CN111929091A - 设备异常的检测方法、装置、可读存储介质及电子设备 - Google Patents
设备异常的检测方法、装置、可读存储介质及电子设备 Download PDFInfo
- Publication number
- CN111929091A CN111929091A CN202010827240.4A CN202010827240A CN111929091A CN 111929091 A CN111929091 A CN 111929091A CN 202010827240 A CN202010827240 A CN 202010827240A CN 111929091 A CN111929091 A CN 111929091A
- Authority
- CN
- China
- Prior art keywords
- equipment
- detected
- detection
- moment
- wear
- 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.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/007—Subject matter not provided for in other groups of this subclass by applying a load, e.g. for resistance or wear testing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
Abstract
本申请提供了设备异常的检测方法、装置、可读存储介质及电子设备,所述检测方法包括:获取在预设检测时间段内每一个检测时刻时,待检测设备的振动信号;将获取到的振动信号按照时间顺序依次输入至预先训练好的磨损检测模型中,得到每个检测时刻上待检测设备的磨损状态;当存在任一检测时刻的所述磨损状态指示所述待检测设备存在磨损情况时,确定所述待检测设备异常。这样,在每个检测时刻实时检测待检测设备的磨损状态,进而实时确定待检测设备的异常情况,可以实时检测待检测设备的异常情况,进而有针对性地对待检测设备进行维护,有助于及时地对待检测设备维护,提高对待检测设备维护的效率。
Description
技术领域
本申请涉及异常检测技术领域,尤其是涉及设备异常的检测方法、装置、可读存储介质及电子设备。
背景技术
在工业生产线的生成过程中,相应的工业设备在其中起着不可替代的作用,随着工业设备的使用时间的增加,设备各个部件之间的由于长时间的运转,可能存在磨损的情况,影响设备的正常运行,进而影响工业生产,因此对于设备磨损状态的检测是很有必要的。
现阶段,设备的异常检测很大程度上依赖于设备维修人员和操作人员的经验以及企业对设备维护的管理体系,一般是基于周期的维护保养,即该设备运营到一定时间,需要一定的保养或更换,但是基于预设周期时间的维护,设备的运行异常可能不止存在每个周期的起始时间或是终止时间,对设备基于周期的维护,可能存在对设备维护过早或是过晚的情况,过早维护可能会导致维护资源的浪费,过晚维护可能会错过设备的最佳维护时间,进而导致设备发生较为严重的故障,因此,在一定周期对设备进行检测和维护的针对性不高,对异常检测的准确率以及效率低。
发明内容
有鉴于此,本申请的目的在于提供设备异常的检测方法、装置、可读存储介质及电子设备,在每个检测时刻实时检测待检测设备的磨损状态,进而实时确定待检测设备的异常情况,可以实时检测待检测设备的异常情况,进而有针对性地对待检测设备进行维护,有助于及时地对待检测设备维护,提高对待检测设备维护的效率。
本申请实施例提供了一种设备异常的检测方法,所述检测方法包括:
获取在预设检测时间段内每一个检测时刻时,待检测设备的振动信号;
将获取到的振动信号按照时间顺序依次输入至预先训练好的磨损检测模型中,得到每个检测时刻上待检测设备的磨损状态;
当存在任一检测时刻的所述磨损状态指示所述待检测设备存在磨损情况时,确定所述待检测设备异常。
进一步的,通过以下步骤确定检测时刻待检测设备的磨损状态:
获取与该检测时刻对应的预测信号;
确定所述振动信号与所述预测信号之间的信号差值,并将所述信号差值确定为干扰信号;
基于所述干扰信号与磨损状态之间的映射关系,确定所述待检测设备在该检测时刻的磨损状态。
进一步的,通过以下步骤确定所述预测信号:
获取距离所述检测时刻的预设时间段中包括的每个历史时刻上的历史振动信号;
基于每个历史振动信号,确定出历史振动信号向量;
将预设参数向量以及所述历史振动信号向量的乘积,确定为所述预测信号。
进一步的,通过以下步骤确定所述预设参数向量:
获取预设参数,并将预设参数确定为当前参数;
将所述当前参数对应的振动信号作为当前振动信号,基于预设步长以及当前振动信号,确定中间参数;
将所述中间参数作为当前参数,并将所述当前参数对应的振动信号作为当前振动信号,继续求解,直至预设次数后停止求解;
将预设参数以及求解过程中确定的多个中间参数组成的向量,确定为预设参数向量。
进一步的,通过以下步骤训练所述磨损检测模型:
获取多个历史时刻对应的样本振动信号以及每一个历史时刻上设备的样本磨损状态;
针对每一个历史时刻,将该历史时刻对应的样本振动信号以及样本磨损状态输入至构建好的深度神经网络模型中,得到该历史时刻上设备的预测磨损状态;
针对每一个历史时刻,检测该历史时刻上的预测磨损状态指示的设备状态与样本磨损状态指示的设备状态是否一致;
