CN114265385A - 一种基于深度学习的故障识别方法、装置及存储介质 - Google Patents
一种基于深度学习的故障识别方法、装置及存储介质 Download PDFInfo
- Publication number
- CN114265385A CN114265385A CN202111401737.0A CN202111401737A CN114265385A CN 114265385 A CN114265385 A CN 114265385A CN 202111401737 A CN202111401737 A CN 202111401737A CN 114265385 A CN114265385 A CN 114265385A
- Authority
- CN
- China
- Prior art keywords
- equipment
- data
- fault
- personal computer
- industrial personal
- 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
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及故障识别技术领域,公开了一种基于深度学习的故障识别方法、装置及存储介质,该方法包括获取第一工控机上传的设备数据,设备数据包括第一工控机的第一设备参数、第一工控机所采集到的与第一设备关联的第二设备参数;通过主成分分析方法对设备数据进行简化,得到设备简化数据;将设备简化数据进行量化处理后作为预先训练的基于深度学习的故障识别模型的输入进行运算,得到第一设备的故障类型。本发明提供的基于深度学习的故障识别方法、装置及存储介质可在较低硬件投入的情形下对大量外接设备准确的进行故障检测。
Description
技术领域
本发明涉及故障识别技术领域,具体涉及一种基于深度学习的故障识别方法、装置及存储介质。
背景技术
工控机,即工业控制计算机,主要功能是对生产过程及机电设备、工艺装备进行检测与控制。它具有重要的计算机属性和特征,如:具有计算机CPU、硬盘、内存、外设及接口、并有实时的操作系统、控制网络和协议、计算能力,友好的人机界面等,因而常被用于各类设备的故障识别。
工控机在对其他外接设备进行故障诊断时,可采集外接设备的各项参数进行分析,并直接在工控机内部进行故障诊断与识别。然而,由于对其他外接设备进行故障识别,要求的硬件配置较高,当需要对大规模的工程项目进行故障检测时,需要配置多台工控机,从而导致硬件成本投入过大,且由于外接的设备种类不同,其发生故障时设备参数和数据的主要影响因素也不相同,从而导致工控机的故障识别准确性较低。
因此,如何提供一种有效的方案,以便于在较低硬件投入的情形下对大量外接设备准确的进行故障检测,已成为现有技术中一亟待解决的难题。
发明内容
为了解决现有技术中存在的对大规模工程项目中的外接设备进行故障诊断时,硬件成本投入过大且故障准确率较低的问题,本发明的目的在于提供一种基于深度学习的故障识别方法、装置及存储介质,以便在较低硬件投入的情形下对大量外接设备准确的进行故障检测。
第一方面,本发明提供了一种基于深度学习的故障识别方法,应用于服务器,所述方法包括:
获取第一工控机上传的设备数据,所述设备数据包括所述第一工控机的第一设备参数、所述第一工控机所采集到的与第一设备关联的第二设备参数;
通过主成分分析方法对所述设备数据进行简化,得到设备简化数据;
将所述设备简化数据进行量化处理后作为预先训练的基于深度学习的故障识别模型的输入进行运算,得到所述第一设备的故障类型。
在一个可能的设计中,所述方法还包括:
在所述设备简化数据中添加时间戳;
所述将所述设备简化数据进行量化处理后作为预先训练的基于深度学习的故障识别模型的输入进行运算,得到所述第一设备的故障类型,包括:
将添加时间戳后的所述设备简化数据进行量化处理后作为预先训练的基于深度学习的故障识别模型的输入进行运算,得到所述第一设备的故障类型。
在一个可能的设计中,在获取第一工控机上传的设备数据之前,所述方法还包括:
获取第二工控机上传的历史设备数据,所述历史设备数据包括第二工控机的第一历史设备参数、所述第二工控机所采集到的与第二设备关联的第二历史设备参数;
通过主成分分析方法对所述历史设备数据进行简化,得到历史设备简化数据;
将所述历史设备简化数据作为模型输入,所述第二设备的故障类型作为模型输出进行训练,得到所述故障识别模型;
其中,所述第二工控机为所述第一工控机或与所述第一工控机处于相同场景的工控机,所述第二设备为所述第一设备或与所述第一设备同类型的设备。
