CN112966213A - 一种机械设备的数据预测方法、装置、介质及电子设备 - Google Patents
一种机械设备的数据预测方法、装置、介质及电子设备 Download PDFInfo
- Publication number
- CN112966213A CN112966213A CN202110222888.3A CN202110222888A CN112966213A CN 112966213 A CN112966213 A CN 112966213A CN 202110222888 A CN202110222888 A CN 202110222888A CN 112966213 A CN112966213 A CN 112966213A
- Authority
- CN
- China
- Prior art keywords
- matrix
- working condition
- prediction
- data
- initial
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
Abstract
本申请公开了一种机械设备的数据预测方法、装置、计算机可读存储介质及电子设备,通过获取回传数据并提取回传数据的初始矩阵中的重要工况类别对应的工况信息,即提取能够反映该机械设备的性能的工况类别对应的工况信息,得到主成分矩阵,然后根据主成分矩阵对初始矩阵进行排序,得到排序矩阵,在排序矩阵中插入行向量以扩大排序矩阵的行数,即增加排序矩阵的时刻点数量,最后对扩容矩阵进行卷积操作得到预测结果,从而得到时刻点密集的工况信息,以更为准确的监控机械设备的性能,提前获知机械设备的故障信息等,从而更好的保护机械设备和完成工程作业。
Description
技术领域
本申请涉及机械设备的数据处理技术领域,具体涉及一种机械设备的数据预测方法、装置、计算机可读存储介质及电子设备。
背景技术
工程机械设备(例如旋挖钻机等)作为工程作业的主要参与者之一,其设备性能将决定其工作状态,从而对工程作业也有决定性的影响。为了能够保证工程机械设备工作在其较优的状态,即监控其工作状态和设备的故障情况。
工程机械设备在作业过程中,其作业执行部件的相关工况数据会回传至云平台,例如旋挖钻机主机的工况数据会回传至云平台,然而旋挖钻机主机回传的工况数据是按照一定的时间周期传输的,即回传的工况数据是时序离散的、信息缺失的。对于旋挖钻机的性能监控往往是基于其回传的工况数据进行故障和性能判断的,若回传的工况数据不完整,则必然会影响其性能监控的准确性。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种机械设备的数据预测方法、装置、计算机可读存储介质及电子设备,解决了上述回传的工况数据不完整导致的性能监控不准确的问题。
根据本申请的一个方面,提供了一种机械设备的数据预测方法,包括:获取回传数据;其中所述回传数据包括初始矩阵,所述初始矩阵的行和列分别表征多个时刻和所述机械设备的多个工况类别;提取所述初始矩阵中的多个重要工况类别对应的工况信息,得到主成分矩阵;根据所述主成分矩阵,对所述初始矩阵进行排序,得到排序矩阵;在所述排序矩阵中插入行向量,得到扩容矩阵;以及对所述扩容矩阵进行卷积操作,得到预测结果。
在一实施例中,所述根据所述主成分矩阵,对所述初始矩阵进行排序,得到排序矩阵包括:以所述主成分矩阵中单个工况类别对应的列向量为矩阵中心列,对所述初始矩阵的列向量重新排序,得到多个所述排序矩阵;其中,所述在所述排序矩阵中插入行向量,得到扩容矩阵包括:在所述多个所述排序矩阵中插入行向量,得到多个扩容矩阵。
在一实施例中,所述对所述初始矩阵的列向量重新排序包括:计算所述初始矩阵中所有列向量与所述矩阵中心列的相关度;以及按照相关度由大至小的顺序,将所述初始矩阵中的所有列向量由中心至两侧排列。
在一实施例中,所述在所述多个所述排序矩阵中插入行向量包括:分别在单个所述排序矩阵中的相邻行向量之间插入至少一个零行向量。
在一实施例中,所述对所述扩容矩阵进行卷积操作包括:将所述扩容矩阵输入卷积神经网络模型;其中,所述卷积神经网络模型包括与所述多个扩容矩阵分别对应的多个卷积层。
