CN113537289A - 通过样本掺杂来训练目标设备的设备模型的方法及系统 - Google Patents
通过样本掺杂来训练目标设备的设备模型的方法及系统 Download PDFInfo
- Publication number
- CN113537289A CN113537289A CN202110663862.2A CN202110663862A CN113537289A CN 113537289 A CN113537289 A CN 113537289A CN 202110663862 A CN202110663862 A CN 202110663862A CN 113537289 A CN113537289 A CN 113537289A
- Authority
- CN
- China
- Prior art keywords
- sample
- signal
- model
- sample set
- doping
- 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
- 238000012549 training Methods 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000002159 abnormal effect Effects 0.000 claims abstract description 122
- 238000004088 simulation Methods 0.000 claims abstract description 38
- 238000012360 testing method Methods 0.000 claims description 78
- 230000005684 electric field Effects 0.000 claims description 33
- 238000006073 displacement reaction Methods 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 20
- 230000004044 response Effects 0.000 claims description 16
- 230000005236 sound signal Effects 0.000 claims description 16
- 238000010998 test method Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 description 16
- 239000012535 impurity Substances 0.000 description 15
- 238000010801 machine learning Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000012795 verification Methods 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 6
- 238000013500 data storage Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 230000005484 gravity Effects 0.000 description 4
- 238000009776 industrial production Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/008—Subject matter not provided for in other groups of this subclass by doing functionality tests
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明涉及一种通过样本掺杂来训练目标设备的设备模型的方法及系统,所述方法包括:获取与设备模型相关联的属性信息,基于所述属性信息确定与设备模型相关联的至少一种样本信号;在所述目标设备处于正常运行状态时,对所述至少一种样本信号进行信号采集或信号仿真,从而获取包括所述至少一种样本信号的正常样本集合;基于所述属性信息从多个设备中选择掺杂设备,对至少一种样本信号进行信号采集或信号仿真,从而获得掺杂样本集合;利用掺杂样本集合中的至少一种样本信号对正常样本集合中相应的至少一种样本信号进行样本信号掺杂,从而获得与正常样本集合相对应的异常样本集合;目标模型进行训练,从而获得经过训练的目标模型。
Description
技术领域
本发明涉及人工智能技术领域,并且更具体地,涉及一种通过样本掺杂来训练目标设备的设备模型的方法及系统。
背景技术
目前,随着人工智能技术的发展,大量机器学习算法不断涌现。机器学习算法特别是深度学习近年来取得了极大的成功,而数据才是使机器学习成为可能的关键因素。技术人员可以使用简单的算法实现机器学习,但是没有好的数据无法对算法进行优化。
由此可知,在基于机器学习的模型训练中,样本信号/样本数据的数据质量影响着模型的训练效果。然而,在实际情况中,部分类型的设备在运行中出现故障的次数或比率较低,因此这种类型的设备的正常运行的样本信号/样本数据的数据量比较大,而异常运行或故障时的样本信号/样本数据的数据量较小。在这种情况下,较小数据量的异常样本信号/样本数据无法满足模型训练或测试的需求。
发明内容
为了解决现有技术中的问题,本发明提出通过样本掺杂来训练目标设备的设备模型的方法及系统,从而解决异常运行或故障时的样本信号/样本数据的数据量较小的情况。
根据本发明的一个方面,提供一种通过样本掺杂来训练目标设备的设备模型的方法,所述方法包括:
响应于接收到的模型训练请求,基于训练请求从多个设备中选择目标设备,并确定与目标设备相关联的设备模型;
获取与设备模型相关联的属性信息,基于所述属性信息确定与设备模型相关联的至少一种样本信号;
在所述目标设备处于正常运行状态时,对所述至少一种样本信号进行信号采集或信号仿真,从而获取包括所述至少一种样本信号的正常样本集合;
基于所述属性信息从多个设备中选择掺杂设备,在掺杂设备处于预定运行状态时,对至少一种样本信号进行信号采集或信号仿真,从而获得掺杂样本集合;
利用掺杂样本集合中的至少一种样本信号对正常样本集合中相应的至少一种样本信号进行样本信号掺杂,从而获得与正常样本集合相对应的异常样本集合;
基于正常样本集合、异常样本集合以及预先设定的训练算法对目标模型进行训练,从而获得经过训练的目标模型。
所述至少一种样本信号包括:振动、声音、速度、位移、应力、压力、电压、电流、功率、电场强度、磁场强度、温度、图像和亮度。
所述至少一种样本信号之中的至少一种样本信号是通过紧贴在设备外壳的传感器所采集的振动/声发射信号。
所述至少一种样本信号之中的至少一种样本信号是在设备外部采集的声音信号。
根据本发明的再一个方面,提供一种通过样本掺杂来测试目标设备的设备模型的方法,所述方法包括:
响应于接收到的针对设备模型的测试请求,基于测试请求从多个设备中选择与设备模型相关联的目标设备;
获取与设备模型相关联的属性信息,基于所述属性信息确定与设备模型相关联的至少一种样本信号;
在所述目标设备处于正常运行状态时,对至少一种样本信号进行信号采集或信号仿真,从而获取包括所述至少一种样本信号的正常样本集合;
基于所述属性信息从多个设备中选择掺杂设备,在掺杂设备处于预定运行状态时,对至少一种样本信号进行信号采集或信号仿真,从而获得掺杂样本集合;
利用掺杂样本集合中的至少一种样本信号对正常样本集合中相应的至少一种样本信号进行样本信号掺杂,从而获得与正常样本集合相对应的异常样本集合;
基于正常样本集合和异常样本集合对目标模型进行测试,从而基于测试结果确定目标模型的性能指标。
根据本发明的再一个方面,提供一种通过样本掺杂来训练目标设备的设备模型的系统,所述系统包括:
选择装置,用于响应于接收到的模型训练请求,基于训练请求从多个设备中选择目标设备,并确定与目标设备相关联的设备模型;
确定装置,用于获取与设备模型相关联的属性信息,基于所述属性信息确定与设备模型相关联的至少一种样本信号;
获取装置,用于在所述目标设备处于正常运行状态时,对所述至少一种样本信号进行信号采集或信号仿真,从而获取包括所述至少一种样本信号的正常样本集合;
处理装置,用于基于所述属性信息从多个设备中选择掺杂设备,在掺杂设备处于预定运行状态时,对至少一种样本信号进行信号采集或信号仿真,从而获得掺杂样本集合;
