CN113255977B - 基于工业互联网的智慧工厂生产设备故障预测方法及系统 - Google Patents
基于工业互联网的智慧工厂生产设备故障预测方法及系统 Download PDFInfo
- Publication number
- CN113255977B CN113255977B CN202110523115.9A CN202110523115A CN113255977B CN 113255977 B CN113255977 B CN 113255977B CN 202110523115 A CN202110523115 A CN 202110523115A CN 113255977 B CN113255977 B CN 113255977B
- Authority
- CN
- China
- Prior art keywords
- model
- fgcnn
- alarm information
- fault
- layer
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 62
- 230000006870 function Effects 0.000 claims description 71
- 239000013598 vector Substances 0.000 claims description 49
- 238000012937 correction Methods 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 21
- 230000004913 activation Effects 0.000 claims description 18
- 230000004044 response Effects 0.000 claims description 6
- 208000000044 Amnesia Diseases 0.000 claims description 4
- 208000026139 Memory disease Diseases 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 4
- 230000006984 memory degeneration Effects 0.000 claims description 4
- 208000023060 memory loss Diseases 0.000 claims description 4
- 239000000523 sample Substances 0.000 description 115
- 238000009826 distribution Methods 0.000 description 24
- 238000013527 convolutional neural network Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000002826 coolant Substances 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
Images
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Probability & Statistics with Applications (AREA)
- Manufacturing & Machinery (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及工业互联网技术领域,尤其涉及一种基于工业互联网的智慧工厂生产设备故障预测方法及系统,包括:从存储基于工业互联网的智慧工厂系统产生的告警信息的样本数据集中获得故障告警信息样本,将故障告警信息样本输入WGAN‑GP模型中,训练WGAN‑GP模型,生成故障告警信息样本比例平衡的数据集;将生成的故障告警信息样本比例平衡的数据集输入M‑FGCNN模型,以训练M‑FGCNN模型;将基于工业互联网的智慧工厂系统实时产生的告警信息样本输入至训练好的M‑FGCNN模型中,得到生产设备是否发生故障的预测结果;依据预测结果,进行故障工单的下达。本申请提高了基于工业互联网的智慧工厂生产设备故障预测的效率以及预测的精度,满足了生产设备故障预测高精度、低延时的要求。
Description
技术领域
本申请涉及工业互联网技术领域,尤其涉及一种基于工业互联网的智慧工厂生产设备故障预测方法及系统。
背景技术
智能制造是实现整个制造业价值链的智能化和创新,是信息化与工业化深度融合的进一步提升。智能制造融合了信息技术、先进制造技术、自动化技术和人工智能技术。智能制造包括开发智能产品;应用智能装备;自底向上建立智能产线,构建智能车间,打造智能工厂;践行智能研发;形成智能物流和供应链体系;开展智能管理;推进智能服务;最终实现智能决策。在智慧工厂建设中,信息技术得以应用的基础设施是工业互联网,工业互联网作为制造业与互联网深度融合的产物,已经成为新工业革命的关键支撑和智能制造的重要基石。
然而,在面向智慧工厂的工业互联网中,存在着海量传感器、生产设备、用户设备、边缘服务器、云服务器等多种类型网络实体,以及光纤网络、蜂窝网络、无线局域网等多种网络形式,因此,网络复杂度极高。而网络中任何设备发生故障都可能导致与之关联的设备一同产生告警,从而引发越来越多的告警数据,这样的情况使得工厂网管人员无法及时且准确地定位故障,为网络维护带来很大困难,尤其是生产设备告警,对告警处理的时效性要求极高,且需要具有一定的预测能力,避免设备故障导致生产线停机影响生产效率。
目前,工业互联网络管理可以借鉴传统通信网络管理方法,但是依然存在故障预测效率低以及故障预测精度低的问题。
因此,如何提高基于工业互联网的智慧工厂生产设备故障预测的效率以及预测的精度,以满足生产设备故障预测高精度、低延时的要求,是目前本领域技术人员需要解决的技术问题。
发明内容
本申请提供了一种基于工业互联网的智慧工厂生产设备故障预测方法及系统,以提高基于工业互联网的智慧工厂生产设备故障预测的效率以及预测的精度,满足生产设备故障预测高精度、低延时的要求。
为解决上述技术问题,本申请提供如下技术方案:
一种基于工业互联网的智慧工厂生产设备故障预测方法,包括如下步骤:从存储基于工业互联网的智慧工厂系统产生的告警信息的样本数据集中获得故障告警信息样本,将故障告警信息样本输入WGAN-GP模型中,训练WGAN-GP模型,生成故障告警信息样本比例平衡的数据集;将生成的故障告警信息样本比例平衡的数据集输入M-FGCNN模型,以训练M-FGCNN模型;将基于工业互联网的智慧工厂系统实时产生的告警信息样本输入至训练好的M-FGCNN模型中,得到生产设备是否发生故障的预测结果;依据预测结果,进行故障工单的下达。