在一实施例中,所述对所述扩容矩阵进行卷积操作,得到预测结果包括:利用所述多个卷积层分别对对应的所述扩容矩阵进行卷积操作,得到多个预测矩阵;以及融合所述多个预测矩阵,得到所述预测结果。
在一实施例中,所述融合所述多个预测矩阵包括:将所述多个预测矩阵中相同类别的工况信息对应的列向量加权求和。
根据本申请的另一个方面,提供了一种机械设备的数据预测装置,包括:获取模块,用于获取回传数据;其中所述回传数据包括初始矩阵,所述初始矩阵的行和列分别表征多个时刻和所述机械设备的多个工况类别;提取模块,用于提取所述初始矩阵中的多个重要工况类别对应的工况信息,得到主成分矩阵;排序模块,用于根据所述主成分矩阵,对所述初始矩阵进行排序,得到排序矩阵;扩容模块,用于在所述排序矩阵中插入行向量,得到扩容矩阵;以及预测模块,用于对所述扩容矩阵进行卷积操作,得到预测结果。
根据本申请的另一个方面,提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行上述任一所述的数据预测方法。
根据本申请的另一个方面,提供了一种电子设备,所述电子设备包括:处理器;用于存储所述处理器可执行指令的存储器;所述处理器,用于执行上述任一所述的数据预测方法。
本申请提供的一种机械设备的数据预测方法、装置、计算机可读存储介质及电子设备,通过获取回传数据并提取回传数据的初始矩阵中的重要工况类别对应的工况信息,即提取能够反映该机械设备的性能的工况类别对应的工况信息,得到主成分矩阵,然后根据主成分矩阵对初始矩阵进行排序得到排序矩阵,在排序矩阵中插入行向量以扩大排序矩阵的行数,即增加排序矩阵的时刻点数量,最后对扩容矩阵进行卷积操作得到预测结果,从而得到时刻点密集的工况信息,以更为准确的监控机械设备的性能,提前获知机械设备的故障信息等,从而更好的保护机械设备和完成工程作业。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1是本申请所适用的系统结构示意图。
图2是本申请一示例性实施例提供的一种机械设备的数据预测方法的流程示意图。
图3是本申请另一示例性实施例提供的一种机械设备的数据预测方法的流程示意图。
图4是本申请一示例性实施例提供的一种初始矩阵重新排序方法的流程示意图。
图5是本申请一示例性实施例提供的一种卷积操作方法的流程示意图。
图6是本申请一示例性实施例提供的一种机械设备的数据预测装置的结构示意图。
图7是本申请另一示例性实施例提供的一种机械设备的数据预测装置的结构示意图。
图8是本申请一示例性实施例提供的电子设备的结构图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述
旋挖钻机等工程机械设备在作业工程中,由于长时间的高强度作业,可能会对设备的部件造成损耗、甚至故障。为了能够实时监控旋挖钻机的主要部件(例如主机等)的工作状态或性能,以保证其工作在良好的工作状态,从而保证了其工作效率,并且可以通过对其工作状态或性能的监控,也能够提前预知主机等部件的故障信息,从而可以提前进行维护和维修,以避免其进一步损坏,延长其使用寿命。
为了实现上述功能,就需要采集主机等部件的工况数据(即能够反映其工作状态或性能的实时数据),然而现有的旋挖钻机主机都是通过周期性回传的方式将其工况数据回传至监控中心或云平台。由于回传的工况数据是时序离散的,即按照一定时间间隔回传的,从而导致监控中心或云平台获取的工况数据是缺失的、不连续的,缺失的工况数据显然不能完全反映对应部件的工作状态和性能,这样就会造成对旋挖钻机等机械设备的性能监控准确性不够高。
为了提高对旋挖钻机的性能监控的准确性,可以考虑缩短其回传工况数据的周期,但是显然这样就会造成旋挖钻机的数据传输的负担,并且大量的数据也会加大计算和监控的难度。因此,本申请考虑在不改变现有的工况数据回传的周期等信息的前提下,通过对回传的工况数据进行处理,以得到连续的或者时间间隔较短的工况数据,即基于回传的工况数据预测完整的工况信息,从而可以基于较为准确的完整工况信息监控旋挖钻机的性能,并提前预测其故障信息等。
示例性系统
图1是本申请所适用的系统结构示意图。如图1所示,监控部件1周期性的将当前时刻的工况数据回传至控制中心2,控制中心2中的预处理模块21对回传的工况数据进行预处理后,然后由卷积层22对预处理后的工况数据进行卷积操作,再由全连接池化层23对卷积操作后的工况数据进行平均化处理,以得到最终的预测结果(即预测得到的完整工况数据),控制中心2可以根据该预测结果对监控部件1的实时性能进行监控和评估,从而提前预测监控部件1的故障信息等。
