CN114118137A - 电力计量生产设备监测方法、装置、终端及存储介质 - Google Patents
电力计量生产设备监测方法、装置、终端及存储介质 Download PDFInfo
- Publication number
- CN114118137A CN114118137A CN202111203467.2A CN202111203467A CN114118137A CN 114118137 A CN114118137 A CN 114118137A CN 202111203467 A CN202111203467 A CN 202111203467A CN 114118137 A CN114118137 A CN 114118137A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- lstm network
- data
- equipment
- acquiring
- 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.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 40
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000012806 monitoring device Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 37
- 230000006870 function Effects 0.000 claims description 24
- 230000015654 memory Effects 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000010200 validation analysis Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 7
- 238000012423 maintenance Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 2
- 238000007689 inspection Methods 0.000 abstract description 7
- 230000036541 health Effects 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000000306 recurrent effect Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000006403 short-term memory Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000007787 long-term memory Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003638 chemical reducing agent Substances 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000007847 structural defect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- 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
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Signal Processing (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及电力计量生产设备技术领域,尤其涉及一种电力计量生产设备监测方法、装置、终端及存储介质,本发明方法包括:获取设备的监测数据,所述监测数据为表征所述设备当前状态的数据;获取第一LSTM网络,所述第一LSTM网络为经过训练的LSTM网络;将所述监测数据输入所述LSTM网络,获取所述设备的预期寿命;若所述预期寿命小于第一阈值,则确定所述设备是否产生了故障。本发明实施方式通过获取设备的监测数据以及训练后的LSTM网络确定设备的预期寿命,由于监测数据持续不断产生,因此可以实时获取设备的健康状态,相比人工巡检的方式,及时、效率高。因LSTM网络经过数据集训练且通过准确率验证,故准确率高。
Description
技术领域
本发明涉及电力计量生产设备技术领域,尤其涉及一种电力计量生产设备监测方法、装置、终端及存储介质。
背景技术
随着能源互联网技术的推广,智能电能表等电力计量智能物联设备应用愈加广泛,同时作为法定计量装置,智能电能表的生产制造、检定检测、仓储配送是保障现场一线正常开展安装和老百姓用电的基础。电力计量自动化生产设备起着不可替代的保障作用。