如上所述的基于工业互联网的智慧工厂生产设备故障预测方法,还包括如下步骤:产生的告警信息积累至预定数量时,将积累的告警信息存储至样本数据集中,以更新样本数据集;响应于样本数据集的更新,依据样本数据集中更新的告警信息对WGAN-GP模型和M-FGCNN模型继续进行训练。
如上所述的基于工业互联网的智慧工厂生产设备故障预测方法,其中,优选的,WGAN-GP模型包括:鉴别器D和生成器G,鉴别器D采用四层全连接网络,每层网络之间使用泄露修正线性单元作为激活函数,在鉴别器D的输出层使用sigmoid函数单元通过sigmoid函数对输出变量进行二分类;生成器G采用三层全连接网络,每层网络之间使用泄露修正线性单元作为激活函数,在生成器G的输出层使用softmax函数单元通过softmax函数进行分类变量,并将所有输入特征的输出层进行拼接作为生成器G的最终输出。
如上所述的基于工业互联网的智慧工厂生产设备故障预测方法,其中,优选的是,M-FGCNN模型的基本结构为Wide&Deep模型,其中FM模型为Wide&Deep模型Wide侧的结构,而FGCNN模型为Wide&Deep模型Deep侧的结构。
如上所述的基于工业互联网的智慧工厂生产设备故障预测方法,其中,优选的是,在FGCNN模型的嵌入层中增加告警信息记忆向量,其中告警信息记忆向量为FGCNN模型前一轮输出的向量的高阶抽象表示。
一种基于工业互联网的智慧工厂生产设备故障预测系统,包括:告警信息采集设备、存储器、训练模块、预测模块和下达模块;告警信息采集设备采集基于工业互联网的智慧工厂系统产生的告警信息,并存储至存储器中的样本数据集中;训练模块从存储器的样本数据集中获得故障告警信息样本,将故障告警信息样本输入WGAN-GP模型中,训练WGAN-GP模型,生成故障告警信息样本比例平衡的数据集;训练模块将生成的故障告警信息样本比例平衡的数据集输入M-FGCNN模型,以训练M-FGCNN模型形成预测模块;将基于工业互联网的智慧工厂系统实时产生的告警信息样本输入至预测模块中,得到生产设备是否发生故障的预测结果;下达模块依据预测结果,进行故障工单的下达。
如上所述的基于工业互联网的智慧工厂生产设备故障预测系统,其中,优选的是,产生的告警信息积累至预定数量时,将积累的告警信息存储至存储器的样本数据集中,以更新样本数据集;响应于样本数据集的更新,训练模块依据样本数据集中更新的告警信息对WGAN-GP模型和M-FGCNN模型继续进行训练。
如上所述的基于工业互联网的智慧工厂生产设备故障预测系统,其中,优选的是,WGAN-GP模型包括:鉴别器D和生成器G,鉴别器D采用四层全连接网络,每层网络之间使用泄露修正线性单元作为激活函数,在鉴别器D的输出层使用sigmoid函数单元通过sigmoid函数对输出变量进行二分类;生成器G采用三层全连接网络,每层网络之间使用泄露修正线性单元作为激活函数,在生成器G的输出层使用softmax函数单元通过softmax函数进行分类变量,并将所有输入特征的输出层进行拼接作为生成器G的最终输出。
如上所述的基于工业互联网的智慧工厂生产设备故障预测系统,其中,优选的是,M-FGCNN模型的基本结构为Wide&Deep模型,其中FM模型为Wide&Deep模型Wide侧的结构,而FGCNN模型为Wide&Deep模型Deep侧的结构。
如上所述的基于工业互联网的智慧工厂生产设备故障预测系统,其中,优选的是,在FGCNN模型的嵌入层中增加告警信息记忆向量,其中告警信息记忆向量为FGCNN模型前一轮输出的向量的高阶抽象表示。
相对上述背景技术,本发明所提供的基于工业互联网的智慧工厂生产设备故障预测方法及系统,提高了基于工业互联网的智慧工厂生产设备故障预测的效率以及预测的精度,以满足生产设备故障预测高精度、低延时的要求。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的基于工业互联网的智慧工厂生产设备故障预测方法的流程图;
图2是本申请实施例提供的WGAN-GP模型的结构示意图;
图3是本申请实施例提供的M-FGCNN模型的结构示意图;
图4是本申请实施例提供的基于工业互联网的智慧工厂生产设备故障预测系统的示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能解释为对本申请的限制。
实施例一
如图1所示,本申请提供了一种基于工业互联网的智慧工厂生产设备故障预测方法,包括如下步骤:
步骤S110、从存储基于工业互联网的智慧工厂系统产生的告警信息的样本数据集中获得故障告警信息样本,将故障告警信息样本输入WGAN-GP模型中,训练WGAN-GP模型,生成故障告警信息样本比例平衡的数据集;
通常,基于工业互联网的智慧工厂系统存在大量告警信息(例如:通过转速传感器监测而产生的转轴转速超过阈值的告警信息、通过温度传感器监测而产生的生产设备温度超过阈值的告警信息等),但是其中反映基于工业互联网的智慧工厂系统发生故障的故障告警信息却非常少(例如:引起生产设备温度超过阈值的因素有环境温度超过阈值、发动机温度超过阈值、冷却液温度超过阈值等,但是其中反映生产设备可能发生故障的告警信息可能只有发动机温度超过阈值),即正负样本比例非常悬殊,存在着样本不平衡问题(其中告警信息中少数类的故障告警信息为正样本,而告警信息中多数类的其余信息为负样本)。通过不平衡的样本训练得到的故障预测模型将倾向于将后续用于预测的数据判断为多数类样本,即负样本。如果将通过不平衡的样本训练得到的故障预测模型部署在智慧工厂的线上环境,将无法判断生产设备发生故障的情况。
由于基于工业互联网的智慧工厂系统产生的告警信息中包含较少的体现生产设备发生故障的故障告警信息,所以告警信息中正负样本比例非常悬殊。因此,本申请中将基于工业互联网的智慧工厂产生的告警信息存储至样本数据集中,待训练故障预测模型(M-FGCNN模型)前,先从存储告警信息的样本数据集中的获得能够引起生产设备故障的故障告警信息样本,从大量的告警信息中提取少数类故障告警信息需要依据经验值(专家经验),然后将故障告警信息样本输入WGAN-GP模型(Wasserstein Generative AdversarialNetworks-Gradient Penalty,基于Wasserstein距离的梯度惩罚生成对抗网络)中,使用WGAN-GP模型学习告警信息中少数的故障告警信息样本的分布,从而训练WGAN-GP模型,生成故障告警信息样本比例平衡的数据集,以作为后续故障预测模型的输入,进而解决了基于工业互联网的智慧工厂系统产生的告警信息中存在样本不均衡的问题。
由于WGAN-GP模型使用了Wasserstein距离(Wasserstein距离又叫Earth-Mover距离,即EM距离,用于衡量两个分布之间的距离),从而使得梯度下降平缓,可以提供有意义的梯度来度量正样本(告警信息中的故障告警信息)和负样本(告警信息中的其余信息)之间分布的差异,进而可以学习告警信息中少数故障告警信息样本的分布。
