CN113009888A - 一种产线设备状态预测识别装置及系统 - Google Patents
一种产线设备状态预测识别装置及系统 Download PDFInfo
- Publication number
- CN113009888A CN113009888A CN201911323150.5A CN201911323150A CN113009888A CN 113009888 A CN113009888 A CN 113009888A CN 201911323150 A CN201911323150 A CN 201911323150A CN 113009888 A CN113009888 A CN 113009888A
- Authority
- CN
- China
- Prior art keywords
- prediction
- subunit
- data
- state
- model
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 54
- 230000036541 health Effects 0.000 claims abstract description 19
- 238000003745 diagnosis Methods 0.000 claims abstract description 16
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 29
- 230000011218 segmentation Effects 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 10
- 238000013500 data storage Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000000034 method Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 13
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000003321 amplification Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total 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]
- G05B19/41885—Total 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 modeling, simulation of the manufacturing system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
-
- Y—GENERAL 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种产线设备状态预测识别装置及系统,本发明主要包括数据储存子单元、数据预处理子单元、数据分割子单元、模型构建子单元、模型训练子单元、预测处理子单元、辅助处理子单元、循环预测子单元、结果确定子单元。其中预测处理子单元可以对设备状态进行初步预测,辅助处理子单元能够实现对所述预测处理子单元预测残差的预测,并能对初步预测结果进行修正,然后通过循环预测子单元实现对设备状态数据的多步预测,结果确定子单元最终给出设备的健康诊断结果。本发明提供的产线设备状态预测识别装置,弥补了单一模型进行数据多步预测时将预测误差逐步放大的问题,有效地利用了数据关联性信息,提高了对数据的多步预测精度。
Description
技术领域
本发明涉及生产线安全技术领域,特别涉及一种对产线设备状态预测识别装置及系统。
背景技术
随着科学技术的发展,现代工业已基本实现了机械化,自动化的生产流程。在生产线工作中越来越多得引入大型机械化设备,这些设备间一般具有先后的生产次序关系,单个设备作为生产线的一部分,其稳定性和安全性直接影响着整个生产线的持续性运行,一旦生产线中运行的设备发生故障,其维修时间直接影响着整个生产线的生产效率。因此,如何有效地对生产线中设备的运行状态进行预测,对于提高生产线的生产效率至关重要。
一般来说,一条时间时间序列表现为一组序列数据,通常是在相等的时间间隔内,按照一定的采样率而获取到的具有某种联系的数据。时序数据会受到各方面的影响,具体表现为数据的非线性、非平稳性、快速变换且包含噪声等特点。传统ARIMA(差分整合移动平均自回归模型)要求输入的数据为平稳数据,但是现实中所获取到的时序数据一般为非平稳的,因此还需要对数据进行差分处理,使数据最终满足平稳性的要求。随着深度学习技术的发展,出现了越来越多的神经网络算法,这些算法能够很好得对非线性数据进行处理,很好地解决了ARIMA算法对数据平稳性的依赖问题。
发明内容