目前电力计量自动化生产设备的巡检主要依靠运维人员周期性现场近距离观看观察,人为被动发现缺陷或故障风险。因电力计量自动化生产设备生产单元种类多、各单元零部件多、各零部件的故障发生频次不同,一是受经验影响,存在漏判、误判问题;二是受掌握信息影响,不能现场及时甄别;三是受技术能力影响,无法对生产单元内部零部件状况进行判断。
因此,出现异常时需要人为比对历史故障信息文档,这种巡检方式效率低下并且对所有设备进行一轮巡检时间周期过长。这就可能引起因巡检没到位导致故障隐患不能及时发现问题,进而导致电力计量生产业务的中断,甚至引发重大生产事故。
基于此,现有技术中,电力计量自动化生产设备的巡检问题,需要开发设计出一种电力计量生产设备监测方法。
发明内容
本发明实施方式提供了一种电力计量生产设备监测方法、装置、终端及存储介质,用于解决现有技术中人力巡检存在漏判的问题。
第一方面,本发明实施方式提供了一种电力计量生产设备监测方法,包括:获取设备的监测数据,所述监测数据为表征所述设备当前状态的数据;
获取第一LSTM网络,所述第一LSTM网络为经过训练的LSTM网络;
将所述监测数据输入所述LSTM网络,获取所述设备的预期寿命;
若所述预期寿命小于第一阈值,则确定所述设备是否产生了故障。
在一种可能实现的方式中,所述获取第一LSTM网络,包括:
获取训练样本组、验证样本组以及第二LSTM网络;
训练步骤:利用所述训练样本组对所述第二LSTM网络进行训练;
利用所述验证样本组确定所述第二LSTM网络的预测误差;
若所述预测误差变化率小于或等于第二阈值,则将所述第二LSTM网络确定为所述第一LSTM网络;
若所述预测误差变化率大于第二阈值,则返回至训练步骤。
在一种可能实现的方式中,所述获取训练样本组以及验证样本组,包括:
获取所述设备的监测历史曲线,所述监测历史曲线为表征所述监测数据与时间关系的曲线;
对所述监测历史曲线进行采样,获取历史监测数据,所述历史监测数据包含有剩余寿命标签;
根据多个所述历史检测数据生成第一数据集;
对所述第一数据集进行分组,生成训练样本组以及验证样本组。
在一种可能实现的方式中,在对所述监测历史曲线进行采样,获取历史监测数据之前,包括:
检查所述监测历史曲线是否存在无效曲线;
若所述监测历史曲线包括无效曲线,则裁减掉无效曲线并将剩余曲线进行拼接。
在一种可能实现的方式中,所述利用所述验证样本组确定所述第二LSTM网络的预测误差,包括:
获取交叉熵损失函数;
根据所述交叉熵损失函数以及所述验证样本组确定所述第二LSTM网络的预测误差。
在一种可能实现的方式中,在若所述预期寿命小于第一阈值,则确定所述设备是否产生了故障之后,还包括:
获取所述设备的档案信息,所述档案信息包括以下至少之一:运行工况、历史故障、备品备件更换以及维修保养记录;
根据所述档案信息以及所述监测数据确定所述设备发生故障的原因。
在一种可能实现的方式中,所述根据所述档案信息以及所述监测数据确定所述设备发生故障的原因,包括:
根据KNN算法、所述档案信息以及所述监测数据确定所述设备发生故障的原因。
第二方面,本发明实施方式提供了一种电力计量生产设备节拍调优装置,包括:
检测数据获取模块,用于获取设备的监测数据,所述监测数据为表征所述设备当前状态的数据;
LSTM网络获取模块,用于获取第一LSTM网络,所述第一LSTM网络为经过训练的LSTM网络;
预期寿命确定模块,用于将所述监测数据输入所述LSTM网络,获取所述设备的预期寿命;以及,
故障确定模块,用于若所述预期寿命小于第一阈值,则确定所述设备是否产生了故障。
第三方面,本发明实施方式提供了一种终端,包括存储器、处理器以及存储在所述存储器中并可在所述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第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
第四方面,本发明实施方式提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
本发明实施方式与现有技术相比存在的有益效果是:
本发明实施方式公开了的一种电力计量生产设备监测方法,其通过获取设备的监测数据以及训练后的LSTM网络确定设备的预期寿命,由于监测数据持续不断产生,因此可以实时获取设备的健康状态,相比人工巡检的方式,及时、效率高。因LSTM网络经过数据集训练且通过准确率验证,故准确率高。
附图说明
为了更清楚地说明本发明实施方式中的技术方案,下面将对实施方式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的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施方式提供的电力计量生产设备监测方法的流程图;
图2是本发明实施方式提供的循环神经网络结构以及其在时域展开形式图;
图3是本发明实施方式提供的LSTM网络模型的基本结构图;
图4是本发明实施方式提供KNN算法原理图;
图5是本发明实施方式提供的电力计量生产设备监测装置功能框图;
