CN113052302A - 基于循环神经网络的机器健康监控方法、装置及终端设备 - Google Patents
基于循环神经网络的机器健康监控方法、装置及终端设备 Download PDFInfo
- Publication number
- CN113052302A CN113052302A CN202110365412.5A CN202110365412A CN113052302A CN 113052302 A CN113052302 A CN 113052302A CN 202110365412 A CN202110365412 A CN 202110365412A CN 113052302 A CN113052302 A CN 113052302A
- Authority
- CN
- China
- Prior art keywords
- neural network
- time
- hidden markov
- monitoring
- abnormal
- 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
Abstract
本发明适用于机械设备监控技术领域,提供了一种基于循环神经网络的机器健康监控方法、装置及终端设备,方法包括基于目标设备的离线机器数据提取多域特征生成原始特征集;通过层次聚类算法对原始特征集进行聚类分析,并根据聚类分析结果在原始特征集中选择满足预设距离范围的特征作为待训练特征子集;在离线监控和在线监控分别使用不同的机器数据训练隐马尔可夫模型进行异常时刻识别,以及训练堆叠双向长短期记忆神经网络模型对目标设备的剩余使用寿命进行预测。通过本发明可以准确捕捉目标设备的异常时刻,并准确地对目标设备的剩余使用寿命进行预测。
Description
技术领域
本发明涉及机械设备监控技术领域,尤其涉及一种基于循环神经网络的机器健康监控方法、装置及终端设备。
背景技术
为了满足现代社会对产品不断增长的需求,工业企业的规模不断扩大,工业设备也越来越复杂。在长期运行过程中,工业设备的可靠性将逐渐下降,而发生故障的可能性也将逐渐增加。工业设备一旦发生故障,可能会造成额外的经济损失,甚至造成人员伤亡,从而导致严重的后果。因此,对工业设备进行运行状况监视对于提高设备运行的可靠性至关重要。
目前所使用的工业设备运行状况监视方式,可以大致分为基于模型的方法和数据驱动的方法两大类。
基于模型的方法使用物理机制或统计知识来描述退化过程,如指数模型,Paris-Erdogan模型和Gamma过程模型等。但是,实际上,即使同一系统处于相同的操作状态,在降级过程中也可能存在重大差异。当涉及到特定情况时,通常需要其他先验知识和经验。因此,这些瓶颈使基于模型的方法不适合大规模应用。
数据驱动的方法使用基于机器学习的算法,可以构造监视数据与机器退化过程之间的映射关系,从而在工作机器上做出决策,而无需专业知识来描述机器退化过程,如支持向量机(SVM)和关联向量机(RVM)。
而近年来,神经网络已被广泛用于机器健康监测,并取得了良好的效果,常用的有深度神经网络(DNN)和深度卷积神经网络(DCNN)。但是,DNN和CNN很难提取异构特征。与其他神经网络结构相比,递归神经网络(RNN)结构可以捕获退化过程的长期依赖性并为顺序数据建模。
如果使用RNN和健康指标的预测方法,处理长期时间序列信息,来跟踪数据的长期趋势,再使用长短时记忆网络(LSTM)来进行RUL预测,得到机器异常点,其中,在机器异常点,数据状态将从稳定期变为不健康阶段,可见准确的异常点将提高RUL的精度。但是,这存在两个缺陷:(1)机器异常点被忽略或主观确定;(2)大多数基于RNN的方法采用相对浅且向前的方向结构,无法获得高级表示并无法捕获向后依赖性。
发明内容
本发明的主要目的在于提出一种基于循环神经网络的机器健康监控方法、装置及终端设备,以解决现有技术中机器异常点捕捉不准确的问题。
为实现上述目的,本发明实施例第一方面提供一种基于循环神经网络的机器健康监控方法,包括:
基于目标设备的离线机器数据提取多域特征生成原始特征集;
通过层次聚类算法对所述原始特征集进行聚类分析,并根据聚类分析结果在所述原始特征集中选择满足预设距离范围的特征作为待训练特征子集;
离线监控时,通过离线机器数据无监督训练隐马尔可夫模型获得模型参数,获得离线隐马尔可夫模型;
利用所述离线隐马尔可夫模型的输出构建预测输入数据,并根据所述待训练特征子集和所述预测输入数据训练堆叠双向长短期记忆神经网络模型,以使训练后的堆叠双向长短期记忆神经网络模型对所述目标设备的剩余使用寿命进行预测;