若存在历史时刻对应的预测磨损状态指示的设备状态与样本磨损状态指示的设备状态不一致,调整所述深度神经网络模型中的参数,直至每个历史时刻对应的预测磨损状态指示的设备状态与样本磨损状态指示的设备状态均一致,确定所述深度神经网络模型训练完毕,并将训练完毕的所述深度神经网络模型确定为训练好的所述磨损检测模型。
进一步的,在所述当存在任一检测时刻的所述磨损状态指示所述待检测设备存在磨损情况时,确定所述待检测设备异常之后,所述检测方法还包括:
基于每个指示所述待检测设备存在磨损情况的检测时刻的所述磨损状态,确定所述待检测设备异常的异常原因;
基于所述异常原因,生成对应的报警信息警示待检测设备异常。
本申请实施例还提供了一种设备异常的检测装置,所述检测装置包括:
信号获取模块,用于获取在预设检测时间段内每一个检测时刻时,待检测设备的振动信号;
磨损检测模块,用于将获取到的振动信号按照时间顺序依次输入至预先训练好的磨损检测模型中,得到每个检测时刻上待检测设备的磨损状态;
异常确定模块,用于当存在任一检测时刻的所述磨损状态指示所述待检测设备存在磨损情况时,确定所述待检测设备异常。
进一步的,所述磨损检测模块用于通过以下步骤确定检测时刻待检测设备的磨损状态:
获取与该检测时刻对应的预测信号;
确定所述振动信号与所述预测信号之间的信号差值,并将所述信号差值确定为干扰信号;
基于所述干扰信号与磨损状态之间的映射关系,确定所述待检测设备在该检测时刻的磨损状态。
进一步的,所述磨损检测模块用于通过以下步骤确定所述预测信号:
获取距离所述检测时刻的预设时间段中包括的每个历史时刻上的历史振动信号;
基于每个历史振动信号,确定出历史振动信号向量;
将预设参数向量以及所述历史振动信号向量的乘积,确定为所述预测信号。
进一步的,所述磨损检测模块用于通过以下步骤确定所述预设参数向量:
获取预设参数,并将预设参数确定为当前参数;
将所述当前参数对应的振动信号作为当前振动信号,基于预设步长以及当前振动信号,确定中间参数;
将所述中间参数作为当前参数,并将所述当前参数对应的振动信号作为当前振动信号,继续求解,直至预设次数后停止求解;
将预设参数以及求解过程中确定的多个中间参数组成的向量,确定为预设参数向量。
进一步的,所述检测装置还包括模型训练模块,所述模型训练模块用于:
获取多个历史时刻对应的样本振动信号以及每一个历史时刻上设备的样本磨损状态;
针对每一个历史时刻,将该历史时刻对应的样本振动信号以及样本磨损状态输入至构建好的深度神经网络模型中,得到该历史时刻上设备的预测磨损状态;
针对每一个历史时刻,检测该历史时刻上的预测磨损状态指示的设备状态与样本磨损状态指示的设备状态是否一致;
若存在历史时刻对应的预测磨损状态指示的设备状态与样本磨损状态指示的设备状态不一致,调整所述深度神经网络模型中的参数,直至每个历史时刻对应的预测磨损状态指示的设备状态与样本磨损状态指示的设备状态均一致,确定所述深度神经网络模型训练完毕,并将训练完毕的所述深度神经网络模型确定为训练好的所述磨损检测模型。
进一步的,所述检测装置还包括异常预警模块,所述异常预警模块用于:
基于每个指示所述待检测设备存在磨损情况的检测时刻的所述磨损状态,确定所述待检测设备异常的异常原因;
基于所述异常原因,生成对应的报警信息警示待检测设备异常。
本申请实施例还提供一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如上述的设备异常的检测方法的步骤。
本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如上述的设备异常的检测方法的步骤。
本申请实施例提供的设备异常的检测方法、装置、可读存储介质及电子设备,获取在预设检测时间段内每一个检测时刻时,待检测设备的振动信号;将获取到的振动信号按照时间顺序依次输入至预先训练好的磨损检测模型中,得到每个检测时刻上待检测设备的磨损状态;当存在任一检测时刻的所述磨损状态指示所述待检测设备存在磨损情况时,确定所述待检测设备异常。
这样,获取在预设检测时间段内包括的每一个检测时刻上待检测设备的振动信号,将每一个检测时刻上的振动信号按照顺序依次输入至训练好的磨损检测模型中,确定出每一个检测时刻上待检测设备的磨损状态,当存在任一检测时刻上的待检测设备的磨损状态指示待检测设备存在磨损情况时,确定待检测设备异常,从而可以实时检测待检测设备的异常情况,进而有针对性地对待检测设备进行维护,有助于及时地对待检测设备维护,提高对待检测设备维护的效率。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,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申请的某些实施例,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为一种可能的应用场景下的系统结构图;
图2为本申请实施例所提供的一种设备异常的检测方法的流程图;
图3为本申请另一实施例提供的一种设备异常的检测方法的流程图;
图4为本申请实施例所提供的一种设备异常的检测装置的结构示意图之一;
图5为本申请实施例所提供的一种设备异常的检测装置的结构示意图之二;
图6为本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请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申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请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申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例,都属于本申请保护的范围。