图6是本发明实施方式提供的终端功能框图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施方式。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施方式中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图通过具体实施方式来进行说明。
下面对本发明的实施例作详细说明,本实例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
图1为本发明实施方式提供的电力计量生产设备监测方法的流程图。
如图1所示,其示出了本发明实施方式提供的电力计量生产设备监测方法的实现流程图,详述如下:
在步骤101中,获取设备的监测数据,所述监测数据为表征所述设备当前状态的数据。
示例性地,设备的监测数据有多种形式,如对于电动机而言,监测数据包括:电压、电流、有功功率、电机的温度等至少一种状态参数。对于运转的机械设备,如减速机或传动装置,监测数据包括:震动频率和/或振动幅度,对于气动设备而言,监测数据包括:噪声大小等,本领域技术人员应当理解,上述列举仅为方便理解而提供的示例,而非限定。
在步骤102中,获取第一LSTM网络,所述第一LSTM网络为经过训练的LSTM网络。
在一些实施方式中,步骤102包括:
获取训练样本组、验证样本组以及第二LSTM网络;
训练步骤:利用所述训练样本组对所述第二LSTM网络进行训练;
利用所述验证样本组确定所述第二LSTM网络的预测误差;
若所述预测误差变化率小于或等于第二阈值,则将所述第二LSTM网络确定为所述第一LSTM网络;
若所述预测误差变化率大于第二阈值,则返回至训练步骤。
在一些实施方式中,所述获取训练样本组以及验证样本组,包括:
获取所述设备的监测历史曲线,所述监测历史曲线为表征所述监测数据与时间关系的曲线;
对所述监测历史曲线进行采样,获取历史监测数据,所述历史监测数据包含有剩余寿命标签;
根据多个所述历史检测数据生成第一数据集;
对所述第一数据集进行分组,生成训练样本组以及验证样本组。
在一些实施方式中,在对所述监测历史曲线进行采样,获取历史监测数据之前,包括:
检查所述监测历史曲线是否存在无效曲线;
若所述监测历史曲线包括无效曲线,则裁减掉无效曲线并将剩余曲线进行拼接。
在一些实施方式中,所述利用所述验证样本组确定所述第二LSTM网络的预测误差,包括:
获取交叉熵损失函数;
根据所述交叉熵损失函数以及所述验证样本组确定所述第二LSTM网络的预测误差。
示例性地,LSTM网络(长短期记忆网络,Long Short-Term Memory)是一种时间循环神经网络,是为了解决一般的RNN(循环神经网络,Recursive Neural Network)存在的长期依赖问题而专门设计出来的,所有的RNN都具有一种重复神经网络模块的链式形式。
图2为循环神经网络(RecurrentNeuralNetwork,RNN)结构以及其在时域展开形式,其内部循环神经单元构成了RNN网络中的隐含层,每一个网络节点的输出会同时反馈到自身以及其下一节点中,这种多级反馈机制使得RNN网络具有记忆功能。在t时刻,隐层接受当前时刻的输入xt,以及前一时刻自身的状态ht-1,形成环状的网络结构,所以RNN网络具有一定的短期记忆能力。此外其参数也可被共享,因此在处理序列的非线性特征进行学习时具有优势。
图2中,U是输入层到隐藏层的权重矩阵,V是隐藏层到输出层的权重矩阵,W就是隐藏层上一次的值作为这一次的输入的权重,st是时刻t时的隐藏状态,ot是时刻t时的输出,xt是在t时刻的输入,是网络的存储单元,为一个n维向量。
RNN通常采用反向传播算法进行模型训练,但是由于本身结构的缺陷,在输入长序列数据时,随着网络加深,网络参数会呈指数级的衰减或增强,梯度值会近似等于0或者趋近于无穷大,这就导致了梯度消失和梯度爆炸问题。由于近来深度学习领域的迅速发展,相关研究与应用越来越深入,针对上述循环神经网络存在的问题,提出了相应的解决方案。
LSTM网络模型在处理长时间依赖序列问题提供了新方案,其本质上是一种特殊的RNN网络。与RNN内部神经元对比,LSTM不仅包含短期记忆状态控制单元h外,还增加用于存储长期记忆控制单元c,相对于长期记忆单元c,短期记忆单元更新频率更快。LSTM循环神经网络凭借同时拥有短期记忆和长期记忆神经元,弥补了RNN网络模型存在的缺陷,使其能够有效地处理长间隔的时序数据。
图3示出了LSTM网络模型的基本结构,LSTM网络引入了遗忘门、输入门和输出门三个门控循环单元,各单元共同协作完成控制记忆的更新与遗忘,实现记忆在隐含层单元中存储和流动,提高网络的预测精度。图3中所示,LSTM网络通过遗忘阀ft、输入阀it、输出阀ot和控制单元状态Ct,决定哪些数据需要保留,哪些数据需要被遗忘,进而解决RNN的长距离依赖问题。
就本发明实施方式而言,本发明通过将采集的监测数据输入至经过训练的LSTM网络中,通过LSTM网络预测出设备的预期寿命。
在LSTM网络的训练上,采用的是设备的历史数据对LSTM网络进行训练。
训练前,应当准备训练样本组和验证样本组,训练样本组以及验证样本组均为历史监测数据构成的数据组,其中每个监测数据均标识有寿命标签。