针对产线数据复杂、噪声干扰较大的问题,以及目前在时序数据的多步预测中对误差逐级放大的缺点和不足,本发明在实现对时序数据预测的基础上,引入了一个对残差预测的处理子单元,通过预测的残差值对预测结果进行矫正,能够有效降低每一步的预测误差。
本发明为实现上述目的所采用的技术方案是:
一种产线设备状态预测识别装置及系统,包括:
信息采集装置,用于通过传感器采集目标设备的状态信息数据,并将采集数据发送给状态预测识别装置;
状态预测识别装置,用于将信息采集装置采集的目标设备状态信息进行处理,得到目标设备的健康诊断结果;
信息显示装置,用于获取状态预测识别装置所预测的健康诊断结果,并实时输出健康诊断结果曲线,并给出目标设备的健康状态评估。
所述状态预测识别装置包括:
数据储存子单元,用于储存信息采集装置采集的目标设备的状态信息数据以及目标设备的健康诊断结果;
数据预处理子单元,用于对目标设备的状态信息数据进行预处理;
数据分割子单元,用于对预处理后的目标设备的状态信息数据根据模型构建子单元所需要的格式进行数据分割并将分割后的状态信息数据作为模型构建子单元的LSTM神经网络模型的输入;
模型构建子单元,用于确定LSTM神经网络模型的输入层数、隐藏层数、各个隐藏层节点数、激活函数、损失函数;
模型训练子单元,用于将分割后的状态信息数据利用模型构建子单元构建的LSTM神经网络模型进行训练,确定LSTM的参数信息,并根据不同的参数信息构建求解预测结果的训练模型以及求解残差的训练模型,分别输出给预测处理子单元和辅助模型子单元;
预测处理子单元,用于将分割后的目标设备的状态信息作为输入,利用模型训练子模块输出的求解预测结果的训练模型进行预测,输出目标设备的初步预测结果;
辅助模型子单元,用于将分割后的目标设备的状态信息作为输入,利用模型训练子模块输出的求解残差的训练模型进行预测,输出预测残差值;
循环预测子单元,用于根据辅助模型子单元输出的预测残差值对预测处理子单元输出的目标设备的初步预测结果进行修正以及对修正后的预测结果进行多步预测;
结果确定子模块,用于对循环预测子单元多步预测后的数据进行组合以及反归一化处理,得到目标设备的健康诊断结果,并输出给信息显示装置以及数据储存子单元。
所述多步预测具体为:
1)根据如下公式得到修正后的预测结果值y″t:
y″t=y′t+Δy
其中,将分割后的目标设备的状态信息的时间序列{yt-n,…,yt-2,yt-1}分别输入预测处理子单元和辅助处理子单元,分别可以得到目标设备的初步预测结果即预测值y′t和预测残差值Δy,n为分割窗口大小;
2)丢弃掉输入的时间序列的最后一个值,并将修正后的预测结果值插入到输入的时间序列的头部,得到新的时间序列{yt-n+1,…,yt-1,t″t};
3)判断是否达到预设的预测步长,若不满足,则将新构建的序列分别重新输入预测处理子单元和辅助处理子单元中,返回步骤1),直到满足预测要求。
所述信息采集装置通过无线或者有线的方式任意一种与状态预测识别装置进行通讯连接。
本发明具有以下有益效果及优点:
1.准确性高,通过加入对残差进行预测的辅助处理子单元,降低了多步预测过程中对误差逐级放大的影响,有效提高了预测精准度。本装置在某设备的温度状态数据集中的多步预测效果明显优于未加入辅助处理子单元的表现。
2.对于不同的数据集,只需要调整模型构建子单元中的参数便能取得较好的预测效果,具有良好的自适应。
附图说明
图1为本发明系统结构图;
图2为本发明状态预测识别装置图;
图3为LSTM模型结构示意图;
图4为多步预测流程图;
图5为动态构建输入数据图;
图6为本发明装置在实施例上的预测效果图。
具体实施方式
下面结合附图及实施例对本发明做进一步的详细说明。
本发明采用了多个LSTM神经网络对数据进行修正预测,有效减小了多步预测过程中对误差逐级放大的现象。同时,装置中的2个处理子单元工作互补影响,有效提高了对数据的预测速度。
本发明提供了一种产线设备预测识别装置,具体包括以下子单元:数据储存子单元、数据预处理子单元、数据分割子单元、模型构建子单元、模型训练子单元、预测处理子单元、辅助处理子单元、循环预测子单元、结果确定子单元。其中,所述数据储存子单元,可以用于存储目标设备的历史采集数据以及最终诊断结果;所述数据预处理子单元,用于对所采集到的初始数据进行处理、加工、计算;数据分割子单元,用于对预处理后的数据进行有效分割,构建成能被处理子单元识别的数据;所述模型构建子单元,用于确定LSTM神经网络的输入层数、隐藏层数、各个隐藏层节点数、激活函数、损失函数、优化方法;所述模型训练子单元,用于对构建好的模型结构利用有效分割数据进行训练,确定其模型中的参数信息。所述预测处理子单元,用于得到状态数据的初步预测结果;所述辅助处理子单元,用于对所述预测处理子单元的预测残差值进行预测,并能通过其预测残差值对预测处理子单元的预测结果进行修正,得到目标设备更加精确的状态预测值;所述循环预测子单元,用于通过动态构建数据的方式对状态数据进行多步预测;所述结果确定子单元,用于对预测结果进行处理,并给出目标设备的健康诊断结果。
所述对原始数据的分割方式,具体为:指定滑动窗口的长度为n,在原始数据上以步长长度为1进行滑动,以窗口中的数据作为模型的输入数据,窗口的下一个数据作为预测值,不断重复这个过程,构建出符合要求的数据集。