在线监控时,通过实时机器数据的前期历史数据,无监督训练隐马尔可夫模型获得模型参数,获得在线隐马尔可夫模型;
通过所述在线隐马尔可夫模型持续对所述实时机器数据进行分析,分析当前时刻的实时机器数据是否异常,若当前时刻的实时机器数据异常,则将当前时刻记录为异常时刻,同时获取异常时刻的特征输入,并将所述特征输入输入到离线监控时获取的训练后的堆叠双向长短期记忆神经网络模型中,以使训练后的堆叠双向长短期记忆神经网络模型对所述目标设备的剩余使用寿命进行预测。
结合本发明实施例第一方面,本发明实施例第一实施方式中,所述基于目标设备的离线机器数据提取多域特征生成原始特征集,包括:
根据所述目标设备的运行周期,对所述离线机器数据进行采样,获得监控信号;
基于t时刻采样获得的监控信号提取多域特征,生成基于t时刻的特征集,根据基于所有时刻的特征集获得基于运行周期的特征集,所述基于运行周期的特征集为所述原始特征集;
其中,t为所述运行周期中的任一时刻。
结合本发明实施例第一方面及第一实施方式,本发明实施例第二实施方式中,所述多域特征包括时域特征,频域特征和时频域特征;
所述时域特征包括t时刻采样获得的监控信号的最大值,最小值,峰值,整流平均值,方差,标准差,峰度,偏度,均方根,形状因数,峰值因子,脉冲因子,裕度因子,峭度因子中的至少一种;
所述频域特征包括t时刻采样获得的监控信号的平均值,方差,均方根,中位数,重心频率,均方频域,均方根频率,频域方差,频域标准差中的至少一种;
所述时频域特征包括t时刻采样获得的监控信号的十六个能量带。
结合本发明实施例第一方面,本发明实施例第三实施方式中,通过层次聚类算法对所述原始特征集进行聚类分析,并根据聚类分析结果在所述原始特征集中选择满足预设距离范围的特征作为待训练特征子集之前,包括:
将所述基于t时刻的特征集用向量表示,公式为:
xt={x1 t,xt 2,…,xt M}∈R1×M;
其中,M表示特征集中的特征数量;
将基于运行周期的特征集用向量表示,公式为;
其中,N代表采样的周期数。
结合本发明实施例第一方面,本发明实施例第四实施方式中,利用所述离线隐马尔可夫模型的输出构建预测输入数据,包括:
将所述离线隐马尔可夫模型的输出用最佳隐藏状态序列表示;
所述最佳隐藏状态序列中,0表示目标设备处于稳定期,1表示目标设备处于不健康状态
根据所述最佳隐藏状态序列获取异常时刻,并构建预测输入数据,公式为:
其中,tp为待预测的时刻点,td为异常时刻,ta为目标设备的全部寿命。
结合本发明实施例第一方面第四实施方式,本发明实施例第五实施方式中,将所述离线隐马尔可夫模型的输出用最佳隐藏状态序列表示,包括:
获取所述离线机器数据的给定观察序列和下一观测序列;
根据特征子集、给定观察序列、模型参数以及下一观测序列,应用维特比算法求解最大似然性获得最佳隐藏状态序列;
所述最佳隐藏状态序列中,0表示稳定期,1表示不健康状态;
所述最佳隐藏状态序列中1的出现频次大于预设频次时,所述检测结果持续异常。
本发明实施例第二方面提供一种基于循环神经网络的机器健康监控装置,包括:
原始特征集获取模块,用于基于目标设备的离线机器数据提取多域特征生成原始特征集;
特征子集选择模块,用于通过层次聚类算法对所述原始特征集进行聚类分析,并根据聚类分析结果在所述原始特征集中选择满足预设距离范围的特征作为待训练特征子集;
离线监控异常检测模块,用于离线监控时,通过离线机器数据无监督训练隐马尔可夫模型获得模型参数,获得离线隐马尔可夫模型;
离线监控剩余寿命预测模块,用于利用所述离线隐马尔可夫模型的输出构建预测输入数据,并根据所述待训练特征子集和所述预测输入数据训练堆叠双向长短期记忆神经网络模型,以使训练后的堆叠双向长短期记忆神经网络模型对所述目标设备的剩余使用寿命进行预测;
在线监控异常检测模块,用于在线监控时,通过实时机器数据的前期历史数据,无监督训练隐马尔可夫模型获得模型参数,获得在线隐马尔可夫模型;
在线监控剩余寿命预测模块,用于通过所述在线隐马尔可夫模型持续对所述实时机器数据进行分析,分析当前时刻的实时机器数据是否异常,若当前时刻的实时机器数据异常,则将当前时刻记录为异常时刻,同时获取异常时刻的特征输入,并将所述特征输入输入到离线监控时获取的训练后的堆叠双向长短期记忆神经网络模型中,以使训练后的堆叠双向长短期记忆神经网络模型对所述目标设备的剩余使用寿命进行预测。
本发明实施例的第三方面提供了一种终端设备,包括存储器、处理器以及存储在上述存储器中并可在上述处理器上运行的计算机程序,上述处理器执行上述计算机程序时实现如上第一方面所提供的方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质,上述计算机可读存储介质存储有计算机程序,上述计算机程序被处理器执行时实现如上第一方面所提供的方法的步骤。