具体的,如图2所示,WGAN-GP模型包括:鉴别器D和生成器G。其中,鉴别器D采用四层全连接网络,每层网络之间使用泄露修正线性单元(Leaky Rectified Linear Unit,LeakyReLU)作为激活函数,以避免训练WGAN-GP模型过程中梯度的消失,其中leakyRelu是深度学习中常用的激活函数。具体的,第一层网络FC1的输入端作为鉴别器D的输入,第一层网络FC1的输出端与第二层网络FC2的输入端之间连接有第一泄露修正线性单元LeakyReLU1,第二层网络FC2的输出端与第三层网络FC3的输入端之间连接有第二泄露修正线性单元LeakyReLU2,第三层网络FC3的输出端与第四层网络FC4的输入端之间连接有第三泄露修正线性单元LeakyReLU3,第四层网络FC4的输出端与第四泄露修正线性单元LeakyReLU4连接。另外,由于sigmoid函数具有单增的性质以及其反函数具有单增的性质,因此在鉴别器D的输出层使用sigmoid函数单元通过sigmoid函数对输出变量进行二分类,以将输出变量映射到0,1之间。具体的,第四泄露修正线性单元LeakyReLU4还与sigmoid函数单元的输入端连接,sigmoid函数单元的输出端作为鉴别器D的输出。其中,鉴别器D的损失函数LD表示为:Pr为故障告警信息样本x的分布;Pg为生成器G生成的假故障告警信息样本/>的分布;/>为输入生成器G的随机样本/>的分布,在初始情况时,随机样本/>为随机产生的数据样本,在后续迭代过程中,随机样本/>为依据鉴别器D输出的鉴别结果而产生的数据样本;λ为梯度惩罚项的系数,D(·)为鉴别器D对输入的故障告警信息样本x和假故障告警信息样本/>的鉴别结果,/>为对分布为Pg的生成器G生成的假故障告警信息样本/>的/>求数学期望,/>为对分布为Pr的故障告警信息样本x的D(x)求数学期望,/>为对分布为/>的输入生成器G的随机样本/>的/>求数学期望,‖.‖2为2范数运算,/>为生成器G生成的随机样本/>的梯度。
生成器G采用三层全连接网络,每层网络之间使用泄露修正线性单元(LeakyRectified Linear Unit,LeakyReLU)作为激活函数。具体的,第五层网络FC5的输入端作为生成器G的输入,第五层网络FC5的输出端与第六层网络FC6的输入端之间连接有第五泄露修正线性单元LeakyReLU5,第六层网络FC6的输出端与第七层网络FC7的输入端之间连接有第六泄露修正线性单元LeakyReLU6,第七层网络FC7的输出端与第七泄露修正线性单元LeakyReLU7连接。另外,由于输入生成器G随机样本通常具有离散性,因此在生成器G的输出层使用softmax函数单元通过softmax函数进行分类变量,并将所有输入特征的输出层进行拼接作为生成器G的最终输出。具体的,第七泄露修正线性单元LeakyReLU7还与softmax函数单元的输入端连接,softmax函数单元的输出端作为生成器G的输出。其中,生成器G的损失函数LG表示为:/>Pg为生成器G生成的假故障告警信息样本/>的分布,D(·)为鉴别器D对输入的故障告警信息样本x和假故障告警信息样本/>的鉴别结果,为对分布为Pg的生成器G生成的假故障告警信息样本/>的/>求数学期望。
具体的,首先生成随机随机样本将生成随机样本/>输入至生成器G中,从生成器G中输出假故障告警信息样本/>并且从样本数据集中存储的告警信息中获得故障告警信息样本x,将假故障告警信息样本/>和故障告警信息样本x输入至鉴别器D中,从鉴别器D中输出鉴别结果,然后根据设定的迭代次数继续以这种模式反复多次训练鉴别器和生成器(WGAN-GP模型),直到训练过程结束,从鉴别器D中输出故障告警信息样本比例平衡的数据集。
步骤S120、将生成的故障告警信息样本比例平衡的数据集输入M-FGCNN模型,以训练M-FGCNN模型;
M-FGCNN模型是基于记忆的特征生成卷积神经网络(Memory based FeatureGeneration by Convolutional Neural Network)。具体的,如图3所示,M-FGCNN模型的基本结构为Wide&Deep模型,其中FM模型为Wide&Deep模型Wide侧的结构,而FGCNN模型为Wide&Deep模型Deep侧的结构。
其中,FM模型为因子分解机(Factorization Machine),是一种基于矩阵分解的机器学习算法。在训练FM模型时,由于将依据经验值(专家经验)生成的故障告警信息样本比例平衡的数据集输入至FM模型中是从众多的告警信息中提取出来的,,对FM模型进行训练后,因此使得训练好的FM模型结合了经验值(例如:告警类型、告警重要性、告警源等)。
具体的,将故障告警信息样本比例平衡的数据集中的故障告警信息x′作为输入,输入至FM模型中进行训练,训练得到FM模型 其中,f为FM模型的输出,si(x′)为输入FM模型的故障告警信息x′的第i个数据特征,wi为故障告警信息x′的第i个数据特征对应的权重,w0为偏置量,sj(x′)为输入FM模型的故障告警信息x′的第i+1个数据特征,wij为故障告警信息x′的第i个数据特征si(x′)和第j个数据特征sj(x′)进行组合时的权重,h为故障告警信息x′的数据特征个数。这里在FM模型的训练阶段,FM模型的输入为故障告警信息样本比例平衡的数据集中的故障告警信息,FM模型的输出为故障告警信息的数据特征组合关系与权重;而训练好后FM模型后,在通过训练好的FM模型进行故障结果预测阶段,FM模型的输入为实时产生的告警信息。
通过反映了经验值的故障告警信息样本比例平衡的数据集训练FM模型,对与故障告警信息包含的特征进行交互,训练好的FM模型中的故障告警信息对应的权重wi以及wij则更好的反映了经验值(专家经验)。另外,FGCNN模型为特征生成卷积神经网络(FeatureGeneration by Convolutional Neural Network)。由于FGCNN模型利用了CNN在特征抽取方面的优势,生成有效的局部特征,并通过全连接层对该特征进行重组,生成全局的新特征,然后将其与原始特征一同输入深度神经网络部分,以获得特征的高阶表示,完成分类任务,因此将其作为Wide&Deep模型Deep侧的结构,从而可以使模型具有很好的表达能力。
在上述基础上,由于基于工业互联网的智慧工厂系统产生的告警信息存在时序性,因此在FGCNN模型的嵌入层中增加告警信息记忆向量,告警信息记忆向量为FGCNN模型前一轮输出的向量的高阶抽象表示,从而使得FGCNN模型具有记忆性,并且FGCNN模型的整体训练难度小,模型部署于基于工业互联网的智慧工厂系统的线上环境时其预测速度也较快。
