CN112581031B - 一种c语言实现递归神经网络（rnn）对电机异常进行实时监控的方法 - Google Patents
一种c语言实现递归神经网络（rnn）对电机异常进行实时监控的方法 Download PDFInfo
- Publication number
- CN112581031B CN112581031B CN202011604057.4A CN202011604057A CN112581031B CN 112581031 B CN112581031 B CN 112581031B CN 202011604057 A CN202011604057 A CN 202011604057A CN 112581031 B CN112581031 B CN 112581031B
- Authority
- CN
- China
- Prior art keywords
- data
- rnn
- neural network
- real
- motor
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063114—Status monitoring or status determination for a person or group
-
- 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
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及信息技术领域，且公开了一种C语言实现递归神经网络(RNN)对电机异常进行实时监控的方法，解决了现有的异常检测方案、云端训练和终端推理中存在的问题；本发明提出面向多传感器数据的实用数据融合方案，并搭配优化后的RNN在线学习算法，目的是让每个物联网终端在不依赖云端和没有标注数据的情况下而具备对不同数据的，实时的自学习和推理能力，完成对电机异常的甄别，同时可以跟云端技术相结合，来提高物联网终端对不同环境，不同电机类型的适用性，最终达到降低成本，提高产能的目的，方法简单实用，具有较强的创新性和新颖性。
Description
技术领域
本发明涉及信息技术领域，更具体地说是使用多传感器数据以及递归神经网络(RNN)来实时电机异常监测，尤其涉及一种C语言实现递归神经网络(RNN)对电机异常进行实时监控的方法。
背景技术
现有的物联网终端的计算能力都比较弱，使用计算量比较大的算法，例如递归神经网络，其计算复杂度很高，不适合在底算力终端部署，然而高算力的终端往往都比较昂贵。在应对大量数据给入的时候，特别是电机数据里大量的震动，声音，电磁数据，一般都无法实现实时的学习和推理。较为通用的解决方案是把模型的训练学习流程发到云端，模型学习完毕之后再发回到物联网终端进行推理。另外，面对都数据源的情况，数据如何有效融合，还没有标准化的解决方案。
在电机异常监测领域，由于电机的种类繁多，工作环境复杂多变，使用统一的训练模型会在监测中出现过多的误报，但如果给每个物联网终端搭配单独的模型，由于物联网设备的数量很大，那么在云端的由计算产生消耗必然会非常巨大，外加大量的数据传输费用，使得对单个电机异常监测的成本费用变得非常高，失去了降低消耗，提高产能的实际意义；为此，我们提出一种C语言实现递归神经网络(RNN)对电机异常进行实时监控的方法。
发明内容
为了克服现有技术不足，本发明目的在于提供一种C语言实现递归神经网络(RNN)对电机异常进行实时监控的方法，提出面向多传感器数据的实用数据融合方案，并搭配优化后的RNN在线学习算法，目的是让每个物联网终端在不依赖云端和没有标注数据的情况下而具备对不同数据的，实时的自学习和推理能力，完成对电机异常的甄别，同时可以跟云端技术相结合，来提高物联网终端对不同环境，不同电机类型的适用性，最终达到降低成本，提高产能的目的。
为实现上述目的，本发明提供如下技术方案：一种C语言实现递归神经网络(RNN)对电机异常进行实时监控的方法；
优选的，包括如下步骤：
S1、云端根据客户定制方案分发电机数据采集和算法配置到物联网终端；
S2、初始化物联网终端，针对不同数据源和RNN配置，初始化递归神经网络，如果已有存储好的训练好的模型，则加载神经网络；
S3、对采集到的数据进行预处理；
S4、根据配置格式，针对每种数据源，构建RNN输入数据，并标准化数据；
S5、实时训练每个递归训练神经网络，并更新RNN权重；
S6、实时自解码推理，并计算自拟合误差；
S7、核对每个数据点的自拟合误差，判断是否为异常点；
S8、根据长周期和短周期的统计错误阈值，判断当前异常以及异常数据源；
S9、更新统计阈值，将寄存器中的结果上传至云端。
优选的，采集的发电机数据包括但不限于电机震动(三轴)、声音、电磁和温度等数据。
优选的，对采集到的数据进行预处理过程包括但不限于计算各类数据的移动标准差和移动平均值，如果出现NaN则判定异常，结果存入寄存器。
优选的，数据判断异常点是对本次所有数据计算平均误差，判断本次整体数据是否为异常，并将结果存入寄存器。
本发明的技术效果和优点：
1)、本发明使用的递归神经网络(RNN)是专门针对时间序列研发的实时学习算法，使用电机环境数据作为输入，例如震动、声音和电磁变化，这些都是非常典型的时间序列数据，在生产当中也比较好搜集和处理，使用高效的数据融合方案，搭配RNN自解码的使用流程，可以对数据中的坏点实时地进行异常甄别。
