CN114638149A - 一种基于卷积的故障诊断方法及装置 - Google Patents
一种基于卷积的故障诊断方法及装置 Download PDFInfo
- Publication number
- CN114638149A CN114638149A CN202210067150.9A CN202210067150A CN114638149A CN 114638149 A CN114638149 A CN 114638149A CN 202210067150 A CN202210067150 A CN 202210067150A CN 114638149 A CN114638149 A CN 114638149A
- Authority
- CN
- China
- Prior art keywords
- fault
- function
- intensity
- time
- fault intensity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种基于卷积的故障诊断方法及装置。本申请实施例提供的技术方案,通过获取站台门设备故障强度数据,构建激活函数和衰减函数;将激活函数与衰减函数进行卷积运算,得到第一故障强度‑时间函数;将第一故障强度‑时间函数进行数据处理,确定函数参数值;根据确定的函数参数值得到第二故障强度‑时间函数;根据第二故障强度‑时间函数进行数据处理,得到故障强度与时间的图像数据;对故障强度与时间的图像数据进行分析处理,得到站台门设备的故障强度阈值;当站台门设备的故障强度大于对应的故障强度阈值时,则判断需要进行维修,输出维修策略。本申请实施例提供的技术方案能够解决故障诊断维修判断问题,优化设备维修策略。
Description
技术领域
本申请实施例涉及公共交通技术领域,尤其涉及一种基于卷积的故障诊断方法及装置。
背景技术
随着我国城市轨道交通运营里程不断增长,线网规模不断扩大,地铁系统的运营维护压力也正快速上升,造成地铁运营业务亏损缺口呈上升趋势,已成为制约我国城市轨道交通可持续发展的重要不利因素。为应对此现状,智能运维技术在市场与政策推动下得到长足发展。当前智能运维发展的主要方向集中在对目标设备的状态监测与异常检测,即通过传感方式对目标设备运行过程数据进行采集,结合信号处理、机器学习、神经网络等数据分析技术对设备的状态、异常、故障进行甄别。该类技术在轨道交通特定设备中已取得一定成果,具备较成熟的应用条件。
然而,即使通过上述技术准确的判断设备当前状态,由于缺乏准确的量化标准,是否对当前设备进行维修仍以人的经验作为判断基准。例如,通过状态监测与异常检测手段在一定时间内发现某设备发生n次异常或故障,但往往可以自动恢复,此时是否对其进行维修检查需靠维修人员经验进行判断:若对其进行维修,则需拆卸设备,若设备故障仅是偶发异常或轻微故障,则容易造成过度修,影响设备使用寿命及正常运营;若不对其进行维修,则连续的偶发异常或轻微故障可能最终演化为一次重大故障,缩短设备使用寿命,甚至威胁运营安全。
因此,当前的智能运维技术仍聚焦于设备状态本身,未从设备的全生命周期考虑每次异常或故障对设备的整体影响。
发明内容
本申请实施例提供一种基于卷积的故障诊断方法及装置,能够解决故障诊断维修判断问题,优化设备维修策略。
在第一方面,本申请实施例提供了一种基于卷积的故障诊断方法,包括:
获取站台门设备故障强度数据,构建激活函数和衰减函数;
将激活函数与衰减函数进行卷积运算,得到第一故障强度-时间函数;
将第一故障强度-时间函数进行数据处理,确定函数参数值;
根据确定的函数参数值得到第二故障强度-时间函数;
根据第二故障强度-时间函数进行数据处理,得到故障强度与时间的图像数据;
对故障强度与时间的图像数据进行分析处理,得到站台门设备的故障强度阈值;
当站台门设备的故障强度大于对应的故障强度阈值时,则判断需要进行维修,输出维修策略。
进一步的,所述激活函数表示为A(x)=a,其中a≥0,a表示故障发生时的故障强度,x代表时间。
进一步的,所述构建衰减函数,具体为:
进一步的,所述将激活函数与衰减函数进行卷积运算,得到第一故障强度-时间函数,具体为:
进一步的,所述将第一故障强度-时间函数进行数据处理,确定函数参数值,具体为:
通过神经网络进行学习训练,得到函数参数ρ和δ的值。
进一步的,所述对故障强度与时间的图像数据进行分析处理,得到站台门设备的故障强度阈值,具体为:
站台门系统中每种设备不同故障类型对应的第二故障强度-时间函数不相同,得到每种设备不同故障类型对应不同的故障强度与时间的图像数据;
对每种设备不同故障类型的故障强度与时间的图像数据进行分析处理,得到每种设备不同故障类型对应的故障强度阈值。
进一步的,所述方法还包括:
根据故障强度与时间的图像进行数据分析,输出提醒告示,以对故障强度随时间呈上升趋势的设备进行提醒告示。
在第二方面,本申请实施例提供了一种基于卷积的故障诊断装置,包括:
激活函数和衰减函数构建单元,用于获取站台门设备故障强度数据,构建激活函数和衰减函数
第一故障强度-时间函数构建单元,用于将激活函数与衰减函数进行卷积运算,得到第一故障强度-时间函数;
函数参数值确定单元,用于将第一故障强度-时间函数进行数据处理,确定函数参数值;
第二故障强度-时间函数构建单元,用于根据确定的函数参数值得到第二故障强度-时间函数;
图像数据获取单元,用于根据第二故障强度-时间函数进行数据处理,得到故障强度与时间的图像数据;
故障强度阈值确定单元,用于对故障强度与时间的图像数据进行分析处理,得到站台门设备的故障强度阈值;
维修策略输出单元,用于当站台门设备的故障强度大于对应的故障强度阈值时,则判断需要进行维修,输出维修策略。
进一步的,所述激活函数和衰减函数构建单元,还用于所述激活函数表示为A(x)=a,其中a≥0,a表示故障发生时的故障强度,x代表时间。
进一步的,所述函数参数值确定单元,还用于通过神经网络进行学习训练,得到函数参数ρ和δ的值。
进一步的,所述故障强度阈值确定单元,还用于站台门系统中每种设备不同故障类型对应的第二故障强度-时间函数不相同,得到每种设备不同故障类型对应不同的故障强度与时间的图像数据;
对每种设备不同故障类型的故障强度与时间的图像数据进行分析处理,得到每种设备不同故障类型对应的故障强度阈值。
进一步的,所述装置还包括提醒告示单元,用于根据故障强度与时间的图像进行数据分析,输出提醒告示,以对故障强度随时间呈上升趋势的设备进行提醒告示。
在第三方面,本申请实施例提供了一种电子设备,包括:
存储器以及一个或多个处理器;
所述存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如第一方面所述的基于卷积的故障诊断方法。
在第四方面,本申请实施例提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如第一方面所述的基于卷积的故障诊断方法。
本申请实施例通过获取站台门设备的故障强度数据,构建激活函数和衰减函数,并将激活函数和衰减函数进行卷积运算得到第一故障强度-时间函数,通过对第一故障强度-时间函数进行数据处理确定函数参数值,并根据确定的函数参数值得到第二故障强度-时间函数,通过第二故障强度-时间函数得到故障强度与时间的图像数据,分析故障强度与时间的图像数据确定站台门设备的故障强度阈值,当站台门设备的故障强度大于对应的故障强度阈值时,则判断需要进行维修并输出维修策略。采用上述技术手段,通过激活函数和衰减函数进行卷积得到含有未确定函数参数值的第一故障强度-时间函数,初步构建故障强度-时间函数,并通过数据处理确定合适的函数参数值,得到确定函数参数值的第二强度-时间函数,并基于第二强度-时间函数对历史故障数据进行图像化处理,得到对应的故障强度与时间的图像数据,进行对应的分析处理,确定每种设备每种故障各自对应的故障强度阈值,当站台门设备的故障强度大于对应的故障强度阈值时,判断需要进行维修并输出维修策略,能够避免设备出现过度维修或者欠缺维修的情况,设置合理的故障强度阈值能够优化维修的策略,节省维修成本。
附图说明
图1是本申请实施例一提供的一种基于卷积的故障诊断方法的流程图;
图2是本申请实施例一提供的盖革计数器中指数衰减图像示意图;
图3是本申请实施例一中sigmoid函数图像示意图;
图4是本申请实施例一中的衰减函数图像示意图;
图5是本申请实施例一中的第二故障强度-时间函数图像示意图;
图6是本申请实施例一中故障强度与时间的图像示意图;
图7是本申请实施例二提供的一种基于卷积的故障诊断装置的结构示意图;
图8是本申请实施例三提供的一种电子设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚,下面结合附图对本申请具体实施例作进一步的详细描述。可以理解的是,此处所描述的具体实施例仅仅用于解释本申请,而非对本申请的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理,但是其中的许多操作可以被并行地、并发地或者同时实施。此外,各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