举例而言,如果应用于旋转机械设备,旋转机械设备的振动幅度可以反应其状态,获取旋转设备某一时刻的振动幅度k以及剩余历史寿命时间t,用剩余历史寿命时间t标记振动幅度k,从而获得一个带有标签的监测数据。采用此种方式,获取多个时间点的监测数据,从而形成数据集。将数据集分组,一组为训练样本组,另一组为验证样本组。
然后,确定损失函数形式,本发明方法采用交叉熵损失函数。
交叉熵损失函数(Cross-entropy loss function)的标准形式如下:
其中,x表示样本,y表示实际的标签,a表示预测的输出,n表示样本总数量。
交叉熵损失函数本质上也是一种对数似然函数,可用于二分类和多分类任务中。
应用于二分类问题中的损失函数(输入数据是softmax或者sigmoid函数的输出):
应用于多分类问题中的损失函数(输入数据是softmax或者sigmoid函数的输出):
当使用sigmoid作为激活函数的时候,常用交叉熵损失函数而不用均方误差损失函数,因为它可以完美解决平方损失函数权重更新过慢的问题,具有“误差大的时候,权重更新快;误差小的时候,权重更新慢”的良好性质。
在确定了损失函数后,即可将训练样本组中的数据输入至LSTM网络中进行训练,经过一个阶段的训练后,再将验证样本组数据输入至LSTM网络,确定预测误差变化率,若预测误差变化率极小,则认定为训练完成。此时LSTM网络即具备预测的能力。若预测误差变化率仍有较大的幅度,则应当再重复进行一个阶段的训练,直至预测误差变化率达到预定的水平。
这里需要重点示例一下训练样本组和验证样本组数据的获取方式。设备上装有传感器,传感器获取的数据会通过AR系统或者组态监控系统拟合出监测曲线,该曲线反应的是检测数据与时间的关系。
获得监测曲线后,应当对曲线中的不合理线段进行删除,仅保留正常的曲线。示例性地,如在一些设备的监测曲线中,包括有设备停机状态、启动状态时的曲线,这些曲线不能够表征设备运行的状态,因此应当将该段曲线裁剪掉,然后进行拼接,形成新的曲线。
拼接的方式有多种,其中一种方式为,确定无效曲线段的开始时间和结束时间,然后,找到介于开始时间和结束时间之间的监测数据,剔除该部分数据,然后,再次拟合出监测曲线,实现对曲线的拼接。最后,通过拼接后的曲线进行采样,获取到有效的数据。
通过曲线获取的数据量较大,故能够获得较大的数据样本,为提高训练精度,提供了必不可少的条件。另一方面,因为曲线是拟合的方式产生,因此相比其它方式(如差值法)噪声小,精度相对也更高。
在步骤103中,将所述监测数据输入所述LSTM网络,获取所述设备的预期寿命。
示例性地,获取当前设备的监测数据,将监测数据输入到前述步骤中训练好的LSTM网络中,该网络会输出一个预期寿命。
在步骤104中,若所述预期寿命小于第一阈值,则确定所述设备是否存在故障。
示例性地,通常而言,预期寿命低于预定条件时,应当对设备进行检测、维护、保养或者维修。
就本发明实施方式而言,当预期寿命低于预定条件时,工作人员应当进行实地检查,确认设备损坏的可能。
如在一种应用场景中,经过LSTM神经网络进行预测,输出一个预期寿命,该寿命时长为t5,阈值时长为t6,若t5小于t6,则确定设备存在故障,若t5大于或等于t6,则说明设备处于健康状态。
在步骤105中,获取所述设备的档案信息,所述档案信息包括以下至少之一:运行工况、历史故障、备品备件更换以及维修保养记录;
根据所述档案信息以及所述监测数据确定所述设备发生故障的原因。
根据KNN算法、所述档案信息以及所述监测数据确定所述设备发生故障的原因。
示例性地,KNN算法,(KNN,K-NearestNeighbor)是数据挖掘分类技术中最简单的方法之一。所谓K最近邻,就是K个最近的邻居的意思,说的是每个样本都可以用它最接近的K个邻近值来代表。近邻算法就是将数据集合中每一个记录进行分类的方法。
如图4所示,图中,五角星是待确定样本x,已知圆点都属于样本集W1,三角形都属于样本集W2,方形都属于样本集W3。待确定样本根据自身的特征向量(即坐标)确定应当归属的空间。
一种实施方式为计算它与所有训练样本的欧式距离,选出距离它最近的K个点,图4中所示K=5,根据KNN算法多数表决的思想,与图中五角星最临近的五个目标中,其中四个为圆点样本集,则认为待确定样本x也应属于样本集,即确定样本x的属性与样本集W1属性相同。
进一步地,对于本发明实施方式而言,在确定设备产生了故障以后,应当确定故障产生的原因。一种可实施的方法为参照法,即参照历史数据。
采用KNN算法表决故障发生的原因前,应当首先构建样本集。本发明实施方式样本集通过档案信息构建。
如在一种应用场景中,通过机械设备振动幅度以及震动幅度的变化率确定发生故障的原因。震动幅度变化率是指,一定的时间周期内,震动幅度变化的大小。如在t1到t2的时间范围内,震动幅度由k1变化到了k2,k2与k1的差值越大,这震动幅度变化率越大。
在通过查阅档案信息后,确定了不同种类的故障原因后,根据档案记录查阅同期设备振动幅度的变化率,从而构建出不同故障原因-振动幅度变化率的样本集。
接着,根据样本集大小,选择合适的K值大小。
将当前状态下机械设备震动幅度的变化率与上述构件的样本集中的每个样本计算欧式距离,然后,对上述欧式距离进行排序,选出距离最近的K个样本。接着,确定这K个样本归属的原因种类,以最临近的以样本数量最多的种类,确定设备发生故障的原因。