所述获取预测残差值的过程,具体为:首先通过预测处理子单元得到数据集的所有预测值,然后通过真实值减去预测值即可得到残差数据,对于残差数据,可以进行标准化、归一化等数据处理过程。
所述整合的预测流程,具体为:首先将时间序列{yt-n,…,yt-2,yt-1}输入预测处理子单元和辅助处理子单元中,其中n为分割窗口大小,分别可以得到预测值y′t和预测残差值Δy;然后根据如下公式可以得到修正后的结果值y″t。
y″t=y′t+Δy
丢弃掉输入序列的最后一个值,并将修正值插入到输入序列的头部,得到新的时间序列{yt-n+1,…,yt-1,y″t};然后判断是否达到预设的预测步长,若不满足,则将新构建的序列重新输入单元模块中,重复整个过程,直到满足预测要求。
本发明提供的一种产线设备状态预测识别系统中,还包括:
信息采集装置,用于对产线设备状态数据的采集,通过将相关传感器部署在运转机器的核心位置,根据机器的运行特点以及故障发生周期采用合适的采样频率,在机器的一个故障周期内所采集的数据作为一个序列样本。
信息显示装置,用于获取所述产线设备状态预测识别装置的结果,并能实时输出预测结果曲线并给出设备健康状态评估。
所述信息采集装置可以通过无线或者有线的方式与状态预测识别装置进行通讯连接。
所述状态预测识别装置的结果存储在数据储存子单元中。
所述信息显示装置可以通过获取所述数据储存子单元中的数据实时显示预测结果曲线并给出目标设备健康状态评估。
本实施例中产线设备状态预测识别系统用于对某液压设备温度值的预测识别。
图1是本发明的实施例中产线设备状态预测识别系统结构图,主要由信息采集装置、状态预测识别装置、信息显示装置组成。
其中信息采集装置主要通过传感器获取目标设备的状态信息,与状态预测识别装置通过无线或者有线的方式进行通讯连接,本实施例中采用无线连接方式,状态预测识别装置中的可以对状态数据进行存储。
本实施例中将信息采集装置的信息采集单元放置在液压设备的核心位置处,通过设定的采集频率持续地对温度信息进行采集,其采集的信息格式为{y1,y2,…,yi,…,yn}。然后将采集到的原始数据通过无线通讯的方式发送到状态预测识别装置中。
如图2所示,状态预测识别装置主要包括数据储存子单元、数据预处理子单元、数据分割子单元、模型构建子单元、模型训练子单元、预测处理子单元、辅助处理子单元、循环预测子单元、结果确定子单元。
数据储存子单元主要负责接受信息采集装置发送的温度数据并进行存储。
数据预处理子单元主要对原始数据进行处理、加工、计算。由于信息采集装置处于工业环境现场,可能会受到传感器失效,网络阻塞等各种情况的影响,导致数据出现异常,因此需要采用一些数据预处理方法对获取到的数据进行“清洗”,包括异常值去除,缺失数据补全等。同时,为了提升模型的收敛速度以及训练精度,本实施例中对数据进行了归一化处理,归一化的公式为:
其中[min,max]为需要映射的区间,x′为归一化后的值,x为原始值,xmax和xmin分别为数据中的最大值和最小值。
在得到数据预测结果后,还需要进行反归一化为真实值,反归一化的公式为:
数据分割子单元主要对预处理后的数据进行有效分割,构建成能被处理子单元识别的数据。分割过程为:首先确定分割窗口的大小n,然后在数据上以步长为1进行滑动,以窗口中的数据作为模型的输入数据,窗口的下一个数据作为预测值,不断重复这个过程,构建出符合要求的数据集,其用于训练的数据格式为{yt-n,…,yt-2,yt-1},对应的预测目标值为yt。同时,为了验证模型的有效性,将数据的最后50组作为测试组,用来对训练好的模型进行测试,剩下的数据作为训练组,用来对模型参数进行训练确定。
模型构建子单元,主要用于确定LSTM神经网络的输入层数、隐藏层数、各个隐藏层节点数、激活函数、损失函数、优化方法。其模型结构如图3所示,其中每个LSTM单元中包含三个“门”和一个“记忆”的细胞结构,能有效解决数据的长期依赖问题,其模型公式包括:
1.遗忘门:可以用来控制需要保留的状态信息,计算公式为:
ft=σ(Wf·[ht-1,xt]+bf)
其中ht-1为上一序列的隐藏状态输出;xt为本次输入序列向量;[ht-1,xt]为向量的拼接方式;Wf和bf分别表示权重矩阵和偏置项;σ为sigmoid激活函数,可以将输出ft映射到0~1之间,决定了保留之前信息的程度。
2.输入门:主要负责当前序列位置的输入,计算公式为:
it=σ(Wi·[ht-1,xt]+bi)
3.细胞状态更新:将遗忘门和输入门得到的数据添加到上一细胞状态中,计算公式为:
其中Ct-1为上一个细胞状态信息,Ct为本次的细胞状态,记录了起始输入到当前输入所保留的信息,通过遗忘门信息与输入门信息进行求和运算,可以有效解决梯度消失和梯度爆炸的问题。
4.输出门:根据当前状态和输入数据决定当前的输出,计算公式为:
ot=σ(Wo[ht-1,xt]+b0)
ht=ot*tanh(Ct)
其中Wo和bo分别为权重矩阵和偏置项;ot为第一部分的输出,通过sigmoid激活函数得到;第二部分预测输出ht由细胞状态Ct通过tanh激活函数和第一部分输出ot相乘得到。
然后加入不定层数的全连接层,进行维度转换,最后加入linear线性激活函数将输出映射在实数空间中,采用自适应学习率Adam算法最小化均方误差进行参数估计,均方误差损失函数(MSE)公式为:
模型训练子单元,用于对构建好的模型结构利用有效分割数据进行训练,确定其模型中的参数信息。在本实施例中,采用训练组数据对模型进行训练,直到预测误差满足设定的要求。
预测处理子单元,用于得到状态数据的初步预测结果。
辅助处理子单元,预测处理子单元的预测残差值进行预测,并能通过其预测残差值对预测处理子单元的预测结果进行修正,得到目标设备更加精确的状态预测值。
循环预测子单元,用于通过动态构建数据的方式对状态数据进行多步预测,其预测流程如图4所述,主要包括以下步骤:
1:将初始时间序列数据输入预测模型和辅助模型中,分别得到初步预测结果和残差预测值;
2:通过残差预测值对初步预测结果进行修正,得到更为精确的预测值;
3:重新构建输入序列,将修正后的预测值加入到序列的头部;
4:判断是否达到预设的预测步长,若不满足,则将新构建的序列带入步骤1中,否则,进入步骤5;
5:将各个预测流程中的值返回,预测结束。
其中重新构建输入序列的方式如图5所示,首先将输入序列{yt-n,…,yt-2,tt-1}输入模型网络中得到输出值y′t,然后丢弃输入序列的最后一个值,将输出值y′t插入到序列的头部,构建出一条新的序列{yt-n+1,…,yt-1,y′t}。
结果确定子单元,用于对预测结果进行处理,并给出目标设备的健康诊断结果。在本实施例中,通过循环预测子单元的的处理结果,判断出此时液压设备的运行状态。
如图6所示,为本发明装置在实施例上的预测效果图,其中的对比模型只采用了单一预测处理子单元,由图中预测结果曲线可以看出,在预测步长达到7以后,对比模型的预测误差被逐步放大,后续的预测结果严重偏离真实值;本发明装置由于加入了辅助处理子单元,在每一步的预测中能够对预测误差进行修正,从而保证了后续模型输入数据的准确度,减小了对预测误差的累积效应,较大地改善了对产线设备状态预测识别的能力。
Claims (4)
1.一种产线设备状态预测识别装置及系统,其特征在于,包括:
信息采集装置,用于通过传感器采集目标设备的状态信息数据,并将采集数据发送给状态预测识别装置;
状态预测识别装置,用于将信息采集装置采集的目标设备状态信息进行处理,得到目标设备的健康诊断结果;
信息显示装置,用于获取状态预测识别装置所预测的健康诊断结果,并实时输出健康诊断结果曲线,并给出目标设备的健康状态评估。
2.根据权利要求1所述的一种产线设备状态预测识别装置及系统,其特征在于,所述状态预测识别装置包括:
数据储存子单元,用于储存信息采集装置采集的目标设备的状态信息数据以及目标设备的健康诊断结果;
数据预处理子单元,用于对目标设备的状态信息数据进行预处理;
数据分割子单元,用于对预处理后的目标设备的状态信息数据根据模型构建子单元所需要的格式进行数据分割并将分割后的状态信息数据作为模型构建子单元的LSTM神经网络模型的输入;
模型构建子单元,用于确定LSTM神经网络模型的输入层数、隐藏层数、各个隐藏层节点数、激活函数、损失函数;
模型训练子单元,用于将分割后的状态信息数据利用模型构建子单元构建的LSTM神经网络模型进行训练,确定LSTM的参数信息,并根据不同的参数信息构建求解预测结果的训练模型以及求解残差的训练模型,分别输出给预测处理子单元和辅助模型子单元;
预测处理子单元,用于将分割后的目标设备的状态信息作为输入,利用模型训练子模块输出的求解预测结果的训练模型进行预测,输出目标设备的初步预测结果;
辅助模型子单元,用于将分割后的目标设备的状态信息作为输入,利用模型训练子模块输出的求解残差的训练模型进行预测,输出预测残差值;
循环预测子单元,用于根据辅助模型子单元输出的预测残差值对预测处理子单元输出的目标设备的初步预测结果进行修正以及对修正后的预测结果进行多步预测;
结果确定子模块,用于对循环预测子单元多步预测后的数据进行组合以及反归一化处理,得到目标设备的健康诊断结果,并输出给信息显示装置以及数据储存子单元。
3.根据权利要求2所述的一种产线设备状态预测识别装置及系统,其特征在于,所述多步预测具体为:
1)根据如下公式得到修正后的预测结果值y″t:
y″t=y″t+Δy
其中,将分割后的目标设备的状态信息的时间序列{yt-n,…,yt-2,yt-1}分别输入预测处理子单元和辅助处理子单元,分别可以得到目标设备的初步预测结果即预测值y′t和预测残差值Δy,n为分割窗口大小;
2)丢弃掉输入的时间序列的最后一个值,并将修正后的预测结果值插入到输入的时间序列的头部,得到新的时间序列{yt-n+1,…,yt-1,y″t};
3)判断是否达到预设的预测步长,若不满足,则将新构建的序列分别重新输入预测处理子单元和辅助处理子单元中,返回步骤1),直到满足预测要求。
