CN112394702A - 基于lstm的光缆制造设备故障远程预测系统 - Google Patents

基于lstm的光缆制造设备故障远程预测系统 Download PDF

Info

Publication number
CN112394702A
CN112394702A CN202011450531.2A CN202011450531A CN112394702A CN 112394702 A CN112394702 A CN 112394702A CN 202011450531 A CN202011450531 A CN 202011450531A CN 112394702 A CN112394702 A CN 112394702A
Authority
CN
China
Prior art keywords
data
lstm
network
module
microprocessor
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.)
Granted
Application number
CN202011450531.2A
Other languages
English (en)
Other versions
CN112394702B (zh
Inventor
布赫
黄友锐
徐善永
韩涛
兰世豪
储怡然
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui University of Science and Technology
Original Assignee
Anhui University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Anhui University of Science and Technology filed Critical Anhui University of Science and Technology
Priority to CN202011450531.2A priority Critical patent/CN112394702B/zh
Publication of CN112394702A publication Critical patent/CN112394702A/zh
Application granted granted Critical
Publication of CN112394702B publication Critical patent/CN112394702B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00Programme-control systems
    • G05B19/02Programme-control systems electric
    • G05B19/418Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/4184Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by fault tolerance, reliability of production system
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01DMEASURING 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
    • G01D21/00Measuring or testing not otherwise provided for
    • G01D21/02Measuring two or more variables by means not covered by a single other subclass
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/044Recurrent networks, e.g. Hopfield networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/049Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00Program-control systems
    • G05B2219/30Nc systems
    • G05B2219/31From computer integrated manufacturing till monitoring
    • G05B2219/31088Network communication between supervisor and cell, machine group
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02PCLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Automation & Control Theory (AREA)
  • Quality & Reliability (AREA)
  • Manufacturing & Machinery (AREA)
  • Telephonic Communication Services (AREA)

Abstract

本发明涉及一种基于LSTM的光缆制造设备故障远程预测系统,该系统包括检测节点和数据处理节点。所述检测节点包括微处理器,数据采集模块,通信模块,模数转换模块,电源模块。所述数据处理节点包括:上位机,显示模块。系统工作时,检测节点中微处理器控制数据采集模块的传感器对光缆生产流水线典型故障工艺参量数据采集检测,微处理器将采集检测后的数据处理后,通过微处理器的通信模块无线传输到数据处理节点,上位机接收到数据信号后,调用已经训练好的LSTM网络对数据进行分析计算,最后将设备运行状态模型输出在显示屏上,完成故障预测。本系统可以预防光缆生产流水线在突发故障时产生的问题,降低运维成本,提高了生产线对突发故障的应对能力。