本发明实施例提出一种基于循环神经网络的机器健康监控方法,基于隐马尔可夫和堆叠双向长短期记忆神经网络,实现了非主观情况下的异常时刻检测,以及对目标设备剩余使用寿命进行预测时,向前依赖信息、向后依赖信息的捕获,因此,本发明实施例提供的基于循环神经网络的机器健康监控方法可以提高目标设备剩余使用寿命预测的准确率,并且具有更好的通用性,还在一定程度上提升分析效率。
附图说明
图1为本发明实施例提供的基于循环神经网络的机器健康监控方法的实现流程示意图;
图2为本发明实施例提供的基于循环神经网络的机器健康监控装置的组成结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
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。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
在本文中,使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明,其本身并没有特定的意义。因此,"模块"与"部件"可以混合地使用。
如图1所示,本发明实施例提供一种基于循环神经网络的机器健康监控方法,利用隐马尔可夫模型和堆叠双向长短期记忆神经网络对目标设备的剩余使用寿命进行预测,其包括但不限于如下步骤:
S101、基于目标设备的离线机器数据提取多域特征生成原始特征集。
在上述步骤S101中,目标设备为需要进行健康监控的机械设备,健康监控主要包括目标设备的剩余使用寿命的预测。
离线机器数据为目标设备日常运行过程中所保存的历史数据。
需要说明的是,下述的实时机器数据为目标设备运行时所产生的实时数据,但在使用实时机器数据时,只能获取目标设备此次运行后,当前时刻之前的历史数据作为实时机器数据。
在具体应用中,离线机器数据可以按照时间和频率进行划分,在基于离线机器数据提取多域特征时,先对离线机器数据进行采样。
在一个实施例中,上述步骤S101的一种实现方式可以为:
根据所述目标设备的运行周期,对所述离线机器数据进行采样,获得监控信号;
基于t时刻采样获得的监控信号提取多域特征,生成基于t时刻的特征集,根据基于所有时刻的特征集获得基于运行周期的特征集,所述基于运行周期的特征集为所述原始特征集;
其中,t为所述运行周期中的任一时刻。
在一个实施例中,步骤S101及其详细实现方式中的多域特征包括时域特征,频域特征和时频域特征;
所述时域特征包括t时刻采样获得的监控信号的最大值,最小值,峰值,整流平均值,方差,标准差,峰度,偏度,均方根,形状因数,峰值因子,脉冲因子,裕度因子,峭度因子中的至少一种;
所述频域特征包括t时刻采样获得的监控信号的平均值,方差,均方根,中位数,重心频率,均方频域,均方根频率,频域方差,频域标准差中的至少一种;
所述时频域特征包括t时刻采样获得的监控信号的十六个能量带。
在实际应用中,包括时域特征,频域特征和时频域特征形成的原始特征集可以较好的表征目标设备的退化过程。
S102、通过层次聚类算法对所述原始特征集进行聚类分析,并根据聚类分析结果,在所述原始特征集中选择满足预设距离范围的特征作为待训练特征子集。
在具体应用中,使用层次聚类算法之前,需要对数据进行向量化处理,因此,进行上述步骤S102之前,还包括如下步骤:
将所述基于t时刻的特征集用向量表示,公式为:
xt={x1 t,xt 2,…,xt M}∈R1×M;
其中,M表示基于t时刻的特征集中的特征数量;
将基于运行周期的特征集用向量表示,公式为;
其中,N代表采样的周期数。
在实际应用中,上述步骤S102中层次聚类算法的实现可以包括如下步骤:
计算所述原始特征集中任意两个特征之间的欧氏距离;
将所述欧式距离最小的两个特征合为一个簇,从而基于所述原始特征集中的所有特征构建新的簇,公式为:
所述新的簇中,中心点的公式为:
其中,i表示第i个簇,N表示该簇包含特征的数量,T表示特征的长度;
分别计算每个特征到所述中心点的欧氏距离,以及构建的新簇距离,得到差值,公式为:
循环获取最小的差值,构建树状聚类;
以树状聚类结果的前k个相似特征构建特征子集。
S1031、离线监控时,通过离线机器数据无监督训练隐马尔可夫模型获得模型参数,获得离线隐马尔可夫模型;
S1032、利用所述离线隐马尔可夫模型的输出构建预测输入数据,并根据所述待训练特征子集和所述预测输入数据训练堆叠双向长短期记忆神经网络模型,以使训练后的堆叠双向长短期记忆神经网络模型对所述目标设备的剩余使用寿命进行预测;