FGCNN模型的第i个输入表示为xi,其嵌入层的嵌入向量表示为ei,FGCNN模型的嵌入层的嵌入矩阵由n个输入的嵌入向量拼接而成,表示为E=[e1,e2,…,en],e1为第1个输入的嵌入层的嵌入向量,e2为第2个输入的嵌入层的嵌入向量,en为第n个输入的嵌入层的嵌入向量。向FGCNN模型的嵌入层中增加告警信息记忆向量m后,嵌入矩阵表示为E′=[e1,e2,…,en,m]。与原始嵌入矩阵E相比,E′不仅包含了当前输入的告警信息,还可以通过告警信息记忆向量包含之前的输入的告警信息。
具体的,将故障告警信息样本比例平衡的数据集具有的n个故障告警信息作为n个输入,输入至FGCNN模型中进行训练,训练得到至FGCNN模型的zK=ReLU(WKzK-1+bK)的第K层的权重矩阵WK。其中,zK为嵌入矩阵将通过一系列隐藏层进行学习,以获得高阶非线性的特征交互,在通过FGCNN模型的最后一个全连接层后,得到FGCNN模型第K层的输出;K表示FGCNN模型的当前层数;zK-1表示FGCNN模型第K-1层的输出;bK表示FGCNN模型第K层的偏置向量;ReLU(·)表示使用修正线性单元(Rectified Linear Unit,ReLU)作为激活函数。
为了在FGCNN模型的训练中引入记忆性,FGCNN模型的损失函数L定义为L=Lo+αLm,其中α为可调的超参数,Lo为交叉熵损失函数,Lm为记忆损失函数,表示告警信息记忆向量m和FGCNN模型输出zK之间的距离。
其中,其中y∈{0,1}为FGCNN模型依据/>输出的样本的标签(例如:输出0表示不发生故障,输出1则表示发生故障),/>表示FGCNN模型的故障概率预测结果,也就是预测输入样本为正样本(故障告警信息)的概率值,其中,∑x()表示对所有样本x做求和运算,n为FGCNN模型的输入个数。其中,∑x()表示对所有样本x做求和运算,n为FGCNN模型的输入个数。由此,就可以通过最小化损失函数Lm使告警信息记忆向量获得输出的最高级别抽象表示,从而在不断的训练过程中使模型具备记忆性。另外,通过反映了经验值的故障告警信息样本比例平衡的数据集训练FGCNN模型,训练好的FGCNN模型也反映了专家经验值。
这里在FGCNN模型的训练阶段,FGCNN模型的输入为故障告警信息样本比例平衡的数据集具有的n个故障告警信息,FGCNN模型的输出为故障告警的训练结果;而训练好后FGCNN模型后,在通过训练好的FGCNN模型进行故障结果预测阶段,FGCNN模型的输入为实时产生的告警信息样本具有的n个告警信息。
步骤S130、将基于工业互联网的智慧工厂系统实时产生的告警信息样本输入至训练好的M-FGCNN模型中,得到生产设备是否发生故障的预测结果;
待训练好M-FGCNN模型后,将M-FGCNN模型部署于基于工业互联网的智慧工厂系统的线上环境,实时监测基于工业互联网的智慧工厂系统产生的告警信息样本,将告警信息样本输入至训练好的M-FGCNN模型中,从而从训练好的M-FGCNN模型的输出生产设备是否发生故障的预测结果。由于训练好的M-FGCNN模型反映了经验值,因此训练好的M-FGCNN模型可以从众多的告警信息中提取故障告警信息进行是否发生故障的预测。
具体的,将告警信息样本输入至训练好的FM模型和FGCNN模型,分别得到输出,将FM模型和FGCNN模型得到的输出进行合并,从而形成生产设备是否发生故障的预测结果。
并且,基于工业互联网的智慧工厂产生的告警信息积累至预定数量时,将积累的告警信息存储至样本数据集中,以更新样本数据集,响应于样本数据集的更新,依据样本数据集中更新的告警信息对WGAN-GP模型和M-FGCNN模型继续进行训练,从而使得M-FGCNN模型能够不断适应复杂生产环境下基于工业互联网的生产设备故障预测,保证高效安全的设备运行。
步骤S140、依据预测结果,进行故障工单的下达;
从M-FGCNN模型输出生产设备是否发生故障的预测结果后,基于工业互联网的智慧工厂生产设备故障预测装置依据预测结果以及生产设备的实际运行情况、经验数据等下达故障工单,或者运营人员依据预测结果以及生产设备的实际运行情况、经验数据等下达故障工单,然后根据故障工单对生产设备进行停止、维修。
实施例二
如图4所示,本申请提供了一种基于工业互联网的智慧工厂生产设备故障预测系统400,包括:告警信息采集设备410、存储器420、训练模块430、预测模块440和下达模块450。
告警信息采集设备410采集基于工业互联网的智慧工厂系统产生的告警信息,并存储至存储器420中的样本数据集中。
基于工业互联网的智慧工厂系统会产生大量告警信息(例如:通过转速传感器监测而产生的转轴转速超过阈值的告警信息、通过温度传感器监测而产生的生产设备温度超过阈值的告警信息等),通过告警信息采集设备410(转速传感器、温度传感器等)采集告警信息,并将告警信息存储至存储器420中的样本数据集中。
训练模块430从本数据集中获得故障告警信息样本,将故障告警信息样本输入WGAN-GP模型中,训练WGAN-GP模型,生成故障告警信息样本比例平衡的数据集。
样本数据集中反映基于工业互联网的智慧工厂系统发生故障的故障告警信息却非常少(例如:引起生产设备温度超过阈值的因素有环境温度超过阈值、发动机温度超过阈值、冷却液温度超过阈值等,但是其中反映生产设备可能发生故障的告警信息可能只有发动机温度超过阈值),即正负样本比例非常悬殊,存在着样本不平衡问题(其中告警信息中少数类的故障告警信息为正样本,而告警信息中多数类的其余信息为负样本)。通过不平衡的样本训练得到的故障预测模型将倾向于将后续用于预测的数据判断为多数类样本,即负样本。如果将通过不平衡的样本训练得到的故障预测模型部署在智慧工厂的线上环境,将无法判断生产设备发生故障的情况。
由于基于工业互联网的智慧工厂系统产生的告警信息中包含较少的体现生产设备发生故障的故障告警信息,所以告警信息中正负样本比例非常悬殊。因此,本申请中将基于工业互联网的智慧工厂产生的告警信息存储至样本数据集中,待训练故障预测模型(M-FGCNN模型)前,训练模块430先从存储告警信息的样本数据集中的获得能够引起生产设备故障的故障告警信息样本,从大量的告警信息中提取少数类故障告警信息需要依据经验值(专家经验),然后将故障告警信息样本输入WGAN-GP模型(Wasserstein GenerativeAdversarial Networks-Gradient Penalty,基于Wasserstein距离的梯度惩罚生成对抗网络)中,使用WGAN-GP模型学习告警信息中少数的故障告警信息样本的分布,从而训练WGAN-GP模型,生成故障告警信息样本比例平衡的数据集,以作为后续故障预测模型的输入,进而解决了基于工业互联网的智慧工厂系统产生的告警信息中存在样本不均衡的问题。
由于WGAN-GP模型使用了Wasserstein距离(Wasserstein距离又叫Earth-Mover距离,即EM距离,用于衡量两个分布之间的距离),从而使得梯度下降平缓,可以提供有意义的梯度来度量正样本(告警信息中的故障告警信息)和负样本(告警信息中的其余信息)之间分布的差异,进而可以学习告警信息中少数故障告警信息样本的分布。