Description

基于LSTM的光缆制造设备故障远程预测系统
技术领域
本发明涉及一种基于LSTM的光缆制造设备故障远程预测系统,本发明涉及检测技术领域和数据分析技术领域,具体是一种基于无线传输技术并采用长短时记忆网络对传感数据进行分析训练的光缆工厂生产线故障预测系统
背景技术
光缆制造是我国重要的制造领域之一,目前光缆的国内供给率己经超过90%,需求量极大。在以市场为导向的营商环境下,光缆企业产品质量标准逐步提升,生产过程中如果监管不到位会对光缆产品质量,通信性能和使用寿命造成很大影响。
传统设备制造主要依靠人工经验来对设备的运行状态进行判断,一般根据所记录的设备历史维护信息以及当前设备的运行状态来判断在未来一段时间内是否会发生故障,这种维护方式具有很强的主观性,可能会受到设备的运行强度、环境因素等的影响,一旦光缆生产线其中一个环节发生故障,会导致生产线停滞,对于生产企业还会造成巨大的经济损失。因此保证光缆制造设备可靠运行是必不可少的环节。
流水线设备运行过程中产生的各种传感参数数据是随时间变化的序列,且具有非线性、非平稳性的特点,传统的模型很难拟合出较高精度的预测序列。LSTM网络算法对于时间序列数据预测效果甚佳,能够分析和挖掘时间序列数据中的潜在关系、处理数据的时间依赖性、预测时间序列数据变化的趋势以实现对故障的预测。因此,需要设计出一种基于LSTM的光缆制造设备故障远程预测系统。
发明内容
本发明是为了实现光缆设备生产线的故障预测,在运维过程中确定故障发生位置和异常现象。设备的故障并不是瞬间发生的,而是通过一定时间累积的异常现象,具有一定的规律性。因此,本系统可以有效地对生产线中潜在的故障进行预测,一定程度上可以预防光缆制造流水线中出现故障所导致的设备损坏、废品增多、定型不好、塑料焦烧和老化、外径尺寸不均等问题,并且可以降低维护和运营成本,提高了生产线对突发故障的应对能力。
为实现上述目的,本发明提供一种基于无线传输技术,采用长短时记忆网络对传感数据进行分析的故障预测系统。
所述系统包括检测节点和数据处理节点。所述检测节点包括微处理器,数据采集模块,通信模块,模数转换模块,电源模块。所述微处理器模块包括通信模块,模数转换模块,电源模块;所述数据采集模块包括压力传感器、温度传感器、电压传感器、电流传感器;所述通信模块包括NB-IOT芯片。
所述数据处理节点包括:上位机,显示模块;所述上位机内嵌NB-IOT芯片。
系统工作时,检测节点开启电源模块供电,数据采集模块通过数据线与微处理器相连,微处理器控制检测节点数据采集模块的压力传感器对机头挤出压力进行采集检测;微处理器控制检测节点数据采集模块的温度传感器对机身分段温度进行采集检测;微处理器控制检测节点的数据采集模块的电压传感器和电流传感器对设备传动控制系统螺杆工作时的电压电流进行采集检测,采集检测后的压力、温度、电压和电流数据通过微处理器处理后,微处理器上的NB-IOT芯片发送端无线传输到数据处理节点,数据处理节点的NB-IOT接收端接收到数据信号后,利用上位机中已配置好的LSTM网络模型参数,调用已经训练好的LSTM网络,对光缆生产流水线中典型故障工艺参量数据进行分析并预测,最后将设备运行状态模型通过形式业务输出在显示屏显示,完成对光缆生产流水线故障的预测。
本发明的有益效果是:本发明的一种基于LSTM的光缆制造设备故障远程预测系统可以光缆工厂设备生产线实现典型故障工艺参数采集,使用NB-IOT无线传输技术并通过LSTM网络进行数据处理和分析。所述系统在一定程度上打破了传统大型工厂的运维模式,提高了故障诊断效率,降低了维护和运营成本,对提高生产线对意外事件的承受和应对能力,改进生产线整体性能具有显著效果和重要意义。
本发明与现有技术相比,其有益效果体现在:
1、本发明中基于LSTM的光缆制造设备故障远程预测系统,采用了检测和数据处理两个单元,融合了NB-IOT无线传输技术,LSTM网络技术,以及通过微处理器控制传感器检测典型故障的工艺参量,通过分析运行结果得到光缆制造设备的运行状态,提前了解光缆流水线设备的运行情况实现典型故障预测。
