CN110163263A - 一种故障识别方法及装置 - Google Patents
一种故障识别方法及装置 Download PDFInfo
- Publication number
- CN110163263A CN110163263A CN201910360197.2A CN201910360197A CN110163263A CN 110163263 A CN110163263 A CN 110163263A CN 201910360197 A CN201910360197 A CN 201910360197A CN 110163263 A CN110163263 A CN 110163263A
- Authority
- CN
- China
- Prior art keywords
- nodes
- layer
- neural network
- experimental data
- feedforward 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000013528 artificial neural network Methods 0.000 claims abstract description 70
- 238000012549 training Methods 0.000 claims abstract description 51
- 238000012360 testing method Methods 0.000 claims description 18
- 230000005540 biological transmission Effects 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000002474 experimental method Methods 0.000 claims description 2
- 210000004218 nerve net Anatomy 0.000 claims description 2
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 10
- 230000006870 function Effects 0.000 description 20
- 238000003860 storage Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 241001269238 Data Species 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000005303 weighing Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Automation & Control Theory (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明实施例涉及传感器故障诊断技术领域,具体而言,涉及一种故障识别方法及装置。该方法首先基于获取得到的实验数据确定输入层的节点数量和输出层的节点数量,其次根据输入层的节点数量和输出层的节点数量计算得到隐含层的节点数量,然后根据输入层节点的数量、输出层节点的数量和隐含层节点的数量建立多层前馈神经网络并采用训练集对该多层前馈神经网络进行训练,最后采用训练完成的多层前馈神经网络对预测集进行故障识别,如此,能够快速、准确地对电子平台称的数字传感器进行故障诊断和识别。
Description
技术领域
本发明实施例涉及传感器故障诊断技术领域,具体而言,涉及一种故障识别方法及装置。
背景技术
随着信息化技术的发展及智能化工业的不断提升,信息化故障诊断成为工业制造企业了解和掌握设备当前使用状态,确定其整体或局部是否运转正常,提前发现故障及其原因,并能预报故障的发展趋势的技术。这种技术日益得到重视,主要原因在于制造业的迅速发展,随着数控装备工作强度的不断增大,生产效率、自动化程度越来越高,同时设备结构更加复杂多变,各部分的关联也越加密切,柔性程度提高很快。所以,即使是某个地方的一个微小故障,也有可能爆发连锁反应,导致整台设备乃至于设备有关的环境遭受灾难性的毁坏。这不仅造成巨大的经济损失,严重时还会危及人身安全,后果不堪设想。
电子平台秤用于贸易结算的成品计量,保证电子平台秤的称重数据准确性,减少计量异议的发生是一项重要的工作。因此,需要对电子平台称进行故障诊断和识别。但是现有的对电子平台称进行故障诊断和识别的方法大多耗时长且准确率低。
发明内容