本申请提供的基于卷积的故障诊断方法及装置,旨在故障检测时,通过衰减函数和激活函数卷积构成故障强度-时间函数,并通过图像数据分析得到故障强度阈值判断是否需要进行故障维修,以此来选择合适故障强度阈值进行维修与否判断,避免出现过修或欠修情况,优化维修的策略,节省维修成本。相对于传统的故障检测方式,其通常需要依靠维修人员经验判断是否对故障进行维修,若设备故障仅是偶发性异常或者轻微故障,对其进行维修容易造成过度修,影响设备的使用寿命及正常运营;若一直不对其进行维修,则连续的偶发异常或者轻微故障可能会演化成一次重大故障,缩短设备的使用寿命并影响运营安全。基于此,提供本申请实施例提供的基于卷积的故障诊断方法,以解决现有的故障诊断维修判断问题。
实施例一:
图1给出了本申请实施例一提供的一种基于卷积的故障诊断方法的流程图,本实施例中提供的基于卷积的故障诊断方法可以由基于卷积的故障诊断设备执行,该基于卷积的故障诊断设备可以通过软件和/或硬件的方式实现,该基于卷积的故障诊断设备可以是两个或多个物理实体构成,也可以是一个物理实体构成。一般而言,该基于卷积的故障诊断设备可以是终端设备,如电脑、平板或手机等。
下述以电脑设备为执行基于卷积的故障诊断方法的主体为例,进行描述。参照图1,该基于卷积的故障诊断方法具体包括:
S101、获取站台门设备故障强度数据,构建激活函数和衰减函数。
站台门设备的故障成因较为复杂,可以分为人为故障与非人为故障,其中非人为故障指系统运行过程中站台门由于系统错误、设备劣化等原因产生故障,当故障无法自动恢复时需要人为干预或进行维修。将历史故障信息进行记录,形成故障信息数据,所述故障信息数据包括故障设备、故障类型、故障强度、故障时间、是否需要维修、是否自动恢复等数据信息。
激活函数用来表示激活设备的故障风险,是故障强度的函数。基于不同设备、不同故障类型其故障强度累积方式均不相同,为提高激活函数模型的应用性,预设所述激活函数表示为A(x)=a,其中a≥0,a表示故障发生时的故障强度,x代表时间。
衰减函数为描述设备修复后故障强度衰减的趋势,通常的衰减函数利用盖革计数器中的强度衰减近似于指数衰减进行描述,参照图2,但是指数衰减问题在于其假设设备故障修复后故障强度迅速下降,更倾向于设备被更换之后的完全修复状态,而实际维修中维修人员通常采用最小修复策略,即尽量不要更换设备而延长使用寿命的策略。因此本实施例中运用更贴合实际情况的sigmoid函数进行衰减函数的构建。首先构建sigmoid函数,其中sigmoid函数表示为其中S(x)代表sigmoid函数,x代表时间,参照图3,sigmoid函数图像为S型的图像;将sigmoid函数进行翻转平移处理后,得到衰减函数,其中衰减函数表示为其中ρ≥0,δ≥0,ρ和δ为函数参数,参照图4,衰减函数表示为D(x)的衰减趋势更加贴合实际的故障维修后故障强度衰减的情况。
S102、将激活函数与衰减函数进行卷积运算,得到第一故障强度-时间函数。
参照图5,将激活函数与衰减函数进行卷积运算处理得到第一故障强度-时间函数,所述第一故障强度-时间函数公式表示为所述第一故障强度-时间函数中的函数参数ρ和δ的值尚未确定。通过激活函数与衰减函数进行卷积处理,功能上实现了将故障强度与故障强度衰减在时间上进行叠加,得到对应的故障强度随时间变化的函数。
S103、将第一故障强度-时间函数进行数据处理,确定函数参数值。
将第一故障强度-时间函数进行数据处理,确定函数的参数值。可以通过神经网络进行学习训练,得到函数参数ρ和δ的值。根据目标设备的历史故障数据中记录的故障类型和故障时间等信息,输入预设的第一故障强度-时间函数模型中进行神经网络学习训练,选择输出合适的函数参数ρ和δ的值。函数参数ρ和δ的值的确定可以根据实际情况需求进行训练得到,在本实施例中不作具体数值限制。
S104、根据确定的函数参数值得到第二故障强度-时间函数。
确定函数参数ρ和δ的值后,将ρ和δ的值整合到第一故障强度-时间函数中,得到明确函数参数的第二故障强度-时间函数。各种设备的不同故障类型对应的函数参数ρ和δ的值都不相同,因此得到的各设备不同故障类型对应的第二故障强度-时间函数。
S105、根据第二故障强度-时间函数进行数据处理,得到故障强度与时间的图像数据。