2、本发明中基于LSTM的光缆制造设备故障远程预测系统采用数据处理节点,数据处理节点使用的LSTM网络模型可有效解决时序数据的长期依赖问题,实现时间序列的长期记忆,对于时间序列数据预测效果甚佳,能够分析和挖掘时间序列数据中的潜在关系、处理数据的时间依赖性、预测时间序列数据的趋势。在本系统中可以针对光缆生产流水线构造复杂性和复杂的工作运行环境,对其运行过程中的传感数据进行研究,预知设备运行状态,预测生产流水线设备趋势变化。
3、本发明中基于LSTM的光缆制造设备故障远程预测系统所采用的长短时记忆网络(LongShort-Term Memory,LSTM)是循环神经网络(Recurrent Neural Network)的一种变体。这种网络解决了传统的循环神经网络在训练过程中很容易发生梯度爆炸和梯度消失的问题。在网络训练过程中梯度不能在较长的序列中一直传递下去这种问题就是由梯度爆炸或梯度消失导致的。从而一般的循环神经网络无法捕捉到长距离的影响。但是由于LSTM网络结构比较复杂,因此出现了一种称为门限循环单元(Gated Recurrent Unit,GRU)的改进版LSTM网络。GRU是LSTM网络的简化版,但是同样保存了LSTM对长期数据的记忆能力,在实际应用中GRU可以很好的替代LSTM网络,但其本质仍为LSTM算法,本方案优化基于LSTM的简化版GRU算法使其适合光缆工厂生产线分析预测故障使用。
4、本发明的基于LSTM的光缆制造设备故障远程预测系统在一定程度上可以预防光缆制造流水线中出现故障所导致的设备损坏、废品增多、定型不好、塑料焦烧和老化、外径尺寸不均等问题,可以保证所生产的光缆产品质量以及对光缆制造设备流水线日常运行维护,有效地降低了维护和运营成本,并提高了光缆设备生产线对意外事件的承受和应对能力。
下面结合附图对本发明的基于LSTM的光缆制造设备故障远程预测系统作进一步说明。
附图说明
图1是本发明的系统结构图。
图2是本发明的检测节点结构示意图。
图3是本发明的LSTM预测算法整体框架图。
图4是本发明的光缆工厂生产线运行状况判断模型图。
图5是本发明的LSTM细胞结构示意图。
具体实施方式
下面结合附图来说明本发明专利的技术方案。应当理解,此处描述的具体实施方式仅仅是用以解释本次发明专利,并不限定于本发明。
如图1,图2,图3,图4,图5所示,本发明的基于LSTM的光缆制造设备故障远程预测系统由以下部分组成:
所述系统包括检测节点和数据处理节点。所述检测节点包括微处理器1,数据采集模块2,通信模块3,模数转换模块4,电源模块5;所述数据处理节点包括:上位机6,显示模块7。
所述检测节点中,电源模块5对微处理器1和数据采集模块2进行供电,所述微处理器1控制数据采集模块2的压力传感器8对机头挤出压力进行检测,这部分测量螺杆挤出后的推力替代机头压力;微处理器1控制数据采集模块2的温度传感器9对机身分段温度进行检测,来获得设备机身各部位分别工作时的温度数据;微处理器1控制数据采集模块2的电压传感器10和电流传感器11对设备传动控制系统螺杆工作时的电压电流进行检测。压力、温度、电压和电流数据经过微处理器1排序和微处理器1上的模数转换模块4处理后,通过微处理器上的通信模块3NB-IOT芯片将所采集的感知参数上传给移动通信网络的设施基站,基站通过移动通信网络将NB-IOT的数据传递给云服务器,云端服务器将对应的数据转发给数据处理节点的上位机6NB-IOT接收端。所述数据处理节点中,上位机6内嵌NB-IOT芯片接收到数据后,在上位机6中将特征数据进行训练得到模型,在训练过程中:数据层对传感数据进行预处理,输入层对数据进行归一化,划分数据集,将上述处理后的训练集序列传输进LSTM网络模型的隐藏层功能模块中,将隐藏层网络的输出值传递到输出层和网络训练层进行下一步处理,将获得的模型输出值与理论输出值,进行误差损失计算。本发明改进LSTM网络分析计算设备工作状态状态,输入神经网络的数据为:
Datein={pt,tempt,Vt,It} (1)