首先,对本申请可适用的应用场景进行介绍。本申请可应用于异常检测技术领域,在每个检测时刻实时检测待检测设备的磨损状态,进而实时确定待检测设备的异常情况,可以实时检测待检测设备的异常情况,进而有针对性地对待检测设备进行维护,有助于及时地对待检测设备维护,提高对待检测设备维护的效率。请参阅图1,图1为一种可能的应用场景下的系统结构图,如图1中所示,所述系统包括传感器以及检测装置,传感器可以设置在待检测设备上,用于实时采集待检测设备在每个检测时刻上的振动信号,并将每个检测时刻上的振动信号发送至检测装置,检测装置在获取到每个检测时刻上的振动信号后,确定出待检测设备在每个待检测时刻上的磨损状态,进而确定出待检测设备的异常情况。
经研究发现,现阶段,设备的异常检测很大程度上依赖于设备维修人员和操作人员的经验以及企业对设备维护的管理体系,一般是基于周期的维护保养,即该设备运营到一定时间,即需要一定的保养或更换,但是基于预设周期时间的维护,设备的运行异常可能不止存在每个周期的起始时间或是终止时间,对设备基于周期的维护,可能存在对设备维护过早或是过晚的情况,过早维护可能会导致维护资源的浪费,过晚维护可能会错过设备的最佳维护时间,进而导致设备发生较为严重的故障,因此,在一定周期对设备进行检测和维护的针对性不高,对异常检测的准确率以及效率低。
基于此,本申请实施例提供了一种设备异常的检测方法,以有针对性地对待检测设备进行维护,有助于及时地对待检测设备维护,提高对待检测设备维护的效率。
请参阅图2,图2为本申请实施例所提供的一种设备异常的检测方法的流程图。如图2中所示,本申请实施例提供的设备异常的检测方法,包括:
S201、获取在预设检测时间段内每一个检测时刻时,待检测设备的振动信号。
该步骤中,获取在预设检测时间段内每一个检测时刻时,对应的待检测设备的振动信号。
这里,对于待检测设备的振动信号的获取,可以是通过设置在待检测设备上的传动轴上的振动传感器按照预设时间间隔采集到的设备的振动信号。
这里,待检测设备在运行过程中,会产生一些呈周期性变化的振动信号,因此,预设检测时间段可以是待检测设备的信号发生变化的周期。
这里,对于将检测时刻的确定可以是根据历史振动信号发生磨损变化的最小时间单位保持一致(例如,10秒、1分钟等)。
S202、将获取到的振动信号按照时间顺序依次输入至预先训练好的磨损检测模型中,得到每个检测时刻上待检测设备的磨损状态。
该步骤中,针对于预设检测时间段内每一个检测时刻,将传感器采集到的与每个检测时刻对应的振动信号,按照顺序依次输入至预先训练好的磨损检测模型中,通过磨损检测模型的输出,得到该检测时刻对应的待检测设备的磨损状态。
这里,对于每一个检测时刻对应的振动信号的输入顺序,可以是根据每个检测时刻在时间排列顺序的先后确定的。
这里,磨损检测模型可以是深度神经网络模型(CNN等)中的一种,在模型中的参数的确定,以及对振动信号的处理过程均是基于随机梯度下降算法进行的。
其中,随机梯度下降算法,又称随机并行梯度下降算法,其优势为:(1)不需要进行波前测量,系统中不需要采用波前传感器,也无需进行波前重构,而是以成像清晰度和接受光能量为性能指标直接作为算法优化的目标函数,降低了系统和算法的复杂性;(2)所有驱动单元控制信号并行计算,使得未来极高分辨率的波前校正成为可能。对于传统的波前传感技术来说,高分辨率的波前校正其波前重构的计算量也是相当巨大的。此时,像清晰化自适应光学系统由于校正算法简单,对这样的波前校正器件则具有更好的适应性;(3)无需波前重构,大气湍流带来的闪烁不影响算法的迭代以及反馈装置的数据采集。
这样,可以在保证正常的数据处理的情况下,进一步保证磨损模型的稳定性以及数据处理的效率。
S203、当存在任一检测时刻的所述磨损状态指示所述待检测设备存在磨损情况时,确定所述待检测设备异常。
该步骤中,当在预设检测时间段存在任一检测时刻上的对应的磨损状态指示待检测机器存在磨损情况时,确定待检测设备异常。
这里,可以针对每个检测时刻获取的待检测设备的磨损状态,并在各个检测时刻上确定待检测设备的磨损状态,当有检测时刻上的磨损状态提示待检测设备存在磨损情况,再结合与该检测时刻相邻的前N个检测时刻以及后N个检测时刻,综合确定出待检测设备的具体异常原因,并有针对性地进行预警。
本申请实施例提供的设备异常的检测方法,获取在预设检测时间段内每一个检测时刻时,待检测设备的振动信号;将获取到的振动信号按照时间顺序依次输入至预先训练好的磨损检测模型中,得到每个检测时刻上待检测设备的磨损状态;当存在任一检测时刻的所述磨损状态指示所述待检测设备存在磨损情况时,确定所述待检测设备异常。
这样,获取在预设检测时间段内包括的每一个检测时刻上待检测设备的振动信号,将每一个检测时刻上的振动信号按照顺序依次输入至训练好的磨损检测模型中,确定出每一个检测时刻上待检测设备的磨损状态,当存在任一检测时刻上的待检测设备的磨损状态指示待检测设备存在磨损情况时,确定待检测设备异常,从而可以实时检测待检测设备的异常情况,进而有针对性地对待检测设备进行维护,有助于及时地对待检测设备维护,提高对待检测设备维护的效率。
请参阅图3,图3为本申请另一实施例提供的一种设备异常的检测方法的流程图。如图3中所示,本申请实施例提供的设备异常的检测方法,包括:
S301、获取在预设检测时间段内每一个检测时刻时,待检测设备的振动信号。