在一个可能的设计中,所述第二设备参数包括所述第一设备的设备类型,所述通过主成分分析方法对所述设备数据进行简化,得到设备简化数据,包括:
根据所述设备类型,通过主成分分析方法对所述第二设备参数中相关联的数据进行简化。
在一个可能的设计中,在通过主成分分析方法对所述设备数据进行简化之前,所述方法还包括:
剔除所述设备数据中的与故障不相关联的非关联数据。
在一个可能的设计中,所述将所述设备简化数据进行量化处理后作为预先训练的基于深度学习的故障识别模型的输入进行运算,得到所述第一设备的故障类型,包括:
将所述设备简化数据进行异常数据剔除;
通过插值法对剔除异常数据的所述简化数据进行数据补齐;
将数据补齐后的所述简化数据进行量化处理,得到多维向量数据;
将所述多维向量数据作为所述故障识别模型的输入进行运算,得到所述第一设备的故障类型。
第二方面,本发明提供了一种基于深度学习的故障识别方法,应用于分布式服务器,所述分布式服务器包括第一服务器和第二服务器,所述方法包括:
所述第一服务器获取工控机上传的设备数据,所述设备数据包括所述工控机的第一设备参数、所述工控机所采集到的与第一设备关联的第二设备参数;
所述第一服务器通过主成分分析方法对所述设备数据进行简化,得到设备简化数据;
所述第一服务器将设备简化数据量化处理后发送给所述第二服务器;
所述第二服务器将量化处理后的所述设备简化数据作为预先训练的基于深度学习的故障识别模型的输入进行运算,得到所述第一设备的故障类型。
第三方面,本发明提供了一种基于深度学习的故障识别装置,包括:
获取单元,用于获取第一工控机上传的设备数据,所述设备数据包括所述第一工控机的第一设备参数、所述第一工控机所采集到的与第一设备关联的第二设备参数;
简化单元,用于通过主成分分析方法对所述设备数据进行简化,得到设备简化数据;
运算单元,用于将所述设备简化数据进行量化处理后作为预先训练的基于深度学习的故障识别模型的输入进行运算,得到所述第一设备的故障类型。
第四方面,本发明提供了一种基于深度学习的故障识别装置,包括依次通信相连的存储器、处理器和收发器,其中,所述存储器用于存储计算机程序,所述收发器用于收发消息,所述处理器用于读取所述计算机程序,执行如上述第一方面所述的基于深度学习的故障识别方法。
第五方面,本发明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上存储有指令,当所述指令在计算机上运行时,执行第一方面所述的基于深度学习的故障识别方法。
第六方面,本发明提供了一种包含指令的计算机程序产品,当所述指令在计算机上运行时,使所述计算机执行如第一方面所述的基于深度学习的故障识别方法。
本发明一个或多个实施例采用的上述至少一个技术方案能够达到以下有益效果:
本发明提供的基于深度学习的故障识别,通过将故障识别功能上移至服务器,并在故障识别时通过主成分分析方法对设备数据进行简化,同时降低了数据量,因此能够实现对海量数据的处理,从而对大规模工程项目中的外接设备进行故障诊断,而工控机只需要进行数据采集和上传,降低了工控机的硬件配置要求和硬件成本。同时,由于通过基于深度学习的故障识别模型进行检测,能够提高故障识别的效率和准确性。
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的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的基于深度学习的故障识别方法、装置及存储介质的应用环境示意图。
图2是本发明提供的基于深度学习的故障识别方法的流程图。
图3是本发明提供的另一基于深度学习的故障识别方法的流程图。
图4是本发明提供的基于深度学习的故障识别装置的结构示意图。
图5是本发明提供的另一基于深度学习的故障识别装置的结构示意图。
具体实施方式
下面结合附图及具体实施例来对本发明作进一步阐述。在此需要说明的是,对于这些实施例方式的说明虽然是用于帮助理解本发明,但并不构成对本发明的限定。本文公开的特定结构和功能细节仅用于描述本发明的示例实施例。然而,可用很多备选的形式来体现本发明,并且不应当理解为本发明限制在本文阐述的实施例中。
应当理解,在下面的描述中提供了特定的细节,以便于对示例实施例的完全理解。然而,本领域普通技术人员应当理解可以在没有这些特定细节的情况下实现示例实施例。例如可以在框图中示出系统,以避免用不必要的细节来使得示例不清楚。在其他实例中,可以不以不必要的细节来示出众所周知的过程、结构和技术,以避免使得示例实施例不清。
实施例
为了解决现有技术中存在的对大规模工程项目中的外接设备进行故障诊断时,硬件成本投入过大且故障准确率较低的问题,本发明实施例提供了一种基于深度学习的故障识别方法、装置及存储介质,该基于深度学习的故障识别方法、装置及存储介质能够在较低硬件投入的情形下对大量外接设备准确的进行故障检测。