根据目标设备的历史故障数据中记录的故障类型和故障时间等信息,输入目标设备的第二故障强度-时间函数中,得到对应的故障时间和故障强度数据,并将得到的故障时间和故障强度数据进行图像化拟合处理,得到对应的目标设备的故障强度与时间的图像数据。各设备不同故障类型对应的第二故障强度-时间函数不相同,因此各设备不同故障类型得到的故障强度与时间的图像数据也不相同。
S106、对故障强度与时间的图像数据进行分析处理,得到站台门设备的故障强度阈值。
示例性的,参照图6,图6给出某种设备的某种类型的故障的故障强度随时间变化的示意图。对故障强度与时间的图像数据进行分析处理,由图6可知,在第一次故障发生后,故障强度有一定的下降趋势,在第二次故障发生时故障强度突然升高至高于第一次故障的故障强度,第二次故障之后故障强度一直呈下降趋势,由此可以证明在第二次故障强度发生时可能对设备进行更换维修,导致之后的故障强度一直呈下降趋势,并在较长的时候后才发生第三次故障,并且第三次故障时故障强度低于第一次故障。由此分析可以确定故障强度阈值为第二次故障时对应的故障强度值,在达到这个故障强度值时,则需要进行维修处理。故障强度阈值可以根据实际情况分析而确定,本实施例中的故障强度阈值的确定仅为举例说明。
站台门系统中每种设备不同故障类型对应的第二故障强度-时间函数不相同,得到每种设备不同故障类型对应不同的故障强度与时间的图像数据;对每种设备不同故障类型的故障强度与时间的图像数据进行分析处理,得到每种设备不同故障类型对应的故障强度阈值。每种设备不同故障类型对应的第二故障强度-时间函数不同,得到每种设备不同故障类型对应的故障强度与时间的图像数据也不相同,因此根据对每种设备不同故障类型对应的故障强度与时间的图像数据进行分析处理,得到的每种设备不同故障类型的故障强度阈值也不相同。
S107、当站台门设备的故障强度大于对应的故障强度阈值时,则判断需要进行维修,输出维修策略。
参照图6,对故障强度与时间的图像数据进行分析处理,确定站台门设备的故障强度阈值,当故障强度大于确定的故障强度阈值时,则判断故障强度较高,达到需要进行维修的情况,判断该次故障为需要进行维修的故障情况,输出对应的维修策略。通过对故障强度与时间的分布趋势进行分析,可以有效体现设备故障对设备可靠性的持续影响,根据设备故障对设备可靠性的持续影响的分析,确定对应的故障强度阈值,通过故障强度阈值进行是否进行维修的判断,避免过修或欠修的情况出现,从而优化维修策略,延长设备使用寿命,节约维修成本。
在一实施例中,根据故障强度与时间的图像数据进行数据分析,输出提醒告示,以对故障强度随时间呈上升趋势的设备进行提醒告示。参照图6,在第三次故障之后,第四次故障和第五次故障发生时的故障强度成上升趋势,预示着后面发生的故障的故障强度会越来越大,预示着设备有可能出现不可自行修复或者出现不可逆的故障,因此输出提醒告示,在第五次故障的时候就输出对应的提醒告示以提醒维修人员注意查看设备情况,避免造成不可逆的故障发生。
上述,通过获取站台门设备的故障强度数据,构建激活函数和衰减函数,并将激活函数和衰减函数进行卷积运算得到第一故障强度-时间函数,通过对第一故障强度-时间函数进行数据处理确定函数参数值,并根据确定的函数参数值得到第二故障强度-时间函数,通过第二故障强度-时间函数得到故障强度与时间的图像数据,分析故障强度与时间的图像数据确定站台门设备的故障强度阈值,当站台门设备的故障强度大于对应的故障强度阈值时,则判断需要进行维修并输出维修策略。采用上述技术手段,通过激活函数和衰减函数进行卷积得到含有未确定函数参数值的第一故障强度-时间函数,初步构建故障强度-时间函数,并通过数据处理确定合适的函数参数值,得到确定函数参数值的第二强度-时间函数,并基于第二强度-时间函数对历史故障数据进行图像化处理,得到对应的故障强度与时间的图像数据,进行对应的分析处理,确定每种设备每种故障各自对应的故障强度阈值,当站台门设备的故障强度大于对应的故障强度阈值时,判断需要进行维修并输出维修策略,能够避免设备出现过度维修或者欠缺维修的情况,设置合理的故障强度阈值能够优化维修的策略,节省维修成本。
实施例二:
在上述实施例的基础上,图7为本申请实施例二提供的一种基于卷积的故障诊断装置的结构示意图。参考图7,本实施例提供的基于卷积的故障诊断装置具体包括:激活函数和衰减函数构建单元21、第一故障强度-时间函数构建单元22、函数参数值确定单元23、第二故障强度-时间函数构建单元24、图像数据获取单元25、故障强度阈值确定单元26和维修策略输出单元27。