式中,pt、tempt、Vt、It分别为某一时刻工厂生产线设备的压力、温度、电压、电流。
立足于简化设计循环神经网络以及有限数据点原则,本文建立了基于LSTM网络的驾驶员状态判断模型。模型分为输入层、隐藏层、输出层、训练模块以及状态估算模块。其中,输入层的主要功能是对原始状态数据序列进行预处理,使其满足网络的输入要求;隐藏层采用LSTM细胞搭建;输出层提供状态估算结果。网络训练采用Adam优化算法,采用迭代方法进行逐点估算。Adam优化算法是融合了AdaGrad和RMSPro两种算法优点与一体的一种基于梯度的有效的优化算法,可在降低对存储资源要求的基础上实现对不同参数计算并适应学习率。
针对LSTM网络的训练主要是以训练网络的隐藏层为主。将原始数据定义为Dor={D1,D2,...Dn},并且将数据划分为训练数据集Dtr={D1,D2,...Dm}与测试数据集Dte={Dm+1,Dm+2,...Dn},其中m<n。训练数据集用于对LSTM网络进行监督式训练。将训练集中的数据进行标准化操作,使其满足网络的格式要求。
采用z-score公式对训练集数据进行标准化,经过标准化操作的数据集为:
D'tr={D'1,D'2,...D'm} (2)
Figure BDA0002826667030000051
为满足网络中隐藏层的输入要求,将数据集按照长度为L的分割窗口宽度进行处理,处理后的输入数据为:
X={X1,X2,...Xn} (4)
Xp={D'p,D'p+1,...D'm-L+p-1}1≤t≤m,t∈N (5)
其理论输出应为
Y={Y1,Y2,...Yn} (6)
Yp={D'p+1,D'p+2,...D'm-L+p} (7)
将X输入LSTM网络的隐藏层中,隐藏层是有前后连接的同结构的LSTM细胞组成。经过隐藏层处理后的输出为:
P={P1,P2,...PL} (8)
Pp=LSTMforward(Xp,Cp-1,Hp-1) (9)
式(9)中,Cp-1为前一个LSTM细胞的状态,Hp-1为前一个LSTM细胞的输出。LSTMforward为前向计算方法,如式(10)到(14)所示。
it=σ(Wxiyt+Whiht-1+Wcict-1+bi) (10)
ft=σ(Wxfyt+Whfht-1+Wcct-1+bf) (11)
ct=ftct-1+it tanh(WXCyt+Whfht-1+bc) (12)
ot=σ(Wxoyt+Whoht-1+Wcoct-1+bo) (13)
ht=ot tanh(ct) (14)
式10至14中,it为输入门,ft为遗忘门,ct为细胞状态,ot为输出门,ht为权重系数矩阵,b为偏置项,σ为sigmoid激活函数,tanh为双曲正切激活函数。
误差计算公式选择均方误差,则损失函数定义为:
Figure BDA0002826667030000061
以损失函数最小为网络训练优化目标,在给定初始化网络的随机种子数seed、学习率η以及训练步数steps的前提下,利用Adam优化算法持续对网络权重进行优化,从而得到最终可以应用的LSTM网络的隐藏层网络。
通过上述的训练过程得到的LSTM网络根据边缘感知节点采集到的特征数据以及运动状态数据对光缆工厂生产线运行状态状态进行判断,并应用改进LSTM网络根据数据趋势对光缆工厂生产线运行状态进行预测。当结果判定光缆工厂生产线运行状态出现异常则将判断结果生成一个模型结果进行故障预测,并根据预测结果对算法进行训练优化,以使得边缘感知节点的算法模型更加符合实际。
针对LSTM网络预测过程设计,可以将LSTM网络模型参数都配置好后,调用已经训练好的LSTM网络,对光缆生产流水线中典型故障参量数据进行预测,得出预测结果。最后将设备运行状态模型结果通过显示屏模块7的形式业务输出,完成对生产机器做出状态分析及故障预测。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术策略方案的基础上,本领域技术人员不需要付出创造性的劳动即可做出各种修改或变形仍在本发明专利的保护范围之内。