S302、将获取到的振动信号按照时间顺序依次输入至预先训练好的磨损检测模型中,得到每个检测时刻上待检测设备的磨损状态。
S303、当存在任一检测时刻的所述磨损状态指示所述待检测设备存在磨损情况时,确定所述待检测设备异常。
S304、基于每个指示所述待检测设备存在磨损情况的检测时刻的所述磨损状态,确定所述待检测设备异常的异常原因。
该步骤中,根据每个指示待检测设备存在磨损情况的检测时刻上的待检测设备的磨损状态,根据磨损状态的等级映射关系,确定待检测设备的异常原因。
这里,对于待检测设备的磨损状态,可以是按照磨损等级进行划分,可以是一级磨损至N级磨损(可以是设置数字1-10级),也可以是直接指示磨损与否的状态,例如,在某个检测时刻确定待检测设备磨损(未磨损)等。
这里,对于待检测设备异常原因的确定,可以是结合几个相邻检测时刻的磨损状态共同确定的,也可以是只针对一个检测时刻上待检测设备的磨损状态确定的。
例如,在某一检测时刻上显示待检测设备的磨损状态是一级磨损,这时可以仅根据磨损等级与异常原因的预设映射关系,确定出设备的磨损原因(旋转轴旋转过程中夹到异物等原因);还可以是在某一检测时刻上显示待检测设备的磨损状态是十级磨损,这表明在该检测时刻上待检测设备的磨损以及非常严重,需要结合在该检测时刻之前的N个检测时刻上的待检测设备的磨损等级以及在该检测时刻之后的N个检测时刻上的待检测设备的磨损等级,共同确定出待检测设备的异常原因(设备旋转轴老化等)。
这里,磨损状态与异常原因的映射关系,可以是根据历史磨损状态与历史异常原因之间的对应关系,以及待检测设备的参数状态等共同决定,并且相应的映射关系可以随着待检测设备的使用时长进行更改。
S305、基于所述异常原因,生成对应的报警信息警示待检测设备异常。
该步骤中,根据步骤S204确定出的异常原因,生成包含该异常原因的报警信息,以此来警示待检测设备异常,提示相应的维修人员对待检测设备再次进行异常原因确定,并针对相应的异常原因及时对待检测设备进行维修。
这里,预警方式可以是安装在待检测设备上的声光报警器进行报警,例如,待检测设备异常时闪红光,以提示检修人员待检测设备的异常情况;还可以是将待检测设备的异常数据发送至与之通信连接的后台服务器,后台服务器将待检测设备的异常信息发送至对应的维修人员的移动终端(手机等)处,以提示维修人员待检测设备的异常情况,其中,异常信息包括异常的待检测设备的设备型号、所处位置、异常原因以及产生异常的时间等。
其中,S301至S303的描述可以参照S201至S203的描述,并且能达到相同的技术效果,对此不做赘述。
进一步的,通过以下步骤确定检测时刻待检测设备的磨损状态:获取与该检测时刻对应的预测信号;确定所述振动信号与所述预测信号之间的信号差值,并将所述信号差值确定为干扰信号;基于所述干扰信号与磨损状态之间的映射关系,确定所述待检测设备在该检测时刻的磨损状态。
该步骤中,获取与该检测时刻对应的预测信号,确定该检测时刻上的振动信号与该检测时刻对应的信号差值,并将信号差值确定为干扰信号,根据预设的干扰信号与磨损状态之间的映射关系,确定待检测设备在该检测时刻上的磨损状态。
这里,待检测设备正常运行时,通过安装在待检测设备的传动轴上的振动传感器收集的振动信号会遵循一定的周期性规律,当设备出现一定的磨损后,设备在运行时除了正常的一般呈周期性变化的信号外,还会产生一些干扰信息号,这些干扰信息号可以在一定程度上表征待检测设备的磨损状态。
这里,可以根据与该检测时刻的振动信号与预测信号之间的信号差值,确定为干扰信号,可以通过如下公式确定出干扰信号:
ek=y(k)-ye(k);
其中,ek为K检测时刻上对应的干扰信号,y(k)为K检测时刻上测量到的振动信号;ye(k)为K检测时刻上估计的预测信号。
其中,当ek的值无限小或是接近零时,表示该干扰信号是在误差允许范围内的干扰信号,此时可以认为待检测设备是处于正常运行状态。
进一步的,通过以下步骤确定预测信号:获取距离所述检测时刻的预设时间段中包括的每个历史时刻上的历史振动信号;基于每个历史振动信号,确定出历史振动信号向量;将预设参数向量以及所述历史振动信号向量的乘积,确定为所述预测信号。
该步骤中,获取在距离检测时刻预设时间段内包括的每个历史时刻上得历史振动信号;将每个历史振动信号按照对应的历史时刻在时间顺序上的先后顺序,组成历史振动信号向量;获取与待检测设备对应的预设参数向量以及历史信号向量之间的乘积,确定为预测信号。
这里,距离该检测时刻的预设时间段可以是待检测设备正常运行时的振动信号进行周期性变化的周期,即获取上一个待检测设备的运行周期中包括的每个历史检测时刻上的历史振动信号。
其中,历史振动信号是由安装在待检测设备上的传动轴上的同一振动传感器按照预设时间间隔采集到的设备的历史振动信号。
这里,历史振动信号向量Xk在设定时,还要考虑到传感器的采集延迟时间,所以历史振动信号向量Xk的表达式可以为:
Xk=[y(k-Δ),y(k-Δ-1),…y(k-Δ-n+1)];
其中,Xk为历史振动信号向量,Δ为延迟时间,n为预设时间段(预设时间窗口)的长度。
其中,Δ以及n均为磨损检测模型中的超参数,可以根据历史振动信号、待检测设备参数等结合检测需求调整设置。
这里,对于预测信号的确定是通过预设参数向量以及所述历史振动信号向量之间的乘积确定的,可以通过以下公式确定:
这里,对于每个历史检测时刻均是对应有相应的预设参数,将每个历史时刻对应的预设参数,按照对应的历史检测时刻在时间序列上的先后顺序,组合成预设参数向量。
