CN110874506A - 一种低温设备故障预测的方法 - Google Patents
一种低温设备故障预测的方法 Download PDFInfo
- Publication number
- CN110874506A CN110874506A CN201811011137.1A CN201811011137A CN110874506A CN 110874506 A CN110874506 A CN 110874506A CN 201811011137 A CN201811011137 A CN 201811011137A CN 110874506 A CN110874506 A CN 110874506A
- Authority
- CN
- China
- Prior art keywords
- data
- equipment
- low
- layer
- temperature 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种低温设备故障预测的方法,包括以下模块:数据获取层、数据处理层、故障预测层和健康评估层。在数据获取层,本发明通过各种传感器采集低温设备关键部件的传感数据;在数据处理层,采用特征提取和数据挖掘等方法处理低温设备数据;在故障预测层,利用循环神经网络技术分析、学习和预测低温设备的故障情况;在健康评估层,通过图形化方式量化设备的健康状况并预测设备未来状态趋势,提高低温设备的安全性和可靠性,防止故障发生。
Description
技术领域
本发明涉及人工智能和物联网领域,具体涉及一种低温设备故障预测的方法。
背景技术
随着低温设备结构和功能日益复杂和自动化程度日益提升,使用者对低温设备安全性和可靠性的要求越来越高。事后维修和定期维修已经不能满足维修保障要求,而故障预测技术可以维护设备的安全性和可靠性,节约维修保障成本和减少损失。故障预测技术是利用先进传感器收集低温设备数据,借助合适的的算法模型对目标进行故障预测,同时提供维修保障决策及实施计划的一种视情维修技术。
在传统的故障预测技术算法中神经网络模型是从输入层到隐藏层再到输出层,层与层之间是全连接的,每层之间的节点是无连接的。这种神经网络对于低温设备时间序列数据的学习和分析效果一般,而采用循环神经网络技术可以有效的学习低温设备的时间序列数据。循环神经网络技术的最大优点在于其充分考虑了样本之间的关联关系,这种关联关系是以神经网络之间的连接体现出来的,另外,循环神经网络技术还具有收敛速度快、精度高、稳定性好、扩展型好等优势。在故障预测方面,循环神经网络提高了故障诊断效率,改善了现有神经网络故障诊断方法,适用于复杂设备或系统的实时故障诊断。
发明内容
本发明的目的在于预测和解决低温设备的故障问题,为此提供一种低温设备故障预测的方法。
为了解决上述问题,本发明采用的技术方案如下所述:
S1.通过传感器采集低温设备关键部件的传感数据,然后对采集的数据进行初步的处理和传输;
S2.从数据获取层接收数据并对其进行预处理、特征提取、数据挖掘等分析处理,使数据符合后续使用要求;
S3.根据特征数据创建并调优故障预测模型以及应用模型;
S4.量化设备的健康状况,预测设备未来状态趋势。
步骤S2的具体步骤如下:
S21.对采集的数据进行错误数据和冗余数据的剔除,筛选有效的数据,采用统计分析方法进行数据特征提取;
S22.改变数据格式,使数据符合后续模型训练的要求。
步骤S3的具体步骤如下:
S31.根据低温设备数据特征创建相应循环神经网络模型,具体步骤如下:
A.对低温设备样本数据进行标准化和增加数据维度;
B.设置循环神经网络的输入层和输出层的权重和偏置变量;
C.定义循环神经网络的框架;
D.训练循环神经网络模型并调优模型以降低损失率。
S32.利用训练好的模型进行低温设备故障预测。
与现有技术相比,本方法的优点如下:
通过循环神经网络算法对低温设备进行故障预测,提高设备的安全性和可靠性,节约维修保障成本和减少企业损失。
附图说明
图1是本发明一种低温设备故障预测的方法流程示意图。
图2是本发明实施例中循环神经网络算法框架示意图。
图3是本发明实施例中循环神经网络的损失率降低示意图。
具体实施方式
下面结合附图通过具体实施例对本发明进一步说明:
参见附图1所示,本实施例所述的是一种低温设备故障预测的方法,包括以下步骤:
S1.通过各种传感器采集低温设备关键部件的传感数据,如温度、湿度、电压等,然后对采集的数据进行初步的处理和传输;
S2.从数据获取层接收数据并对其进行预处理、特征提取、数据挖掘等分析处理,使数据符合后续使用要求;
S3.根据特征数据创建并调优故障预测模型以及应用模型;
S4.量化设备的健康状况,预测设备未来状态趋势。
步骤S2的具体步骤如下:
S21.对采集的数据进行错误数据和冗余数据的剔除,筛选有效的数据,采用多元统计分析方法进行数据特征提取;
S22.改变数据格式,使数据符合后续模型训练的要求。
步骤S3的具体步骤如下:
S31.根据分析的低温设备数据特征创建相应循环神经网络模型,具体步骤如下:
A.对低温设备样本数据进行标准化和增加数据维度;
B.设置循环神经网络的输入层和输出层的权重和偏置变量;
C.如图2所示,定义循环神经网络的框架;
D.如图3所示,训练循环神经网络模型并调优模型以降低损失率。
S32.利用训练好的模型进行低温设备故障预测。
以上所述之实施例子只是本发明之较佳实施例子,并非以此限制本发明的实施范围,故凡依本发明之原理所作的变化,均应涵盖在本发明的保护范围内。
Claims (5)
1.一种低温设备故障预测的方法,其特征在于,包括:
数据获取层,采集低温设备的特征数据;
数据处理层,处理低温设备的特征数据;
故障预测层,通过循环神经网络技术分析、学习和预测低温设备的故障情况;
健康评估层,量化设备的健康状况,预测设备未来状态趋势。
2.如权利要求1所述的一种低温设备故障预测的方法,其特征在于,具体步骤包括:
S1.通过各种传感器采集低温设备关键部件的传感数据,如温度、湿度、电压等,然后对采集的数据进行初步的处理和传输;
S2.从数据获取层接收数据并对其进行预处理、特征提取、数据挖掘等分析处理,使数据符合后续使用要求;
S3.根据特征数据创建并调优故障预测模型以及应用模型;
S4.量化设备的健康状况,预测设备未来状态趋势。
3.如权利要求2所述步骤S2中数据处理方式,具体步骤如下:
S21.对采集的数据进行错误数据和冗余数据的剔除,筛选有效的数据,采用多元统计分析方法进行数据特征提取;
S22.改变数据格式,使数据符合后续模型训练的要求。
4.如权利要求2所述步骤S3中采用循环神经网络技术,具体步骤如下:
S31.根据低温设备数据特征创建相应循环神经网络模型,具体步骤如下:
A.对低温设备样本数据进行标准化和增加数据维度;
B.设置循环神经网络的输入层和输出层的权重和偏置变量;
C.定义循环神经网络的框架;
D.训练循环神经网络模型并调优模型以降低损失率;
S32.利用训练好的模型进行低温设备故障预测。