具体的,如图2所示,WGAN-GP模型包括:鉴别器D和生成器G。其中,鉴别器D采用四层全连接网络,每层网络之间使用泄露修正线性单元(Leaky Rectified Linear Unit,LeakyReLU)作为激活函数,以避免训练WGAN-GP模型过程中梯度的消失,其中leakyRelu是深度学习中常用的激活函数。具体的,第一层网络FC1的输入端作为鉴别器D的输入,第一层网络FC1的输出端与第二层网络FC2的输入端之间连接有第一泄露修正线性单元LeakyReLU1,第二层网络FC2的输出端与第三层网络FC3的输入端之间连接有第二泄露修正线性单元LeakyReLU2,第三层网络FC3的输出端与第四层网络FC4的输入端之间连接有第三泄露修正线性单元LeakyReLU3,第四层网络FC4的输出端与第四泄露修正线性单元LeakyReLU4连接。另外,由于sigmoid函数具有单增的性质以及其反函数具有单增的性质,因此在鉴别器D的输出层使用sigmoid函数单元通过sigmoid函数对输出变量进行二分类,以将输出变量映射到0,1之间。具体的,第四泄露修正线性单元LeakyReLU4还与sigmoid函数单元的输入端连接,sigmoid函数单元的输出端作为鉴别器D的输出。其中,鉴别器D的损失函数LD表示为:Pr为故障告警信息样本x的分布;Pg为生成器G生成的假故障告警信息样本/>的分布;/>为输入生成器G的随机样本/>的分布,在初始情况时,随机样本/>为随机产生的数据样本,在后续迭代过程中,随机样本/>为依据鉴别器D输出的鉴别结果而产生的数据样本;λ为梯度惩罚项的系数,D(·)为鉴别器D对输入的故障告警信息样本x和假故障告警信息样本/>的鉴别结果,/>为对分布为Pg的生成器G生成的假故障告警信息样本/>的/>求数学期望,/>为对分布为Pr的故障告警信息样本x的D(x)求数学期望,/>为对分布为/>的输入生成器G的随机样本/>的/>求数学期望,‖.‖2为2范数运算,/>为生成器G生成的随机样本/>的梯度。
生成器G采用三层全连接网络,每层网络之间使用泄露修正线性单元(LeakyRectified Linear Unit,LeakyReLU)作为激活函数。具体的,第五层网络FC5的输入端作为生成器G的输入,第五层网络FC5的输出端与第六层网络FC6的输入端之间连接有第五泄露修正线性单元LeakyReLU5,第六层网络FC6的输出端与第七层网络FC7的输入端之间连接有第六泄露修正线性单元LeakyReLU6,第七层网络FC7的输出端与第七泄露修正线性单元LeakyReLU7连接。另外,由于输入生成器G随机样本通常具有离散性,因此在生成器G的输出层使用softmax函数单元通过softmax函数进行分类变量,并将所有输入特征的输出层进行拼接作为生成器G的最终输出。具体的,第七泄露修正线性单元LeakyReLU7还与softmax函数单元的输入端连接,softmax函数单元的输出端作为生成器G的输出。其中,生成器G的损失函数LG表示为:/>Pg为生成器G生成的假故障告警信息样本/>的分布,D(·)为鉴别器D对输入的故障告警信息样本x和假故障告警信息样本/>的鉴别结果,/>为对分布为Pg的生成器G生成的假故障告警信息样本/>的/>求数学期望。
具体的,首先生成随机随机样本将生成随机样本/>输入至生成器G中,从生成器G中输出假故障告警信息样本/>并且从样本数据集中存储的告警信息中获得故障告警信息样本x,将假故障告警信息样本/>和故障告警信息样本x输入至鉴别器D中,从鉴别器D中输出鉴别结果,然后根据设定的迭代次数继续以这种模式反复多次训练鉴别器和生成器(WGAN-GP模型),直到训练过程结束,从鉴别器D中输出故障告警信息样本比例平衡的数据集。
训练模块430将生成的故障告警信息样本比例平衡的数据集输入M-FGCNN模型,以训练M-FGCNN模型形成预测模块440。
M-FGCNN模型是基于记忆的特征生成卷积神经网络(Memory based FeatureGeneration by Convolutional Neural Network)。具体的,如图3所示,M-FGCNN模型的基本结构为Wide&Deep模型,其中FM模型为Wide&Deep模型Wide侧的结构,而FGCNN模型为Wide&Deep模型Deep侧的结构。基于此,训练M-FGCNN模型形成预测模块440包括对FM模型的训练和对FGCNN模型的训练。
其中,FM模型为因子分解机(Factorization Machine),是一种基于矩阵分解的机器学习算法。在训练FM模型时,由于将依据经验值(专家经验)生成的故障告警信息样本比例平衡的数据集输入至FM模型中,对FM模型进行训练后,因此使得训练好的FM模型结合了经验值(例如:告警类型、告警重要性、告警源等)。
具体的,将故障告警信息样本比例平衡的数据集中的故障告警信息x′作为输入,输入至FM模型中进行训练,训练得到FM模型 其中,f为FM模型的输出,si(x′)为输入FM模型的故障告警信息x′的第i个数据特征,wi为故障告警信息x′的第i个数据特征对应的权重,w0为偏置量,sj(x′)为输入FM模型的故障告警信息x′的第i+1个数据特征,wij为故障告警信息x′的第i个数据特征si(x′)和第j个数据特征sj(x′)进行组合时的权重,h为故障告警信息x′的数据特征个数。这里在FM模型的训练阶段,FM模型的输入为故障告警信息样本比例平衡的数据集中的故障告警信息,FM模型的输出为故障告警信息的数据特征组合关系与权重;而训练好后FM模型后,在通过训练好的FM模型进行故障结果预测阶段,FM模型的输入为实时产生的告警信息。
通过反映了经验值的故障告警信息样本比例平衡的数据集训练FM模型,对与故障告警信息包含的特征进行交互,训练好的FM模型中的故障告警信息对应的权重wi以及wij则更好的反映了经验值(专家经验)。另外,FGCNN模型为特征生成卷积神经网络(FeatureGeneration by Convolutional Neural Network)。由于FGCNN模型利用了CNN在特征抽取方面的优势,生成有效的局部特征,并通过全连接层对该特征进行重组,生成全局的新特征,然后将其与原始特征一同输入深度神经网络部分,以获得特征的高阶表示,完成分类任务,因此将其作为Wide&Deep模型Deep侧的结构,从而可以使模型具有很好的表达能力。
在上述基础上,由于基于工业互联网的智慧工厂系统产生的告警信息存在时序性,因此在FGCNN模型的嵌入层中增加告警信息记忆向量,告警信息记忆向量为FGCNN模型前一轮输出的向量的高阶抽象表示,从而使得FGCNN模型具有记忆性,并且FGCNN模型的整体训练难度小,模型部署于基于工业互联网的智慧工厂系统的线上环境时其预测速度也较快。