首先,为了更直观地理解本申请实施例提供的方案,下面结合图1,对本申请实施例提供的基于深度学习的故障识别方案的系统架构进行说明。
如图1所示,是本申请一个或多个实施例提供的基于深度学习的故障识别方法、装置及存储介质的应用环境示意图。如图1所示,第一工控机与至少一个第一设备连接,并与服务器通信连接,第一工控机用于获取与之连接的第一设备的设备参数并上传给服务器。所述服务器可以是单独的服务器也可以是分布式服务器。
下面将对本发明实施例提供的基于深度学习的故障识别方法进行详细说明。
第一方面,本发明实施例提供了一种基于深度学习的故障识别方法,该基于深度学习的故障识别方法可以应用于服务器,请参阅图2,所述基于深度学习的故障识别方法可以包括如下的步骤:
步骤S101,获取第一工控机上传的设备数据。
其中,所述设备数据包括所述第一工控机的第一设备参数、所述第一工控机所采集到的与第一设备关联的第二设备参数。
本发明实施例中,第一工控机的主要功能是采集其外接设备的设备相关参数并上传给服务器。在对工程项目中的第一工控机外接的设备进行故障诊断过程中,第一工控机可将第一工控机的设备参数、第一工控机所采集到的与第一设备关联的第二设备参数一并作为设备数据发送给服务器。
其中,第一工控机的第一设备参数可以是,但不限于第一工控机的设备型号、工作参数、设备出厂年限等等。与第一设备关联的第二设备参数可以是第一设备自身的设备参数、运行参数以及对第一设备会造成影响的周围环境参数,例如与第一设备关联的第二设备参数可以包括,但不限于所述第一设备的设备类型、型号、设备出厂年限、运行电流、电压、风机转速、设备温度以及所处环境温度等等,本发明实施例中不做具体限定。
步骤S102,通过主成分分析方法对设备数据进行简化,得到设备简化数据。
本发明实施例中,所述第二设备参数包括所述第一设备的设备类型,对设备数据进行简化时,可根据第一设备的设备类型,通过主成分分析(Principal ComponentAnalysis,PCA)方法对所述第二设备参数中相关联的数据进行简化。主成分分析方法是一种统计方法,其通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量,转换后的这组变量叫主成分,具体过程本发明实施例中不再详细说明。通过主成分分析方法,可对第二设备参数中相关联的数据进行简化,降低故障识别过程中的数据运算量,提升故障识别效率。
例如,对于通过水冷散热的设备或风冷散热的设备,风扇转速或冷却介质温度与设备的温度高低相关,风扇转速越高或冷却介质温度越低,理论上散热效果就越好,设备的温度就越低,因此对于设备温度与冷却介质温度(或风扇转速)这些相关联的数据就可以通过主成分分析方法进行简化。可以理解的,上述对设备温度与冷却介质温度(或风扇转速)这些相关联的数据进行简化仅仅是举例说明,由于设备类型不同,对于不同类型设备,所需要简化的数据也不尽相同。
在一个或多个实施例中,在通过主成分分析方法对所述设备数据进行简化之前,还可以剔除掉所述设备数据中的与故障不相关联的非关联数据,以进一步降低故障识别过程中的数据运算量。
例如,对于处于露天环境的外接设备,其故障影响因子包括室外的温度,此时室外温度为与故障相关联的关联数据。而对于一些室内安装的设备,其室内环境温度一般与设备故障无关,因此对于该类型的设备,室内温度为与故障不相关的非关联数据,针对这一类型的设备,可剔除掉设备数据中的室内温度。
一些设备在不同时段的工作模式可能不尽相同,在正常运行下不同时段所采集到的设备参数也可能不尽相同,例如对于一些照明设备,其在白天时段可能不会开启,而会在夜间开启,正常情况下在白天所检测到的设备电流、电压、温度等与夜间所检测到的电流、电压、温度等存在巨大差异,但实际上这两种情形下,照明设备可能均未发生故障,因此为避免故障的误判,在通过主成分分析方法对设备数据进行简化,得到设备简化数据后,还可在设备简化数据中添加时间戳,以便于对分时段工作的设备准确进行故障识别,避免出现故障误判的情形。
步骤S103,将设备简化数据进行量化处理后作为预先训练的基于深度学习的故障识别模型的输入进行运算,得到第一设备的故障类型。
本发明实施例中,预先训练有基于深度学习的故障识别模型,该故障识别模型用于对设备的故障类型进行识别,在训练时可通过工控机的大量历史设备参数和工控机所采集到的与外接设备相关的大量历史设备参数进行训练得到的故障识别模型。
在通过故障识别模型进行故障识别时,可将添加时间戳后的设备简化数据进行量化处理后作为预先训练的基于深度学习的故障识别模型的输入进行运算,得到第一设备的故障类型。