进一步的,通过以下步骤确定所述预设参数向量:获取预设参数,并将预设参数确定为当前参数;将所述当前参数对应的振动信号作为当前振动信号,基于预设步长以及当前振动信号,确定中间参数;将所述中间参数作为当前参数,并将所述当前参数对应的振动信号作为当前振动信号,继续求解,直至预设次数后停止求解;将预设参数以及求解过程中确定的多个中间参数组成的向量,确定为预设参数向量。
该步骤中,获取第一个预设参数,并将该第一个预设参数确定为当前参数;将与当前参数处于同一历史检测时刻的振动信号作为当前信号,根据预设步长以及当前振动信号,确定出中间参数;将确定出的中间参数作为当前参数,并将与该中间参数处于同一历史检测时刻的振动信号作为当前信号,继续求解,直至预设次数后停止求解;将预设参数以及求解过程中确定的多个中间参数组成的向量,确定为预设参数向量。
其中,预设次数与距离所述检测时刻预设时间段中包括的历史时刻的数量一致。
这里,在确定预设参数向量时,是根据每个历史检测时刻在时间顺序上的先后顺序,组成预设参数向量。
这里,可以通过以下公式确定中间参数:
Wk+1=Wk+2μekXk;
其中,Wk+1为K+1检测时刻的中间参数,Wk为K检测时刻上的预设参数,μ为预设步长,ek为K检测时刻上对应的干扰信号,Xk为历史振动信号向量。
这里,对于中间参数的确定过程采用的是随机梯度下降算法进行确定的,Wk的计算过程就是对Wk逐步迭代直至收敛的过程。
进一步的,通过以下步骤训练所述磨损检测模型:获取多个历史时刻对应的样本振动信号以及每一个历史时刻上设备的样本磨损状态;针对每一个历史时刻,将该历史时刻对应的样本振动信号以及样本磨损状态输入至构建好的深度神经网络模型中,得到该历史时刻上设备的预测磨损状态;针对每一个历史时刻,检测该历史时刻上的预测磨损状态指示的设备状态与样本磨损状态指示的设备状态是否一致;若存在历史时刻对应的预测磨损状态指示的设备状态与样本磨损状态指示的设备状态不一致,调整所述深度神经网络模型中的参数,直至每个历史时刻对应的预测磨损状态指示的设备状态与样本磨损状态指示的设备状态均一致,确定所述深度神经网络模型训练完毕,并将训练完毕的所述深度神经网络模型确定为训练好的所述磨损检测模型。
该步骤中,获取多个历史时刻上的样本振动信号以及每一个历史时刻上设备对应的样本磨损状态;针对于每一个历史时刻,将该历史时刻对应的样本振动信号以及样本磨损状态输入至构建好的深度神经网络模型中,得到该历史时刻上设备的预测磨损状态,在每一个历史时刻均获取到设备的预测磨损状态后,针对于每一个历史时刻,检测该历史时刻上的预测磨损状态指示的设备状态与样本磨损状态指示的设备状态是否一致;若存在任一历史时刻上预测磨损状态指示的设备状态与样本磨损状态指示的设备状态不一致的情况,调整深度神经网络模型中的参数,直到每个历史时刻对应的预测磨损状态指示的设备状态与样本磨损状态指示的设备状态均一致,确定所述深度神经网络模型训练完毕,并将训练完毕的所述深度神经网络模型确定为训练好的所述磨损检测模型。
这里,预测磨损状态指示的设备状态与样本磨损状态指示的设备状态不一致可以是指预测磨损状态指示的设备状态与样本磨损状态指示的设备状态相反,例如,预测磨损状态指示的设备状态为未磨损,而样本磨损状态指示的设备状态为磨损;还可以是测磨损状态指示的设备状态与样本磨损状态指示的设备状态不一致可以是指预测磨损状态指示的设备状态与样本磨损状态指示的设备状态的磨损等级不一致,例如,预测磨损状态指示的设备状态为二级磨损,而样本磨损状态指示的设备状态为一级磨损。
针对于第一种情况,需要调整深度神经网络模型中的参数以及运算式,看看是否出现反向迭代的过程;
针对于第二种情况,有针对性地修改深度神经网络模型中的参数,以使预测磨损状态指示的设备的磨损等级与样本磨损状态指示的设备的磨损等级一致。
这里,可以进行调节的参数可以为延迟时间、时间窗口长度以及预设步长等。
本申请实施例提供的设备异常的检测方法,获取在预设检测时间段内每一个检测时刻时,待检测设备的振动信号;将获取到的振动信号按照时间顺序依次输入至预先训练好的磨损检测模型中,得到每个检测时刻上待检测设备的磨损状态;当存在任一检测时刻的所述磨损状态指示所述待检测设备存在磨损情况时,确定所述待检测设备异常;基于每个指示所述待检测设备存在磨损情况的检测时刻的所述磨损状态,确定所述待检测设备异常的异常原因;基于所述异常原因,生成对应的报警信息警示待检测设备异常。
这样,获取在预设检测时间段内包括的每一个检测时刻上待检测设备的振动信号,将每一个检测时刻上的振动信号按照顺序依次输入至训练好的磨损检测模型中,确定出每一个检测时刻上待检测设备的磨损状态,当存在任一检测时刻上的待检测设备的磨损状态指示待检测设备存在磨损情况时,确定待检测设备异常,并针对异常原因进行预警,从而可以实时检测待检测设备的异常情况,进而有针对性地对待检测设备进行维护,有助于及时地对待检测设备维护,提高对待检测设备维护的效率。
请参阅图4、图5,图4为本申请实施例所提供的一种设备异常的检测装置的结构示意图之一,图5为本申请实施例所提供的一种设备异常的检测装置的结构示意图之二。如图4中所示,所述检测装置400包括:
信号获取模块410,用于获取在预设检测时间段内每一个检测时刻时,待检测设备的振动信号。
磨损检测模块420,用于将获取到的振动信号按照时间顺序依次输入至预先训练好的磨损检测模型中,得到每个检测时刻上待检测设备的磨损状态。
异常确定模块430,用于当存在任一检测时刻的所述磨损状态指示所述待检测设备存在磨损情况时,确定所述待检测设备异常。
进一步的,如图5所示,所述检测装置400还包括模型训练模块440,所述模型训练模块440用于:
获取多个历史时刻对应的样本振动信号以及每一个历史时刻上设备的样本磨损状态;