2)、本发明使用C语言实现并优化了递归神经网络(RNN)的实时在线学习算法和自拟合异常检测流程(online learning)，不需要额外的标注数据，并通过算法底层优化，让神经网络的学习流程的计算消耗，减低到跟RNN推理时的计算消耗的同等水平，使得在底算力物联网终端根据不同电机环境数据的个性化自学习成为可能，并且避免了云端集中学习和再分发的繁琐流程，大大提高了终端对不同环境，不同电机类型的适用性，而且由于不需要标注数据，降低了数据准备流程复杂度，加速了人工智能技术的落地速度，让物联网终端变成真正的智能物联网终端。
3)、本发明是面向底算力物联网终端的，独立自主研发的一整套算法，其算法没有依赖任何第三方，可以在任何支持C语言环境的平台运行。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明的整体结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合具体实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。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。
实施例1
参照图1所示，一种C语言实现递归神经网络(RNN)对电机异常进行实时监控的方法，包括如下步骤：
S1、云端根据客户定制方案分发电机数据采集和算法配置到物联网终端，云端针对每个物联网终端分发配置，包括但不限于：
i.终端传感器参数：
(1)震动传感器单位时间采集长度；
(2)电磁传感器单位时间采集长度；
(3)声音传感器单位时间采集长度；
ii.短周期异常置信区间参数：
(1)一般为4；
iii.长周期异常置信区间参数：
(1)一般为4；
iv.全融合RNN连接层宽度：
(1)算法：根据震动数据，电磁数据和声音数据采样长度，除去1和本身的适当的公约数，作为最后融合数据的样本输出长度，N；
(2)设置：高精度时取最大公约数，高计算速度取最小公约数；
(3)宽度为：电磁数据长度；
v.震动RNN连接层宽度：
(1)一般以百为单位；
(2)输出物理三维空间各个维度上的拟合统计错误；
vi.声音RNN连接层宽度：
(1)一般为百，数据量巨大时以千为单位；
vii.电磁连接层宽度：
(1)以百为单位；
viii.震动电磁连接层宽度：
(1)取值算法同与全融合算法相同；
ix.震动声音连接层宽度：
(1)取值算法同与全融合算法相同；
x.电磁声音连接层宽度：
(1)取值算法同与全融合算法相同；
xi.长周期统计阈值：
(1)初始值为0,动态更新时间步长：T(>1)；
(2)子目录：震动，声音，电磁，全融合RNN拟合错误，震动RNN拟合错误，声音RNN拟合错误，电磁RNN拟合错误，震动电磁RNN拟合错误，震动声音RNN拟合错误，电磁声音RNN拟合错误；
xii.短周期：
(1)设置同长周期，动态更新步长为1；
S2、初始化物联网终端，针对不同数据源和RNN配置，初始化递归神经网络，如果已有存储好的训练好的模型，则加载神经网络，初始化递归神经网络：
i.根据分发参数，载入已存或者初始化新的RNN神经网络，共7个；
ii.初始化失败则返回预警；
S3、对采集到的数据进行预处理，传感器数据预处理：
i.根据配置采集震动，电磁和声音数据；
ii.标准化各类数据至(0,1)；
iii.根据RNN配置，融合数据；
S4、根据配置格式，针对每种数据源，构建RNN输入数据，并标准化数据，训练RNN模型：
i.可以按图中所示依次训练，也可以平行训练7个RNN模型；
ii.训练完毕后存储7个RNN到固件；
S5、实时训练每个递归训练神经网络，并更新RNN权重；
S6、实时自解码推理，并计算自拟合误差，自拟合及错误输出：
i.可以按图中所示依次输出自拟合，也可以平行计算；
ii.输出每一类数据的自拟合错误MSE(均方误差)，共7个；
S7、核对每个数据点的自拟合误差，判断是否为异常点，判断异常：
i.短周期：对每个RNN，如果当前错误在置信区间内则正常，否则为异常；
ii.长周期：对每个RNN，如果当前错误在置信区间内则正常，否则为异常；
S8、根据长周期和短周期的统计错误阈值，判断当前异常以及异常数据源，更新长周期统计阈值到云端；
S9、更新统计阈值，将寄存器中的结果上传至云端。
进一步的，采集的发电机数据包括但不限于电机震动(三轴)、声音、电磁和温度等数据。
进一步的，对采集到的数据进行预处理过程包括但不限于计算各类数据的移动标准差和移动平均值，如果出现NaN则判定异常，结果存入寄存器。
进一步的，数据判断异常点是对本次所有数据计算平均误差，判断本次整体数据是否为异常，并将结果存入寄存器。
工作原理：本发明提供的一种C语言实现递归神经网络(RNN)对电机异常进行实时监控的方法，首先通过云端根据客户定制方案分发电机数据采集和算法配置到物联网终端，接着初始化物联网终端，针对不同数据源和RNN配置，初始化递归神经网络，如果已有存储好的训练好的模型，则加载神经网络，再对采集到的数据进行预处理，并根据配置格式，针对每种数据源，构建RNN输入数据，并标准化数据，随后实时训练每个递归训练神经网络，并更新RNN权重，紧接着实时自解码推理，并计算自拟合误差，然后核对每个数据点的自拟合误差，判断是否为异常点，再根据长周期和短周期的统计错误阈值，判断当前异常以及异常数据源，最后更新统计阈值，将寄存器中的结果上传至云端，本发明使用的递归神经网络(RNN)是专门针对时间序列研发的实时学习算法，有效的实现了使用电机环境数据作为输入，例如震动，声音，电磁变化，这些都是非常典型的时间序列数据，在生产当中也比较好搜集和处理，而使用高效的数据融合方案，并搭配RNN自解码的使用流程，这样就可以对数据中的坏点实时地进行异常甄别，同时使用C语言实现并优化了递归神经网络(RNN)的实时在线学习算法和自拟合异常检测流程，不需要额外的标注数据，并通过算法底层优化，让神经网络的学习流程的计算消耗，减低到跟RNN推理时的计算消耗的同等水平，使得在底算力物联网终端根据不同电机环境数据的个性化自学习成为可能，并且避免了云端集中学习和再分发的繁琐流程，大大提高了终端对不同环境，不同电机类型的适用性，而且由于不需要标注数据，降低了数据准备流程复杂度，加速了人工智能技术的落地速度，让物联网终端变成真正的智能物联网终端。