有鉴于此,本发明提供了一种故障识别方法及装置。
本发明实施例提供了一种故障识别方法,包括:
获取电子平台称的多组实验数据;
基于所述多组实验数据确定输入层的节点数量和输出层的节点数量,根据所述输入层的节点数量和所述输出层的节点数量计算得到隐含层的节点数量;根据所述输入层节点的数量、所述输出层节点的数量和所述隐含层节点的数量建立多层前馈神经网络;
将所述多组实验数据划分为训练集和预测集;将所述训练集输入所述多层前馈神经网络以实现对所述多层前馈神经网络的训练;
将所述预测集输入完成训练的多层前馈神经网络以获得故障识别结果。
可选地,各所述实验数据所包括的数字传感器输出码值的数量相同,基于所述多组实验数据确定输入层的节点数量和输出层的节点数量的步骤,包括:
按照所述数字传感器输出码值的数量对所述输入层的节点数量和所述输出层的节点数量进行设置。
可选地,根据所述输入层的节点数量和所述输出层的节点数量计算得到隐含层的节点数量的步骤,包括:
基于隐含层节点数求解公式计算得到所述隐含层的节点数量,所述隐含层节点数求解公式为:
其中,m为输入层的节点数量,n为输出层的节点数量,L为隐含层的节点数量。
可选地,根据所述输入层的节点数量、所述输出层的节点数量和所述隐含层的节点数量建立多层前馈神经网络的步骤,包括:
分别针对所述输入层、所述隐含层和所述输出层设置传递函数;
基于设置的传递函数、预设训练目标、预设网络学习速率和预设训练迭代次数建立多层前馈神经网络。
可选地,分别针对所述输入层、所述隐含层和所述输出层设置传递函数的步骤,包括:
将所述输入层和所述隐含层的传递函数设置为tansig,将所述输出层的传递函数为traingdx函数。
可选地,所述预设训练目标为1×10-4,所述预设网络学习速率为0.05,所述预设训练迭代次数为5000。
可选地,所述预测集包括预设数量组实验数据,将所述预测集输入完成训练的多层前馈神经网络以获得故障识别结果的步骤,包括:
针对所述预设数量组实验数据中的每组实验数据,判断该组实验数据中是否存在异常的数字传感器输出码值,若该组实验数据中不存在异常的数字传感器输出码值,输出第一故障识别结果,若该组实验数据中存在一个异常的数字传感器输出码值,输出第二故障识别结果,若该组实验数据中存在两个异常的数字传感器输出码值,输出第三故障识别结果,若该组实验数据中存在三个异常的数字传感器输出码值,输出第四故障识别结果。
本发明实施例还提供了一种故障识别方法,包括:
获取电子平台称的至少一组待测数据;
将所述至少一组待测数据输入神经网络以获得故障识别结果;其中,所述神经网络为上述多层前馈神经网络。
本发明实施例还提供了一种故障识别装置,包括:
实验数据获取模块,用于获取电子平台称的多组实验数据;
多层前馈神经网络建立模块,用于基于所述多组实验数据确定输入层的节点数量和输出层的节点数量,根据所述输入层的节点数量和所述输出层的节点数量计算得到隐含层的节点数量;根据所述输入层节点的数量、所述输出层节点的数量和所述隐含层节点的数量建立多层前馈神经网络;
训练模块,用于将所述多组实验数据划分为训练集和预测集;将所述训练集输入所述多层前馈神经网络以实现对所述多层前馈神经网络的训练;
第一故障识别模块,用于将所述预测集输入完成训练的多层前馈神经网络以获得故障识别结果。
本发明实施例还提供了一种故障识别装置,包括:
待测数据获取模块,用于获取电子平台称的至少一组待测数据;
第二故障识别模块,用于将所述至少一组待测数据输入神经网络以获得故障识别结果;其中,所述神经网络为上述多层前馈神经网络。
本发明实施例还提供了一种电子设备,包括存储器、处理器以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计算机程序时实现上述的故障识别方法。
本发明实施例还提供了一种计算机可读存储介质,所述可读存储介质包括计算机程序,所述计算机程序运行时控制所述可读存储介质所在电子设备执行上述的故障识别方法。
本发明实施例提供的一种故障识别方法及装置,首先基于获取得到的实验数据确定输入层的节点数量和输出层的节点数量,其次根据输入层的节点数量和输出层的节点数量计算得到隐含层的节点数量,然后根据输入层节点的数量、输出层节点的数量和隐含层节点的数量建立多层前馈神经网络并采用训练集对该多层前馈神经网络进行训练,最后采用训练完成的多层前馈神经网络对预测集进行故障识别,如此,能够快速、准确地对电子平台称的数字传感器进行故障诊断和识别。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明实施例所提供的一种客户端10的方框示意图。
图2为本发明实施例所提供的一种故障识别方法的流程图。
图3为本发明实施例所提供的实验数据的示意图。