示例性方法
图2是本申请一示例性实施例提供的一种机械设备的数据预测方法的流程示意图。本实施例可应用在旋挖钻机的监控设备(例如上述的监控中心2)上,如图2所示,包括如下步骤:
步骤210:获取回传数据;其中回传数据包括初始矩阵,初始矩阵的行和列分别表征多个时刻和机械设备的多个工况类别。
获取需要监控的部件(例如上述的旋挖钻机的主机)的回传数据,即被监控部件在多个时刻的工况信息,例如旋挖钻机主机在多个时刻的动作(上升或下降等)、油压、电流等信息。这些工况信息构成一个初始矩阵,该初始矩阵的行表示不同的时刻、列表示工况信息的类别(如动作、油压、电流等),即该初始矩阵的元素表示某一时刻该被监控部件的某一种工况信息的数据值,例如当前时刻的油压值、电流值等。
步骤220:提取初始矩阵中的多个重要工况类别对应的工况信息,得到主成分矩阵。
在获取了回传数据后,根据实际场景的需求提取该回传数据中的重要工况类别对应的工况信息,即提取能够反映被监控部件性能的主要工况信息,以在不影响预测准确度的前提下,降低初始矩阵的复杂程度。
步骤230:根据主成分矩阵,对初始矩阵进行排序,得到排序矩阵。
在得到主成分矩阵后,即得到了能够反映被监控部件性能的主要工况信息对应的列向量。然后根据主成分矩阵中的列向量对初始矩阵进行排序,即根据主要工况信息对初始矩阵的列向量进行重新排序,得到排序矩阵。
步骤240:在排序矩阵中插入行向量,得到扩容矩阵。
在获取了排序矩阵后,为了预测完整的工况数据,本申请在排序矩阵中插入行向量,即在排序矩阵中增加其他时刻的工况数据,根据实际需求,对排序矩阵进行行扩容,以得到满足监控和预测需求的多个时刻的工况数据。在本申请中,插入的行向量的元素初值可以统一设定为一定值(例如0)。应当理解,本申请也可以在初始矩阵中插入行向量后再进行排序,以得到扩容矩阵。
步骤250:对扩容矩阵进行卷积操作,得到预测结果。
在得到扩容矩阵后,即得到了满足行列需求的矩阵,然后对该扩容矩阵进行卷积操作,即以一个卷积核对扩容矩阵中插入的行向量的元素进行预测。由于机械设备的作业过程中的工况数据通常为连续变化的,因此,根据相邻时刻的工况数据对插入的工况数据进行预测,以得到较为准确的预测结果。
本申请提供的一种机械设备的数据预测方法,通过获取回传数据并提取回传数据的初始矩阵中的重要工况类别对应的工况信息,即提取能够反映该机械设备的性能的工况类别对应的工况信息,得到主成分矩阵,然后根据主成分矩阵对初始矩阵进行排序得到排序矩阵,在排序矩阵中插入行向量以扩大排序矩阵的行数,即增加排序矩阵的时刻点数量,最后对扩容矩阵进行卷积操作得到预测结果,从而得到时刻点密集的工况信息,以更为准确的监控机械设备的性能,提前获知机械设备的故障信息等,从而更好的保护机械设备和完成工程作业。
图3是本申请另一示例性实施例提供的一种机械设备的数据预测方法的流程示意图。如图3所示,步骤230的具体实现方式可以包括:以主成分矩阵中单个工况类别对应的列向量为矩阵中心列,对初始矩阵的列向量重新排序,得到多个排序矩阵。并且,对应的步骤240调整为:在多个排序矩阵中插入行向量,得到多个扩容矩阵。
在一实施例中,调整后的步骤240的具体实现方式可以包括:分别在单个排序矩阵中的相邻行向量之间插入至少一个零行向量。通过在单个排序矩阵中相邻的行向量之间插入至少一个零行向量,以实现对排序矩阵进行行扩容,以得到满足监控和预测需求的多个时刻的工况数据。应当理解,本申请实施例可以根据实际需要而选择插入相邻行向量之间的零行向量的数量,本申请对于插入相邻行向量之间的零行向量的具体数量不做限定。
由于卷积操作只是以附近的工况数据预测插入的行向量的元素值,而主成分矩阵中有的工况类别之间有一定的相关度,因此,通过对初始矩阵的列向量重新排序可以更好的利用相关的工况数据来预测,并且针对不同的工况类别进行排序,以得到以不同的工况类别为中心列的多个排序矩阵,即根据多个工况类别综合预测工况数据,从而进一步提高预测的准确度。
图4是本申请一示例性实施例提供的一种初始矩阵重新排序方法的流程示意图。如图4所示,上述步骤230可以包括:
步骤231:计算初始矩阵中所有列向量与矩阵中心列的相关度。