最后应说明的是：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，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，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，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 (4)
1.一种C语言实现递归神经网络(RNN)对电机异常进行实时监控的方法，其特征在于：包括如下步骤：
S1、云端根据客户定制方案分发电机数据采集和算法配置到物联网终端；
S2、初始化物联网终端，针对不同数据源和RNN配置，初始化递归神经网络，如果已有存储好的训练好的模型，则加载神经网络；
S3、对采集到的数据进行预处理；
S4、根据配置格式，针对每种数据源，构建RNN输入数据，并标准化数据；
S5、实时训练每个递归训练神经网络，并更新RNN权重；
S6、实时自解码推理，并计算自拟合误差；
S7、核对每个数据点的自拟合误差，判断是否为异常点；
S8、根据长周期和短周期的统计错误阈值，判断当前异常以及异常数据源；
S9、更新统计阈值，将寄存器中的结果上传至云端。
2.根据权利要求1所述的一种C语言实现递归神经网络(RNN)对电机异常进行实时监控的方法，其特征在于：采集的发电机数据包括但不限于电机震动、声音、电磁和温度等数据。
3.根据权利要求1所述的一种C语言实现递归神经网络(RNN)对电机异常进行实时监控的方法，其特征在于：对采集到的数据进行预处理过程包括但不限于计算各类数据的移动标准差和移动平均值，如果出现NaN则判定异常，结果存入寄存器。
4.根据权利要求1所述的一种C语言实现递归神经网络(RNN)对电机异常进行实时监控的方法，其特征在于：数据判断异常点是对本次所有数据计算平均误差，判断本次整体数据是否为异常，并将结果存入寄存器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011604057.4A CN112581031B (zh) | 2020-12-30 | 2020-12-30 | 一种c语言实现递归神经网络（rnn）对电机异常进行实时监控的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011604057.4A CN112581031B (zh) | 2020-12-30 | 2020-12-30 | 一种c语言实现递归神经网络（rnn）对电机异常进行实时监控的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112581031A CN112581031A (zh) | 2021-03-30 |
| CN112581031B true CN112581031B (zh) | 2023-10-17 |
Family
ID=75144224
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011604057.4A Active CN112581031B (zh) | 2020-12-30 | 2020-12-30 | 一种c语言实现递归神经网络（rnn）对电机异常进行实时监控的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112581031B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113988202B (zh) * | 2021-11-04 | 2022-08-02 | 季华实验室 | 一种基于深度学习的机械臂异常振动检测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104063609A (zh) * | 2014-07-01 | 2014-09-24 | 北京金控自动化技术有限公司 | 一种利用神经网络辅助判定污染源监测数据有效性的方法 |
| CN109643387A (zh) * | 2016-09-01 | 2019-04-16 | 高盛有限责任公司 | 用于使用深度乘法网络来学习和预测时间序列数据的系统和方法 |
| CN109635483A (zh) * | 2018-12-24 | 2019-04-16 | 上海商然数据服务有限公司 | 一种基于电磁检测的电机和泵故障预测分析系统 |
| CN110097176A (zh) * | 2019-05-07 | 2019-08-06 | 东华理工大学 | 一种应用于空气质量大数据异常检测的神经网络结构搜索方法 |
| CN110287233A (zh) * | 2019-06-18 | 2019-09-27 | 华北电力大学 | 一种基于深度学习神经网络的系统异常预警方法 |
| CN111814849A (zh) * | 2020-06-22 | 2020-10-23 | 浙江大学 | 一种基于da-rnn的风电机组关键组件故障预警方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107192939A (zh) * | 2017-06-08 | 2017-09-22 | 京东方科技集团股份有限公司 | 一种电路的工作状态的检测方法及检测系统 |