掺杂装置,用于利用掺杂样本集合中的至少一种样本信号对正常样本集合中相应的至少一种样本信号进行样本信号掺杂,从而获得与正常样本集合相对应的异常样本集合;
训练装置,用于基于正常样本集合、异常样本集合以及预先设定的训练算法对目标模型进行训练,从而获得经过训练的目标模型。
所述至少一种样本信号包括:振动、声音、速度、位移、应力、压力、电压、电流、功率、电场强度、磁场强度、温度、图像和亮度。
所述至少一种样本信号之中的至少一种样本信号是通过紧贴在设备外壳的传感器所采集的振动/声发射信号。
所述至少一种样本信号之中的至少一种样本信号是在设备外部采集的声音信号。
根据本发明的再一个方面,提供一种通过样本掺杂来测试目标设备的设备模型的系统,所述系统包括:
选择装置,用于响应于接收到的针对设备模型的测试请求,基于测试请求从多个设备中选择与设备模型相关联的目标设备;
确定装置,用于获取与设备模型相关联的属性信息,基于所述属性信息确定与设备模型相关联的至少一种样本信号;
获取装置,用于在所述目标设备处于正常运行状态时,对至少一种样本信号进行信号采集或信号仿真,从而获取包括所述至少一种样本信号的正常样本集合;
处理装置,用于基于所述属性信息从多个设备中选择掺杂设备,在掺杂设备处于预定运行状态时,对至少一种样本信号进行信号采集或信号仿真,从而获得掺杂样本集合;
掺杂装置,用于利用掺杂样本集合中的至少一种样本信号对正常样本集合中相应的至少一种样本信号进行样本信号掺杂,从而获得与正常样本集合相对应的异常样本集合;
测试装置,用于基于正常样本集合和异常样本集合对目标模型进行测试,从而基于测试结果确定目标模型的性能指标。
根据本发明的再一个方面,提供一种基于掺杂的模型训练方法,首先生成大量正常样本和异常样本,然后再使用样本和设定算法训练一个模型,用于对目标设备的状态进行诊断、判别或识别。其中,
所述正常样本通过采集或者仿真目标设备正常运行情况下的信号生成。(样本信号的种类包括但不限于振动、声音、速度、位移、应力、压力、电压、电流、功率、电场强度、磁场强度、温度、图像、亮度,还可以是多种信号的组合)
所述异常样本通过在正常样本的信号中叠加一定量的杂质成分生成。
其中在正常样本中增加一定量的杂质成分是按照幅值、幅值平方、能量值、能量值平方(的峰值或者平均值)在正常样本中增加一定比例的杂质成分。
其中在正常样本中叠加一定量的杂质成分是一定的时间差在正常样本中叠加一定量的杂质成分(所述时间差根据相关性或者互信息分析来确定。1)以正常样本信号和杂质成分信号相关性或互信息最大的时刻为基准,增加一个固定的偏移时间或偏移相位。2)以该类正常样本信号和该类杂质成分信号相关性或互信息最大时刻的平均值为基准,增加一个固定的偏移时间或偏移相位。)。
其中还通过减小异常样本中杂质成分的量,从而获得更高精度的模型。
其中还通过增加异常样本的类型,从而获得更高适应性的模型。
其中在正常样本中增加一定量的杂质成分是在正常样本中增加其它对象产生的同种信号。
其中在正常样本中增加一定量的杂质成分是在正常样本中增加目标设备在异常状态下的信号(包括在故障状态、隐患状态、异常操作状态、异常输入状态和其它运行状态下的信号)。
根据本发明的再一方面,提供一种基于掺杂的模型评价方法,所述模型用于对目标设备的状态进行诊断、判别或识别。其中:
通过采集或者仿真目标设备正常运行情况下的信号生成正常样本。
通过在正常样本中增加一定量的杂质成分生成异常样本。
用所述正常样本、异常样本对所述模型进行测试,再根据测试结果评价模型的性能。
其中在正常样本中增加一定量的杂质成分是按照幅值、幅值平方、能量值、能量值平方在正常样本中增加一定比例的杂质成分。
其中还通过减小异常样本中杂质成分的量,从而评价模型的精度。
其中还通过增加异常样本的类型,从而评价模型的适应性。
其中在正常样本中增加一定量的杂质成分是在正常样本中增加其它对象产生的同种信号。
其中在正常样本中增加一定量的杂质成分是在正常样本中增加目标设备在异常状态下的信号。
附图说明
通过参考下面的附图,可以更为完整地理解本发明的示例性实施方式:
图1为根据本发明实施方式的通过样本掺杂来训练目标设备的设备模型的方法的流程图;
图2为根据本发明实施方式的通过样本掺杂来测试目标设备的设备模型的方法的流程图;
图3为根据本发明实施方式的通过样本掺杂来训练目标设备的设备模型的系统的结构示意图;
图4为根据本发明实施方式的通过样本掺杂来测试目标设备的设备模型的系统的结构示意图。
具体实施方式
图1为根据本发明实施方式的通过样本掺杂来训练目标设备的设备模型的方法100的流程图。方法100从步骤101处开始。
在步骤101,响应于接收到的模型训练请求,基于训练请求从多个设备中选择目标设备,并确定与目标设备相关联的设备模型。在工业生产或设备运行的实际场景中,各种类型和/或各种尺寸的设备被广泛应用于各个位置、生产环节、监控环节等。为此,如果需要确定目标设备的运行状态,或获取目标设备的参数等,需要确定与目标设备相关联的模型或设备模型。通常,每个不同类型的设备的模型或设备模型可以用于确定设备的运行状态、获取设备的运行参数等。为此,在需要对目标设备的设备模型进行训练或测试时,需要生成模型训练请求并将模型训练请求发送给用于对模型或设备模型进行训练或测试的处理设备。所述模型训练请求中包括目标设备的名称、位置、标识符等。响应于接收到的模型训练请求,处理设备基于训练请求从多个设备中选择目标设备。例如,处理设备从模型训练请求中提取目标设备的名称、位置、标识符等,并基于目标设备的名称、位置和/或标识符等确定目标设备。
在确定了目标设备后,需要从与多个不同设备各自相关联的模型或设备模型中选择需要进行训练与目标设备相关联的设备模型。为此,在确定目标设备的名称、位置、标识符等后,可以利用目标设备的名称、位置、标识符在模型库中进行检索,以确定与目标设备相关联的设备模型。
通常,每个模型或设备模型均具有属性信息,并且属性信息用于描述模型或设备模型的多种属性。多种属性例如是:输入参数、输出参数、模型类型、模型作用、模型准确度、设备类型、设备名称、设备标识符等。为此,设备模型具有多种属性,并且例如,通过设备模型的属性信息可以确定设备模型的输入参数、输出参数、模型类型、模型作用、模型准确度等。
在步骤102,获取与设备模型相关联的属性信息,基于所述属性信息确定与设备模型相关联的至少一种样本信号。如上所述,通过设备模型的属性信息可以确定设备模型的输入参数、输出参数、模型类型、模型作用、模型准确度等。并且进一步地,可以通过对设备模型的属性信息进行解析来确定设备模型所涉及的目标设备。目标设备可以是任意类型的设备。此外,设备模型的属性信息中还可以包括与目标设备相关联的多种样本信号的信息。可替换地,在确定了与目标设备相关联的设备模型之后,利用目标设备的设备标识符或设备名称可以在样本信号信息库中进行检索,以获取与目标设备相关联的至少一种样本信号的信息。
其中至少一种样本信号包括:振动、声音、速度、位移、应力、压力、电压、电流、功率、电场强度、磁场强度、温度、图像和亮度。通常,可以使用振动、声音、速度、位移、应力、压力、电压、电流、功率、电场强度、磁场强度、温度、图像和亮度中的一种或多种样本信号来表征、训练、测试、描述目标设备。应当了解的是,本申请仅是以振动、声音、速度、位移、应力、压力、电压、电流、功率、电场强度、磁场强度、温度、图像和亮度为例进行描述,所属领域技术人员应当了解的是,本申请可以使用任何合理的样本信号。在实际场景中,可以使用各种类型的传感器来获取振动、声音、速度、位移、应力、压力、电压、电流、功率、电场强度、磁场强度、温度、图像和亮度中的任意一个。
在步骤103,在所述目标设备处于正常运行状态时,对所述至少一种样本信号进行信号采集或信号仿真,从而获取包括所述至少一种样本信号的正常样本集合。
正常样本集合是目标设备在正常运行时,利用传感器所采集的诸如振动、声音、速度、位移、应力、压力、电压、电流、功率、电场强度、磁场强度、温度、图像和亮度中的一种或多种的样本信号或数据所构成的样本信号。在本申请中,为了使经过训练或测试的设备模型的模型准确度更高,本申请对至少一种样本信号中的每种样本信号进行信号采集或信号仿真,从而获取包括所述至少两种样本信号的正常样本集合。