FGCNN模型的第i个输入表示为xi,其嵌入层的嵌入向量表示为ei,FGCNN模型的嵌入层的嵌入矩阵由n个输入的嵌入向量拼接而成,表示为E=[e1,e2,…,en],e1为第1个输入的嵌入层的嵌入向量,e2为第2个输入的嵌入层的嵌入向量,en为第n个输入的嵌入层的嵌入向量。向FGCNN模型的嵌入层中增加告警信息记忆向量m后,嵌入矩阵表示为E′=[e1,e2,…,en,m]。与原始嵌入矩阵E相比,E′不仅包含了当前输入的告警信息,还可以通过告警信息记忆向量包含之前的输入的告警信息。
具体的,将故障告警信息样本比例平衡的数据集具有的n个故障告警信息作为n个输入,输入至FGCNN模型中进行训练,训练得到至FGCNN模型的zK=ReLU(WKzK-1+bK)的第K层的权重矩阵WK。其中,zK为嵌入矩阵将通过一系列隐藏层进行学习,以获得高阶非线性的特征交互,在通过FGCNN模型的最后一个全连接层后,得到FGCNN模型第K层的输出;K表示FGCNN模型的当前层数;zK-1表示FGCNN模型第K-1层的输出;bK表示FGCNN模型第K层的偏置向量;ReLU(·)表示使用修正线性单元(Rectified Linear Unit,ReLU)作为激活函数。
为了在FGCNN模型的训练中引入记忆性,FGCNN模型的损失函数L定义为L=Lo+αLm,其中α为可调的超参数,Lo为交叉熵损失函数,Lm为记忆损失函数,表示告警信息记忆向量m和FGCNN模型输出zK之间的距离。
其中,其中y∈{0,1}为FGCNN模型依据/>输出的样本的标签(例如:输出0表示不发生故障,输出1则表示发生故障),/>表示FGCNN模型的故障概率预测结果,也就是预测输入样本为正样本(故障告警信息)的概率值,其中,∑x()表示对所有样本x做求和运算,n为FGCNN模型的输入个数。其中,∑x()表示对所有样本x做求和运算,n为FGCNN模型的输入个数。由此,就可以通过最小化损失函数Lm使告警信息记忆向量获得输出的最高级别抽象表示,从而在不断的训练过程中使模型具备记忆性。另外,通过反映了经验值的故障告警信息样本比例平衡的数据集训练FGCNN模型,训练好的FGCNN模型也反映了专家经验值。
这里在FGCNN模型的训练阶段,FGCNN模型的输入为故障告警信息样本比例平衡的数据集具有的n个故障告警信息,FGCNN模型的输出为故障告警的训练结果;而训练好后FGCNN模型后,在通过训练好的FGCNN模型进行故障结果预测阶段,FGCNN模型的输入为实时产生的告警信息样本具有的n个告警信息。
将基于工业互联网的智慧工厂系统实时产生的告警信息样本输入至预测模块440中,得到生产设备是否发生故障的预测结果。
待训练好M-FGCNN模型后,形成预测模块440,将预测模块440部署于基于工业互联网的智慧工厂系统的线上环境,实时监测基于工业互联网的智慧工厂系统产生的告警信息样本,将告警信息样本输入至预测模块440中,从而得到生产设备是否发生故障的预测结果。由于预测模块440反映了经验值,因此预测模块440可以从众多的告警信息中提取故障告警信息进行是否发生故障的预测。
具体的,将告警信息样本输入至训练好的FM模型和FGCNN模型,分别得到输出,将FM模型和FGCNN模型得到的输出进行合并,从而形成生产设备是否发生故障的预测结果。
并且,基于工业互联网的智慧工厂产生的告警信息积累至预定数量时,将积累的告警信息存储至存储器420的样本数据集中,以更新样本数据集,响应于样本数据集的更新,训练模块430依据样本数据集中更新的告警信息对WGAN-GP模型和M-FGCNN模型继续进行训练,从而使得M-FGCNN模型能够不断适应复杂生产环境下基于工业互联网的生产设备故障预测,保证高效安全的设备运行。
下达模块450依据预测结果,进行故障工单的下达。
从M-FGCNN模型输出生产设备是否发生故障的预测结果后,基于工业互联网的智慧工厂生产设备故障预测装置依据预测结果以及生产设备的实际运行情况、经验数据等下达故障工单,或者运营人员依据预测结果以及生产设备的实际运行情况、经验数据等下达故障工单,然后根据故障工单对生产设备进行停止、维修。
用WGAN-GP模型学习告警信息中少数类故障告警信息的分布,生成新的故障告警信息样本比例平衡的数据集,从而对数据集的样本比例进行均衡;另外,利用FM模型作为Wide&Deep模型Wide侧的结构生成基于经验值的特征作为Wide侧的输入,利用FGCNN模型作为Wide&Deep模型Deep侧的结构,并且在FGCNN模型的嵌入矩阵中引入告警信息记忆向量,从而使得FGCNN模型具有记忆性,从而提高基于工业互联网的智慧工厂生产设备故障预测的效率以及预测的精度,以满足生产设备故障预测高精度、低延时的要求。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (6)
1.一种基于工业互联网的智慧工厂生产设备故障预测方法,其特征在于,包括如下步骤:
从存储基于工业互联网的智慧工厂系统产生的告警信息的样本数据集中获得故障告警信息样本,将故障告警信息样本输入WGAN-GP模型中,训练WGAN-GP模型,生成故障告警信息样本比例平衡的数据集;
将生成的故障告警信息样本比例平衡的数据集输入M-FGCNN模型,以训练M-FGCNN模型;
将基于工业互联网的智慧工厂系统实时产生的告警信息样本输入至训练好的M-FGCNN模型中,得到生产设备是否发生故障的预测结果;
依据预测结果,进行故障工单的下达;
其中,M-FGCNN模型的基本结构为Wide&Deep模型,其中FM模型为Wide&Deep模型Wide侧的结构,FGCNN模型为Wide&Deep模型Deep侧的结构;
FM模型其中,f为FM模型的输出,si(x′)为输入FM模型的故障告警信息x′的第i个数据特征,wi为故障告警信息x′的第i个数据特征对应的权重,w0为偏置量,sj(x′)为输入FM模型的故障告警信息x′的第i+1个数据特征,wij为故障告警信息x′的第i个数据特征si(x′)和第j个数据特征sj(x′)进行组合时的权重,h为故障告警信息x′的数据特征个数;
FGCNN模型的第i个输入表示为xi,其嵌入层的嵌入向量表示为ei,FGCNN模型的嵌入层的嵌入矩阵由n个输入的嵌入向量拼接而成,表示为E=[e1,e2,…,en],e1为第1个输入的嵌入层的嵌入向量,e2为第2个输入的嵌入层的嵌入向量,en为第n个输入的嵌入层的嵌入向量,向FGCNN模型的嵌入层中增加告警信息记忆向量m,嵌入矩阵表示为E′=[e1,e2,…,en,m];
将故障告警信息样本比例平衡的数据集具有的n个故障告警信息作为n个输入,输入至FGCNN模型中进行训练,训练得到FGCNN模型的zK=ReLU(WKzK-1+bK)的第K层的权重矩阵WK;其中,zK为嵌入矩阵将通过隐藏层进行学习,以获得高阶非线性的特征交互,在通过FGCNN模型的最后一个全连接层后,得到FGCNN模型第K层的输出;K表示FGCNN模型的当前层数;zK-1表示FGCNN模型第K-1层的输出;bK表示FGCNN模型第K层的偏置向量;ReLU(·)表示使用修正线性单元作为激活函数;