通过计算初始矩阵中所有列向量与矩阵中心列的相关度,以得到所有工况类别与矩阵中心列所对应的工况类别的相关度,本申请中的相关度可以是两个工况类别之间的关联性属性,例如上述的油压值和电压值,当电压值增加时,油路中的油压值也会随之增加,即油压值和电压值的变化是正相关的。在一实施例中,上述相关度可以是不同工况类别变化率之间的差值。根据工况类别各自的变化率计算得到不同工况类别之间的相关度,即不同工况类别的数据变化之间的跟随程度,从而可以获知不同工况类别之间的关联程度。
步骤232:按照相关度由大至小的顺序,将初始矩阵中的所有列向量由中心至两侧排列。
在计算得到所有列向量与矩阵中心列之间的相关度后,按照该相关度由大至小将对应的列向量由中心至两侧排列,即与矩阵中心列对应的工况类别相关度高的工况类别对应的列向量靠近该矩阵中心列、与矩阵中心列对应的工况类别相关度低的工况类别对应的列向量远离该矩阵中心列。具体的,可以是按照相关度的高低顺序将除了中心列以外的其他列向量排序,然后按照顺序由矩阵中心列开始向两侧排列,例如先于矩阵中心列左侧排列剩余的列向量中相关度最高的列向量,然后于矩阵中心列右侧排列剩余的列向量中相关度最高的列向量,如此重复以将所有的列向量进行重新排序,得到对应的排序矩阵。应当理解,本申请实施例只是示例性的列举了一种排列方式,例如还可以优先右侧排列,本申请实施例对于具体的排列方式不做限定。还应当理解,为了简化计算,本申请实施例还可以预先设定一个相关度阈值,将与矩阵中心列的相关度小于该相关度阈值的列向量删除;或者预先设定一个列向量数量阈值,只选取与矩阵中心列的相关度最高的列向量数量阈值个列向量,从而得到简化的初始矩阵,在不影响准确的的前提下简化计算。
在一实施例中,上述步骤250的具体实现方式可以包括:将扩容矩阵输入卷积神经网络模型;其中,卷积神经网络模型包括与多个扩容矩阵分别对应的多个卷积层。通过设置卷积神经网络模型,将扩容矩阵输入该卷积神经网络模型,直接得到预测结果。该卷积神经网络模型包括与多个扩容矩阵分别对应的多个卷积层,即对于每个扩容矩阵,采用对应的卷积层进行卷积操作,以针对不同的工况类别中心列进行卷积操作,得到更为准确的预测结果。
在一实施例中,上述卷积神经网络模型的多个卷积层均包括对应的卷积核,其中各个卷积层的卷积核都是方阵,且各个卷积核的行数和列数为奇数(例如3*3的方阵)。通过设置奇数行和奇数列的方阵卷积核,可以利用与该卷积核周边元素对应的扩容矩阵中的元素,预测与该卷积核中心元素(奇数行和奇数列的方阵存在唯一的中心元素)对应的扩容矩阵中的元素值,从而利用相邻时刻和相关度较高的工况类别数据预测未知的工况数据。为了对插入的行向量的每个元素进行预测,上述卷积核的行步进为1,即沿行方向的卷积步长为1。
在一实施例中,上述卷积操作的外围填充列向量的数量可以为:(卷积核的行数-1),即在被卷积操作的扩容矩阵的两侧外围分别填充(卷积核的行数-1)/2列列向量(初始值可以设置为1),以包围该扩容矩阵,从而保证扩容矩阵的最外侧元素可以根据扩容矩阵中相邻的元素和填充的元素进行预测。
在一实施例中,上述卷积神经网络模型的训练方法可以包括:将回传数据和被监控部件上的实际数据分别作为卷积神经网络模型的训练样本的输入和输出,对该卷积神经网络模型进行训练,以得到各个卷积层的参数(卷积核的数值)。在一实施例中,通过遗传算法对该卷积神经网络模型进行训练。通过遗传算法,可以利用较优的样本快速的实现卷积神经网络模型的迭代训练,以得到更为准确的卷积核。
图5是本申请一示例性实施例提供的一种卷积操作方法的流程示意图。如图5所示,上述步骤250具体可以包括:
步骤251:利用多个卷积层分别对对应的扩容矩阵进行卷积操作,得到多个预测矩阵。
利用训练完成的卷积神经网络模型中的多个卷积层(即多个卷积核)分别对对应的扩容矩阵进行卷积操作,以预测出插入的行向量中元素的值,从而得到多个预测矩阵。
步骤252:融合多个预测矩阵,得到预测结果。
在得到了多个预测矩阵后,对多个预测矩阵进行融合,即综合多个预测矩阵的预测值,得到最终的预测结果。应当理解,由于多个预测矩阵中相同工况类别的数据所在的列可能不同,因此,具体的融合是指将相同工况类别的数据进行融合。具体的,可以将多个预测矩阵中相同类别的工况信息对应的列向量加权求和。由于在实际预测过程中有的工况类别的数据变化对机械设备的性能影响较大、而有的工况类别的数据变化对机械设备的状态影响较小,因此,可以通过设置权重更有侧重的对机械设备的性能进行监控。还应当理解,本申请在将多个预测矩阵融合后,还可以将融合矩阵的列向量进行重新排序,以恢复至回传数据的排列顺序,从而更加符合常规工况信息的使用习惯。