上述步骤S1031和步骤S1032示出了离线监控时,离线隐马尔可夫模型和堆叠双向长短期记忆神经网络模型的训练过程,其中,离线隐马尔可夫模型用于检测离线机器数据中的异常时刻,即目标设备的不健康状态出现的时刻;训练后的堆叠双向长短期记忆神经网络模型用于对目标设备的剩余使用寿命进行预测。
在具体应用中,离线数据作为训练集,则离线隐马尔可夫模型的输出表示了离线机器数据中的异常时刻是否出现,本实施例中用平稳期表示正常状态,用不健康状态表示异常状态,而在异常时刻出现时,目标设备的数据状态将从稳定期变为不健康阶段。
在实际应用中,准确的异常时刻预测将提高目标设备剩余使用寿命的预测精度,因此,本发明实施例中,训练堆叠双向长短期记忆神经网络模型所使用的预测输入数据的构建,与异常时刻这一数据相关。
在一个实施例中,利用所述离线隐马尔可夫模型的输出构建预测输入数据,包括:
将所述离线隐马尔可夫模型的输出用最佳隐藏状态序列表示;
所述最佳隐藏状态序列中,0表示目标设备处于稳定期,1表示目标设备处于不健康状态;
根据所述最佳隐藏状态序列获取异常时刻,并构建预测输入数据,公式为:
其中,tp为待预测的时刻点,td为异常时刻,ta为目标设备的全部寿命。
为了检测异常时刻,本实施例中,假设观察到的状态概率和发射概率服从高斯分布,从而设定最佳隐藏状态序列中,0表示目标设备处于稳定期,1表示目标设备处于不健康状态。
而在一个实施例中,上述将所述离线隐马尔可夫模型的输出用最佳隐藏状态序列表示,包括:
获取所述离线机器数据的给定观察序列和下一观测序列;
根据特征子集、给定观察序列、模型参数以及下一观测序列,应用维特比算法求解最大似然性获得最佳隐藏状态序列;
所述最佳隐藏状态序列中,0表示稳定期,1表示不健康状态;
所述最佳隐藏状态序列中1的出现频次大于预设频次时,所述检测结果持续异常。
S1041、在线监控时,通过实时机器数据的前期历史数据,无监督训练隐马尔可夫模型获得模型参数,获得在线隐马尔可夫模型。
S1042、通过所述在线隐马尔可夫模型持续对所述实时机器数据进行分析,分析当前时刻的实时机器数据是否异常,若当前时刻的实时机器数据异常,则将当前时刻记录为异常时刻,同时获取异常时刻的特征输入,并将所述特征输入输入到离线监控时获取的训练后的堆叠双向长短期记忆神经网络模型中,以使训练后的堆叠双向长短期记忆神经网络模型对所述目标设备的剩余使用寿命进行预测。
需要说明的是,特征输入为异常时刻输入到在线隐马尔可夫模型的实时机器数据的特征,本实施例中,其为时序特征。
上述步骤S1041和步骤S1042示出了在线监控时,在线隐马尔可夫模型的训练过程,且本发明实施例中,在线监控时使用离线监控时所训练的堆叠双向长短期记忆神经网络模型进行目标设备剩余使用寿命的预测。
通过上述步骤S1031和步骤S1032,以及步骤S1041和步骤S1042,可以在没有专家知识的情况下获取异常时刻,进而对目标设备的剩余使用寿命进行预测。
需要说明的是,在线隐马尔可夫模型和离线隐马尔可夫模型的训练数据不同,因此分别适用于不同的基于循环神经网络的机器健康监控环境。
在上述步骤中,堆叠双向长短期记忆神经网络模型同时具有向前的方向结构和向后的方向结构,可任意实现网格搜索和交叉验证的特性,以及向前依赖信息、向后依赖信息的捕获,因此,其应用于目标设备的健康监控时,可以提高剩余使用寿命预测的准确率,并且具有更好的通用性,还在一定程度上提升分析效率。
在实际应用中,堆叠双向长短期记忆神经网络模型的重点结构包括:忘记门,输入门和输出门。忘记门用于确定有选择地忽略了从前一个节点传入的哪些输入信息。输入门用于决定将多少新信息添加到当前状态。输出门用于确定输出值。
如图2所示,本发明实施例还提供一种基于循环神经网络的机器健康监控装置20,包括:
原始特征集获取模块21,用于基于目标设备的离线机器数据提取多域特征生成原始特征集;
特征子集选择模块22,用于通过层次聚类算法对所述原始特征集进行聚类分析,并根据聚类分析结果在所述原始特征集中选择满足预设距离范围的特征作为待训练特征子集;
离线监控异常检测模块231,用于离线监控时,通过离线机器数据无监督训练隐马尔可夫模型获得模型参数,获得离线隐马尔可夫模型;
离线监控剩余寿命预测模块232,用于利用所述离线隐马尔可夫模型的输出构建预测输入数据,并根据所述待训练特征子集和所述预测输入数据训练堆叠双向长短期记忆神经网络模型,以使训练后的堆叠双向长短期记忆神经网络模型对所述目标设备的剩余使用寿命进行预测;
在线监控异常检测模块241,用于在线监控时,通过实时机器数据的前期历史数据,无监督训练隐马尔可夫模型获得模型参数,获得在线隐马尔可夫模型;