举例来说,至少两种样本信号为振动信号、声音信号和电压信号,正常样本集合中的包括以样本的采样时间顺序排列的多个样本,其中每个样本包括振动信号、声音信号和电压信号,并且每个样本具有采样时间。即,正常样本集合中的每个样本为具有采样时间的并且包括在所述采样时间处的每种样本信号的信号组或信号集。在对样本数据进行存储时,可以使正常样本集合中包括至少两个样本子集,每个样本子集为振动样本信号子集、声发射样本信号子集、声音样本信号子集或电场强度样本信号子集等。应当了解到是,信号子集的划分方式仅是为了数据存储或数据展示。实际上,每个样本包括至少两种样本信号中的每种样本信号。可替换地,正常样本集合中包括多个样本信号组,每个样本信号组包括单个振动样本信号、单个声发射样本信号和单个声音样本信号,例如每个样本信号组为<振动样本信号、声发射样本信号、声音样本信号>。应当了解的是,每个样本信号组可以被认为是正常样本集合中的一个样本。
其中至少一种样本信号之中的至少一种样本信号/至少一种样本信号之中的每种样本信号是通过紧贴在目标设备的设备外壳的传感器所采集的振动/声发射信号。其中至少一种样本信号之中的至少一种样本信号/至少一种样本信号之中的每种样本信号是在目标设备的设备外部采集的声音信号。在实际情况中,可以将传感器设置为紧贴在设备或目标表设备的外壳处、将传感器设置在设备或目标设备的外部或将传感器设置在设备或对象的内部。
在步骤104,基于所述属性信息从多个设备中选择掺杂设备,在掺杂设备处于预定运行状态时,对至少一种样本信号进行信号采集或信号仿真,从而获得掺杂样本集合。优选地,掺杂设备与目标设备不同,并且所述预定运行状态为正常运行状态。或者,掺杂设备与目标设备不同,并且所述预定运行状态为异常运行状态。可替换地,掺杂设备与目标设备相同,并且所述预定运行状态为异常运行状态。或者掺杂设备与目标设备相同,并且所述预定运行状态为正常运行状态。
其中基于所述属性信息从多个设备中选择掺杂设备包括:基于属性信息中的输入参数、输出参数、模型类型、模型作用、模型准确度、设备类型、设备名称和/或设备标识符等从多个设备中选择掺杂设备。对至少一种样本信号进行信号采集或信号仿真,从而获得掺杂样本集合包括:对振动、声音、速度、位移、应力、压力、电压、电流、功率、电场强度、磁场强度、温度、图像和亮度中的至少一种样本信号进行信号采集或信号仿真,从而获得掺杂样本集合。
其中常运行状态包括但不限于:故障状态、隐患状态、异常操作状态和异常输入状态。
在步骤105,利用掺杂样本集合中的至少一种样本信号对正常样本集合中相应的至少一种样本信号进行样本信号掺杂,从而获得与正常样本集合相对应的异常样本集合。在实际情况中,运行状态稳定的设备在实际运行中出现故障的次数较少或故障比率较低,因此这种类型的设备的正常运行的样本信号/样本数据的数据量比较大,而异常运行或故障时的样本信号/样本数据的数据量较小。在这种情况下,通常难以获得足够的异常样本信号。为此,本申请根据预设的掺杂方式对正常样本集合中的至少一种样本信号进行样本信号掺杂。
优选地,利用掺杂样本集合中的至少一种样本信号对正常样本集合中相应的至少一种样本信号进行样本信号掺杂包括:
按照幅值、幅值平方、能量值或能量值平方的峰值或者平均值,将正常样本集合和掺杂样本集合中的样本信号归一化;
确定掺杂比例a,其中0<a<1,将正常样本集合中的样本信号减去掺杂比例a对应的信号量,再加上掺杂样本集合中的样本信号乘以a得到的信号量,从而获得掺杂样本;
或者,按照幅值、幅值平方、能量值或能量值平方的峰值或者平均值,将正常样本集合和掺杂样本集合中的样本信号归一化;
按照幅值、幅值平方、能量值或能量值平方的峰值或者平均值确定掺杂幅度b,将正常样本集合中的样本信号减去幅度b对应的信号量,加上掺杂样本集合中的样本信号幅度b对应的信号量,从而获得掺杂样本。
优选地,利用掺杂样本集合中的至少一种样本信号对正常样本集合中相应的至少一种样本信号进行样本信号掺杂包括:
利用掺杂样本集合中的至少一种样本信号对正常样本集合中相应的至少一种样本信号进行样本信号掺杂,使得掺杂后的特征参数达到设定值。
所述特征参数包括以下内容中的一个或多个:信噪比、奇偶次谐波幅值之比、频率复杂度、主频占比、基频占比、电流相关性、频谱重心、信号幅值水平和50Hz频率幅值。
还包括,通过减小所述掺杂比例a或者掺杂幅度b,获得经过调整的异常样本集合,基于正常样本集合、经过调整的异常样本集合以及预先设定的训练算法对设备模型进行训练,从而获得经过训练的高精度设备模型。其中,预先设定的训练算法可以是人工智能领域、深度学习领域、机器学习算法领域中任意的合理的训练算法。
还包括,通过减小所述修改量,使得异常样本集合中经过样本信号掺杂的样本信号与未经过样本信号掺杂的样本信号的差值变小,获得经过调整的异常样本集合,基于正常样本集合、经过调整的异常样本集合以及预先设定的训练算法对设备模型进行训练,从而获得经过训练的高精度设备模型。其中,预先设定的训练算法可以是人工智能领域、深度学习领域、机器学习算法领域中任意的合理的训练算法。
优选地,所述利用掺杂样本集合中的至少一种样本信号对正常样本集合中相应的至少一种样本信号进行样本信号掺杂包括:
根据预定的时间差,利用掺杂样本集合中的至少一种样本信号对正常样本集合中相应的至少一种样本信号进行样本信号掺杂,
其中时间差是以掺杂样本集合中的至少一种样本信号和正常样本集合中相应的至少一种样本信号的相关性或互信息最大或最小的时刻为基准,增加预定的偏移时间或偏移相位。
优选地,所述利用掺杂样本集合中的至少一种样本信号对正常样本集合中相应的至少一种样本信号进行样本信号掺杂包括:
利用掺杂样本集合中的至少一种样本信号与正常样本集合中相应的至少一种样本信号进行样本信号叠加,以使得正常样本集合中相应的至少一种样本信号的幅值、幅值平方、能量值或能量值平方,升高或降低相应的比率,导致升高或降低相应的比率的幅值、幅值平方、能量值或能量值平方的所属取值区间发生变化。
还包括,通过减小所述比率,使得异常样本集合中经过样本信号掺杂的样本信号与未经过样本信号掺杂的样本信号的比率变小,获得经过调整的异常样本集合,基于正常样本集合、经过调整的异常样本集合以及预先设定的训练算法对设备模型进行训练,从而获得经过训练的高精度设备模型。其中,预先设定的训练算法可以是人工智能领域、深度学习领域、机器学习算法领域中任意的合理的训练算法。
在步骤106,基于正常样本集合、异常样本集合以及预先设定的训练算法对设备模型进行训练,从而获得经过训练的设备模型。还包括,通过增加异常样本集合中掺杂样本信号的类型,来获得经过调整的异常样本集合,基于正常样本集合、经过调整的异常样本集合以及预先设定的训练算法对设备模型进行训练,从而增加经过训练的设备模型的适应性。其中,预先设定的训练算法可以是人工智能领域、深度学习领域、机器学习算法领域中任意的合理的训练算法。
图2为根据本发明实施方式的通过样本掺杂来测试目标设备的设备模型的方法200的流程图。方法200从步骤201处开始。
在步骤201,响应于接收到的针对设备模型的测试请求,基于测试请求从多个设备中选择与设备模型相关联的目标设备。在工业生产或设备运行的实际场景中,各种类型和/或各种尺寸的设备被广泛应用于各个位置、生产环节、监控环节等。为此,如果需要确定目标设备的运行状态,或获取目标设备的参数等,需要确定与目标设备相关联的模型或设备模型。通常,每个不同类型的设备的模型或设备模型可以用于确定设备的运行状态、获取设备的运行参数等。为此,在需要对目标设备的设备模型进行训练或测试时,需要生成模型训练请求并将模型训练请求发送给用于对模型或设备模型进行训练或测试的处理设备。测试请求中包括设备模型的名称、标识符等。响应于接收到的模型测试请求,处理设备基于测试请求从多个设备中选择与设备模型相关联的目标设备。例如,处理设备从模型测试请求中提取设备模型的名称、标识符等,并基于目标设备的名称、位置和/或标识符等确定目标设备。
通常,每个模型或设备模型均具有属性信息,并且属性信息用于描述模型或设备模型的多种属性。多种属性例如是:输入参数、输出参数、模型类型、模型作用、模型准确度、设备类型、设备名称、设备标识符等。为此,设备模型具有多种属性,并且例如,通过设备模型的属性信息可以确定设备模型的输入参数、输出参数、模型类型、模型作用、模型准确度等。
在步骤202,获取与设备模型相关联的属性信息,基于所述属性信息确定与设备模型相关联的至少一种样本信号。如上所述,通过设备模型的属性信息可以确定设备模型的输入参数、输出参数、模型类型、模型作用、模型准确度等。并且进一步地,可以通过对设备模型的属性信息进行解析来确定设备模型所涉及的目标设备。目标设备可以是任意类型的设备。此外,设备模型的属性信息中还可以包括与目标设备相关联的多种样本信号的信息。可替换地,在确定了与目标设备相关联的设备模型之后,利用目标设备的设备标识符或设备名称可以在样本信号信息库中进行检索,以获取与目标设备相关联的至少一种样本信号的信息。