5.如权利要求2所述步骤S4对低温设备进行健康评估,采用图形化方法,量化设备的健康状况,预测设备未来状态趋势。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811011137.1A CN110874506A (zh) | 2018-08-31 | 2018-08-31 | 一种低温设备故障预测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811011137.1A CN110874506A (zh) | 2018-08-31 | 2018-08-31 | 一种低温设备故障预测的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110874506A true CN110874506A (zh) | 2020-03-10 |
Family
ID=69715232
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811011137.1A Pending CN110874506A (zh) | 2018-08-31 | 2018-08-31 | 一种低温设备故障预测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110874506A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114689122A (zh) * | 2022-03-31 | 2022-07-01 | 国网北京市电力公司 | 一种设备故障监测方法、装置、设备及介质 |
CN116976862A (zh) * | 2023-09-20 | 2023-10-31 | 山东国研自动化有限公司 | 一种工厂设备信息化管理系统及方法 |
-
2018
- 2018-08-31 CN CN201811011137.1A patent/CN110874506A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114689122A (zh) * | 2022-03-31 | 2022-07-01 | 国网北京市电力公司 | 一种设备故障监测方法、装置、设备及介质 |
CN114689122B (zh) * | 2022-03-31 | 2023-11-10 | 国网北京市电力公司 | 一种设备故障监测方法、装置、设备及介质 |
CN116976862A (zh) * | 2023-09-20 | 2023-10-31 | 山东国研自动化有限公司 | 一种工厂设备信息化管理系统及方法 |
CN116976862B (zh) * | 2023-09-20 | 2024-01-02 | 山东国研自动化有限公司 | 一种工厂设备信息化管理系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Health indicator construction of machinery based on end-to-end trainable convolution recurrent neural networks | |
Alippi et al. | Model-free fault detection and isolation in large-scale cyber-physical systems | |
CN102520697B (zh) | 一种远程协同诊断的现场信息预处理方法 | |
CN107657250B (zh) | 轴承故障检测及定位方法及检测定位模型实现系统和方法 | |
CN109460618A (zh) | 一种滚动轴承剩余寿命在线预测方法及系统 | |
CN116306289B (zh) | 一种基于多源域自适应的机电设备跨域剩余寿命预测方法 | |
CN116308304B (zh) | 基于元学习概念漂移检测的新能源智慧运维方法及系统 | |
Krishnaswamy et al. | Data-driven learning to predict wan network traffic | |
CN111124852A (zh) | 一种基于bmc健康管理模块的故障预测方法及系统 | |
CN106446506A (zh) | 一种多方法组合的小卫星状态自主智能预测方法 | |
CN115455746B (zh) | 一种核动力装置运行监测数据异常检测与校正一体化方法 | |
CN113962308A (zh) | 一种航空设备故障预测方法 | |
CN110874506A (zh) | 一种低温设备故障预测的方法 | |
CN116842379A (zh) | 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法 | |
CN117556310B (zh) | 一种航天器剩余寿命预测方法 | |
Fu et al. | MCA-DTCN: A novel dual-task temporal convolutional network with multi-channel attention for first prediction time detection and remaining useful life prediction | |
CN114581699A (zh) | 考虑多源信息时基于深度学习模型的变压器状态评估方法 | |
CN117674128A (zh) | 基于电力调度系统自动化故障排除方法 | |
Dang et al. | seq2graph: Discovering dynamic non-linear dependencies from multivariate time series | |
CN117556347A (zh) | 一种基于工业大数据的电力设备故障预测与健康管理方法 | |
CN117349595A (zh) | 一种面向工业场景的极端少样本故障诊断方法 | |
CN116244596A (zh) | 基于tcn和注意力机制的工业时序数据异常检测方法 | |
Aftabi et al. | A Variational Autoencoder Framework for Robust, Physics-Informed Cyberattack Recognition in Industrial Cyber-Physical Systems | |
CN113468720B (zh) | 一种数模联动的随机退化设备寿命预测方法 | |
CN114970674A (zh) | 一种基于关联度对齐的时序数据概念漂移适配方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200310 |
|
WD01 | Invention patent application deemed withdrawn after publication |