在线监控剩余寿命预测模块242,用于通过所述在线隐马尔可夫模型持续对所述实时机器数据进行分析,分析当前时刻的实时机器数据是否异常,若当前时刻的实时机器数据异常,则将当前时刻记录为异常时刻,同时获取异常时刻的特征输入,并将所述特征输入输入到离线监控时获取的训练后的堆叠双向长短期记忆神经网络模型中,以使训练后的堆叠双向长短期记忆神经网络模型对所述目标设备的剩余使用寿命进行预测。
本发明实施例提供的基于循环神经网络的机器健康监控装置,基于隐马尔可夫和堆叠双向长短期记忆神经网络,实现了非主观情况下的异常时刻检测,以及对目标设备剩余使用寿命进行预测时,向前依赖信息、向后依赖信息的捕获,从而提高目标设备剩余使用寿命预测的准确率,并且具有更好的通用性,还在一定程度上提升分析效率。
本发明实施例还提供一种终端设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如上述实施例中所述的基于循环神经网络的机器健康监控方法中的各个步骤。
本发明实施例还提供一种存储介质,所述存储介质为计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现如上述实施例中所述的基于循环神经网络的机器健康监控方法中的各个步骤。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解: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;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于循环神经网络的机器健康监控方法,其特征在于,包括:
基于目标设备的离线机器数据提取多域特征生成原始特征集;
通过层次聚类算法对所述原始特征集进行聚类分析,并根据聚类分析结果在所述原始特征集中选择满足预设距离范围的特征作为待训练特征子集;
离线监控时,通过离线机器数据无监督训练隐马尔可夫模型获得模型参数,获得离线隐马尔可夫模型;
利用所述离线隐马尔可夫模型的输出构建预测输入数据,并根据所述待训练特征子集和所述预测输入数据训练堆叠双向长短期记忆神经网络模型,以使训练后的堆叠双向长短期记忆神经网络模型对所述目标设备的剩余使用寿命进行预测;
在线监控时,通过实时机器数据的前期历史数据,无监督训练隐马尔可夫模型获得模型参数,获得在线隐马尔可夫模型;
通过所述在线隐马尔可夫模型持续对所述实时机器数据进行分析,分析当前时刻的实时机器数据是否异常,若当前时刻的实时机器数据异常,则将当前时刻记录为异常时刻,同时获取异常时刻的特征输入,并将所述特征输入输入到离线监控时获取的训练后的堆叠双向长短期记忆神经网络模型中,以使训练后的堆叠双向长短期记忆神经网络模型对所述目标设备的剩余使用寿命进行预测。
2.如权利要求1所述的基于循环神经网络的机器健康监控方法,其特征在于,所述基于目标设备的离线机器数据提取多域特征生成原始特征集,包括:
根据所述目标设备的运行周期,对所述离线机器数据进行采样,获得监控信号;
基于t时刻采样获得的监控信号提取多域特征,生成基于t时刻的特征集,根据基于所有时刻的特征集获得基于运行周期的特征集,所述基于运行周期的特征集为所述原始特征集;
其中,t为所述运行周期中的任一时刻。
3.如权利要求1或2所述的基于循环神经网络的机器健康监控方法,其特征在于,所述多域特征包括时域特征,频域特征和时频域特征;
所述时域特征包括t时刻采样获得的监控信号的最大值,最小值,峰值,整流平均值,方差,标准差,峰度,偏度,均方根,形状因数,峰值因子,脉冲因子,裕度因子,峭度因子中的至少一种;
所述频域特征包括t时刻采样获得的监控信号的平均值,方差,均方根,中位数,重心频率,均方频域,均方根频率,频域方差,频域标准差中的至少一种;
所述时频域特征包括t时刻采样获得的监控信号的十六个能量带。
6.如权利要求5所述的基于循环神经网络的机器健康监控方法,其特征在于,将所述离线隐马尔可夫模型的输出用最佳隐藏状态序列表示,包括:
获取所述离线机器数据的给定观察序列和下一观测序列;
根据特征子集、给定观察序列、模型参数以及下一观测序列,应用维特比算法求解最大似然性获得最佳隐藏状态序列;
所述最佳隐藏状态序列中,0表示稳定期,1表示不健康状态;
所述最佳隐藏状态序列中1的出现频次大于预设频次时,所述检测结果持续异常。
7.一种基于循环神经网络的机器健康监控装置,其特征在于,包括:
原始特征集获取模块,用于基于目标设备的离线机器数据提取多域特征生成原始特征集;
特征子集选择模块,用于通过层次聚类算法对所述原始特征集进行聚类分析,并根据聚类分析结果在所述原始特征集中选择满足预设距离范围的特征作为待训练特征子集;