所述至少一种样本信号包括:振动、声音、速度、位移、应力、压力、电压、电流、功率、电场强度、磁场强度、温度、图像和亮度。通常,可以使用振动、声音、速度、位移、应力、压力、电压、电流、功率、电场强度、磁场强度、温度、图像和亮度中的一种或多种样本信号来表征、训练、测试、描述目标设备。应当了解的是,本申请仅是以振动、声音、速度、位移、应力、压力、电压、电流、功率、电场强度、磁场强度、温度、图像和亮度为例进行描述,所属领域技术人员应当了解的是,本申请可以使用任何合理的样本信号。在实际场景中,可以使用各种类型的传感器来获取振动、声音、速度、位移、应力、压力、电压、电流、功率、电场强度、磁场强度、温度、图像和亮度中的任意一个。
在步骤203,在所述目标设备处于正常运行状态时,对至少一种样本信号进行信号采集或信号仿真,从而获取包括所述至少一种样本信号的正常样本集合。
正常样本集合是目标设备在正常运行时,利用传感器所采集的诸如振动、声音、速度、位移、应力、压力、电压、电流、功率、电场强度、磁场强度、温度、图像和亮度中的一种或多种的样本信号或数据所构成的样本信号。在本申请中,为了使经过训练或测试的设备模型的模型准确度更高,本申请对至少一种样本信号中的每种样本信号进行信号采集或信号仿真,从而获取包括所述至少两种样本信号的正常样本集合。
举例来说,至少两种样本信号为振动信号、声音信号和电压信号,正常样本集合中的包括以样本的采样时间顺序排列的多个样本,其中每个样本包括振动信号、声音信号和电压信号,并且每个样本具有采样时间。即,正常样本集合中的每个样本为具有采样时间的并且包括在所述采样时间处的每种样本信号的信号组或信号集。在对样本数据进行存储时,可以使正常样本集合中包括至少两个样本子集,每个样本子集为振动样本信号子集、声发射样本信号子集、声音样本信号子集或电场强度样本信号子集等。应当了解到是,信号子集的划分方式仅是为了数据存储或数据展示。实际上,每个样本包括至少两种样本信号中的每种样本信号。可替换地,正常样本集合中包括多个样本信号组,每个样本信号组包括单个振动样本信号、单个声发射样本信号和单个声音样本信号,例如每个样本信号组为<振动样本信号、声发射样本信号、声音样本信号>。应当了解的是,每个样本信号组可以被认为是正常样本集合中的一个样本。
其中至少一种样本信号之中的至少一种样本信号/至少一种样本信号之中的每种样本信号是通过紧贴在目标设备的设备外壳的传感器所采集的振动/声发射信号。其中至少一种样本信号之中的至少一种样本信号/至少一种样本信号之中的每种样本信号是在目标设备的设备外部采集的声音信号。在实际情况中,可以将传感器设置为紧贴在设备或目标表设备的外壳处、将传感器设置在设备或目标设备的外部或将传感器设置在设备或对象的内部。
在步骤204,基于所述属性信息从多个设备中选择掺杂设备,在掺杂设备处于预定运行状态时,对至少一种样本信号进行信号采集或信号仿真,从而获得掺杂样本集合。优选地,掺杂设备与目标设备不同,并且所述预定运行状态为正常运行状态。或者,掺杂设备与目标设备不同,并且所述预定运行状态为异常运行状态。可替换地,掺杂设备与目标设备相同,并且所述预定运行状态为异常运行状态。或者掺杂设备与目标设备相同,并且所述预定运行状态为正常运行状态。
其中基于所述属性信息从多个设备中选择掺杂设备包括:基于属性信息中的输入参数、输出参数、模型类型、模型作用、模型准确度、设备类型、设备名称和/或设备标识符等从多个设备中选择掺杂设备。对至少一种样本信号进行信号采集或信号仿真,从而获得掺杂样本集合包括:对振动、声音、速度、位移、应力、压力、电压、电流、功率、电场强度、磁场强度、温度、图像和亮度中的至少一种样本信号进行信号采集或信号仿真,从而获得掺杂样本集合。
其中常运行状态包括但不限于:故障状态、隐患状态、异常操作状态和异常输入状态。
在步骤205,利用掺杂样本集合中的至少一种样本信号对正常样本集合中相应的至少一种样本信号进行样本信号掺杂,从而获得与正常样本集合相对应的异常样本集合。在实际情况中,运行状态稳定的设备在实际运行中出现故障的次数较少或故障比率较低,因此这种类型的设备的正常运行的样本信号/样本数据的数据量比较大,而异常运行或故障时的样本信号/样本数据的数据量较小。在这种情况下,通常难以获得足够的异常样本信号。为此,本申请根据预设的掺杂方式对正常样本集合中的至少一种样本信号进行样本信号掺杂。
优选地,利用掺杂样本集合中的至少一种样本信号对正常样本集合中相应的至少一种样本信号进行样本信号掺杂包括:
按照幅值、幅值平方、能量值或能量值平方的峰值或者平均值,将正常样本集合和掺杂样本集合中的样本信号归一化;
确定掺杂比例a,其中0<a<1,将正常样本集合中的样本信号减去掺杂比例a对应的信号量,再加上掺杂样本集合中的样本信号乘以a得到的信号量,从而获得掺杂样本;
或者,按照幅值、幅值平方、能量值或能量值平方的峰值或者平均值,将正常样本集合和掺杂样本集合中的样本信号归一化;
按照幅值、幅值平方、能量值或能量值平方的峰值或者平均值确定掺杂幅度b,将正常样本集合中的样本信号减去幅度b对应的信号量,加上掺杂样本集合中的样本信号幅度b对应的信号量,从而获得掺杂样本。
利用掺杂样本集合中的至少一种样本信号对正常样本集合中相应的至少一种样本信号进行样本信号掺杂包括:
利用掺杂样本集合中的至少一种样本信号对正常样本集合中相应的至少一种样本信号进行样本信号掺杂,使得掺杂后的特征参数达到设定值。
所述特征参数包括以下内容中的一个或多个:信噪比、奇偶次谐波幅值之比、频率复杂度、主频占比、基频占比、电流相关性、频谱重心、信号幅值水平和50Hz频率幅值。
还包括,通过减小所述掺杂比例a或者掺杂幅度b,获得经过调整的异常样本集合,基于正常样本集合、经过调整的异常样本集合以及预先设定的训练算法对设备模型进行训练,从而获得经过训练的高精度设备模型。其中,预先设定的训练算法可以是人工智能领域、深度学习领域、机器学习算法领域中任意的合理的训练算法。
还包括,通过减小所述修改量,使得异常样本集合中经过样本信号掺杂的样本信号与未经过样本信号掺杂的样本信号的差值变小,获得经过调整的异常样本集合,基于正常样本集合和经过调整的异常样本集合对设备模型进行测试,从而基于测试结果确定设备模型的性能指标。
还包括,通过减小所述比率,使得异常样本集合中经过样本信号掺杂的样本信号与未经过样本信号掺杂的样本信号的比率变小,获得经过调整的异常样本集合,基于正常样本集合和经过调整的异常样本集合对设备模型进行测试,从而基于测试结果确定设备模型的性能指标。
优选地,所述利用掺杂样本集合中的至少一种样本信号对正常样本集合中相应的至少一种样本信号进行样本信号掺杂包括:
根据预定的时间差,利用掺杂样本集合中的至少一种样本信号对正常样本集合中相应的至少一种样本信号进行样本信号掺杂,
其中时间差是以掺杂样本集合中的至少一种样本信号和正常样本集合中相应的至少一种样本信号的相关性或互信息最大或最小的时刻为基准,增加预定的偏移时间或偏移相位。
利用掺杂样本集合中的至少一种样本信号与正常样本集合中相应的至少一种样本信号进行样本信号叠加,以使得正常样本集合中相应的至少一种样本信号的幅值、幅值平方、能量值或能量值平方,升高或降低相应的比率,导致升高或降低相应的比率的幅值、幅值平方、能量值或能量值平方的所属取值区间发生变化。
还包括,通过减小所述比率,使得异常样本集合中经过样本信号掺杂的样本信号与未经过样本信号掺杂的样本信号的比率变小,获得经过调整的异常样本集合,基于正常样本集合、经过调整的异常样本集合以及预先设定的训练算法对设备模型进行训练,从而获得经过训练的高精度设备模型。
在步骤206,基于正常样本集合和异常样本集合对设备模型进行测试,从而基于测试结果确定设备模型的性能指标。还包括,通过增加异常样本集合中掺杂样本信号的类型,来获得经过调整的异常样本集合,基于正常样本集合和经过调整的异常样本集合对设备模型进行测试,从而基于测试结果确定设备模型的性能指标。
基于正常样本集合和异常样本集合对设备模型进行测试,从而基于测试结果确定设备模型的性能指标包括:将正常样本集合和异常样本集合分别或依次输入经过训练的设备模型,使得经过训练的设备模型诊断、判别或识别目标设备的结果状态,获取与正常样本集合和/或异常样本集相对应的验证状态。确定基于验证状态确定结果状态的正确比率,基于正确比率确定测试结果并基于测试结果确定设备模型的性能指标。例如,在将正常样本集合和异常样本集合分别或依次输入经过训练的设备模型后,经过训练的设备模型诊断、判别或识别目标设备的结果状态100次,基于验证状态确定100次结果状态中诊断、判别或识别正确的次数为99次,那么基于验证状态确定结果状态的正确比率为99/100=99%,那么测试结果为99%。
根据一个实施方式,当测试结果大于或等于97%时,确定设备模型的性能指标为高精度,当测试结果小于97%并且大于或等于90%时,确定设备模型的性能指标为中精度,以及当测试结果小于90%时,确定设备模型的性能指标为低精度。