仍旧以上述方式进行举例,对应故障原因为B1的样本为n1个;对应故障原因为B2的样本为n2个;对应故障原因为B3的样本为n3个……在临近计算中,计算当前样本与每个样本距离:
其中,A(x1,x2…xn)为采集样本,x1,x2…xn为采集样本A的元素,Bj(yj1,yj2…yjn)为训练集中的第j个样本,yj1,yj2…yjn为样本Bj的元素,0<j≤m,m为训练集中样本的总数量,n为样本的元素总数量。
最后,根据上述公式确定了K个最近邻的样本,K个样本中,若归属B2的样本最多,则认为本次故障原因为B2。
本发明电力计量生产设备监测方法实施方式,通过获取设备的监测数据以及训练后的LSTM网络确定设备的预期寿命,由于监测数据持续不断产生,因此可以实时获取设备的健康状态,相比人工巡检的方式,效率高。因LSTM网络经过数据集训练且通过准确率验证,故准确率高。
应理解,上述实施方式中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施方式的实施过程构成任何限定。
以下为本发明的装置实施方式,对于其中未详尽描述的细节,可以参考上述对应的方法实施方式。
图5是本发明实施方式提供的电力计量生产设备监测装置功能框图,参照图5,电力计量生产设备监测装置5包括:检测数据获取模块501、LSTM网络获取模块502、预期寿命确定模块503以及故障确定模块504。
检测数据获取模块501,用于获取设备的监测数据,所述监测数据为表征所述设备当前状态的数据;
LSTM网络获取模块502,用于获取第一LSTM网络,所述第一LSTM网络为经过训练的LSTM网络;
预期寿命确定模块503,用于将所述监测数据输入所述LSTM网络,获取所述设备的预期寿命;
故障确定模块504,用于若所述预期寿命小于第一阈值,则确定所述设备是否产生了故障。
图6是本发明实施方式提供的终端的功能框图。如图6所示,该实施方式的终端6包括:处理器600、存储器601以及存储在所述存储器601中并可在所述处理器600上运行的计算机程序602。所述处理器600执行所述计算机程序602时实现上述各个电力计量生产设备监测方法及电力计量生产设备监测方法实施方式中的步骤,例如图1所示的步骤101至步骤104。
示例性的,所述计算机程序602可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器601中,并由所述处理器600执行,以完成本发明。
所述终端6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端6可包括,但不仅限于,处理器600、存储器601。本领域技术人员可以理解,图6仅仅是终端6的示例,并不构成对终端6的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端还可以包括输入输出设备、网络接入设备、总线等。
所称处理器600可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器601可以是所述终端6的内部存储单元,例如终端6的硬盘或内存。所述存储器601也可以是所述终端6的外部存储设备,例如所述终端6上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器601还可以既包括所述终端6的内部存储单元也包括外部存储设备。所述存储器601用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器601还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施方式中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施方式中的对应过程,在此不再赘述。
在上述实施方式中,对各个实施方式的描述都各有侧重,某个实施方式中没有详述或记载的部分,可以参见其它实施方式的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施方式描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施方式中,应该理解到,所揭露的装置/终端和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端实施方式仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外,在本发明各个实施方式中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施方式方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个电力计量生产设备监测方法及电力计量生产设备监测装置实施方式的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述实施方式仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施方式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方式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方式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 (10)