离线监控异常检测模块,用于离线监控时,通过离线机器数据无监督训练隐马尔可夫模型获得模型参数,获得离线隐马尔可夫模型;
离线监控剩余寿命预测模块,用于将所述离线机器数据输入所述离线隐马尔可夫模型,利用所述离线隐马尔可夫模型的输出构建预测输入数据,并根据所述待训练特征子集和所述预测输入数据训练堆叠双向长短期记忆神经网络模型,以使训练后的堆叠双向长短期记忆神经网络模型对所述目标设备的剩余使用寿命进行预测;
在线监控异常检测模块,用于在线监控时,通过实时机器数据的前期历史数据,无监督训练隐马尔可夫模型获得模型参数,获得在线隐马尔可夫模型;
在线监控剩余寿命预测模块,用于通过所述在线隐马尔可夫模型持续对所述实时机器数据进行分析,分析当前时刻的实时机器数据是否异常,若当前时刻的实时机器数据异常,则将当前时刻记录为异常时刻,同时获取异常时刻的特征输入,并将所述特征输入输入到离线监控时获取的训练后的堆叠双向长短期记忆神经网络模型中,以使训练后的堆叠双向长短期记忆神经网络模型对所述目标设备的剩余使用寿命进行预测。
8.一种终端设备,其特征在于,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时,实现如权利要求1至6任一项所述的基于循环神经网络的机器健康监控方法中的各个步骤。
9.一种存储介质,所述存储介质为计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现如权利要求1至6任一项所述的基于循环神经网络的机器健康监控方法中的各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110365412.5A CN113052302B (zh) | 2021-04-02 | 2021-04-02 | 基于循环神经网络的机器健康监控方法、装置及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110365412.5A CN113052302B (zh) | 2021-04-02 | 2021-04-02 | 基于循环神经网络的机器健康监控方法、装置及终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113052302A true CN113052302A (zh) | 2021-06-29 |
CN113052302B CN113052302B (zh) | 2023-05-02 |
Family
ID=76517427
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110365412.5A Active CN113052302B (zh) | 2021-04-02 | 2021-04-02 | 基于循环神经网络的机器健康监控方法、装置及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113052302B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113505532A (zh) * | 2021-07-06 | 2021-10-15 | 新智数字科技有限公司 | 设备剩余寿命预测方法、装置、计算机设备及介质 |
CN113505533A (zh) * | 2021-07-06 | 2021-10-15 | 新智数字科技有限公司 | 一种设备健康状态预测方法和装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110004110A1 (en) * | 2000-05-30 | 2011-01-06 | Vladimir Shusterman | Personalized Monitoring and Healthcare Information Management Using Physiological Basis Functions |
CN107274011A (zh) * | 2017-06-05 | 2017-10-20 | 上海电力学院 | 综合马尔科夫模型和概率网络的设备状态识别方法 |
CN110110804A (zh) * | 2019-05-15 | 2019-08-09 | 上海飞机客户服务有限公司 | 基于cnn和lstm的飞控系统剩余寿命预测方法 |