作为另一种可行的实施方式,在通过故障识别模型进行故障识别时,可以首先将设备简化数据进行异常数据剔除,其中异常数据是指超出故障状态下和非故障状态下数值范围的数据、乱码数据或无法识别出的数据等。然后在通过插值法对剔除异常数据的简化数据进行数据补齐。接着再将数据补齐后的所述简化数据进行量化处理,得到多维向量数据。最后,将多维向量数据作为故障识别模型的输入进行运算,得到所述第一设备的故障类型。
其中,故障识别模型可以是但不限于长短期记忆网络(Long Short-Term Memory,LSTM)模型、循环神经网络(Recurrent Neural Network,RNN)模型等,本发明实施例中不做具体限定。
本发明实施例中,在对故障识别模型进行训练时,训练过程可以包括如下的步骤S1031-S1033。
步骤S1031,获取第二工控机上传的历史设备数据。
其中,所述历史设备数据包括第二工控机的第一历史设备参数、所述第二工控机所采集到的与第二设备关联的第二历史设备参数,所述第二工控机为所述第一工控机或与所述第一工控机处于相同场景的工控机,所述第二设备为所述第一设备或与所述第一设备同类型的设备。
步骤S1032,通过主成分分析方法对所述历史设备数据进行简化,得到历史设备简化数据。
进一步的,在对历史设备数据进行简化后,还可在简化后的历史设备数据中添加时间戳。同时,在简化之前,还可剔除掉历史设备数据中与故障不相关联的非关联数据。
步骤S1033,将所述历史设备简化数据作为模型输入,所述第二设备的故障类型作为模型输出进行训练,得到所述故障识别模型。
综上所述,本发明实施例提供的基于深度学习的故障识别,通过将故障识别功能上移至服务器,并在故障识别时通过主成分分析方法对设备数据进行简化,同时降低了数据量,因此能够实现对海量数据的处理,从而对大规模工程项目中的外接设备进行故障诊断,而工控机只需要进行数据采集和上传,降低了工控机的硬件配置要求和硬件成本。同时,由于通过基于深度学习的故障识别模型进行检测,能够提高故障识别的效率和准确性。另外,还可在设备简化数据中添加时间戳,以便于对分时段工作的设备准确进行故障识别,避免出现故障误判的情形。
第二方面,本发明实施例提供了一种应用于分布式服务器的基于深度学习的故障识别方法,所述分布式服务器包括第一服务器和第二服务器。请参阅图3,所述基于深度学习的故障识别方法可以包括如下的步骤:
步骤S201,第一服务器获取工控机上传的设备数据。
其中,所述设备数据包括所述工控机的第一设备参数、所述工控机所采集到的与第一设备关联的第二设备参数。
步骤S202,第一服务器通过主成分分析方法对设备数据进行简化,得到设备简化数据。
步骤S203,第一服务器将设备简化数据量化处理后发送给第二服务器。
本申请实施例中,在将设备简化数据量化处理后,所述第一服务器还可对量化后的设备简化数据进行加密处理,并在加密处理后发送给第二服务器。另外,第一服务器在量化处理之前,还可对设备简化数据添加时间戳,并剔除掉设备简化数据中异常的数据。
步骤S204,第二服务器将量化处理后的设备简化数据作为预先训练的基于深度学习的故障识别模型的输入进行运算,得到第一设备的故障类型。
综上所述,本发明实施例提供的基于深度学习的故障识别,通过将故障识别功能上移至服务器,并在故障识别时通过主成分分析方法对设备数据进行简化,同时降低了数据量,因此能够实现对海量数据的处理,从而对大规模工程项目中的外接设备进行故障诊断,而工控机只需要进行数据采集和上传,降低了工控机的硬件配置要求和硬件成本。同时,由于通过基于深度学习的故障识别模型进行检测,能够提高故障识别的效率和准确性。
第三方面,本发明实施例提供了一种基于深度学习的故障识别装置,请参阅图4,所述基于深度学习的故障识别装置包括:
获取单元,用于获取第一工控机上传的设备数据,所述设备数据包括所述第一工控机的第一设备参数、所述第一工控机所采集到的与第一设备关联的第二设备参数;
简化单元,用于通过主成分分析方法对所述设备数据进行简化,得到设备简化数据;
运算单元,用于将所述设备简化数据进行量化处理后作为预先训练的基于深度学习的故障识别模型的输入进行运算,得到所述第一设备的故障类型。
本实施例第三方面提供的装置的工作过程、工作细节和技术效果,可以参见实施例第一方面,于此不再赘述。
第四方面,本发明实施例提供了一种基于深度学习的故障识别系统,所述基于深度学习的故障识别系统包括第一服务器和与第一服务器通信连接的第二服务器。
其中,所述第一服务器用于获取第一工控机上传的设备数据,所述设备数据包括所述第一工控机的第一设备参数、所述第一工控机所采集到的与第一设备关联的第二设备参数;
通过主成分分析方法对所述设备数据进行简化,得到设备简化数据;以及