Claims (10)

1.基于LSTM的光缆制造设备故障远程预测系统,其特征在于,所述系统包括检测节点和数据处理节点。所述检测节点包括微处理器(1),数据采集模块(2),通信模块(3),模数转换模块(4),电源模块(5),压力传感器(8),温度传感器(9),电压传感器(10),电流传感器(11);所述数据处理节点包括:上位机(6),显示模块(7);其中数据采集模块包括压力传感器(8)、温度传感器(9)、电压传感器(10)、电流传感器(11),传感器通过数据线与微处理器(1)连接;其中微处理器(1)包括通信模块(3),模数转换模块(4),电源模块(5);通信模块(3),模数转换模块(4)内置于微处理器(1)上,电源模块(5)与微处理器(1)相连;其中通信模块(3)包括NB-IOT芯片负责发送信号;其中上位机(6)内置NB-IOT芯片负责接收信号;其中显示模块(7)显示上位机(6)的输出结果,完成对光缆生产流水线故障的预测。
2.根据权利要求1所述的基于LSTM的光缆制造设备故障远程预测系统,其特征在于,所述电源模块(5)为检测节点提供电能。
3.根据权利要求1所述的基于LSTM的光缆制造设备故障远程预测系统,其特征在于,所述检测节点的微处理器(1)控制数据采集模块(2)的压力传感器(8)对机头挤出压力进行采集检测,这部分测量螺杆挤出后的推力替代机头压力;微处理器(1)控制温度传感器(9)对机身分段温度进行采集检测,来获得设备机身各部位分别工作时的温度数据;微处理器(1)控制电压传感器(10)和电流传感器(11)对设备传动控制系统螺杆工作时的电压电流进行采集检测。
4.根据权利要求1所述的基于LSTM的光缆制造设备故障远程预测系统,其特征在于,所述检测节点的微处理器(1)控制数据采集模块(2)的传感器采集相关数据后,经过微处理器(1)排序和微处理器(1)上的模数转换模块(4)转换处理后,通过微处理器(1)上的通信模块(3)NB-IOT芯片上传数据信号。
5.根据权利要求1所述的基于LSTM的光缆制造设备故障远程预测系统,其特征在于,所述检测节点微处理器(1)上的通信模块(3)NB-IOT芯片将所采集的数据信号上传给移动通信网络的设施基站,基站通过移动通信网络将NB-IOT的数据传递给云端服务器,云端服务器将对应的数据转发给数据处理节点的上位机(6)NB-IOT接收端。
6.根据权利要求1所述的基于LSTM的光缆制造设备故障远程预测系统,其特征在于,所述数据处理节点中上位机(6)NB-IOT接收到数据后,在上位机(6)进行模型训练。
7.根据权利要求1所述的基于LSTM的光缆制造设备故障远程预测系统,其特征在于,所述数据处理节点的上位机(6)接收数据后,调用已经训练好的LSTM网络将特征数据进行训练得到模型。
8.根据权利要求1所述的基于LSTM的光缆制造设备故障远程预测系统,其特征在于,所述数据处理节点中的上位机(6)中的训练过程为:数据层对传感数据进行预处理,输入层对数据进行归一化,划分数据集,将上述处理后的训练集序列传输进LSTM网络模型的隐藏层功能模块中,将隐藏层网络的输出值传递到输出层和网络训练层进行下一步处理,将获得的模型输出值与理论输出值,进行误差损失计算。
9.根据权利要求1所述的基于LSTM的光缆制造设备故障远程预测系统,其特征在于,本发明改进LSTM网络分析计算设备工作状态状态,输入神经网络的数据为
Datein={pt,tempt,Vt,It} (1)
式中,pt、tempt、Vt、It分别为某一时刻工厂生产线设备的压力、温度、电压、电流。
立足于简化设计循环神经网络以及有限数据点原则,本文建立了基于LSTM网络的驾驶员状态判断模型。模型分为输入层、隐藏层、输出层、训练模块以及状态估算模块。其中,输入层的主要功能是对原始状态数据序列进行预处理,使其满足网络的输入要求;隐藏层采用LSTM细胞搭建;输出层提供状态估算结果。网络训练采用Adam优化算法,采用迭代方法进行逐点估算。Adam优化算法是融合了AdaGrad和RMSPro两种算法优点与一体的一种基于梯度的有效的优化算法,可在降低对存储资源要求的基础上实现对不同参数计算并适应学习率。
针对LSTM网络的训练主要是以训练网络的隐藏层为主。将原始数据定义为Dor={D1,D2,...Dn},并且将数据划分为训练数据集Dtr={D1,D2,...Dm}与测试数据集Dte={Dm+1,Dm+2,...Dn},其中m<n。训练数据集用于对LSTM网络进行监督式训练。将训练集中的数据进行标准化操作,使其满足网络的格式要求。
采用z-score公式对训练集数据进行标准化,经过标准化操作的数据集为:
D'tr={D'1,D'2,...D'm} (2)
Figure FDA0002826667020000021
为满足网络中隐藏层的输入要求,将数据集按照长度为L的分割窗口宽度进行处理,处理后的输入数据为:
X={X1,X2,...Xn} (4)
Xp={D'p,D'p+1,...D'm-L+p-1}1≤t≤m,t∈N (5)
其理论输出应为:
Y={Y1,Y2,...Yn} (6)
Yp={D'p+1,D'p+2,...D'm-L+p} (7)
将X输入LSTM网络的隐藏层中,隐藏层是有前后连接的同结构的LSTM细胞组成。经过隐藏层处理后的输出为:
P={P1,P2,...PL} (8)
Pp=LSTMforward(Xp,Cp-1,Hp-1) (9)
式(9)中,Cp-1为前一个LSTM细胞的状态,Hp-1为前一个LSTM细胞的输出。LSTMforward为前向计算方法,如式(10)到(14)所示。
it=σ(Wxiyt+Whiht-1+Wcict-1+bi) (10)
ft=σ(Wxfyt+Whfht-1+Wcct-1+bf) (11)
ct=ftct-1+ittanh(WXCyt+Whfht-1+bc) (12)
ot=σ(Wxoyt+Whoht-1+Wcoct-1+bo) (13)
ht=ottanh(ct) (14)
式10至14中,it为输入门,ft为遗忘门,ct为细胞状态,ot为输出门,ht为权重系数矩阵,b为偏置项,σ为sigmoid激活函数,tanh为双曲正切激活函数。
误差计算公式选择均方误差,则损失函数定义为:
Figure FDA0002826667020000031
以损失函数最小为网络训练优化目标,在给定初始化网络的随机种子数seed、学习率η以及训练步数steps的前提下,利用Adam优化算法持续对网络权重进行优化,从而得到最终可以应用的LSTM网络的隐藏层网络。
通过上述的训练过程得到的LSTM网络根据边缘感知节点采集到的特征数据以及运动状态数据对光缆工厂生产线运行状态状态进行判断,并应用改进LSTM网络根据数据趋势对光缆工厂生产线运行状态进行预测。当结果判定光缆工厂生产线运行状态出现异常则将判断结果生成一个模型结果进行故障预测。
10.根据权利要求1所述的基于LSTM的光缆制造设备故障远程预测系统,其特征在于,所述数据处理节点,在上位机(6)使用LSTM网络训练得到模型后,将设备运行状态模型通过显示模块(7)的形式业务输出,完成对生产机器做出状态分析及故障预测。
CN202011450531.2A 2020-12-10 2020-12-10 基于lstm的光缆制造设备故障远程预测系统 Active CN112394702B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011450531.2A CN112394702B (zh) 2020-12-10 2020-12-10 基于lstm的光缆制造设备故障远程预测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011450531.2A CN112394702B (zh) 2020-12-10 2020-12-10 基于lstm的光缆制造设备故障远程预测系统