针对每一个历史时刻,将该历史时刻对应的样本振动信号以及样本磨损状态输入至构建好的深度神经网络模型中,得到该历史时刻上设备的预测磨损状态;
针对每一个历史时刻,检测该历史时刻上的预测磨损状态指示的设备状态与样本磨损状态指示的设备状态是否一致;
若存在历史时刻对应的预测磨损状态指示的设备状态与样本磨损状态指示的设备状态不一致,调整所述深度神经网络模型中的参数,直至每个历史时刻对应的预测磨损状态指示的设备状态与样本磨损状态指示的设备状态均一致,确定所述深度神经网络模型训练完毕,并将训练完毕的所述深度神经网络模型确定为训练好的所述磨损检测模型。
进一步的,如图5所示,所述检测装置400还包括异常预警模块450,所述异常预警模块450用于:
基于每个指示所述待检测设备存在磨损情况的检测时刻的所述磨损状态,确定所述待检测设备异常的异常原因;
基于所述异常原因,生成对应的报警信息警示待检测设备异常。
进一步的,所述磨损检测模块420用于通过以下步骤确定检测时刻待检测设备的磨损状态:
获取与该检测时刻对应的预测信号;
确定所述振动信号与所述预测信号之间的信号差值,并将所述信号差值确定为干扰信号;
基于所述干扰信号与磨损状态之间的映射关系,确定所述待检测设备在该检测时刻的磨损状态。
进一步的,所述磨损检测模块420用于通过以下步骤确定所述预测信号:
获取距离所述检测时刻的预设时间段中包括的每个历史时刻上的历史振动信号;
基于每个历史振动信号,确定出历史振动信号向量;
将预设参数向量以及所述历史振动信号向量的乘积,确定为所述预测信号。
进一步的,所述磨损检测模块420用于通过以下步骤确定所述预设参数向量:
获取预设参数,并将预设参数确定为当前参数;
将所述当前参数对应的振动信号作为当前振动信号,基于预设步长以及当前振动信号,确定中间参数;
将所述中间参数作为当前参数,并将所述当前参数对应的振动信号作为当前振动信号,继续求解,直至预设次数后停止求解;
将预设参数以及求解过程中确定的多个中间参数组成的向量,确定为预设参数向量。
本申请实施例提供的设备异常的检测装置,获取在预设检测时间段内每一个检测时刻时,待检测设备的振动信号;将获取到的振动信号按照时间顺序依次输入至预先训练好的磨损检测模型中,得到每个检测时刻上待检测设备的磨损状态;当存在任一检测时刻的所述磨损状态指示所述待检测设备存在磨损情况时,确定所述待检测设备异常。
这样,获取在预设检测时间段内包括的每一个检测时刻上待检测设备的振动信号,将每一个检测时刻上的振动信号按照顺序依次输入至训练好的磨损检测模型中,确定出每一个检测时刻上待检测设备的磨损状态,当存在任一检测时刻上的待检测设备的磨损状态指示待检测设备存在磨损情况时,确定待检测设备异常,从而可以实时检测待检测设备的异常情况,进而有针对性地对待检测设备进行维护,有助于及时地对待检测设备维护,提高对待检测设备维护的效率。
请参阅图6,图6为本申请实施例所提供的一种电子设备的结构示意图。如图6中所示,所述电子设备600包括处理器610、存储器620和总线630。
所述存储器620存储有所述处理器610可执行的机器可读指令,当电子设备600运行时,所述处理器610与所述存储器620之间通过总线630通信,所述机器可读指令被所述处理器610执行时,可以执行如上述图2以及图3所示方法实施例中的设备异常的检测方法的步骤,具体实现方式可参见方法实施例,在此不再赘述。
本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时可以执行如上述图2以及图3所示方法实施例中的设备异常的检测方法的步骤,具体实现方式可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
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单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以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,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请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)执行本申请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(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种设备异常的检测方法,其特征在于,所述检测方法包括:
获取在预设检测时间段内每一个检测时刻时,待检测设备的振动信号;
将获取到的振动信号按照时间顺序依次输入至预先训练好的磨损检测模型中,得到每个检测时刻上待检测设备的磨损状态;
当存在任一检测时刻的所述磨损状态指示所述待检测设备存在磨损情况时,确定所述待检测设备异常。
2.根据权利要求1所述的检测方法,其特征在于,通过以下步骤确定检测时刻待检测设备的磨损状态:
获取与该检测时刻对应的预测信号;
确定所述振动信号与所述预测信号之间的信号差值,并将所述信号差值确定为干扰信号;
基于所述干扰信号与磨损状态之间的映射关系,确定所述待检测设备在该检测时刻的磨损状态。
3.根据权利要求2所述的检测方法,其特征在于,通过以下步骤确定所述预测信号:
获取距离所述检测时刻的预设时间段中包括的每个历史时刻上的历史振动信号;
基于每个历史振动信号,确定出历史振动信号向量;
将预设参数向量以及所述历史振动信号向量的乘积,确定为所述预测信号。