将设备简化数据量化处理后发送给所述第二服务器;
所述第二服务器用于将量化处理后的所述设备简化数据作为预先训练的基于深度学习的故障识别模型的输入进行运算,得到所述第一设备的故障类型。
本实施例第四方面提供的系统置的工作过程、工作细节和技术效果,可以参见实施例第二方面,于此不再赘述。
如图5所示,本发明实施例第五方面提供了另一种基于深度学习的故障识别装置,包括依次通信相连的存储器、处理器和收发器,其中,所述存储器用于存储计算机程序,所述收发器用于收发消息,所述处理器用于读取所述计算机程序,执行如实施例第一方面所述的基于深度学习的故障识别方法。
具体举例的,所述存储器可以但不限于包括随机存取存储器(RAM)、只读存储器(ROM)、闪存(Flash Memory)、先进先出存储器(FIFO)和/或先进后出存储器(FILO)等等;所述处理器可以不限于采用型号为STM32F105系列的微处理器、ARM(Advanced RISCMachines)、X86等架构处理器或集成NPU(neural-network processing units)的处理器;所述收发器可以但不限于为WiFi(无线保真)无线收发器、蓝牙无线收发器、通用分组无线服务技术(General Packet Radio Service,GPRS)无线收发器、紫蜂协议(基于IEEE802.15.4标准的低功耗局域网协议,ZigBee)无线收发器、3G收发器、4G收发器和/或5G收发器等。
本实施例第五方面提供的装置的工作过程、工作细节和技术效果,可以参见实施例第一方面,于此不再赘述。
本实施例第六方面提供了一种存储包含有实施例第一方面所述的基于深度学习的故障识别方法的指令的计算机可读存储介质,即所述计算机可读存储介质上存储有指令,当所述指令在计算机上运行时,执行如第一方面所述的基于深度学习的故障识别方法。其中,所述计算机可读存储介质是指存储数据的载体,可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(Memory Stick)等,所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
本实施例第六方面提供的计算机可读存储介质的工作过程、工作细节和技术效果,可以参见实施例第一方面,于此不再赘述。
本实施例第七方面提供了一种包含指令的计算机程序产品,当所述指令在计算机上运行时,使所述计算机执行如实施例第一方面所述的基于深度学习的故障识别方法,其中,所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
以上所描述的多个实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台仓库代码的合并装置执行各个实施例或者实施例的某些部分所述的方法。
本发明不局限于上述可选实施方式,任何人在本发明的启示下都可得出其他各种形式的产品,但不论在其形状或结构上作任何变化,凡是落入本发明权利要求界定范围内的技术方案,均落在本发明的保护范围之内。
Claims (10)
1.一种基于深度学习的故障识别方法,应用于服务器,其特征在于,包括:
获取第一工控机上传的设备数据,所述设备数据包括所述第一工控机的第一设备参数、所述第一工控机所采集到的与第一设备关联的第二设备参数;
通过主成分分析方法对所述设备数据进行简化,得到设备简化数据;
将所述设备简化数据进行量化处理后作为预先训练的基于深度学习的故障识别模型的输入进行运算,得到所述第一设备的故障类型。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在所述设备简化数据中添加时间戳;
所述将所述设备简化数据进行量化处理后作为预先训练的基于深度学习的故障识别模型的输入进行运算,得到所述第一设备的故障类型,包括:
将添加时间戳后的所述设备简化数据进行量化处理后作为预先训练的基于深度学习的故障识别模型的输入进行运算,得到所述第一设备的故障类型。
3.根据权利要求1所述的方法,其特征在于,在获取第一工控机上传的设备数据之前,所述方法还包括:
获取第二工控机上传的历史设备数据,所述历史设备数据包括第二工控机的第一历史设备参数、所述第二工控机所采集到的与第二设备关联的第二历史设备参数;
通过主成分分析方法对所述历史设备数据进行简化,得到历史设备简化数据;
将所述历史设备简化数据作为模型输入,所述第二设备的故障类型作为模型输出进行训练,得到所述故障识别模型;
其中,所述第二工控机为所述第一工控机或与所述第一工控机处于相同场景的工控机,所述第二设备为所述第一设备或与所述第一设备同类型的设备。