Publications (2)

Publication Number Publication Date
CN112394702A true CN112394702A (zh) 2021-02-23
CN112394702B CN112394702B (zh) 2024-05-17

Family

ID=74624933

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011450531.2A Active CN112394702B (zh) 2020-12-10 2020-12-10 基于lstm的光缆制造设备故障远程预测系统

Country Status (1)

Country Link
CN (1) CN112394702B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113236228A (zh) * 2021-06-24 2021-08-10 中海石油(中国)有限公司 一种单井产量快速预测方法及系统
CN113821401A (zh) * 2021-08-20 2021-12-21 西安理工大学 基于wt-ga-gru模型的云服务器故障诊断方法
CN115497267A (zh) * 2022-09-06 2022-12-20 江西小手软件技术有限公司 基于时序关联规则的设备预警平台
CN116340875A (zh) * 2023-05-30 2023-06-27 单县鑫和纺织有限公司 一种基于数据分析的粗纱机运行故障预测系统
CN116614177A (zh) * 2023-05-08 2023-08-18 湖北思极科技有限公司 一种光纤状态多维度参量监测系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101654630B1 (ko) * 2015-05-07 2016-09-06 한국 전기안전공사 신경회로망을 이용한 케이블 고장 진단 시스템 및 방법
US20170091615A1 (en) * 2015-09-28 2017-03-30 Siemens Aktiengesellschaft System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies
DE102017110228A1 (de) * 2017-05-11 2018-11-15 Mt Aerospace Ag Verfahren zur Vorhersage von Versagenslasten von Strukturen aus Faserverbundwerkstoffen auf Basis von Schallemissionsdaten
CN110455397A (zh) * 2018-05-07 2019-11-15 光子瑞利科技(北京)有限公司 一种基于lstm的工厂设备故障光纤传感方法和系统
CN111239672A (zh) * 2020-03-19 2020-06-05 东南大学 基于机器学习算法的光纤电流互感器渐变性故障预测方法
CN214278739U (zh) * 2020-12-10 2021-09-24 安徽理工大学 基于lstm的光缆制造设备故障远程预测系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101654630B1 (ko) * 2015-05-07 2016-09-06 한국 전기안전공사 신경회로망을 이용한 케이블 고장 진단 시스템 및 방법
US20170091615A1 (en) * 2015-09-28 2017-03-30 Siemens Aktiengesellschaft System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies
DE102017110228A1 (de) * 2017-05-11 2018-11-15 Mt Aerospace Ag Verfahren zur Vorhersage von Versagenslasten von Strukturen aus Faserverbundwerkstoffen auf Basis von Schallemissionsdaten
CN110455397A (zh) * 2018-05-07 2019-11-15 光子瑞利科技(北京)有限公司 一种基于lstm的工厂设备故障光纤传感方法和系统
CN111239672A (zh) * 2020-03-19 2020-06-05 东南大学 基于机器学习算法的光纤电流互感器渐变性故障预测方法
CN214278739U (zh) * 2020-12-10 2021-09-24 安徽理工大学 基于lstm的光缆制造设备故障远程预测系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
刘艾明;赵哲;曾传骏;方艺霖;: "光纤光栅传感技术在水泥工业中的应用", 河南建材, no. 03, 20 June 2013 (2013-06-20) *
梁川;曹乐;: "基于LSTM的中药生产设备故障预测方法研究", 科学技术创新, no. 31, 26 October 2020 (2020-10-26) *
王鑫;吴际;刘超;杨海燕;杜艳丽;牛文生;: "基于LSTM循环神经网络的故障时间序列预测", 北京航空航天大学学报, no. 04, 13 October 2017 (2017-10-13) *
邓荣;唐林;: "基于改进神经网络的光纤通信故障数据的自动识别", 激光杂志, no. 06, 25 June 2016 (2016-06-25) *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113236228A (zh) * 2021-06-24 2021-08-10 中海石油(中国)有限公司 一种单井产量快速预测方法及系统
CN113821401A (zh) * 2021-08-20 2021-12-21 西安理工大学 基于wt-ga-gru模型的云服务器故障诊断方法
CN115497267A (zh) * 2022-09-06 2022-12-20 江西小手软件技术有限公司 基于时序关联规则的设备预警平台
CN116614177A (zh) * 2023-05-08 2023-08-18 湖北思极科技有限公司 一种光纤状态多维度参量监测系统
CN116614177B (zh) * 2023-05-08 2023-11-17 湖北思极科技有限公司 一种光纤状态多维度参量监测系统
CN116340875A (zh) * 2023-05-30 2023-06-27 单县鑫和纺织有限公司 一种基于数据分析的粗纱机运行故障预测系统
CN116340875B (zh) * 2023-05-30 2023-10-17 单县鑫和纺织有限公司 一种基于数据分析的粗纱机运行故障预测系统