图4为本发明实施例所提供的不同隐含层的节点数对应的训练集和预测集的正确率分布图。
图5为本发明实施例所提供的一种故障识别方法的另一流程图。
图6为本发明实施例所提供的一种故障识别装置20的模块框图。
图7为本发明实施例所提供的一种故障识别装置20的另一模块框图。
图标:
10-电子设备;11-存储器;12-处理器;13-网络模块;
20-故障识别装置;21-实验数据获取模块;22-多层前馈神经网络建立模块;23-训练模块;24-第一故障识别模块;25-待测数据获取模块;26-第二故障识别模块。
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,所描述的实施例只是本发明的一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
发明人经调查发现,电子平台秤数量和种类繁多,不同的电子平台秤的称重传感器(数字传感器)的数量和位置设置也不尽相同,现有技术难以对电子平台秤进行快速、准确的故障诊断和识别正是由于难以对数字传感器的故障进行诊断和识别。
以上现有技术中的方案所存在的缺陷,均是发明人在经过实践并仔细研究后得出的结果,因此,上述问题的发现过程以及下文中本发明实施例针对上述问题所提出的解决方案,都应该是发明人在本发明过程中对本发明做出的贡献。
基于上述研究,本发明实施例提供了一种故障识别方法及装置,能够快速、准确地对数字传感器的故障进行诊断和识别,进而实现对电子平台称的故障诊断和识别。
图1示出了本发明实施例所提供的一种电子设备10的方框示意图。本发明实施例中的电子设备10具有数据存储、传输、处理功能,如图1所示,电子设备10包括:存储器11、处理器12、网络模块13和故障识别装置20。
存储器11、处理器12和网络模块13之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件互相之间可以通过一条或多条通讯总线或信号线实现电性连接。存储器11中存储有故障识别装置20,所述故障识别装置20包括至少一个可以软件或固件(firmware)的形式储存于所述存储器11中的软件功能模块,所述处理器12通过运行存储在存储器11内的软件程序以及模块,例如本发明实施例中的故障识别装置20,从而执行各种功能应用以及数据处理,即实现本发明实施例中的故障识别方法。
其中,所述存储器11可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-OnlyMemory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。其中,存储器11用于存储程序,所述处理器12在接收到执行指令后,执行所述程序。
所述处理器12可能是一种集成电路芯片,具有数据的处理能力。上述的处理器12可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等。可以实现或者执行本发明实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
网络模块13用于通过网络建立电子设备10与其他通信终端设备之间的通信连接,实现网络信号及数据的收发操作。上述网络信号可包括无线信号或者有线信号。
可以理解,图1所示的结构仅为示意,电子设备10还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
本发明实施例还提供一种计算机可读存储介质,所述可读存储介质包括计算机程序。所述计算机程序运行时控制所述可读存储介质所在电子设备10执行下面的故障识别方法。
图2示出了本发明实施例所提供的一种故障识别方法的流程图。所述方法有关的流程所定义的方法步骤应用于电子设备10,可以由所述处理器12实现。下面将对图2所示的具体流程进行详细阐述:
步骤S21,获取电子平台称的多组实验数据。
在本实施例中,选用一电子平台称进行实验数据的收集。在本实施例中,电子平台称的数字传感器数量为4个,实验数据的收集可以理解为收集电子平台称在无称重状态下四个数字传感器的输出码值。
请结合参阅图3,C1、C2、C3和C4分别代表4个数字传感器中的每个数字传感器,进一步地,实验数据的收集包括多种情况,在本实施例中,以4种情况为例,每种情况选取10组实验数据。
其中,上述4种情况分别为:
1)四个数字传感器都处于正常工作状态下取四个数字传感器的输出码值;
2)四个数字传感器中一个数字传感器输出码值出现异常;
3)四个数字传感器中其中两个数字传感器输出码值出现异常;
4)四个数字传感器中中三个数字传感器输出码值出现异常。