-
2020
- 2020-12-30 CN CN202011604057.4A patent/CN112581031B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104063609A (zh) * | 2014-07-01 | 2014-09-24 | 北京金控自动化技术有限公司 | 一种利用神经网络辅助判定污染源监测数据有效性的方法 |
| CN109643387A (zh) * | 2016-09-01 | 2019-04-16 | 高盛有限责任公司 | 用于使用深度乘法网络来学习和预测时间序列数据的系统和方法 |
| CN109635483A (zh) * | 2018-12-24 | 2019-04-16 | 上海商然数据服务有限公司 | 一种基于电磁检测的电机和泵故障预测分析系统 |
| CN110097176A (zh) * | 2019-05-07 | 2019-08-06 | 东华理工大学 | 一种应用于空气质量大数据异常检测的神经网络结构搜索方法 |
| CN110287233A (zh) * | 2019-06-18 | 2019-09-27 | 华北电力大学 | 一种基于深度学习神经网络的系统异常预警方法 |
| CN111814849A (zh) * | 2020-06-22 | 2020-10-23 | 浙江大学 | 一种基于da-rnn的风电机组关键组件故障预警方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112581031A (zh) | 2021-03-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109308522B (zh) | 一种基于循环神经网络的gis故障预测方法 | |
| CN105787563B (zh) | 一种基于自学习机制的快速匹配模糊推理方法 | |
| WO2020077672A1 (zh) | 一种服务质量评估模型的训练方法及装置 | |
| CN109409567B (zh) | 基于双层长短期记忆网络的复杂设备剩余寿命预测方法 | |
| CN109471698B (zh) | 云环境下虚拟机异常行为检测系统和方法 | |
| CN110309537B (zh) | 一种飞行器的智能健康预测方法及系统 | |
| CN110289987B (zh) | 基于表征学习的多智能体系统网络抗攻击能力评估方法 | |
| CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统 | |
| CN115204491A (zh) | 基于数字孪生与lstm的生产线工况预测方法及系统 | |
| CN112581031B (zh) | 一种c语言实现递归神经网络（rnn）对电机异常进行实时监控的方法 | |
| CN116663419A (zh) | 一种基于优化的Elman神经网络的无传感器设备故障预测方法 | |
| CN112651519A (zh) | 一种基于深度学习理论的二次设备故障定位方法及系统 | |
| CN114048546A (zh) | 一种基于图卷积网络和无监督域自适应的航空发动机剩余使用寿命预测方法 | |
| CN115809596A (zh) | 一种数字孪生故障诊断方法和装置 | |
| CN113904915A (zh) | 一种基于物联网的电力通信智能故障分析方法及系统 | |
| CN117077780A (zh) | 基于粒子群算法和知识图谱优化通信专网故障的测评方法 | |
| CN117493797A (zh) | 一种物联网设备的故障预测方法及装置、电子设备、存储介质 | |
| Javed et al. | Cloud-based collaborative learning (ccl) for the automated condition monitoring of wind farms | |
| CN115713044B (zh) | 一种多工况切换下的机电设备剩余寿命分析方法和装置 | |
| CN116627773A (zh) | 产销差统计平台系统的异常分析方法及系统 | |
| CN115456168B (zh) | 强化学习模型的训练方法、能耗确定方法和装置 | |
| CN115618735A (zh) | 基于数字孪生的设施结构健康监测方法及相关装置 | |
| WO2018224649A1 (en) | Method and distributed control system for carrying out an automated industrial process | |
| CN112801815B (zh) | 一种基于联邦学习的电力通信网络故障预警方法 | |
| Fu et al. | Environmental Intelligent Perception in the Industrial Internet of Things: A Case Study Analysis of a Multi-crane Visual Sorting System |
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 |