1.一种电力计量生产设备监测方法,其特征在于,包括:
获取设备的监测数据,所述监测数据为表征所述设备当前状态的数据;
获取第一LSTM网络,所述第一LSTM网络为经过训练的LSTM网络;
将所述监测数据输入所述LSTM网络,获取所述设备的预期寿命;
若所述预期寿命小于第一阈值,则确定所述设备是否存在故障。
2.根据权利要求1所述的电力计量生产设备监测方法,其特征在于,所述获取第一LSTM网络,包括:
获取训练样本组、验证样本组以及第二LSTM网络;
训练步骤:利用所述训练样本组对所述第二LSTM网络进行训练;
利用所述验证样本组确定所述第二LSTM网络的预测误差;
若所述预测误差变化率小于或等于第二阈值,则将所述第二LSTM网络确定为所述第一LSTM网络;
若所述预测误差变化率大于第二阈值,则返回至训练步骤。
3.根据权利要求2所述的电力计量生产设备监测方法,其特征在于,所述获取训练样本组以及验证样本组,包括:
获取所述设备的监测历史曲线,所述监测历史曲线为表征所述监测数据与时间关系的曲线;
对所述监测历史曲线进行采样,获取历史监测数据,所述历史监测数据包含有剩余寿命标签;
根据多个所述历史检测数据生成第一数据集;
对所述第一数据集进行分组,生成训练样本组以及验证样本组。
4.根据权利要求3所述的电力计量生产设备监测方法,其特征在于,在对所述监测历史曲线进行采样,获取历史监测数据之前,包括:
检查所述监测历史曲线是否存在无效曲线;
若所述监测历史曲线包括无效曲线,则裁减掉无效曲线并将剩余曲线进行拼接。
5.根据权利要求2所述的电力计量生产设备监测方法,其特征在于,所述利用所述验证样本组确定所述第二LSTM网络的预测误差,包括:
获取交叉熵损失函数;
根据所述交叉熵损失函数以及所述验证样本组确定所述第二LSTM网络的预测误差。
6.根据权利要求1-5任一项所述的电力计量生产设备监测方法,其特征在于,在若所述预期寿命小于第一阈值,则确定所述设备是否产生了故障之后,还包括:
获取所述设备的档案信息,所述档案信息包括以下至少之一:运行工况、历史故障、备品备件更换以及维修保养记录;
根据所述档案信息以及所述监测数据确定所述设备发生故障的原因。
7.根据权利要求6所述的电力计量生产设备监测方法,其特征在于,所述根据所述档案信息以及所述监测数据确定所述设备发生故障的原因,包括:
根据KNN算法、所述档案信息以及所述监测数据确定所述设备发生故障的原因。
8.一种电力计量生产设备监测装置,其特征在于,包括:
检测数据获取模块,用于获取设备的监测数据,所述监测数据为表征所述设备当前状态的数据;
LSTM网络获取模块,用于获取第一LSTM网络,所述第一LSTM网络为经过训练的LSTM网络;
预期寿命确定模块,用于将所述监测数据输入所述LSTM网络,获取所述设备的预期寿命;以及,
故障确定模块,用于若所述预期寿命小于第一阈值,则确定所述设备是否产生了故障。
9.一种终端,包括存储器、处理器以及存储在所述存储器中并可在所述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上的权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上的权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111203467.2A CN114118137A (zh) | 2021-10-15 | 2021-10-15 | 电力计量生产设备监测方法、装置、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111203467.2A CN114118137A (zh) | 2021-10-15 | 2021-10-15 | 电力计量生产设备监测方法、装置、终端及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114118137A true CN114118137A (zh) | 2022-03-01 |
Family
ID=80375773
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111203467.2A Pending CN114118137A (zh) | 2021-10-15 | 2021-10-15 | 电力计量生产设备监测方法、装置、终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114118137A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116797053A (zh) * | 2023-08-25 | 2023-09-22 | 深圳普菲特信息科技股份有限公司 | 基于神经网络的化工生产数据分析方法、系统和介质 |