其中,激活函数和衰减函数构建单元21,用于获取站台门设备故障强度数据,构建激活函数和衰减函数
第一故障强度-时间函数构建单元22,用于将激活函数与衰减函数进行卷积运算,得到第一故障强度-时间函数;
函数参数值确定单元23,用于将第一故障强度-时间函数进行数据处理,确定函数参数值;
第二故障强度-时间函数构建单元24,用于根据确定的函数参数值得到第二故障强度-时间函数;
图像数据获取单元25,用于根据第二故障强度-时间函数进行数据处理,得到故障强度与时间的图像数据;
故障强度阈值确定单元26,用于对故障强度与时间的图像数据进行分析处理,得到站台门设备的故障强度阈值;
维修策略输出单元27,用于当站台门设备的故障强度大于对应的故障强度阈值时,则判断需要进行维修,输出维修策略。
进一步的,所述激活函数和衰减函数构建单元21,还用于所述激活函数表示为A(x)=a,其中a≥0,a表示故障发生时的故障强度,x代表时间。
进一步的,所述函数参数值确定单元23,还用于通过神经网络进行学习训练,得到函数参数ρ和δ的值。
进一步的,所述故障强度阈值确定单元26,还用于站台门系统中每种设备不同故障类型对应的第二故障强度-时间函数不相同,得到每种设备不同故障类型对应不同的故障强度与时间的图像数据;
对每种设备不同故障类型的故障强度与时间的图像数据进行分析处理,得到每种设备不同故障类型对应的故障强度阈值。
进一步的,所述装置还包括提醒告示单元,用于根据故障强度与时间的图像进行数据分析,输出提醒告示,以对故障强度随时间呈上升趋势的设备进行提醒告示。
上述,通过获取站台门设备的故障强度数据,构建激活函数和衰减函数,并将激活函数和衰减函数进行卷积运算得到第一故障强度-时间函数,通过对第一故障强度-时间函数进行数据处理确定函数参数值,并根据确定的函数参数值得到第二故障强度-时间函数,通过第二故障强度-时间函数得到故障强度与时间的图像数据,分析故障强度与时间的图像数据确定站台门设备的故障强度阈值,当站台门设备的故障强度大于对应的故障强度阈值时,则判断需要进行维修并输出维修策略。采用上述技术手段,通过激活函数和衰减函数进行卷积得到含有未确定函数参数值的第一故障强度-时间函数,初步构建故障强度-时间函数,并通过数据处理确定合适的函数参数值,得到确定函数参数值的第二强度-时间函数,并基于第二强度-时间函数对历史故障数据进行图像化处理,得到对应的故障强度与时间的图像数据,进行对应的分析处理,确定每种设备每种故障各自对应的故障强度阈值,当站台门设备的故障强度大于对应的故障强度阈值时,判断需要进行维修并输出维修策略,能够避免设备出现过度维修或者欠缺维修的情况,设置合理的故障强度阈值能够优化维修的策略,节省维修成本。
本申请实施例二提供的基于卷积的故障诊断装置可以用于执行上述实施例一提供的基于卷积的故障诊断方法,具备相应的功能和有益效果。
实施例三:
本申请实施例三提供了一种电子设备,参照图8,该电子设备包括:处理器31、存储器32、通信模块33、输入装置34及输出装置35。该电子设备中处理器的数量可以是一个或者多个,该电子设备中的存储器的数量可以是一个或者多个。该电子设备的处理器、存储器、通信模块、输入装置及输出装置可以通过总线或者其他方式连接。
存储器32作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本申请任意实施例所述的基于卷积的故障诊断方法对应的程序指令/模块(例如,激活函数和衰减函数构建单元、第一故障强度-时间函数构建单元、函数参数值确定单元、第二故障强度-时间函数构建单元、图像数据获取单元、故障强度阈值确定单元和维修策略输出单元)。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据设备的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器可进一步包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
通信模块33用于进行数据传输。
处理器31通过运行存储在存储器中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述的基于卷积的故障诊断方法。
输入装置34可用于接收输入的数字或字符信息,以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置35可包括显示屏等显示设备。