图3为根据本发明实施方式的通过样本掺杂来训练目标设备的设备模型的系统300的结构示意图。系统300包括:选择装置301、确定装置302、获取装置303、处理装置304、掺杂装置305以及训练装置306。
选择装置301,用于响应于接收到的模型训练请求,基于训练请求从多个设备中选择目标设备,并确定与目标设备相关联的设备模型。在工业生产或设备运行的实际场景中,各种类型和/或各种尺寸的设备被广泛应用于各个位置、生产环节、监控环节等。为此,如果需要确定目标设备的运行状态,或获取目标设备的参数等,需要确定与目标设备相关联的模型或设备模型。通常,每个不同类型的设备的模型或设备模型可以用于确定设备的运行状态、获取设备的运行参数等。为此,在需要对目标设备的设备模型进行训练或测试时,需要生成模型训练请求并将模型训练请求发送给用于对模型或设备模型进行训练或测试的处理设备。所述模型训练请求中包括目标设备的名称、位置、标识符等。响应于接收到的模型训练请求,处理设备基于训练请求从多个设备中选择目标设备。例如,处理设备从模型训练请求中提取目标设备的名称、位置、标识符等,并基于目标设备的名称、位置和/或标识符等确定目标设备。
在确定了目标设备后,需要从与多个不同设备各自相关联的模型或设备模型中选择需要进行训练与目标设备相关联的设备模型。为此,在确定目标设备的名称、位置、标识符等后,可以利用目标设备的名称、位置、标识符在模型库中进行检索,以确定与目标设备相关联的设备模型。
通常,每个模型或设备模型均具有属性信息,并且属性信息用于描述模型或设备模型的多种属性。多种属性例如是:输入参数、输出参数、模型类型、模型作用、模型准确度、设备类型、设备名称、设备标识符等。为此,设备模型具有多种属性,并且例如,通过设备模型的属性信息可以确定设备模型的输入参数、输出参数、模型类型、模型作用、模型准确度等。
确定装置302,用于获取与设备模型相关联的属性信息,基于所述属性信息确定与设备模型相关联的至少一种样本信号。如上所述,通过设备模型的属性信息可以确定设备模型的输入参数、输出参数、模型类型、模型作用、模型准确度等。并且进一步地,可以通过对设备模型的属性信息进行解析来确定设备模型所涉及的目标设备。目标设备可以是任意类型的设备。此外,设备模型的属性信息中还可以包括与目标设备相关联的多种样本信号的信息。可替换地,在确定了与目标设备相关联的设备模型之后,利用目标设备的设备标识符或设备名称可以在样本信号信息库中进行检索,以获取与目标设备相关联的至少一种样本信号的信息。
其中至少一种样本信号包括:振动、声音、速度、位移、应力、压力、电压、电流、功率、电场强度、磁场强度、温度、图像和亮度。通常,可以使用振动、声音、速度、位移、应力、压力、电压、电流、功率、电场强度、磁场强度、温度、图像和亮度中的一种或多种样本信号来表征、训练、测试、描述目标设备。应当了解的是,本申请仅是以振动、声音、速度、位移、应力、压力、电压、电流、功率、电场强度、磁场强度、温度、图像和亮度为例进行描述,所属领域技术人员应当了解的是,本申请可以使用任何合理的样本信号。在实际场景中,可以使用各种类型的传感器来获取振动、声音、速度、位移、应力、压力、电压、电流、功率、电场强度、磁场强度、温度、图像和亮度中的任意一个。
获取装置303,用于在所述目标设备处于正常运行状态时,对所述至少一种样本信号进行信号采集或信号仿真,从而获取包括所述至少一种样本信号的正常样本集合。
正常样本集合是目标设备在正常运行时,利用传感器所采集的诸如振动、声音、速度、位移、应力、压力、电压、电流、功率、电场强度、磁场强度、温度、图像和亮度中的一种或多种的样本信号或数据所构成的样本信号。在本申请中,为了使经过训练或测试的设备模型的模型准确度更高,本申请对至少一种样本信号中的每种样本信号进行信号采集或信号仿真,从而获取包括所述至少两种样本信号的正常样本集合。
举例来说,至少两种样本信号为振动信号、声音信号和电压信号,正常样本集合中的包括以样本的采样时间顺序排列的多个样本,其中每个样本包括振动信号、声音信号和电压信号,并且每个样本具有采样时间。即,正常样本集合中的每个样本为具有采样时间的并且包括在所述采样时间处的每种样本信号的信号组或信号集。在对样本数据进行存储时,可以使正常样本集合中包括至少两个样本子集,每个样本子集为振动样本信号子集、声发射样本信号子集、声音样本信号子集或电场强度样本信号子集等。应当了解到是,信号子集的划分方式仅是为了数据存储或数据展示。实际上,每个样本包括至少两种样本信号中的每种样本信号。可替换地,正常样本集合中包括多个样本信号组,每个样本信号组包括单个振动样本信号、单个声发射样本信号和单个声音样本信号,例如每个样本信号组为<振动样本信号、声发射样本信号、声音样本信号>。应当了解的是,每个样本信号组可以被认为是正常样本集合中的一个样本。
其中至少一种样本信号之中的至少一种样本信号/至少一种样本信号之中的每种样本信号是通过紧贴在目标设备的设备外壳的传感器所采集的振动/声发射信号。其中至少一种样本信号之中的至少一种样本信号/至少一种样本信号之中的每种样本信号是在目标设备的设备外部采集的声音信号。在实际情况中,可以将传感器设置为紧贴在设备或目标表设备的外壳处、将传感器设置在设备或目标设备的外部或将传感器设置在设备或对象的内部。
处理装置304,用于基于所述属性信息从多个设备中选择掺杂设备,在掺杂设备处于预定运行状态时,对至少一种样本信号进行信号采集或信号仿真,从而获得掺杂样本集合。优选地,掺杂设备与目标设备不同,并且所述预定运行状态为正常运行状态。或者,掺杂设备与目标设备不同,并且所述预定运行状态为异常运行状态。可替换地,掺杂设备与目标设备相同,并且所述预定运行状态为异常运行状态。或者掺杂设备与目标设备相同,并且所述预定运行状态为正常运行状态。
其中基于所述属性信息从多个设备中选择掺杂设备包括:基于属性信息中的输入参数、输出参数、模型类型、模型作用、模型准确度、设备类型、设备名称和/或设备标识符等从多个设备中选择掺杂设备。对至少一种样本信号进行信号采集或信号仿真,从而获得掺杂样本集合包括:对振动、声音、速度、位移、应力、压力、电压、电流、功率、电场强度、磁场强度、温度、图像和亮度中的至少一种样本信号进行信号采集或信号仿真,从而获得掺杂样本集合。
其中常运行状态包括但不限于:故障状态、隐患状态、异常操作状态和异常输入状态。
掺杂装置305,用于利用掺杂样本集合中的至少一种样本信号对正常样本集合中相应的至少一种样本信号进行样本信号掺杂,从而获得与正常样本集合相对应的异常样本集合。在实际情况中,运行状态稳定的设备在实际运行中出现故障的次数较少或故障比率较低,因此这种类型的设备的正常运行的样本信号/样本数据的数据量比较大,而异常运行或故障时的样本信号/样本数据的数据量较小。在这种情况下,通常难以获得足够的异常样本信号。为此,本申请根据预设的掺杂方式对正常样本集合中的至少一种样本信号进行样本信号掺杂。
优选地,利用掺杂样本集合中的至少一种样本信号对正常样本集合中相应的至少一种样本信号进行样本信号掺杂包括:
按照幅值、幅值平方、能量值或能量值平方的峰值或者平均值,将正常样本集合和掺杂样本集合中的样本信号归一化;
确定掺杂比例a(0<a<1),将正常样本集合中的样本信号减去掺杂比例a对应的信号量,再加上掺杂样本集合中的样本信号乘以a得到的信号量,从而获得掺杂样本;
或者,按照幅值、幅值平方、能量值或能量值平方的峰值或者平均值,将正常样本集合和掺杂样本集合中的样本信号归一化;
按照幅值、幅值平方、能量值或能量值平方的峰值或者平均值确定掺杂幅度b,将正常样本集合中的样本信号减去幅度b对应的信号量,加上掺杂样本集合中的样本信号幅度b对应的信号量,从而获得掺杂样本。
优选地,利用掺杂样本集合中的至少一种样本信号对正常样本集合中相应的至少一种样本信号进行样本信号掺杂包括:
利用掺杂样本集合中的至少一种样本信号对正常样本集合中相应的至少一种样本信号进行样本信号掺杂,使得掺杂后的特征参数达到设定值。
所述特征参数包括以下内容中的一个或多个:信噪比、奇偶次谐波幅值之比、频率复杂度、主频占比、基频占比、电流相关性、频谱重心、信号幅值水平和50Hz频率幅值。
还包括,通过减小所述掺杂比例a或者掺杂幅度b,获得经过调整的异常样本集合,基于正常样本集合、经过调整的异常样本集合以及预先设定的训练算法对设备模型进行训练,从而获得经过训练的高精度设备模型。
还包括,通过减小所述修改量,使得异常样本集合中经过样本信号掺杂的样本信号与未经过样本信号掺杂的样本信号的差值变小,获得经过调整的异常样本集合,基于正常样本集合、经过调整的异常样本集合以及预先设定的训练算法对设备模型进行训练,从而获得经过训练的高精度设备模型。
