对所述预处理后的历史数据进行第一次切分，获得第一训练集、第一验证集和第一测试集；

通过所述第一训练集、第一验证集和第一测试集对所述初始工况检测模型的当前结构进行训练、横向扩展和纵向扩展，直至满足预设完成条件时，获得最终模型网络结构；

对所述预处理后的历史数据进行第二次切分，获得第二训练集和第二验证集；

通过所述第二训练集对所述最终模型网络结构进行训练，直至所述第二验证集的代价函数值收敛，获得所述旋转型机械设备的工况检测模型。

具体的，所述预设完成条件为：

当前网络层满足结构确定条件后，所得的测试集代价函数值大于增加所述当前网络层前的测试集代价函数值，所述最终模型网络结构为增加所述当前网络层前的网络结构；和/或

当设定搜索时间到达时，若当前网络层未满足结构确定条件而自然终止，则以增加所述当前网络层前的网络结构为所述最终模型网络结构；若满足结构确定条件且下一网络层还未执行扩展，且所得的测试集代价函数值小于增加所述当前网络层前的测试集代价函数值，则以当前网络结构为所述最终模型网络结构。

基于上述任一实施例，所述通过所述第一训练集、第一验证集和第一测试集对所述初始工况检测模型的当前结构进行训练、横向扩展和纵向扩展，直至满足预设完成条件时，获得最终模型网络结构，具体包括：

100，通过所述第一训练集、第一验证集和第一测试集对所述初始工况检测模型的当前结构进行训练和横向扩展，直至满足结构确定条件时，获得当前网络层结构；

200，基于所述当前网络层结构，向下扩展一层初始网络结构，以对所述当前网络层结构进行纵向扩展；

300，通过所述第一训练集、第一验证集和第一测试集对纵向扩展后的当前网络层结构进行训练和横向扩展，直至满足结构确定条件时，确定当前网络层的最终结构；

400，重复步骤200和300，直至满足预设完成条件时，获得最终模型网络结构。

具体的，结构确定条件为以下条件中的一个或多种：

当前网络层在结构更新后已经包含了五个不同的算子；

当前网络层在结构更新后已经包含两个相同的算子；

以及当前网络层在横向扩展中使用的全部算子所得代价函数值均大于扩展前代价函数值。

基于上述任一实施例，步骤100，所述通过所述第一训练集、第一验证集和第一测试集对所述初始工况检测模型的当前结构进行训练和横向扩展，直至满足结构确定条件时，获得当前网络层结构，具体包括：

100.1，通过所述第一训练集对所述初始工况检测模型的当前结构进行训练，直至所述第一验证集上的代价函数的值在迭代中不再下降，获得当前结构下的最优参数和第一测试集代价函数值；

100.2，基于所述最优参数和测试集代价函数值，横向扩展一个算子，并赋予所述算子全0参数；

100.3，重复步骤100.1，若当前结构所得测试集代价函数值小于上一结构所得测试集代价函数值，则获得所述当前结构的最优结构；否则返回上一结构，进行算子扩展后重复步骤100.1，直至确定一个扩展算子；

需要说明的是，步骤100.3中算子扩展，是指扩展新的算子，是当前网络层本次横向扩展多次尝试中还没有尝试过的算子。

100.4，重复步骤100.1、100.2和100.3，直至满足结构确定条件时，获得当前网络层结构。

本发明实施例旋转型机械设备工况检测方法，依托于每个单一机械设备自身的历史运行数据，通过反复的迭代搜索找到最适应当前机械设备的深度学习模型结构和参数，从而得到可以判断当前机械设备异常和工况的最优模型。

图2为本发明实施例技术方案流程图。综上所述，本发明实施例的旋转型机械设备工况检测方法在每一个设备个体上包括下列步骤，请参考图2：

(1)历史数据预处理：将连续时间的历史数据按照固定长度进行分割，并将分割出来的每一个矩阵作为后续算法的每一个输入。在切割出来的单一输入内对三轴的每一轴数据分别标准化和异常值清洗。然后处理过的每一个数据进行尺寸转换，达到三轴在进入算法时相互独立互不干扰的效果，以防特征混淆。

(2)算子范围限定：为保证搜索的快速、有效，本方法限定：只有已经经过长期测试，确定对振动信号分析有良好效果的算子，才能进入可搜索的算子范围内(如：3*1卷积；5*1卷积；3*1max pooling等)

(3)生成初始模型：以最简单的线性神经元为模型起点，生成初始模型，并以旋转型机械设备异常及工况判定为分类问题为依据，采用交叉熵作为代价函数，并采用随机梯度下降算法作为每次搜索迭代的优化算法。

(4)搜索及扩展：以初始模型为起点，按照代价函数最小的标准进行深度学习结构搜索和扩展。在搜索及扩展操作内，共包含以下步骤：

1.数据分集：以一定的比例将预处理后的历史数据进行随机切分，共分为训练集、验证集及测试集三部分。

2.模型训练：对当前搜索到的模型结构进行训练，当验证集上的代价函数的值在迭代中不再下降(趋于平稳)，则停止本次训练，并得到当前结构下的最优参数和测试集代价函数值。