4.根据权利要求3所述的检测方法,其特征在于,通过以下步骤确定所述预设参数向量:
获取预设参数,并将预设参数确定为当前参数;
将所述当前参数对应的振动信号作为当前振动信号,基于预设步长以及当前振动信号,确定中间参数;
将所述中间参数作为当前参数,并将所述当前参数对应的振动信号作为当前振动信号,继续求解,直至预设次数后停止求解;
将预设参数以及求解过程中确定的多个中间参数组成的向量,确定为预设参数向量。
5.根据权利要求1所述的检测方法,其特征在于,通过以下步骤训练所述磨损检测模型:
获取多个历史时刻对应的样本振动信号以及每一个历史时刻上设备的样本磨损状态;
针对每一个历史时刻,将该历史时刻对应的样本振动信号以及样本磨损状态输入至构建好的深度神经网络模型中,得到该历史时刻上设备的预测磨损状态;
针对每一个历史时刻,检测该历史时刻上的预测磨损状态指示的设备状态与样本磨损状态指示的设备状态是否一致;
若存在历史时刻对应的预测磨损状态指示的设备状态与样本磨损状态指示的设备状态不一致,调整所述深度神经网络模型中的参数,直至每个历史时刻对应的预测磨损状态指示的设备状态与样本磨损状态指示的设备状态均一致,确定所述深度神经网络模型训练完毕,并将训练完毕的所述深度神经网络模型确定为训练好的所述磨损检测模型。
6.根据权利要求1所述的检测方法,其特征在于,在所述当存在任一检测时刻的所述磨损状态指示所述待检测设备存在磨损情况时,确定所述待检测设备异常之后,所述检测方法还包括:
基于每个指示所述待检测设备存在磨损情况的检测时刻的所述磨损状态,确定所述待检测设备异常的异常原因;
基于所述异常原因,生成对应的报警信息警示待检测设备异常。
7.一种设备异常的检测装置,其特征在于,所述检测装置包括:
信号获取模块,用于获取在预设检测时间段内每一个检测时刻时,待检测设备的振动信号;
磨损检测模块,用于将获取到的振动信号按照时间顺序依次输入至预先训练好的磨损检测模型中,得到每个检测时刻上待检测设备的磨损状态;
异常确定模块,用于当存在任一检测时刻的所述磨损状态指示所述待检测设备存在磨损情况时,确定所述待检测设备异常。
8.根据权利要求7所述的检测装置,其特征在于,所述检测装置还包括异常预警模块,所述异常预警模块用于:
基于每个指示所述待检测设备存在磨损情况的检测时刻的所述磨损状态,确定所述待检测设备异常的异常原因;
基于所述异常原因,生成对应的报警信息警示待检测设备异常。
9.一种电子设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过所述总线通信,所述机器可读指令被所述处理器执行时执行如权利要求1至6中任一所述的设备异常的检测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1至6中任一所述的设备异常的检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010827240.4A CN111929091A (zh) | 2020-08-17 | 2020-08-17 | 设备异常的检测方法、装置、可读存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010827240.4A CN111929091A (zh) | 2020-08-17 | 2020-08-17 | 设备异常的检测方法、装置、可读存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111929091A true CN111929091A (zh) | 2020-11-13 |
Family
ID=73311988
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010827240.4A Withdrawn CN111929091A (zh) | 2020-08-17 | 2020-08-17 | 设备异常的检测方法、装置、可读存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111929091A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112611563A (zh) * | 2020-12-01 | 2021-04-06 | 上海明略人工智能(集团)有限公司 | 一种目标故障信息的确定方法和装置 |
CN112629905A (zh) * | 2020-12-22 | 2021-04-09 | 杭州未名信科科技有限公司 | 基于深度学习的设备异常检测方法、系统及计算机介质 |
CN113221455A (zh) * | 2021-05-10 | 2021-08-06 | 北京和利时系统工程有限公司 | 一种设备的健康状态检测方法和装置 |
CN114543982A (zh) * | 2022-03-11 | 2022-05-27 | 珠海格力电器股份有限公司 | 设备的振动检测方法、装置、振动检测设备及存储介质 |
CN114881269A (zh) * | 2022-07-13 | 2022-08-09 | 山东恩信特种车辆制造有限公司 | 一种用于物料输送管路的异常检测方法及装置 |
-
2020
- 2020-08-17 CN CN202010827240.4A patent/CN111929091A/zh not_active Withdrawn