优选地,所述利用掺杂样本集合中的至少一种样本信号对正常样本集合中相应的至少一种样本信号进行样本信号掺杂包括:
根据预定的时间差,利用掺杂样本集合中的至少一种样本信号对正常样本集合中相应的至少一种样本信号进行样本信号掺杂,
其中时间差是以掺杂样本集合中的至少一种样本信号和正常样本集合中相应的至少一种样本信号的相关性或互信息最大或最小的时刻为基准,增加预定的偏移时间或偏移相位。
优选地,所述利用掺杂样本集合中的至少一种样本信号对正常样本集合中相应的至少一种样本信号进行样本信号掺杂包括:
利用掺杂样本集合中的至少一种样本信号与正常样本集合中相应的至少一种样本信号进行样本信号叠加,以使得正常样本集合中相应的至少一种样本信号的幅值、幅值平方、能量值或能量值平方,升高或降低相应的比率,导致升高或降低相应的比率的幅值、幅值平方、能量值或能量值平方的所属取值区间发生变化。
还包括,通过减小所述比率,使得异常样本集合中经过样本信号掺杂的样本信号与未经过样本信号掺杂的样本信号的比率变小,获得经过调整的异常样本集合,基于正常样本集合、经过调整的异常样本集合以及预先设定的训练算法对设备模型进行训练,从而获得经过训练的高精度设备模型。
训练装置306,用于基于正常样本集合、异常样本集合以及预先设定的训练算法对设备模型进行训练,从而获得经过训练的设备模型。还包括,通过增加异常样本集合中掺杂样本信号的类型,来获得经过调整的异常样本集合,基于正常样本集合、经过调整的异常样本集合以及预先设定的训练算法对设备模型进行训练,从而增加经过训练的设备模型的适应性。
图4为根据本发明实施方式的通过样本掺杂来训练目标设备的设备模型的系统400的结构示意图。系统400包括:选择装置401、确定装置402、获取装置403、处理装置404、掺杂装置405以及测试装置406。
选择装置401,用于响应于接收到的针对设备模型的测试请求,基于测试请求从多个设备中选择与设备模型相关联的目标设备。在工业生产或设备运行的实际场景中,各种类型和/或各种尺寸的设备被广泛应用于各个位置、生产环节、监控环节等。为此,如果需要确定目标设备的运行状态,或获取目标设备的参数等,需要确定与目标设备相关联的模型或设备模型。通常,每个不同类型的设备的模型或设备模型可以用于确定设备的运行状态、获取设备的运行参数等。为此,在需要对目标设备的设备模型进行训练或测试时,需要生成模型训练请求并将模型训练请求发送给用于对模型或设备模型进行训练或测试的处理设备。测试请求中包括设备模型的名称、标识符等。响应于接收到的模型测试请求,处理设备基于测试请求从多个设备中选择与设备模型相关联的目标设备。例如,处理设备从模型测试请求中提取设备模型的名称、标识符等,并基于目标设备的名称、位置和/或标识符等确定目标设备。
通常,每个模型或设备模型均具有属性信息,并且属性信息用于描述模型或设备模型的多种属性。多种属性例如是:输入参数、输出参数、模型类型、模型作用、模型准确度、设备类型、设备名称、设备标识符等。为此,设备模型具有多种属性,并且例如,通过设备模型的属性信息可以确定设备模型的输入参数、输出参数、模型类型、模型作用、模型准确度等。
确定装置402,用于获取与设备模型相关联的属性信息,基于所述属性信息确定与设备模型相关联的至少一种样本信号。如上所述,通过设备模型的属性信息可以确定设备模型的输入参数、输出参数、模型类型、模型作用、模型准确度等。并且进一步地,可以通过对设备模型的属性信息进行解析来确定设备模型所涉及的目标设备。目标设备可以是任意类型的设备。此外,设备模型的属性信息中还可以包括与目标设备相关联的多种样本信号的信息。可替换地,在确定了与目标设备相关联的设备模型之后,利用目标设备的设备标识符或设备名称可以在样本信号信息库中进行检索,以获取与目标设备相关联的至少一种样本信号的信息。
所述至少一种样本信号包括:振动、声音、速度、位移、应力、压力、电压、电流、功率、电场强度、磁场强度、温度、图像和亮度。通常,可以使用振动、声音、速度、位移、应力、压力、电压、电流、功率、电场强度、磁场强度、温度、图像和亮度中的一种或多种样本信号来表征、训练、测试、描述目标设备。应当了解的是,本申请仅是以振动、声音、速度、位移、应力、压力、电压、电流、功率、电场强度、磁场强度、温度、图像和亮度为例进行描述,所属领域技术人员应当了解的是,本申请可以使用任何合理的样本信号。在实际场景中,可以使用各种类型的传感器来获取振动、声音、速度、位移、应力、压力、电压、电流、功率、电场强度、磁场强度、温度、图像和亮度中的任意一个。
获取装置403,用于在所述目标设备处于正常运行状态时,对至少一种样本信号进行信号采集或信号仿真,从而获取包括所述至少一种样本信号的正常样本集合。正常样本集合是目标设备在正常运行时,利用传感器所采集的诸如振动、声音、速度、位移、应力、压力、电压、电流、功率、电场强度、磁场强度、温度、图像和亮度中的一种或多种的样本信号或数据所构成的样本信号。在本申请中,为了使经过训练或测试的设备模型的模型准确度更高,本申请对至少一种样本信号中的每种样本信号进行信号采集或信号仿真,从而获取包括所述至少两种样本信号的正常样本集合。
举例来说,至少两种样本信号为振动信号、声音信号和电压信号,正常样本集合中的包括以样本的采样时间顺序排列的多个样本,其中每个样本包括振动信号、声音信号和电压信号,并且每个样本具有采样时间。即,正常样本集合中的每个样本为具有采样时间的并且包括在所述采样时间处的每种样本信号的信号组或信号集。在对样本数据进行存储时,可以使正常样本集合中包括至少两个样本子集,每个样本子集为振动样本信号子集、声发射样本信号子集、声音样本信号子集或电场强度样本信号子集等。应当了解到是,信号子集的划分方式仅是为了数据存储或数据展示。实际上,每个样本包括至少两种样本信号中的每种样本信号。可替换地,正常样本集合中包括多个样本信号组,每个样本信号组包括单个振动样本信号、单个声发射样本信号和单个声音样本信号,例如每个样本信号组为<振动样本信号、声发射样本信号、声音样本信号>。应当了解的是,每个样本信号组可以被认为是正常样本集合中的一个样本。
其中至少一种样本信号之中的至少一种样本信号/至少一种样本信号之中的每种样本信号是通过紧贴在目标设备的设备外壳的传感器所采集的振动/声发射信号。其中至少一种样本信号之中的至少一种样本信号/至少一种样本信号之中的每种样本信号是在目标设备的设备外部采集的声音信号。在实际情况中,可以将传感器设置为紧贴在设备或目标表设备的外壳处、将传感器设置在设备或目标设备的外部或将传感器设置在设备或对象的内部。
处理装置404,用于基于所述属性信息从多个设备中选择掺杂设备,在掺杂设备处于预定运行状态时,对至少一种样本信号进行信号采集或信号仿真,从而获得掺杂样本集合。优选地,掺杂设备与目标设备不同,并且所述预定运行状态为正常运行状态。或者,掺杂设备与目标设备不同,并且所述预定运行状态为异常运行状态。可替换地,掺杂设备与目标设备相同,并且所述预定运行状态为异常运行状态。或者掺杂设备与目标设备相同,并且所述预定运行状态为正常运行状态。
其中基于所述属性信息从多个设备中选择掺杂设备包括:基于属性信息中的输入参数、输出参数、模型类型、模型作用、模型准确度、设备类型、设备名称和/或设备标识符等从多个设备中选择掺杂设备。对至少一种样本信号进行信号采集或信号仿真,从而获得掺杂样本集合包括:对振动、声音、速度、位移、应力、压力、电压、电流、功率、电场强度、磁场强度、温度、图像和亮度中的至少一种样本信号进行信号采集或信号仿真,从而获得掺杂样本集合。
其中常运行状态包括但不限于:故障状态、隐患状态、异常操作状态和异常输入状态。
掺杂装置405,用于利用掺杂样本集合中的至少一种样本信号对正常样本集合中相应的至少一种样本信号进行样本信号掺杂,从而获得与正常样本集合相对应的异常样本集合。在实际情况中,运行状态稳定的设备在实际运行中出现故障的次数较少或故障比率较低,因此这种类型的设备的正常运行的样本信号/样本数据的数据量比较大,而异常运行或故障时的样本信号/样本数据的数据量较小。在这种情况下,通常难以获得足够的异常样本信号。为此,本申请根据预设的掺杂方式对正常样本集合中的至少一种样本信号进行样本信号掺杂。
优选地,利用掺杂样本集合中的至少一种样本信号对正常样本集合中相应的至少一种样本信号进行样本信号掺杂包括:
按照幅值、幅值平方、能量值或能量值平方的峰值或者平均值,将正常样本集合和掺杂样本集合中的样本信号归一化;
确定掺杂比例a(0<a<1),将正常样本集合中的样本信号减去掺杂比例a对应的信号量,再加上掺杂样本集合中的样本信号乘以a得到的信号量,从而获得掺杂样本;
或者,按照幅值、幅值平方、能量值或能量值平方的峰值或者平均值,将正常样本集合和掺杂样本集合中的样本信号归一化;