3.横向扩展：保留训练好的结构及参数，并横向扩展一个算子，赋予该算子全0参数作为初始参数，以此保证在新一轮训练开始前不影响上一个结构的最优化输出。

4.结构更新：重复步骤2，并比对当前结构所得测试集代价函数值与上一结构的值的大小，如当前值小于上一结构的值，则保留新结构为最优结构；反之，则返回上一结构并尝试下一个算子的扩展效果，重复2-3步骤直到扩展的一个算子被确定。

5.当前网络层结构确定：重复2-4步骤，直到以下三个条件之一(结构确定条件)成立时完成当前网络层结构的搜索并固定当前网络层结构。

1)当前网络层在某一次结构更新后已经包含了五个不同的算子。

2)当前网络层在某一次结构更新后已经包含两个相同的算子。

3)当前网络层在某一次横向扩展中尝试的全部算子所得代价函数值均大于扩展前代价函数值。

6.纵向扩展：在当前网络层结构确定后，向下扩展一层初始网络结构，初始网络结构中仅包含线性神经元并将全部w参数设为1，bias参数设为0，保证在重训练前对上一个网络结构的输出结果无更改。

7.重复步骤2-5，确定新增网络层的最终结构。

8.最终网络结构定型：重复步骤6-7，直到以下两个条件之一(预设完成条件)成立时完成全部网络结构的搜索并根据完成条件得到最终的模型网络结构：

1)当前网络层在达到结构确定条件后所得的测试集代价函数值大于增加此网络层前的测试机代价函数值。最终网络结构定型为新增此层前的网络结构。

2)当设定搜索时间到达时，如本层未达到结构确定条件实现自然终止，则最终网络结构定型为新增此层前的网络结构；若恰好达到网络层结构确定条件且下一网络层还未执行扩展，如果所得的测试集代价函数值小于增加此网络层前的测试机代价函数值，则以当前网络结构为最终网络结构。

(5)完成最终训练：重新对历史数据进行数据分割，将历史数据按一定比例分割为训练集验证集，并用最终确定的深度学习网络训练训练集，直到验证集的代价函数值收敛，得到最终适应当前设备数据的第一版最终模型及参数。

(6)模型应用：对旋转型机械设备后续运行数据进行预测，得到被预测的实时数据的运行状况结果。

(7)重新自动学习：当使用机械设备积累一定量的新增数据后，将对应数据量的离当前时间最远的历史数据部分去掉，将新积累数据加入去掉相应数据的历史数据集当中，重复步骤(1)-(6)，得到新的深度学习模型来更适应设备的当前运转状态。

通过将以上方案步骤应用在每一台独立旋转型机械设备上，最终实现对每一台机械设备的准确的异常检测及工况识别。

本发明实施例通过对旋转型机械设备自身历史数据的自动学习，有效的解决了不同类型设备、不同传感器型号、不同运行环境、不同流量介质等差异性因素造成通用分析方法对设备异常及工况判断不准确的问题。本发明所得到的算法模型完全贴合每一个设备个体的特异性，从而达到对当前设备最好的异常及工况识别准确性。

同时，本发明实施例还在一定程度上优化了深度学习的建模过程，解决了数据科学家在对每一台设备建模时的时间精力问题，以及受限于个人经验和建模功力有可能无法建立最优框架的问题，实现了旋转型机械设备异常及工况识别算法的建模全流程自动化，节省了人工成本，提高了建模及投入使用的效率。

本发明实施例相较于现有技术中的阈值法及规则法而言，同时在多种常用离心泵上(如多级离心泵、中开泵、悬臂泵等)比较使用，对每个泵机各自的数据集进行异常检测，准确率比上述两种方法平均提高10％。同时相较于专家的8小时左右的工况确诊及原因分析，本发明实施例得出工况可能性及原因分析的时间在15-30分钟左右，比专家方法的反应时间快15倍以上。同时将建模时间由数据科学家对单一泵机所需的3天左右的人工时间缩短为机器自动学习所需的1天左右时间，时间效率提高了两倍，具有良好的有益效果。

图3为本发明实施例一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)301、通信接口(Communications Interface)302、存储器(memory)303和通信总线304，其中，处理器301，通信接口302，存储器303通过通信总线304完成相互间的通信。处理器301可以调用存储器303中的逻辑指令，以执行如下方法：获取旋转型机械设备的当前运行数据；将所述当前运行数据输入至预先训练好的工况检测模型，获得基于所述当前运行数据的预测运行结果。

此外，上述的存储器303中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

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：获取旋转型机械设备的当前运行数据；将所述当前运行数据输入至预先训练好的工况检测模型，获得基于所述当前运行数据的预测运行结果。

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：获取旋转型机械设备的当前运行数据；将所述当前运行数据输入至预先训练好的工况检测模型，获得基于所述当前运行数据的预测运行结果。

以上所描述的装置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 (6)