4.根据权利要求1所述的一种产线设备状态预测识别装置及系统,其特征在于,所述信息采集装置通过无线或者有线的方式任意一种与状态预测识别装置进行通讯连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911323150.5A CN113009888B (zh) | 2019-12-20 | 2019-12-20 | 一种产线设备状态预测识别装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911323150.5A CN113009888B (zh) | 2019-12-20 | 2019-12-20 | 一种产线设备状态预测识别装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113009888A true CN113009888A (zh) | 2021-06-22 |
CN113009888B CN113009888B (zh) | 2021-12-24 |
Family
ID=76381910
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911323150.5A Active CN113009888B (zh) | 2019-12-20 | 2019-12-20 | 一种产线设备状态预测识别装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113009888B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108090556A (zh) * | 2017-12-22 | 2018-05-29 | 国网江西省电力有限公司电力科学研究院 | 一种配电变压器热评估方法 |
CN108334948A (zh) * | 2018-02-09 | 2018-07-27 | 武汉理工大学 | 一种基于宽残差网络学习模型的机械轴承故障诊断技术 |
US20190122373A1 (en) * | 2018-12-10 | 2019-04-25 | Intel Corporation | Depth and motion estimations in machine learning environments |
CN109708689A (zh) * | 2018-11-14 | 2019-05-03 | 沈阳理工大学 | 基于改进长短时记忆神经网络的连锁药店温湿度预警系统 |
CN109886403A (zh) * | 2019-01-28 | 2019-06-14 | 中国石油大学(华东) | 一种基于神经网络模型的工业数据生成方法 |
KR20190080695A (ko) * | 2018-03-27 | 2019-07-08 | 한화시스템 주식회사 | 감시정찰기의 적응형 전력 제어를 위한 공용 데이터 링크 시스템의 적응형 전력 제어 방법 |
CN110210569A (zh) * | 2019-06-06 | 2019-09-06 | 南京工业大学 | 基于fcm-lstm的化工储罐异常检测算法研究 |
CN110264460A (zh) * | 2019-06-24 | 2019-09-20 | 科大讯飞股份有限公司 | 一种目标检测结果的鉴别方法、装置、设备及存储介质 |
CN110362048A (zh) * | 2019-07-12 | 2019-10-22 | 上海交通大学 | 风机关键部件状态监测方法及装置、存储介质和终端 |
US20190325334A1 (en) * | 2018-04-23 | 2019-10-24 | National Chung-Shan Institute Of Science And Technology | Method for predicting air quality with aid of machine learning models |
CN110555247A (zh) * | 2019-08-16 | 2019-12-10 | 华南理工大学 | 一种基于多点传感器数据和BiLSTM的结构损伤预警方法 |
-
2019
- 2019-12-20 CN CN201911323150.5A patent/CN113009888B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108090556A (zh) * | 2017-12-22 | 2018-05-29 | 国网江西省电力有限公司电力科学研究院 | 一种配电变压器热评估方法 |
CN108334948A (zh) * | 2018-02-09 | 2018-07-27 | 武汉理工大学 | 一种基于宽残差网络学习模型的机械轴承故障诊断技术 |
KR20190080695A (ko) * | 2018-03-27 | 2019-07-08 | 한화시스템 주식회사 | 감시정찰기의 적응형 전력 제어를 위한 공용 데이터 링크 시스템의 적응형 전력 제어 방법 |
US20190325334A1 (en) * | 2018-04-23 | 2019-10-24 | National Chung-Shan Institute Of Science And Technology | Method for predicting air quality with aid of machine learning models |