示例性装置
图6是本申请一示例性实施例提供的一种机械设备的数据预测装置的结构示意图。如图6所示,该数据预测装置60包括:获取模块61,用于获取回传数据;其中回传数据包括初始矩阵,初始矩阵的行和列分别表征多个时刻和机械设备的多个工况类别;提取模块62,用于提取初始矩阵中的多个重要工况类别对应的工况信息,得到主成分矩阵;排序模块63,用于根据主成分矩阵,对初始矩阵进行排序,得到排序矩阵;扩容模块64,用于在主成分矩阵中插入行向量,得到扩容矩阵;以及预测模块65,用于对扩容矩阵进行卷积操作,得到预测结果。
本申请提供的一种机械设备的数据预测装置,通过获取模块61获取回传数据,并且由提取模块62提取回传数据的初始矩阵中的重要工况类别对应的工况信息,即提取能够反映该机械设备的性能的工况类别对应的工况信息,得到主成分矩阵,排序模块63根据主成分矩阵,对初始矩阵进行排序,得到排序矩阵,然后扩容模块64在排序矩阵中插入行向量以扩大排序矩阵的行数,即增加排序矩阵的时刻点数量,最后预测模块65对扩容矩阵进行卷积操作得到预测结果,从而得到时刻点密集的工况信息,以更为准确的监控机械设备的性能,提前获知机械设备的故障信息等,从而更好的保护机械设备和完成工程作业。
在一实施例中,上述排序模块63可以进一步配置为:以主成分矩阵中单个工况类别对应的列向量为矩阵中心列,对初始矩阵的列向量重新排序,得到多个排序矩阵。对应的,扩容模块64可以进一步配置为:在多个排序矩阵中插入行向量,得到多个扩容矩阵。
在一实施例中,扩容模块64可以进一步配置为:分别在单个排序矩阵中的相邻行向量之间插入至少一个零行向量。
图7是本申请另一示例性实施例提供的一种机械设备的数据预测装置的结构示意图。如图7所示,上述排序模块63可以包括:相关度计算单元631,用于计算初始矩阵中所有列向量与矩阵中心列的相关度;重排单元632,用于按照相关度由大至小的顺序,将初始矩阵中的所有列向量由中心至两侧排列。
在一实施例中,预测模块65可以进一步配置为:将扩容矩阵输入卷积神经网络模型;其中,卷积神经网络模型包括与多个扩容矩阵分别对应的多个卷积层。
在一实施例中,上述卷积神经网络模型的多个卷积层均包括对应的卷积核,其中各个卷积层的卷积核都是方阵,且各个卷积核的行数和列数为奇数(例如3*3的方阵)。在一实施例中,上述卷积操作的外围填充列向量的数量可以为:(卷积核的行数-1)。在一实施例中,上述卷积神经网络模型的训练方法可以包括:将进行主成分提取后的回传数据和被监控部件上的实际数据分别作为卷积神经网络模型的训练样本的输入和输出,对该卷积神经网络模型进行训练,以得到各个卷积层的参数(卷积核的数值)。在一实施例中,通过遗传算法对该卷积神经网络模型进行训练。
在一实施例中,如图7所示,上述预测模块65可以包括:卷积单元651,用于利用多个卷积层分别对对应的扩容矩阵进行卷积操作,得到多个预测矩阵;融合单元652,用于融合多个预测矩阵,得到预测结果。
示例性电子设备
下面,参考图8来描述根据本申请实施例的电子设备。该电子设备可以是第一设备和第二设备中的任一个或两者、或与它们独立的单机设备,该单机设备可以与第一设备和第二设备进行通信,以从它们接收所采集到的输入信号。
图8图示了根据本申请实施例的电子设备的框图。
如图8所示,电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本申请的各个实施例的数据预测方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。
在一个示例中,电子设备10还可以包括:输入装置13和输出装置14,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
例如,在该电子设备是第一设备或第二设备时,该输入装置13可以是摄像头等输入信号的装置。在该电子设备是单机设备时,该输入装置13可以是通信网络连接器,用于从第一设备和第二设备接收所采集的输入信号。