理想状态下,电子平台秤的四个数字传感器输出码值相差在50~100之间,在本实施例中可以通过改变数字传感器的工作状态来模拟上述四种情况,例如,更换已损坏的数字传感器或改变数字传感器垂直度使其倾斜等。
通过上述方法可以获得如图3所示的40组实验数据,可选地,将图3的40组实验数据按照3:1的比例划分为训练集和预测集。
步骤S22,基于多组实验数据确定输入层的节点数量和输出层的节点数量,根据输入层的节点数量和输出层的节点数量计算得到隐含层的节点数量,根据输入层节点的数量、输出层节点的数量和隐含层节点的数量建立多层前馈神经网络。
在本实施例中,可以根据数字传感器的数量确定输入层的节点数量和输出层的节点数量,例如,数字传感器的数量的4个,因此输入层的节点数量和输出层的节点数量均设置为4个。
由于本实施例所建立的模型为多层前馈神经网络,因此隐含层的节点数量的选择直接影响到模型的计算复杂度、收敛速度以及推广本领,因此,需要通过问题的规模选区合适的隐含层的节点数量。在本实施例中,可以通过以下隐含层节点数求解公式计算得到隐含层的节点数量:
其中,m为输入层的节点数量,n为输出层的节点数量,L为隐含层的节点数量。
应当理解,通过上述隐含层节点数求解公式计算得到的隐含层的节点数量为初始值,在本实施例中,还可以基于逐步增长法对该初始值进行修改,直至得到一个符合要求的隐含层的节点数量。
请结合参阅图4,符合要求的隐含层的节点数量所对应的多层前馈神经网络在分别处理训练集和预测集的时候所得到的正确率应该不低于设定阈值。在本实施例中,设定阈值为100%,由图4可见,在本实施例中,隐含层的节点数量为10。
进一步地,为了保证数据的一致性,在建立多层前馈神经网络之前,将训练集和预测集进行数据归一化处理,然后将输入层和隐含层的传递函数设置为tansig函数,将输出层的传递函数设置为traingdx函数,基于设置的传递函数、预设训练目标、预设网络学习速率和预设训练迭代次数建立多层前馈神经网络。在本实施例中,预设训练目标可以为1×10-4,预设网络学习速率可以为0.05,训练迭代次数可以为5000,可以采用matlab软件来建立多层前馈神经网络。
步骤S23,将训练集输入多层前馈神经网络以实现对多层前馈神经网络的训练。
将训练集(30组实验数据)输入多层前馈神经网络,对多层前馈神经网络进行训练。
步骤S24,将预测集输入完成训练的多层前馈神经网络以获得故障识别结果。
将预测集(10组实验数据)输入完成训练的多层前馈神经网络,以使完成训练的多层前馈神经网络对预测集中的每组实验数据进行故障识别并输出故障识别结果。
在本实施例中,故障识别结果通过多层前馈神经网络的输出层输出,其中,输出点分别用二进制码1和0表示,进一步地,不同代码所表示的故障识别结果如下:
11代表四个数字传感器均正常,为第一故障识别结果;
10代表四个数字传感器中一个出现故障,为第二故障识别结果;
01代表四个数字传感器中两个出现故障,为第三故障识别结果;
00代表四个数字传感器中三个出现故障,为第四故障识别结果。
可以理解,出现故障的数字传感器所对应的输出码值为异常输出码值,该异常输出码值与其他输出码值的差值在50-100之外。
采用上述多层前馈神经网络能够对电子平台称进行快速、准确地故障识别,识别准确率接近100%。
进一步地,在输出不同故障识别结果时,还可以输出故障识别结果的分析结果,例如,若输出第二故障识别结果,输出的分析结果可以是:“该故障由于数字传感器自身问题产生”,若输出第三故障识别结果,输出的分析结果可以是:“数字传感器自身问题或是秤体出现倾斜”等。
请结合参阅图5,由于对多层前馈神经网络的隐含层的节点数量进行了合理选择,该多层前馈神经网络的推广本领较强,可以对除上述实验数据之外的数据进行故障识别。
步骤S31,获取电子平台称的至少一组待测数据。
步骤S32,将至少一组待测数据输入神经网络以获得故障识别结果。
在本实施例中,神经网络为上述完成训练的多层前馈神经网络。
在上述基础上,如图6所示,本发明实施例提供了一种故障识别装置20的模块框图,所述故障识别装置20包括:实验数据获取模块21、多层前馈神经网络建立模块22、训练模块23和第一故障识别模块24。
实验数据获取模块21,用于获取电子平台称的多组实验数据。
由于实验数据获取模块21和图2中步骤S21的实现原理类似,因此在此不作更多说明。
多层前馈神经网络建立模块22,用于基于所述多组实验数据确定输入层的节点数量和输出层的节点数量,根据所述输入层的节点数量和所述输出层的节点数量计算得到隐含层的节点数量;根据所述输入层节点的数量、所述输出层节点的数量和所述隐含层节点的数量建立多层前馈神经网络。
由于多层前馈神经网络建立模块22和图2中步骤S22的实现原理类似,因此在此不作更多说明。