CN109708689A (zh) * | 2018-11-14 | 2019-05-03 | 沈阳理工大学 | 基于改进长短时记忆神经网络的连锁药店温湿度预警系统 |
US20190122373A1 (en) * | 2018-12-10 | 2019-04-25 | Intel Corporation | Depth and motion estimations in machine learning environments |
CN109886403A (zh) * | 2019-01-28 | 2019-06-14 | 中国石油大学(华东) | 一种基于神经网络模型的工业数据生成方法 |
CN110210569A (zh) * | 2019-06-06 | 2019-09-06 | 南京工业大学 | 基于fcm-lstm的化工储罐异常检测算法研究 |
CN110264460A (zh) * | 2019-06-24 | 2019-09-20 | 科大讯飞股份有限公司 | 一种目标检测结果的鉴别方法、装置、设备及存储介质 |
CN110362048A (zh) * | 2019-07-12 | 2019-10-22 | 上海交通大学 | 风机关键部件状态监测方法及装置、存储介质和终端 |
CN110555247A (zh) * | 2019-08-16 | 2019-12-10 | 华南理工大学 | 一种基于多点传感器数据和BiLSTM的结构损伤预警方法 |
Non-Patent Citations (2)
Title |
---|
YOURU LI: "EA-LSTM: Evolutionary attention-based LSTM for time series prediction", 《KNOWLEDGE-BASED SYSTEMS》 * |
王路瑶,等: "基于长短期记忆神经网络的数据中心空调系统传感器故障诊断", 《化工学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113009888B (zh) | 2021-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107145645B (zh) | 带不确定冲击的非平稳退化过程剩余寿命预测方法 | |
CN111241744B (zh) | 一种基于双向lstm的低压铸造机时间序列数据异常检测方法 | |
CN107145720B (zh) | 连续退化和未知冲击共同作用下的设备剩余寿命预测方法 | |
CN108595803B (zh) | 基于递归神经网络的页岩气井生产压力预测方法 | |
CN116757534A (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
CN111612050B (zh) | 遥测数据异常检测的方法 | |
CN111030889A (zh) | 一种基于gru模型的网络流量预测方法 | |
CN112001115B (zh) | 一种半监督动态软测量网络的软测量建模方法 | |
CN111639111A (zh) | 面向调水工程的多源监测数据深度挖掘和智能分析方法 | |
CN111398523B (zh) | 基于分布的传感器数据校准方法及系统 | |
CN111260024A (zh) | 基于长短期记忆和典型相关结合的故障检测方法及系统 | |
CN108984851B (zh) | 一种带时延估计的加权高斯模型软测量建模方法 | |
CN114757087A (zh) | 一种基于动态主成分分析与lstm的刀具磨损预测方法 | |
CN113009888B (zh) | 一种产线设备状态预测识别装置 | |
CN110398942A (zh) | 一种用于工业生产过程控制的参数辨识方法 | |
CN114091600A (zh) | 一种数据驱动的卫星关联故障传播路径辨识方法及系统 | |
CN107609216B (zh) | 一种基于概率盒模型修正的机械故障诊断方法 | |
CN108804721B (zh) | 基于自适应无迹Kalman滤波与RBF神经网络的抽油机故障诊断方法 | |
CN113159395A (zh) | 一种基于深度学习的污水处理厂进水流量预测方法及系统 | |
CN116821697A (zh) | 一种基于小样本学习的机械设备故障诊断方法 | |
CN113435106B (zh) | 一种过渡模态操作故障检测方法和系统 | |
CN114442557A (zh) | 一种机床温度场快速辨识方法及系统 | |
CN114004144A (zh) | 一种航空发动机剩余使用寿命预测方法 | |
CN113468720A (zh) | 一种数模联动的随机退化设备寿命预测方法 | |
CN116722548B (zh) | 一种基于时间序列模型的光伏发电预测方法及相关设备 |
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 |