此外,该输入设备13还可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息,包括确定出的距离信息、方向信息等。该输出设备14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图8中仅示出了该电子设备10中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的数据预测方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的数据预测方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种机械设备的数据预测方法,其特征在于,包括:
获取回传数据;其中所述回传数据包括初始矩阵,所述初始矩阵的行和列分别表征多个时刻和所述机械设备的多个工况类别;
提取所述初始矩阵中的多个重要工况类别对应的工况信息,得到主成分矩阵;
根据所述主成分矩阵,对所述初始矩阵进行排序,得到排序矩阵;
在所述排序矩阵中插入行向量,得到扩容矩阵;以及
对所述扩容矩阵进行卷积操作,得到预测结果。
2.根据权利要求1所述的方法,其特征在于,所述根据所述主成分矩阵,对所述初始矩阵进行排序,得到排序矩阵包括:
以所述主成分矩阵中单个工况类别对应的列向量为矩阵中心列,对所述初始矩阵的列向量重新排序,得到多个所述排序矩阵;
其中,所述在所述排序矩阵中插入行向量,得到扩容矩阵包括:
在所述多个所述排序矩阵中插入行向量,得到多个扩容矩阵。
3.根据权利要求2所述的方法,其特征在于,所述对所述初始矩阵的列向量重新排序包括:
计算所述初始矩阵中所有列向量与所述矩阵中心列的相关度;以及
按照相关度由大至小的顺序,将所述初始矩阵中的所有列向量由中心至两侧排列。
4.根据权利要求2所述的方法,其特征在于,所述在所述多个所述排序矩阵中插入行向量包括:
分别在单个所述排序矩阵中的相邻行向量之间插入至少一个零行向量。
5.根据权利要求2所述的方法,其特征在于,所述对所述扩容矩阵进行卷积操作包括:
将所述扩容矩阵输入卷积神经网络模型;
其中,所述卷积神经网络模型包括与所述多个扩容矩阵分别对应的多个卷积层。
6.根据权利要求5所述的方法,其特征在于,所述对所述扩容矩阵进行卷积操作,得到预测结果包括:
利用所述多个卷积层分别对对应的所述扩容矩阵进行卷积操作,得到多个预测矩阵;以及
融合所述多个预测矩阵,得到所述预测结果。
7.根据权利要求6所述的方法,其特征在于,所述融合所述多个预测矩阵包括:
将所述多个预测矩阵中相同类别的工况信息对应的列向量加权求和。
8.一种机械设备的数据预测装置,其特征在于,包括:
获取模块,用于获取回传数据;其中所述回传数据包括初始矩阵,所述初始矩阵的行和列分别表征多个时刻和所述机械设备的多个工况类别;
提取模块,用于提取所述初始矩阵中的多个重要工况类别对应的工况信息,得到主成分矩阵;
排序模块,用于根据所述主成分矩阵,对所述初始矩阵进行排序,得到排序矩阵;
扩容模块,用于在所述排序矩阵中插入行向量,得到扩容矩阵;以及
预测模块,用于对所述扩容矩阵进行卷积操作,得到预测结果。
9.一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行上述权利要求1-7任一所述的数据预测方法。
10.一种电子设备,所述电子设备包括:
处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器,用于执行上述权利要求1-7任一所述的数据预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110222888.3A CN112966213B (zh) | 2021-02-26 | 2021-02-26 | 一种机械设备的数据预测方法、装置、介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110222888.3A CN112966213B (zh) | 2021-02-26 | 2021-02-26 | 一种机械设备的数据预测方法、装置、介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112966213A true CN112966213A (zh) | 2021-06-15 |