FGCNN模型的损失函数为L=Lo+αLm,其中α为可调的超参数,Lo为交叉熵损失函数,Lm为记忆损失函数,表示告警信息记忆向量m和FGCNN模型输出zK之间的距离;
2.根据权利要求1所述的基于工业互联网的智慧工厂生产设备故障预测方法,其特征在于,还包括如下步骤:
产生的告警信息积累至预定数量时,将积累的告警信息存储至样本数据集中,以更新样本数据集;
响应于样本数据集的更新,依据样本数据集中更新的告警信息对WGAN-GP模型和M-FGCNN模型继续进行训练。
3.根据权利要求1所述的基于工业互联网的智慧工厂生产设备故障预测方法,其特征在于,WGAN-GP模型包括:鉴别器D和生成器G,鉴别器D采用四层全连接网络,每层网络之间使用泄露修正线性单元作为激活函数,在鉴别器D的输出层使用sigmoid函数单元通过sigmoid函数对输出变量进行二分类;
生成器G采用三层全连接网络,每层网络之间使用泄露修正线性单元作为激活函数,在生成器G的输出层使用softmax函数单元通过softmax函数进行分类变量,并将所有输入特征的输出层进行拼接作为生成器G的最终输出。
4.一种基于工业互联网的智慧工厂生产设备故障预测系统,其特征在于,包括:告警信息采集设备、存储器、训练模块、预测模块和下达模块;
告警信息采集设备采集基于工业互联网的智慧工厂系统产生的告警信息,并存储至存储器中的样本数据集中;
训练模块从存储器的样本数据集中获得故障告警信息样本,将故障告警信息样本输入WGAN-GP模型中,训练WGAN-GP模型,生成故障告警信息样本比例平衡的数据集;
训练模块将生成的故障告警信息样本比例平衡的数据集输入M-FGCNN模型,以训练M-FGCNN模型形成预测模块;
将基于工业互联网的智慧工厂系统实时产生的告警信息样本输入至预测模块中,得到生产设备是否发生故障的预测结果;
下达模块依据预测结果,进行故障工单的下达;
其中,M-FGCNN模型的基本结构为Wide&Deep模型,其中FM模型为Wide&Deep模型Wide侧的结构,FGCNN模型为Wide&Deep模型Deep侧的结构;
FM模型其中,f为FM模型的输出,si(x′)为输入FM模型的故障告警信息x′的第i个数据特征,wi为故障告警信息x′的第i个数据特征对应的权重,w0为偏置量,sj(x′)为输入FM模型的故障告警信息x′的第i+1个数据特征,wij为故障告警信息x′的第i个数据特征si(x′)和第j个数据特征sj(x′)进行组合时的权重,h为故障告警信息x′的数据特征个数;
FGCNN模型的第i个输入表示为xi,其嵌入层的嵌入向量表示为ei,FGCNN模型的嵌入层的嵌入矩阵由n个输入的嵌入向量拼接而成,表示为E=[e1,e2,…,en],e1为第1个输入的嵌入层的嵌入向量,e2为第2个输入的嵌入层的嵌入向量,en为第n个输入的嵌入层的嵌入向量,向FGCNN模型的嵌入层中增加告警信息记忆向量m,嵌入矩阵表示为E′=[e1,e2,…,en,m];
将故障告警信息样本比例平衡的数据集具有的n个故障告警信息作为n个输入,输入至FGCNN模型中进行训练,训练得到FGCNN模型的
zK=ReLU(WKzK-1+bK)的第K层的权重矩阵WK;其中,zK为嵌入矩阵将通过隐藏层进行学习,以获得高阶非线性的特征交互,在通过FGCNN模型的最后一个全连接层后,得到FGCNN模型第K层的输出;K表示FGCNN模型的当前层数;zK-1表示FGCNN模型第K-1层的输出;bK表示FGCNN模型第K层的偏置向量;ReLU(·)表示使用修正线性单元作为激活函数;
FGCNN模型的损失函数为L=Lo+αLm,其中α为可调的超参数,Lo为交叉熵损失函数,Lm为记忆损失函数,表示告警信息记忆向量m和FGCNN模型输出zK之间的距离;
5.根据权利要求4所述的基于工业互联网的智慧工厂生产设备故障预测系统,其特征在于,产生的告警信息积累至预定数量时,将积累的告警信息存储至存储器的样本数据集中,以更新样本数据集;响应于样本数据集的更新,训练模块依据样本数据集中更新的告警信息对WGAN-GP模型和M-FGCNN模型继续进行训练。
6.根据权利要求4所述的基于工业互联网的智慧工厂生产设备故障预测系统,其特征在于,WGAN-GP模型包括:鉴别器D和生成器G,鉴别器D采用四层全连接网络,每层网络之间使用泄露修正线性单元作为激活函数,在鉴别器D的输出层使用sigmoid函数单元通过sigmoid函数对输出变量进行二分类;
生成器G采用三层全连接网络,每层网络之间使用泄露修正线性单元作为激活函数,在生成器G的输出层使用softmax函数单元通过softmax函数进行分类变量,并将所有输入特征的输出层进行拼接作为生成器G的最终输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110523115.9A CN113255977B (zh) | 2021-05-13 | 2021-05-13 | 基于工业互联网的智慧工厂生产设备故障预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110523115.9A CN113255977B (zh) | 2021-05-13 | 2021-05-13 | 基于工业互联网的智慧工厂生产设备故障预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113255977A CN113255977A (zh) | 2021-08-13 |
CN113255977B true CN113255977B (zh) | 2023-06-23 |
Family
ID=77181716
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110523115.9A Active CN113255977B (zh) | 2021-05-13 | 2021-05-13 | 基于工业互联网的智慧工厂生产设备故障预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113255977B (zh) |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102155261B1 (ko) * | 2016-04-13 | 2020-09-11 | 구글 엘엘씨 | 광역 및 심층 기계 학습 모델들 |
WO2018212711A1 (en) * | 2017-05-19 | 2018-11-22 | National University Of Singapore | Predictive analysis methods and systems |
CN109816044A (zh) * | 2019-02-11 | 2019-05-28 | 中南大学 | 一种基于wgan-gp和过采样的不平衡学习方法 |