按照幅值、幅值平方、能量值或能量值平方的峰值或者平均值确定掺杂幅度b,将正常样本集合中的样本信号减去幅度b对应的信号量,加上掺杂样本集合中的样本信号幅度b对应的信号量,从而获得掺杂样本。
利用掺杂样本集合中的至少一种样本信号对正常样本集合中相应的至少一种样本信号进行样本信号掺杂包括:
利用掺杂样本集合中的至少一种样本信号对正常样本集合中相应的至少一种样本信号进行样本信号掺杂,使得掺杂后的特征参数达到设定值。
所述特征参数包括以下内容中的一个或多个:信噪比、奇偶次谐波幅值之比、频率复杂度、主频占比、基频占比、电流相关性、频谱重心、信号幅值水平和50Hz频率幅值。
还包括,通过减小所述掺杂比例a或者掺杂幅度b,获得经过调整的异常样本集合,基于正常样本集合、经过调整的异常样本集合以及预先设定的训练算法对设备模型进行训练,从而获得经过训练的高精度设备模型。
还包括,通过减小所述修改量,使得异常样本集合中经过样本信号掺杂的样本信号与未经过样本信号掺杂的样本信号的差值变小,获得经过调整的异常样本集合,基于正常样本集合和经过调整的异常样本集合对设备模型进行测试,从而基于测试结果确定设备模型的性能指标。
还包括,通过减小所述比率,使得异常样本集合中经过样本信号掺杂的样本信号与未经过样本信号掺杂的样本信号的比率变小,获得经过调整的异常样本集合,基于正常样本集合和经过调整的异常样本集合对设备模型进行测试,从而基于测试结果确定设备模型的性能指标。
优选地,所述利用掺杂样本集合中的至少一种样本信号对正常样本集合中相应的至少一种样本信号进行样本信号掺杂包括:
根据预定的时间差,利用掺杂样本集合中的至少一种样本信号对正常样本集合中相应的至少一种样本信号进行样本信号掺杂,
其中时间差是以掺杂样本集合中的至少一种样本信号和正常样本集合中相应的至少一种样本信号的相关性或互信息最大或最小的时刻为基准,增加预定的偏移时间或偏移相位。
利用掺杂样本集合中的至少一种样本信号与正常样本集合中相应的至少一种样本信号进行样本信号叠加,以使得正常样本集合中相应的至少一种样本信号的幅值、幅值平方、能量值或能量值平方,升高或降低相应的比率,导致升高或降低相应的比率的幅值、幅值平方、能量值或能量值平方的所属取值区间发生变化。
还包括,通过减小所述比率,使得异常样本集合中经过样本信号掺杂的样本信号与未经过样本信号掺杂的样本信号的比率变小,获得经过调整的异常样本集合,基于正常样本集合、经过调整的异常样本集合以及预先设定的训练算法对设备模型进行训练,从而获得经过训练的高精度设备模型。
测试装置406,用于基于正常样本集合和异常样本集合对设备模型进行测试,从而基于测试结果确定设备模型的性能指标。还包括,通过增加异常样本集合中掺杂样本信号的类型,来获得经过调整的异常样本集合,基于正常样本集合和经过调整的异常样本集合对设备模型进行测试,从而基于测试结果确定设备模型的性能指标。
基于正常样本集合和异常样本集合对设备模型进行测试,从而基于测试结果确定设备模型的性能指标包括:将正常样本集合和异常样本集合分别或依次输入经过训练的设备模型,使得经过训练的设备模型诊断、判别或识别目标设备的结果状态,获取与正常样本集合和/或异常样本集相对应的验证状态。确定基于验证状态确定结果状态的正确比率,基于正确比率确定测试结果并基于测试结果确定设备模型的性能指标。例如,在将正常样本集合和异常样本集合分别或依次输入经过训练的设备模型后,经过训练的设备模型诊断、判别或识别目标设备的结果状态100次,基于验证状态确定100次结果状态中诊断、判别或识别正确的次数为99次,那么基于验证状态确定结果状态的正确比率为99/100=99%,那么测试结果为99%。
根据一个实施方式,当测试结果大于或等于97%时,确定设备模型的性能指标为高精度,当测试结果小于97%并且大于或等于90%时,确定设备模型的性能指标为中精度,以及当测试结果小于90%时,确定设备模型的性能指标为低精度。
Claims (10)
1.一种通过样本掺杂来训练目标设备的设备模型的方法,所述方法包括:
响应于接收到的模型训练请求,基于训练请求从多个设备中选择目标设备,并确定与目标设备相关联的设备模型;
获取与设备模型相关联的属性信息,基于所述属性信息确定与设备模型相关联的至少一种样本信号;
在所述目标设备处于正常运行状态时,对所述至少一种样本信号进行信号采集或信号仿真,从而获取包括所述至少一种样本信号的正常样本集合;
基于所述属性信息从多个设备中选择掺杂设备,在掺杂设备处于预定运行状态时,对至少一种样本信号进行信号采集或信号仿真,从而获得掺杂样本集合;
利用掺杂样本集合中的至少一种样本信号对正常样本集合中相应的至少一种样本信号进行样本信号掺杂,从而获得与正常样本集合相对应的异常样本集合;
基于正常样本集合、异常样本集合以及预先设定的训练算法对目标模型进行训练,从而获得经过训练的目标模型。
2.根据权利要求1所述的方法,所述至少一种样本信号包括:振动、声音、速度、位移、应力、压力、电压、电流、功率、电场强度、磁场强度、温度、图像和亮度。
3.根据权利要求1所述的方法,所述至少一种样本信号之中的至少一种样本信号是通过紧贴在设备外壳的传感器所采集的振动/声发射信号。
4.根据权利要求1所述的方法,所述至少一种样本信号之中的至少一种样本信号是在设备外部采集的声音信号。
5.一种通过样本掺杂来测试目标设备的设备模型的方法,所述方法包括:
响应于接收到的针对设备模型的测试请求,基于测试请求从多个设备中选择与设备模型相关联的目标设备;
获取与设备模型相关联的属性信息,基于所述属性信息确定与设备模型相关联的至少一种样本信号;
在所述目标设备处于正常运行状态时,对至少一种样本信号进行信号采集或信号仿真,从而获取包括所述至少一种样本信号的正常样本集合;
基于所述属性信息从多个设备中选择掺杂设备,在掺杂设备处于预定运行状态时,对至少一种样本信号进行信号采集或信号仿真,从而获得掺杂样本集合;
利用掺杂样本集合中的至少一种样本信号对正常样本集合中相应的至少一种样本信号进行样本信号掺杂,从而获得与正常样本集合相对应的异常样本集合;
基于正常样本集合和异常样本集合对目标模型进行测试,从而基于测试结果确定目标模型的性能指标。
6.一种通过样本掺杂来训练目标设备的设备模型的系统,所述系统包括:
选择装置,用于响应于接收到的模型训练请求,基于训练请求从多个设备中选择目标设备,并确定与目标设备相关联的设备模型;
确定装置,用于获取与设备模型相关联的属性信息,基于所述属性信息确定与设备模型相关联的至少一种样本信号;
获取装置,用于在所述目标设备处于正常运行状态时,对所述至少一种样本信号进行信号采集或信号仿真,从而获取包括所述至少一种样本信号的正常样本集合;
处理装置,用于基于所述属性信息从多个设备中选择掺杂设备,在掺杂设备处于预定运行状态时,对至少一种样本信号进行信号采集或信号仿真,从而获得掺杂样本集合;
掺杂装置,用于利用掺杂样本集合中的至少一种样本信号对正常样本集合中相应的至少一种样本信号进行样本信号掺杂,从而获得与正常样本集合相对应的异常样本集合;
训练装置,用于基于正常样本集合、异常样本集合以及预先设定的训练算法对目标模型进行训练,从而获得经过训练的目标模型。
7.根据权利要求6所述的系统,所述至少一种样本信号包括:振动、声音、速度、位移、应力、压力、电压、电流、功率、电场强度、磁场强度、温度、图像和亮度。
8.根据权利要求6所述的系统,所述至少一种样本信号之中的至少一种样本信号是通过紧贴在设备外壳的传感器所采集的振动/声发射信号。
9.根据权利要求6所述的系统,所述至少一种样本信号之中的至少一种样本信号是在设备外部采集的声音信号。
10.一种通过样本掺杂来测试目标设备的设备模型的系统,所述系统包括:
选择装置,用于响应于接收到的针对设备模型的测试请求,基于测试请求从多个设备中选择与设备模型相关联的目标设备;
确定装置,用于获取与设备模型相关联的属性信息,基于所述属性信息确定与设备模型相关联的至少一种样本信号;
获取装置,用于在所述目标设备处于正常运行状态时,对至少一种样本信号进行信号采集或信号仿真,从而获取包括所述至少一种样本信号的正常样本集合;
处理装置,用于基于所述属性信息从多个设备中选择掺杂设备,在掺杂设备处于预定运行状态时,对至少一种样本信号进行信号采集或信号仿真,从而获得掺杂样本集合;
掺杂装置,用于利用掺杂样本集合中的至少一种样本信号对正常样本集合中相应的至少一种样本信号进行样本信号掺杂,从而获得与正常样本集合相对应的异常样本集合;