CN112966213B CN112966213B (zh) | 2023-09-29 |
Family
ID=76275967
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110222888.3A Active CN112966213B (zh) | 2021-02-26 | 2021-02-26 | 一种机械设备的数据预测方法、装置、介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112966213B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104505825A (zh) * | 2014-12-15 | 2015-04-08 | 国家电网公司 | 一种高压配电网的供电安全诊断分析方法 |
CN106789885A (zh) * | 2016-11-17 | 2017-05-31 | 国家电网公司 | 一种大数据环境下用户异常行为检测分析方法 |
CN109523752A (zh) * | 2018-11-28 | 2019-03-26 | 润电能源科学技术有限公司 | 一种设备故障预警方法、装置、电子设备和介质 |
EP3477551A1 (en) * | 2017-10-30 | 2019-05-01 | Siemens Healthcare GmbH | Machine-learnt prediction of uncertainty or sensitivity for hemodynamic quantification in medical imaging |
CN110020714A (zh) * | 2018-01-10 | 2019-07-16 | 阿里巴巴集团控股有限公司 | 模型训练及数据分析方法、装置、设备以及存储介质 |
CN111027630A (zh) * | 2019-12-13 | 2020-04-17 | 安徽理工大学 | 一种基于卷积神经网络的图像分类方法 |
CN111277603A (zh) * | 2020-02-03 | 2020-06-12 | 杭州迪普科技股份有限公司 | 无监督异常检测系统和方法 |
CN111797972A (zh) * | 2020-05-27 | 2020-10-20 | 北京迈格威科技有限公司 | 应用卷积神经网络处理数据的方法、装置和电子系统 |
-
2021
- 2021-02-26 CN CN202110222888.3A patent/CN112966213B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104505825A (zh) * | 2014-12-15 | 2015-04-08 | 国家电网公司 | 一种高压配电网的供电安全诊断分析方法 |
CN106789885A (zh) * | 2016-11-17 | 2017-05-31 | 国家电网公司 | 一种大数据环境下用户异常行为检测分析方法 |
EP3477551A1 (en) * | 2017-10-30 | 2019-05-01 | Siemens Healthcare GmbH | Machine-learnt prediction of uncertainty or sensitivity for hemodynamic quantification in medical imaging |
CN110020714A (zh) * | 2018-01-10 | 2019-07-16 | 阿里巴巴集团控股有限公司 | 模型训练及数据分析方法、装置、设备以及存储介质 |
CN109523752A (zh) * | 2018-11-28 | 2019-03-26 | 润电能源科学技术有限公司 | 一种设备故障预警方法、装置、电子设备和介质 |
CN111027630A (zh) * | 2019-12-13 | 2020-04-17 | 安徽理工大学 | 一种基于卷积神经网络的图像分类方法 |