US20190324432A1 (en) * | 2017-08-02 | 2019-10-24 | Strong Force Iot Portfolio 2016, Llc | Data monitoring systems and methods to update input channel routing in response to an alarm state |
WO2020008365A2 (en) * | 2018-07-02 | 2020-01-09 | 3M Innovative Properties Company | Transferring learning in classifier-based sensing systems |
CN111368863A (zh) * | 2018-12-26 | 2020-07-03 | 上海海事大学 | 一种智能化的岸桥关键机构健康状态评估方法 |
CN112101220A (zh) * | 2020-09-15 | 2020-12-18 | 哈尔滨理工大学 | 一种无监督模型参数迁移的滚动轴承寿命预测方法 |
CN112257745A (zh) * | 2020-09-11 | 2021-01-22 | 煤炭科学技术研究院有限公司 | 基于隐马尔可夫的煤矿井下系统健康度预测方法及装置 |
-
2021
- 2021-04-02 CN CN202110365412.5A patent/CN113052302B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110004110A1 (en) * | 2000-05-30 | 2011-01-06 | Vladimir Shusterman | Personalized Monitoring and Healthcare Information Management Using Physiological Basis Functions |
CN107274011A (zh) * | 2017-06-05 | 2017-10-20 | 上海电力学院 | 综合马尔科夫模型和概率网络的设备状态识别方法 |
US20190324432A1 (en) * | 2017-08-02 | 2019-10-24 | Strong Force Iot Portfolio 2016, Llc | Data monitoring systems and methods to update input channel routing in response to an alarm state |
WO2020008365A2 (en) * | 2018-07-02 | 2020-01-09 | 3M Innovative Properties Company | Transferring learning in classifier-based sensing systems |
CN111368863A (zh) * | 2018-12-26 | 2020-07-03 | 上海海事大学 | 一种智能化的岸桥关键机构健康状态评估方法 |
CN110110804A (zh) * | 2019-05-15 | 2019-08-09 | 上海飞机客户服务有限公司 | 基于cnn和lstm的飞控系统剩余寿命预测方法 |
CN112257745A (zh) * | 2020-09-11 | 2021-01-22 | 煤炭科学技术研究院有限公司 | 基于隐马尔可夫的煤矿井下系统健康度预测方法及装置 |
CN112101220A (zh) * | 2020-09-15 | 2020-12-18 | 哈尔滨理工大学 | 一种无监督模型参数迁移的滚动轴承寿命预测方法 |
Non-Patent Citations (2)
Title |
---|
FENG YANG等: ""Health Index-Based Prognostics for Remaining Useful Life Predictions in Electrical Machines"", 《IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS》 * |
王锴烨: ""基于循环神经网络的机械设备健康状态预测方法"", 《中国优秀硕士学位论文全文数据库-工程科技II辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113505532A (zh) * | 2021-07-06 | 2021-10-15 | 新智数字科技有限公司 | 设备剩余寿命预测方法、装置、计算机设备及介质 |
CN113505533A (zh) * | 2021-07-06 | 2021-10-15 | 新智数字科技有限公司 | 一种设备健康状态预测方法和装置 |