4.根据权利要求1所述的方法,其特征在于,所述第二设备参数包括所述第一设备的设备类型,所述通过主成分分析方法对所述设备数据进行简化,得到设备简化数据,包括:
根据所述设备类型,通过主成分分析方法对所述第二设备参数中相关联的数据进行简化。
5.根据权利要求1所述的方法,其特征在于,在通过主成分分析方法对所述设备数据进行简化之前,所述方法还包括:
剔除所述设备数据中的与故障不相关联的非关联数据。
6.根据权利要求1所述的方法,其特征在于,所述将所述设备简化数据进行量化处理后作为预先训练的基于深度学习的故障识别模型的输入进行运算,得到所述第一设备的故障类型,包括:
将所述设备简化数据进行异常数据剔除;
通过插值法对剔除异常数据的所述简化数据进行数据补齐;
将数据补齐后的所述简化数据进行量化处理,得到多维向量数据;
将所述多维向量数据作为所述故障识别模型的输入进行运算,得到所述第一设备的故障类型。
7.一种基于深度学习的故障识别方法,应用于分布式服务器,所述分布式服务器包括第一服务器和第二服务器,其特征在于,所述方法包括:
所述第一服务器获取工控机上传的设备数据,所述设备数据包括所述工控机的第一设备参数、所述工控机所采集到的与第一设备关联的第二设备参数;
所述第一服务器通过主成分分析方法对所述设备数据进行简化,得到设备简化数据;
所述第一服务器将设备简化数据量化处理后发送给所述第二服务器;
所述第二服务器将量化处理后的所述设备简化数据作为预先训练的基于深度学习的故障识别模型的输入进行运算,得到所述第一设备的故障类型。
8.一种基于深度学习的故障识别装置,其特征在于,包括:
获取单元,用于获取第一工控机上传的设备数据,所述设备数据包括所述第一工控机的第一设备参数、所述第一工控机所采集到的与第一设备关联的第二设备参数;
简化单元,用于通过主成分分析方法对所述设备数据进行简化,得到设备简化数据;
运算单元,用于将所述设备简化数据进行量化处理后作为预先训练的基于深度学习的故障识别模型的输入进行运算,得到所述第一设备的故障类型。
9.一种基于深度学习的故障识别装置,其特征在于:包括依次通信相连的存储器、处理器和收发器,其中,所述存储器用于存储计算机程序,所述收发器用于收发消息,所述处理器用于读取所述计算机程序,执行如权利要求1~6任意一项所述的基于深度学习的故障识别方法。
10.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质上存储有指令,当所述指令在计算机上运行时,执行如权利要求1~6任意一项所述的基于深度学习的故障识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111401737.0A CN114265385A (zh) | 2021-11-19 | 2021-11-19 | 一种基于深度学习的故障识别方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111401737.0A CN114265385A (zh) | 2021-11-19 | 2021-11-19 | 一种基于深度学习的故障识别方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114265385A true CN114265385A (zh) | 2022-04-01 |
Family
ID=80825478
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111401737.0A Pending CN114265385A (zh) | 2021-11-19 | 2021-11-19 | 一种基于深度学习的故障识别方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114265385A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108536128A (zh) * | 2018-05-14 | 2018-09-14 | 浙江大学 | 一种参数优化的机器学习故障诊断系统 |
CN108627794A (zh) * | 2018-06-27 | 2018-10-09 | 江苏高远智能科技有限公司 | 一种基于深度学习的智能化仪表检测方法 |
CN109298635A (zh) * | 2018-10-29 | 2019-02-01 | 花静霞 | 一种基于深度学习的冷水机房控制系统 |