Also Published As

Publication number Publication date
CN112394702B (zh) 2024-05-17

Similar Documents

Publication Publication Date Title
CN112394702A (zh) 基于lstm的光缆制造设备故障远程预测系统
CN111596604B (zh) 一种基于数字孪生的工程装备故障智能诊断与自愈控制系统及方法
CN113777496B (zh) 基于时间卷积神经网络的锂离子电池剩余寿命预测方法
CN111579243B (zh) 一种基于深度迁移学习的滚动轴承智能诊断系统
CN111275288A (zh) 基于XGBoost的多维数据异常检测方法与装置
CN111178553A (zh) 一种基于arima和lstm算法的工业设备健康趋势分析方法及系统
CN116614177B (zh) 一种光纤状态多维度参量监测系统
CN113011089B (zh) 一种基于深度学习的机采井系统效率优化方法与装置
CN116595876A (zh) 基于gcn-lstm的多传感器数据融合的电机温度态势预测方法
CN112363896A (zh) 日志异常检测系统
CN110991776A (zh) 一种基于gru网络实现水位预测的方法及系统
CN114611764B (zh) 一种特定区域内企业工业用水异常监测预警方法
CN116819336A (zh) 一种基于无监督学习的动力电池异常检测系统
CN111222467A (zh) 一种风力发电机部件故障分类检测方法
CN113610147A (zh) 一种基于lstm的多潜在子空间信息融合地震短临预测方法
CN115062706A (zh) 森林火灾监测方法及装置、存储介质、电子设备
CN118281900A (zh) 基于模型-数据融合驱动的电网频率稳定智能增强判别方法
CN117744495A (zh) 一种不同退化阶段下多模型驱动的特大型轴承寿命预测方法
CN118169586A (zh) 一种用于电池管理的自唤醒诊断方法及系统
CN116937819B (zh) 一种具有学习功能的远程配电柜监控系统
CN117306608A (zh) 基坑大数据采集与智能化监测方法及其物联网系统
CN111413926A (zh) 一种持续超限的故障预警方法
CN116861214A (zh) 一种基于卷积长短时记忆网络的健康状态识别方法及系统
CN116821828A (zh) 一种基于工业数据的多维时序预测方法
CN110794799A (zh) 应用于工业生产的具有故障诊断功能的大数据系统

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
GR01 Patent grant
GR01 Patent grant