CN113505532B (zh) * | 2021-07-06 | 2023-12-29 | 新奥新智科技有限公司 | 设备剩余寿命预测方法、装置、计算机设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113052302B (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6896069B2 (ja) | k近傍およびロジスティック回帰アプローチを用いた時系列異常検出、異常分類、ならびに遷移分析 | |
Huang et al. | An enhanced deep learning-based fusion prognostic method for RUL prediction | |
CN109814527B (zh) | 基于lstm循环神经网络工业设备故障预测方法及装置 | |
JP7183471B2 (ja) | 将来の動作の予測分類 | |
JP2022500745A (ja) | 異常検出および/または予知保全のためのコンピュータ実装方法、コンピュータプログラム製品およびシステム | |
Fan et al. | Imbalanced sample selection with deep reinforcement learning for fault diagnosis | |
Lu et al. | GAN-based data augmentation strategy for sensor anomaly detection in industrial robots | |
JP2019527413A (ja) | 根本的原因分析を実行してプラントワイド操業での希少イベントの発生の予測モデルを構築するコンピュータシステムおよび方法 | |
CN113052302B (zh) | 基于循环神经网络的机器健康监控方法、装置及终端设备 | |
CN111160687A (zh) | 主动资产监控 | |
CN111340110B (zh) | 一种基于工业过程运行状态趋势分析的故障预警方法 | |
Wang et al. | Decision tree based control chart pattern recognition | |
Galbally et al. | A pattern recognition approach based on DTW for automatic transient identification in nuclear power plants | |
CN115484102A (zh) | 一种面向工业控制系统的异常检测系统和方法 | |
JP2019105871A (ja) | 異常候補抽出プログラム、異常候補抽出方法および異常候補抽出装置 | |
WO2017127260A1 (en) | System and method for allocating machine behavioral models | |
JP7173284B2 (ja) | イベント監視装置、方法及びプログラム | |
CN111930728A (zh) | 一种设备的特征参数和故障率的预测方法及系统 | |
CN113377630B (zh) | 一种通用的kpi异常检测框架实现方法 | |
Chen et al. | Degradation modeling and classification of mixed populations using segmental continuous hidden Markov models | |
CN110874601A (zh) | 识别设备运行状态的方法、状态识别模型训练方法及装置 | |
CN114897274A (zh) | 一种提升时间序列预测效果的方法和系统 | |
JP7004866B2 (ja) | マルチレベル・パターン認識に基づく複雑な動作システムにおけるコンディションの評価のためのシステム及び方法 | |
CN115249059A (zh) | 模型训练及异常数据分析方法、装置及计算机存储介质 | |
Mayer et al. | Transformer networks for univariate time series prediction in predictive process control |
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 |