CN110298497A (zh) * | 2019-06-11 | 2019-10-01 | 武汉蓝智科技有限公司 | 基于大数据的工业预测维修系统及其使用方法 |
KR102134405B1 (ko) * | 2019-06-27 | 2020-07-15 | 중앙대학교 산학협력단 | 적대적 생성망을 이용한 저조도 영상 개선을 위한 장치 및 방법 |
CA3053894A1 (en) * | 2019-07-19 | 2021-01-19 | Inspectorio Inc. | Defect prediction using historical inspection data |
CN112729381B (zh) * | 2020-12-11 | 2023-05-02 | 广州致新电力科技有限公司 | 一种基于神经网络的高压断路器的故障诊断方法 |
-
2021
- 2021-05-13 CN CN202110523115.9A patent/CN113255977B/zh active Active
Non-Patent Citations (1)
Title |
---|
基于样本均衡与特征交互的通信网络故障预测方法;贾珺 等;《北京邮电大学学报》;第1-7页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113255977A (zh) | 2021-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hu et al. | Transfer learning for short-term wind speed prediction with deep neural networks | |
CN104246798A (zh) | 基于模糊专家系统的问题分析和优先级确定 | |
Jiao | Application and prospect of artificial intelligence in smart grid | |
Luan et al. | Out-of-distribution detection for deep neural networks with isolation forest and local outlier factor | |
CN115796434A (zh) | 一种用于配电网的管控方法、装置、电子设备及存储介质 | |
Dong et al. | A multifactorial short-term load forecasting model combined with periodic and non-periodic features-a case study of qingdao, China | |
CN112925824A (zh) | 针对极端天气类型的光伏功率预测方法及系统 | |
Chen et al. | A novel Bayesian-optimization-based adversarial TCN for RUL prediction of bearings | |
CN113255977B (zh) | 基于工业互联网的智慧工厂生产设备故障预测方法及系统 | |
CN106202805B (zh) | 一种开关设备可靠性评价方法 | |
Gao et al. | Intelligent instrument fault diagnosis and prediction system based on digital twin technology | |
Juwono et al. | Motorized Vehicle Diagnosis Design Using the Internet of Things Concept with the Help of Tsukamoto's Fuzzy Logic Algorithm | |
Jóźwiak | Application of Kohonen's Network in Logistics | |
CN114881308A (zh) | 基于元学习的网联车辆速度预测方法 | |
Azyus et al. | Determining rul predictive maintenance on aircraft engines using gru | |
Bunte et al. | Mapping Data Sets to Concepts using Machine Learning and a Knowledge based Approach. | |
Moehrle | Generic self-learning decision support system for large-scale disasters. | |
Kuang et al. | Short-term power load forecasting method in rural areas based on cnn-lstm | |
Jing et al. | A multi-dimensional city data embedding model for improving predictive analytics and urban operations | |
Zhu et al. | Optoelectronic sensor fault detection based predictive maintenance smart industry 4.0 using machine learning techniques | |
Liu et al. | State prediction and servitisation of manufacturing processing equipment resources in smart cloud manufacturing | |
Yitmen et al. | Enabling Technologies for Cognitive Digital Twins Towards Construction 4.0 | |
Cobilean et al. | Informed Deep Learning for Anomaly Detection in Cyber-Physical Systems | |
Sadiku et al. | Artificial Intelligence in Manufacturing | |
Setiono et al. | MofN rule extraction from neural networks trained with augmented discretized input |
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 |