CN110968072A (zh) * | 2019-11-19 | 2020-04-07 | 朱彤 | 一种基于人工智能的电气自动化设备监测系统和方法 |
CN112346941A (zh) * | 2019-08-08 | 2021-02-09 | 北京国双科技有限公司 | 一种故障诊断方法及装置 |
-
2021
- 2021-11-19 CN CN202111401737.0A patent/CN114265385A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108536128A (zh) * | 2018-05-14 | 2018-09-14 | 浙江大学 | 一种参数优化的机器学习故障诊断系统 |
CN108627794A (zh) * | 2018-06-27 | 2018-10-09 | 江苏高远智能科技有限公司 | 一种基于深度学习的智能化仪表检测方法 |
CN109298635A (zh) * | 2018-10-29 | 2019-02-01 | 花静霞 | 一种基于深度学习的冷水机房控制系统 |
CN112346941A (zh) * | 2019-08-08 | 2021-02-09 | 北京国双科技有限公司 | 一种故障诊断方法及装置 |
CN110968072A (zh) * | 2019-11-19 | 2020-04-07 | 朱彤 | 一种基于人工智能的电气自动化设备监测系统和方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11621900B2 (en) | Selective measurement reporting from internet of things devices | |
CN111866031B (zh) | 设备监测分析方法、装置、服务器及存储介质 | |
CN112149329B (zh) | 核电厂关键设备的状态预演方法、系统、设备及存储介质 | |
EP3030981A1 (en) | A cognitive neuro-linguistic behavior recognition system for multi-sensor data fusion | |
CN116866095B (zh) | 一种带触控面板的工业路由器及其待机控制方法 | |
CN112697267A (zh) | 一种工业设备异常振动检测装置 | |
CN113962433A (zh) | 一种融合因果卷积与可分离时间卷积的风电预测方法及系统 | |
CN115794578A (zh) | 一种电力系统的数据管理方法、装置、设备及介质 | |
CN113326585B (zh) | 燃气锅炉的能效异常预警方法、装置和计算机设备 | |
CN114265385A (zh) | 一种基于深度学习的故障识别方法、装置及存储介质 | |
CN112947364A (zh) | 一种基于大数据预警配电站设备故障的系统及方法 | |
CN116863664A (zh) | 燃气设备的实时监测方法以及燃气设备监测系统 | |
WO2023051035A1 (zh) | 机器人的数据传输方法及装置、电子设备、存储介质 | |
CN110996289A (zh) | 一种用于机器状态监测诊断仪的智能网关、方法及系统 | |
CN111039118A (zh) | 基于uwb的电梯运行监控方法、介质、终端和装置 | |
CN113242247B (zh) | 一种基于边缘计算的工业智能物联模块 | |
CN114740815A (zh) | 基于神经网络的客车故障诊断方法、装置和电子设备 | |
CN211375047U (zh) | 一种x波段天气雷达标准输出控制器系统 | |
EP3465562A1 (en) | Data driven invocation of real time wind market forecasting analytics | |
CN113051700A (zh) | 设备可靠性监测方法及装置 | |
CN111586616A (zh) | 一种区域环境参数采集系统、方法以及设备 | |
CN117112039B (zh) | 一种数据中心的传输优化系统及运行方法 | |
CN205015246U (zh) | 一种空气环境监测网络 | |
CN203626978U (zh) | 一种带智能系统的柴油发电机控制器 | |
CN116108989B (zh) | 一种风电超短期功率预测方法、系统、存储介质及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220401 |