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112611563A (zh) * | 2020-12-01 | 2021-04-06 | 上海明略人工智能(集团)有限公司 | 一种目标故障信息的确定方法和装置 |
CN112629905A (zh) * | 2020-12-22 | 2021-04-09 | 杭州未名信科科技有限公司 | 基于深度学习的设备异常检测方法、系统及计算机介质 |
WO2022134495A1 (zh) * | 2020-12-22 | 2022-06-30 | 杭州未名信科科技有限公司 | 基于深度学习的设备异常检测方法、系统及计算机介质 |
CN113221455A (zh) * | 2021-05-10 | 2021-08-06 | 北京和利时系统工程有限公司 | 一种设备的健康状态检测方法和装置 |
CN114543982A (zh) * | 2022-03-11 | 2022-05-27 | 珠海格力电器股份有限公司 | 设备的振动检测方法、装置、振动检测设备及存储介质 |
CN114543982B (zh) * | 2022-03-11 | 2023-09-08 | 珠海格力电器股份有限公司 | 设备的振动检测方法、装置、振动检测设备及存储介质 |
CN114881269A (zh) * | 2022-07-13 | 2022-08-09 | 山东恩信特种车辆制造有限公司 | 一种用于物料输送管路的异常检测方法及装置 |
CN114881269B (zh) * | 2022-07-13 | 2022-09-27 | 山东恩信特种车辆制造有限公司 | 一种用于物料输送管路的异常检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111929091A (zh) | 设备异常的检测方法、装置、可读存储介质及电子设备 | |
CN109524139B (zh) | 一种基于设备工况变化的实时设备性能监测方法 | |
CN113077172A (zh) | 一种设备状态趋势分析及故障诊断方法 | |
KR102008231B1 (ko) | 자동화 설비의 고장 예측 장치, 이를 이용한 고장 예측 시스템 및 고장 예측 방법 | |
US6970804B2 (en) | Automated self-learning diagnostic system | |
CN113705924B (zh) | 一种热控设备智能诊断方法和系统 | |
US20170235857A1 (en) | Model based system monitoring | |
WO2010094915A1 (en) | Method and apparatus for monitoring and analyzing vibrations in rotary machines | |
JP2013008111A (ja) | 異常予兆診断装置および異常予兆診断方法 | |
EP3926310A1 (en) | Method and device for diagnosing weighing system | |
EP3825966A1 (en) | A system and method for monitoring and predicting breakdowns in vehicles | |
KR102102346B1 (ko) | 함정설비의 상태기반 정비지원 시스템 및 방법 | |
JP2012058937A (ja) | 原子力プラントの機器診断方法および機器診断装置 | |
EP4078315A1 (en) | Device and method for monitoring a system | |
CN113196311A (zh) | 用于识别和预测机器的异常感测行为模式的系统和方法 | |
CN110582626B (zh) | 用由磨损因子校正的异常检测来监视涡轮机的系统和方法 | |
WO2010069318A1 (en) | Wear-out pattern recognition | |
RU2687848C1 (ru) | Способ и система вибромониторинга промышленной безопасности динамического оборудования опасных производственных объектов | |
WO2014031291A2 (en) | Fleet anomaly detection system and method | |
JP2016004298A (ja) | ポンプ異常検知システム、ポンプ異常検知方法、及びポンプ異常検知プログラム | |
JP6369895B2 (ja) | モータ異常検知システム、モータ異常検知方法、及びモータ異常検知プログラム | |
JP2010276339A (ja) | センサ診断方法およびセンサ診断装置 | |
CN116596322A (zh) | 一种基于大数据可视化的物业设备管理方法及系统 | |
CN116595657A (zh) | 一种发动机质量预测系统 | |
KR101622186B1 (ko) | 기기 상태 진단 장치 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20201113 |
|
WW01 | Invention patent application withdrawn after publication |