训练模块23,用于将所述多组实验数据划分为训练集和预测集;将所述训练集输入所述多层前馈神经网络以实现对所述多层前馈神经网络的训练。
由于训练模块23和图2中步骤S23的实现原理类似,因此在此不作更多说明。
第一故障识别模块24,用于将所述预测集输入完成训练的多层前馈神经网络以获得故障识别结果。
由于第一故障识别模块24和图2中步骤S24的实现原理类似,因此在此不作更多说明。
请结合参阅图7,所述故障识别装置20还包括待测数据获取模块25和第二故障识别模块26。
待测数据获取模块25,用于获取电子平台称的至少一组待测数据。
由于待测数据获取模块25和图5中步骤S31的实现原理类似,因此在此不作更多说明。
第二故障识别模块26,用于将所述至少一组待测数据输入神经网络以获得故障识别结果;其中,所述神经网络为上述多层前馈神经网络。
由于第二故障识别模块26和图5中步骤S32的实现原理类似,因此在此不作更多说明。
综上,本发明实施例所提供的一种故障识别方法及装置,能够快速、准确地对电子平台称的数字传感器进行故障诊断和识别。
在本发明实施例所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能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,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,电子设备10,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。需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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 (10)
1.一种故障识别方法,其特征在于,包括:
获取电子平台称的多组实验数据;
基于所述多组实验数据确定输入层的节点数量和输出层的节点数量,根据所述输入层的节点数量和所述输出层的节点数量计算得到隐含层的节点数量;根据所述输入层节点的数量、所述输出层节点的数量和所述隐含层节点的数量建立多层前馈神经网络;
将所述多组实验数据划分为训练集和预测集;将所述训练集输入所述多层前馈神经网络以实现对所述多层前馈神经网络的训练;
将所述预测集输入完成训练的多层前馈神经网络以获得故障识别结果。
2.根据权利要求1所述的故障识别方法,其特征在于,各所述实验数据所包括的数字传感器输出码值的数量相同,基于所述多组实验数据确定输入层的节点数量和输出层的节点数量的步骤,包括:
按照所述数字传感器输出码值的数量对所述输入层的节点数量和所述输出层的节点数量进行设置。
3.根据权利要求1所述的故障识别方法,其特征在于,根据所述输入层的节点数量和所述输出层的节点数量计算得到隐含层的节点数量的步骤,包括:
基于隐含层节点数求解公式计算得到所述隐含层的节点数量,所述隐含层节点数求解公式为:
其中,m为输入层的节点数量,n为输出层的节点数量,L为隐含层的节点数量。
4.根据权利要求1所述的故障识别方法,其特征在于,根据所述输入层的节点数量、所述输出层的节点数量和所述隐含层的节点数量建立多层前馈神经网络的步骤,包括:
分别针对所述输入层、所述隐含层和所述输出层设置传递函数;
基于设置的传递函数、预设训练目标、预设网络学习速率和预设训练迭代次数建立多层前馈神经网络。
5.根据权利要求4所述的故障识别方法,其特征在于,分别针对所述输入层、所述隐含层和所述输出层设置传递函数的步骤,包括:
将所述输入层和所述隐含层的传递函数设置为tansig,将所述输出层的传递函数为traingdx函数。
6.根据权利要求4所述的故障识别方法,其特征在于,所述预设训练目标为1×10-4,所述预设网络学习速率为0.05,所述预设训练迭代次数为5000。
7.根据权利要求2所述的故障识别方法,其特征在于,所述预测集包括预设数量组实验数据,将所述预测集输入完成训练的多层前馈神经网络以获得故障识别结果的步骤,包括:
针对所述预设数量组实验数据中的每组实验数据,判断该组实验数据中是否存在异常的数字传感器输出码值,若该组实验数据中不存在异常的数字传感器输出码值,输出第一故障识别结果,若该组实验数据中存在一个异常的数字传感器输出码值,输出第二故障识别结果,若该组实验数据中存在两个异常的数字传感器输出码值,输出第三故障识别结果,若该组实验数据中存在三个异常的数字传感器输出码值,输出第四故障识别结果。
8.一种故障识别方法,其特征在于,包括:
获取电子平台称的至少一组待测数据;