-
2021
- 2021-10-15 CN CN202111203467.2A patent/CN114118137A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116797053A (zh) * | 2023-08-25 | 2023-09-22 | 深圳普菲特信息科技股份有限公司 | 基于神经网络的化工生产数据分析方法、系统和介质 |
CN116797053B (zh) * | 2023-08-25 | 2023-11-10 | 深圳普菲特信息科技股份有限公司 | 基于神经网络的化工生产数据分析方法、系统和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | Remaining useful life prediction of aircraft engine based on degradation pattern learning | |
Al-Dahidi et al. | Remaining useful life estimation in heterogeneous fleets working under variable operating conditions | |
Rigamonti et al. | Echo state network for the remaining useful life prediction of a turbofan engine | |
CN109492790A (zh) | 基于神经网络与数据挖掘的风电机组健康管理方法 | |
CN114429153A (zh) | 基于终身学习的齿轮箱增量故障诊断方法及系统 | |
CN107977748B (zh) | 一种多变量扭曲时间序列预测方法 | |
KR20200142993A (ko) | 엔진 상태 진단 방법 및 엔진 상태 진단 모델링 방법 | |
CN115587543A (zh) | 基于联邦学习和lstm的刀具剩余寿命预测方法及系统 | |
CN114970926A (zh) | 一种模型训练方法、企业经营风险预测方法和装置 | |
CN116379360A (zh) | 一种基于知识迁移的掺氢天然气管道损伤预测方法及系统 | |
CN114118137A (zh) | 电力计量生产设备监测方法、装置、终端及存储介质 | |
CN115758151A (zh) | 联合诊断模型建立方法、光伏组件故障诊断方法 | |
CN110348005B (zh) | 配网设备状态数据处理方法、装置、计算机设备及介质 | |
CN115391160B (zh) | 一种异常变更检测方法、装置、设备及存储介质 | |
CN107025293A (zh) | 一种电力二次设备缺陷数据挖掘方法及系统 | |
Decker et al. | Does your model think like an engineer? explainable ai for bearing fault detection with deep learning | |
CN113540526B (zh) | 一种基于历史数据分析的燃料电池故障诊断方法及系统 | |
Gan | Discrete Hopfield neural network approach for crane safety evaluation | |
Wang et al. | Health state assessment of industrial equipment driven by the fusion of digital twin model and intelligent algorithm | |
Lin et al. | Early fault prediction for wind turbines based on deep learning | |
Pang et al. | A New Fault Diagnosis Method for Quality Control of Electromagnet Based on T–S Fault Tree and Grey Relation | |
Li et al. | Comparison of data-driven prognostics models: A process perspective | |
Misaii et al. | Optimal task-driven time-dependent covariate-based maintenance policy | |
CN113919518A (zh) | 电力计量自动化生产设备的故障确定方法、装置及终端 | |
Adamova et al. | Machine Learning in Action: An Analysis of its Application for Fault Detection in Wireless Sensor Networks |
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 |