CN111277603A (zh) * | 2020-02-03 | 2020-06-12 | 杭州迪普科技股份有限公司 | 无监督异常检测系统和方法 |
CN111797972A (zh) * | 2020-05-27 | 2020-10-20 | 北京迈格威科技有限公司 | 应用卷积神经网络处理数据的方法、装置和电子系统 |
Non-Patent Citations (1)
Title |
---|
柯亮: "基于改进主元分析的微小故障检测算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 2, pages 140 - 1577 * |
Also Published As
Publication number | Publication date |
---|---|
CN112966213B (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111274134A (zh) | 基于图神经网络的漏洞识别与预测方法、系统、计算机设备和存储介质 | |
KR101644998B1 (ko) | Convolutional Neural Network를 이용하여 비정상 입력 데이터를 검출하는 방법 및 장치 | |
US10909018B2 (en) | System and method for end-to-end application root cause recommendation | |
CN110490323A (zh) | 网络模型压缩方法、装置、存储介质和计算机设备 | |
CN109740617A (zh) | 一种图像检测方法及装置 | |
US11055210B2 (en) | Software test equipment and software testing method | |
CN109992473B (zh) | 应用系统的监控方法、装置、设备及存储介质 | |
CN110474808A (zh) | 一种流量预测方法及装置 | |
CN115759658A (zh) | 适用于智慧城市的企业能耗数据管理系统 | |
CN112132278A (zh) | 模型压缩方法、装置、计算机设备及存储介质 | |
WO2021025075A1 (ja) | 訓練装置、推定装置、訓練方法、推定方法、プログラム及びコンピュータ読み取り可能な非一時的記憶媒体 | |
EP3532929B1 (en) | Power computation logic | |
CN113268403A (zh) | 时间序列的分析预测方法、装置、设备及存储介质 | |
CN115618269A (zh) | 基于工业传感器生产的大数据分析方法及系统 | |
WO2015146100A1 (ja) | 負荷推定システム、情報処理装置、負荷推定方法、及び、プログラムを記憶する記憶媒体 | |
CN115270705A (zh) | 一种设计规则违例预测方法、装置、设备及存储介质 | |
US11675951B2 (en) | Methods and systems for congestion prediction in logic synthesis using graph neural networks | |
CN108829987B (zh) | 一种数据驱动型概率评估方法 | |
CN114417739A (zh) | 一种异常工况的工艺参数推荐方法及装置 | |
CN113723032A (zh) | 一种面向大规模节点的电路快速解算方法及系统 | |
CN112966213B (zh) | 一种机械设备的数据预测方法、装置、介质及电子设备 | |
CN113419950A (zh) | Ui自动化脚本的生成方法、装置、计算机设备及存储介质 | |
CN113268321A (zh) | 用于边缘计算的数据处理调配方法 | |
CN116247824B (zh) | 电力设备的控制方法及其系统 | |
CN111935005A (zh) | 数据传输方法、装置、处理设备及介质 |
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 |