将所述至少一组待测数据输入神经网络以获得故障识别结果;其中,所述神经网络为上述权利要求1-6任一权项中所述的多层前馈神经网络。
9.一种故障识别装置,其特征在于,包括:
实验数据获取模块,用于获取电子平台称的多组实验数据;
多层前馈神经网络建立模块,用于基于所述多组实验数据确定输入层的节点数量和输出层的节点数量,根据所述输入层的节点数量和所述输出层的节点数量计算得到隐含层的节点数量;根据所述输入层节点的数量、所述输出层节点的数量和所述隐含层节点的数量建立多层前馈神经网络;
训练模块,用于将所述多组实验数据划分为训练集和预测集;将所述训练集输入所述多层前馈神经网络以实现对所述多层前馈神经网络的训练;
第一故障识别模块,用于将所述预测集输入完成训练的多层前馈神经网络以获得故障识别结果。
10.一种故障识别装置,其特征在于,包括:
待测数据获取模块,用于获取电子平台称的至少一组待测数据;
第二故障识别模块,用于将所述至少一组待测数据输入神经网络以获得故障识别结果;其中,所述神经网络为上述权利要求1-6任一权项中所述的多层前馈神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910360197.2A CN110163263A (zh) | 2019-04-30 | 2019-04-30 | 一种故障识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910360197.2A CN110163263A (zh) | 2019-04-30 | 2019-04-30 | 一种故障识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110163263A true CN110163263A (zh) | 2019-08-23 |
Family
ID=67633267
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910360197.2A Pending CN110163263A (zh) | 2019-04-30 | 2019-04-30 | 一种故障识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110163263A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991519A (zh) * | 2019-11-28 | 2020-04-10 | 上海宏力达信息技术股份有限公司 | 一种智能开关状态分析调整方法及系统 |
CN112434483A (zh) * | 2020-12-18 | 2021-03-02 | 国微集团(深圳)有限公司 | 数据传输系统的生成方法和数据传输系统 |
CN113009077A (zh) * | 2021-02-18 | 2021-06-22 | 南方电网数字电网研究院有限公司 | 气体检测方法、装置、电子设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070288409A1 (en) * | 2005-05-31 | 2007-12-13 | Honeywell International, Inc. | Nonlinear neural network fault detection system and method |
CN105447568A (zh) * | 2015-11-09 | 2016-03-30 | 广州供电局有限公司 | 基于bp神经网络的电力通信网故障分析方法 |
CN109034276A (zh) * | 2018-09-04 | 2018-12-18 | 温州大学 | 基于bp神经网络的阀体故障诊断方法 |
CN109283469A (zh) * | 2018-09-21 | 2019-01-29 | 四川长虹电器股份有限公司 | 电池管理系统故障预测方法、装置及可读存储介质 |
CN109292567A (zh) * | 2018-02-28 | 2019-02-01 | 武汉大学 | 一种基于bp神经网络的电梯故障预测方法 |
-
2019
- 2019-04-30 CN CN201910360197.2A patent/CN110163263A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070288409A1 (en) * | 2005-05-31 | 2007-12-13 | Honeywell International, Inc. | Nonlinear neural network fault detection system and method |