1.一种旋转型机械设备工况检测方法，其特征在于，包括：

获取旋转型机械设备的当前运行数据；

将所述当前运行数据输入至预先训练好的工况检测模型，获得基于所述当前运行数据的预测运行结果；其中所述工况检测模型，是基于旋转型机械设备的历史运行数据，以线性神经元模型为起点，以结合卷积神经网络、循环神经网络和BP神经网络中核心算子的最终模型训练得到的；

所述工况检测模型，通过以下步骤得到：

获取旋转型机械设备的历史运行数据，并对所述历史运行数据进行预处理；

基于旋转型机械设备异常工况判定的分类问题，采用交叉熵作为代价函数，并采用随机梯度下降算法作为每次搜索迭代的优化算法，通过预处理后的历史运行数据对线性神经元为模型进行训练，获得初始工况检测模型；

以代价函数最小为标准，对所述初始工况检测模型进行深度学习结构搜索和扩展，并重新训练，获得所述工况检测模型；

所述对所述历史运行数据进行预处理，具体包括：

将所述历史运行数据按照固定长度进行分割，获得若干数据矩阵；

对于每一个数据矩阵，对三轴的每一轴数据分别标准化和异常值清洗，获得清洗后的数据矩阵；

对所述清洗后的数据矩阵进行尺寸转换，以达到三轴数据在进入线性神经元模型和最终模型时互不干扰的效果；

所述以代价函数最小为标准，对所述初始工况检测模型进行深度学习结构搜索和扩展，并重新训练，获得所述工况检测模型，具体包括：

对所述预处理后的历史数据进行第一次切分，获得第一训练集、第一验证集和第一测试集；

通过所述第一训练集、第一验证集和第一测试集对所述初始工况检测模型的当前结构进行训练、横向扩展和纵向扩展，直至满足预设完成条件时，获得最终模型网络结构；

对所述预处理后的历史数据进行第二次切分，获得第二训练集和第二验证集；

通过所述第二训练集对所述最终模型网络结构进行训练，直至所述第二验证集的代价函数值收敛，获得所述旋转型机械设备的工况检测模型；

所述通过所述第一训练集、第一验证集和第一测试集对所述初始工况检测模型的当前结构进行训练、横向扩展和纵向扩展，直至满足预设完成条件时，获得最终模型网络结构，具体包括：

100，通过所述第一训练集、第一验证集和第一测试集对所述初始工况检测模型的当前结构进行训练和横向扩展，直至满足结构确定条件时，获得当前网络层结构；

200，基于所述当前网络层结构，向下扩展一层初始网络结构，以对所述当前网络层结构进行纵向扩展；

300，通过所述第一训练集、第一验证集和第一测试集对纵向扩展后的当前网络层结构进行训练和横向扩展，直至满足结构确定条件时，确定当前网络层的最终结构；

400，重复步骤200和300，直至满足预设完成条件时，获得最终模型网络结构。

2.根据权利要求1所述的旋转型机械设备工况检测方法，其特征在于，步骤100，所述通过所述第一训练集、第一验证集和第一测试集对所述初始工况检测模型的当前结构进行训练和横向扩展，直至满足结构确定条件时，获得当前网络层结构，具体包括：

100.1，通过所述第一训练集对所述初始工况检测模型的当前结构进行训练，直至所述第一验证集上的代价函数的值在迭代中不再下降，获得当前结构下的最优参数和第一测试集代价函数值；

100.2，基于所述最优参数和第一测试集代价函数值，横向扩展一个算子，并赋予所述算子全0参数；

100.3，重复步骤100.1，若当前结构所得测试集代价函数值小于上一结构所得测试集代价函数值，则获得所述当前结构的最优结构；否则返回上一结构，进行算子扩展后重复步骤100.1，直至确定一个扩展算子；

100.4，重复步骤100.1、100.2和100.3，直至满足结构确定条件时，获得当前网络层结构。

3.根据权利要求1或2所述的旋转型机械设备工况检测方法，其特征在于，结构确定条件为以下条件中的一个或多种：

当前网络层在结构更新后已经包含了五个不同的算子；

当前网络层在结构更新后已经包含两个相同的算子；

以及当前网络层在横向扩展中使用的全部算子所得代价函数值均大于扩展前代价函数值。

4.根据权利要求1所述的旋转型机械设备工况检测方法，其特征在于，所述预设完成条件为：

当前网络层满足结构确定条件后，所得的测试集代价函数值大于增加所述当前网络层前的测试集代价函数值，所述最终模型网络结构为增加所述当前网络层前的网络结构；和/或

当设定搜索时间到达时，若当前网络层未满足结构确定条件而自然终止，则以增加所述当前网络层前的网络结构为所述最终模型网络结构；若满足结构确定条件且下一网络层还未执行扩展，且所得的测试集代价函数值小于增加所述当前网络层前的测试集代价函数值，则以当前网络结构为所述最终模型网络结构。

5.一种电子设备，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至4任一项所述旋转型机械设备工况检测方法的步骤。

6.一种非暂态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4任一项所述旋转型机械设备工况检测方法的步骤。

Images