测试装置,用于基于正常样本集合和异常样本集合对目标模型进行测试,从而基于测试结果确定目标模型的性能指标。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110663862.2A CN113537289B (zh) | 2021-06-16 | 2021-06-16 | 通过样本掺杂来训练目标设备的设备模型的方法及系统 |
PCT/CN2021/108158 WO2022262073A1 (zh) | 2021-06-16 | 2021-07-23 | 通过样本掺杂来训练目标设备的设备模型的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110663862.2A CN113537289B (zh) | 2021-06-16 | 2021-06-16 | 通过样本掺杂来训练目标设备的设备模型的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113537289A true CN113537289A (zh) | 2021-10-22 |
CN113537289B CN113537289B (zh) | 2024-05-28 |
Family
ID=78096026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110663862.2A Active CN113537289B (zh) | 2021-06-16 | 2021-06-16 | 通过样本掺杂来训练目标设备的设备模型的方法及系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113537289B (zh) |
WO (1) | WO2022262073A1 (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190065989A1 (en) * | 2017-08-30 | 2019-02-28 | Intel Corporation | Constrained sample selection for training models |
CN112116002A (zh) * | 2020-09-18 | 2020-12-22 | 北京旋极信息技术股份有限公司 | 一种检测模型的确定方法、验证方法和装置 |
CN112231971A (zh) * | 2020-09-26 | 2021-01-15 | 浙江大学 | 基于相对整体趋势扩散故障样本生成的高炉故障诊断方法 |
CN112581719A (zh) * | 2020-11-05 | 2021-03-30 | 清华大学 | 基于时序生成对抗网络的半导体封装过程预警方法和装置 |
CN112733872A (zh) * | 2020-08-26 | 2021-04-30 | 南京航空航天大学 | 基于动态半径支持向量数据描述的航空发动机故障检测方法 |
-
2021
- 2021-06-16 CN CN202110663862.2A patent/CN113537289B/zh active Active
- 2021-07-23 WO PCT/CN2021/108158 patent/WO2022262073A1/zh unknown
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190065989A1 (en) * | 2017-08-30 | 2019-02-28 | Intel Corporation | Constrained sample selection for training models |
CN112733872A (zh) * | 2020-08-26 | 2021-04-30 | 南京航空航天大学 | 基于动态半径支持向量数据描述的航空发动机故障检测方法 |
CN112116002A (zh) * | 2020-09-18 | 2020-12-22 | 北京旋极信息技术股份有限公司 | 一种检测模型的确定方法、验证方法和装置 |
CN112231971A (zh) * | 2020-09-26 | 2021-01-15 | 浙江大学 | 基于相对整体趋势扩散故障样本生成的高炉故障诊断方法 |
CN112581719A (zh) * | 2020-11-05 | 2021-03-30 | 清华大学 | 基于时序生成对抗网络的半导体封装过程预警方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113537289B (zh) | 2024-05-28 |
WO2022262073A1 (zh) | 2022-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106323452B (zh) | 一种设备异音的检测方法及检测装置 | |
KR102106775B1 (ko) | 딥러닝을 이용한 전지 진단 방법 | |
JP7462400B2 (ja) | 問題騒音の発音源を識別するための騒音データの人工知能装置および前処理方法 | |
KR20100094452A (ko) | 롤링 베어링 대미지 검측 및 자동 식별 방법 | |
CN116417013B (zh) | 水下推进器故障诊断方法及系统 | |
CN111174370A (zh) | 故障检测方法及装置、存储介质、电子装置 | |
EP3525508A1 (en) | Method and test system for mobile network testing as well as a network testing system | |
CN117368623B (zh) | 一种可对拖的储能逆变器老化检验方法、系统及介质 | |
CN113537289B (zh) | 通过样本掺杂来训练目标设备的设备模型的方法及系统 | |
CN115588439B (zh) | 一种基于深度学习的声纹采集装置的故障检测方法及装置 | |
CN112284704A (zh) | 一种基于测试矩阵的旋转设备故障诊断方法、系统及可读存储介质 | |
CN116520068A (zh) | 一种电力数据的诊断方法、装置、设备及存储介质 | |
CN113537288B (zh) | 基于样本信号的修改对目标模型进行训练的方法及系统 | |
Listewnik et al. | An on-line diagnostics application for evaluation of machine vibration based on standard ISO 10816-1 | |
CN111948286A (zh) | 一种基于超声波和深度学习的应力检测方法、装置及设备 | |
US11886831B2 (en) | Data sorting device and method, and monitoring and diagnosis device | |
US11218233B2 (en) | Method and system for analyzing a determination of a link transmission quality indicator and method and apparatus for determining a link transmission quality indicator | |
CN109357751B (zh) | 一种电力变压器绕组松动缺陷检测系统 | |
CN117370916B (zh) | 变压器绕组振动异常诊断方法、装置、电子设备及介质 | |
Koshekov et al. | Modernization of vibration analyzers based on identification measurements | |
RU2125716C1 (ru) | Устройство для виброакустической диагностики машин | |
CN117741321B (zh) | 移动式储充系统故障诊断方法及系统 | |
US20240169210A1 (en) | Methods for 3d tensor builder for input to machine learning | |
CN117454488B (zh) | 基于数字孪生传感器的多设备综合方法和系统 | |
CN117330507B (zh) | 手持激光仪的远程测试管控方法 |
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 |