CN105447568A (zh) * | 2015-11-09 | 2016-03-30 | 广州供电局有限公司 | 基于bp神经网络的电力通信网故障分析方法 |
CN109292567A (zh) * | 2018-02-28 | 2019-02-01 | 武汉大学 | 一种基于bp神经网络的电梯故障预测方法 |
CN109034276A (zh) * | 2018-09-04 | 2018-12-18 | 温州大学 | 基于bp神经网络的阀体故障诊断方法 |
CN109283469A (zh) * | 2018-09-21 | 2019-01-29 | 四川长虹电器股份有限公司 | 电池管理系统故障预测方法、装置及可读存储介质 |
Non-Patent Citations (1)
Title |
---|
慧联工作室: "BP神经网络的隐含层,输入层,输出层的节点数确定", 《HTTPS://BLOG.CSDN.NET/QQ_38426337/ARTICLE/DETAILS/82459884》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991519A (zh) * | 2019-11-28 | 2020-04-10 | 上海宏力达信息技术股份有限公司 | 一种智能开关状态分析调整方法及系统 |
CN112434483A (zh) * | 2020-12-18 | 2021-03-02 | 国微集团(深圳)有限公司 | 数据传输系统的生成方法和数据传输系统 |
CN113009077A (zh) * | 2021-02-18 | 2021-06-22 | 南方电网数字电网研究院有限公司 | 气体检测方法、装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106404441B (zh) | 一种基于非线性相似度指标的故障分类诊断方法 | |
CN110163263A (zh) | 一种故障识别方法及装置 | |
CN101476989B (zh) | 基于混合监测的索结构中索系统的递进式健康监测方法 | |
CN110334740A (zh) | 人工智能推理融合的电力设备故障检测定位方法 | |
CN110352660A (zh) | 一种脱绒棉种活力快速无损检测信息处理方法和装置 | |
CN101387600A (zh) | 基于混合监测的索结构中索系统的健康监测方法 | |
CN101504333B (zh) | 基于应变监测的索结构中索系统的递进式健康监测方法 | |
CN109460561A (zh) | 采油设备故障诊断方法及装置 | |
CN111174370A (zh) | 故障检测方法及装置、存储介质、电子装置 | |
CN105974273A (zh) | 配电网故障定位系统 | |
CN109407649A (zh) | 一种基于故障特征变量选择的故障类型匹配方法 | |
CN104035431A (zh) | 用于非线性过程监控的核函数参数的获取方法和系统 | |
CN107679089A (zh) | 一种用于电力传感数据的清洗方法、装置和系统 | |
CN110231447A (zh) | 水质异常检测的方法、装置及终端设备 | |
CN105182141A (zh) | 变压器故障检测方法及系统 | |
CN109409425A (zh) | 一种基于近邻成分分析的故障类型识别方法 | |
CN109359665A (zh) | 一种基于支持向量机的家电负荷识别方法及装置 | |
CN110874685A (zh) | 基于神经网络的智能电能表运行状态判别方法及系统 | |
CN107589391A (zh) | 一种检测电能计量装置整体误差的方法、装置和系统 | |
CN100470418C (zh) | 基于盲源信号分析的聚丙烯熔融指数软测量仪表及方法 | |
CN114966422A (zh) | 基于动力电池参数的实时监控预警系统 | |
CN109507625A (zh) | 电池模拟器的自动校准方法及终端设备 | |
CN110263826A (zh) | 含噪声非线性过程故障检测模型的构建方法及其检测方法 | |
CN110490329A (zh) | 一种基于机器学习的大规模电力异常数据检测方法及系统 | |
CN106250937B (zh) | 一种基于非相似度指标的故障分类诊断方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190823 |