上述提供的电子设备可用于执行上述实施例一提供的基于卷积的故障诊断方法,具备相应的功能和有益效果。
实施例四:
本申请实施例还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种基于卷积的故障诊断方法,该基于卷积的故障诊断方法包括:获取站台门设备故障强度数据,构建激活函数和衰减函数;将激活函数与衰减函数进行卷积运算,得到第一故障强度-时间函数;将第一故障强度-时间函数进行数据处理,确定函数参数值;根据确定的函数参数值得到第二故障强度-时间函数;根据第二故障强度-时间函数进行数据处理,得到故障强度与时间的图像数据;对故障强度与时间的图像数据进行分析处理,得到站台门设备的故障强度阈值;当站台门设备的故障强度大于对应的故障强度阈值时,则判断需要进行维修,输出维修策略。
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括:安装介质,例如CD-ROM、软盘或磁带装置;计算机系统存储器或随机存取存储器,诸如DRAM、DDR RAM、SRAM、EDO RAM,兰巴斯(Rambus)RAM等;非易失性存储器,诸如闪存、磁介质(例如硬盘或光存储);寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外,存储介质可以位于程序在其中被执行的第一计算机系统中,或者可以位于不同的第二计算机系统中,第二计算机系统通过网络(诸如因特网)连接到第一计算机系统。第二计算机系统可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然,本申请实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的基于卷积的故障诊断方法,还可以执行本申请任意实施例所提供的基于卷积的故障诊断方法中的相关操作。
上述实施例中提供的基于卷积的故障诊断装置、存储介质及电子设备可执行本申请任意实施例所提供的基于卷积的故障诊断方法,未在上述实施例中详尽描述的技术细节,可参见本申请任意实施例所提供的基于卷积的故障诊断方法。
上述仅为本申请的较佳实施例及所运用的技术原理。本申请不限于这里所述的特定实施例,对本领域技术人员来说能够进行的各种明显变化、重新调整及替代均不会脱离本申请的保护范围。因此,虽然通过以上实施例对本申请进行了较为详细的说明,但是本申请不仅仅限于以上实施例,在不脱离本申请构思的情况下,还可以包括更多其他等效实施例,而本申请的范围由权利要求的范围决定。
Claims (10)
1.一种基于卷积的故障诊断方法,其特征在于,包括:
获取站台门设备故障强度数据,构建激活函数和衰减函数;
将激活函数与衰减函数进行卷积运算,得到第一故障强度-时间函数;
将第一故障强度-时间函数进行数据处理,确定函数参数值;
根据确定的函数参数值得到第二故障强度-时间函数;
根据第二故障强度-时间函数进行数据处理,得到故障强度与时间的图像数据;
对故障强度与时间的图像数据进行分析处理,得到站台门设备的故障强度阈值;
当站台门设备的故障强度大于对应的故障强度阈值时,则判断需要进行维修,输出维修策略。
2.根据权利要求1所述的基于卷积的故障诊断方法,其特征在于,所述激活函数表示为A(x)=a,其中a≥0,a表示故障发生时的故障强度,x代表时间。
5.根据权利要求4所述的基于卷积的故障诊断方法,其特征在于,所述将第一故障强度-时间函数进行数据处理,确定函数参数值,具体为:
通过神经网络进行学习训练,得到函数参数ρ和δ的值。
6.根据权利要求1所述的基于卷积的故障诊断方法,其特征在于,所述对故障强度与时间的图像数据进行分析处理,得到站台门设备的故障强度阈值,具体为:
站台门系统中每种设备不同故障类型对应的第二故障强度-时间函数不相同,得到每种设备不同故障类型对应不同的故障强度与时间的图像数据;
对每种设备不同故障类型的故障强度与时间的图像数据进行分析处理,得到每种设备不同故障类型对应的故障强度阈值。
7.根据权利要求6所述的基于卷积的故障诊断方法,其特征在于,所述方法还包括:
根据故障强度与时间的图像进行数据分析,输出提醒告示,以对故障强度随时间呈上升趋势的设备进行提醒告示。
8.一种基于卷积的故障诊断装置,其特征在于,包括:
激活函数和衰减函数构建单元,用于获取站台门设备故障强度数据,构建激活函数和衰减函数
第一故障强度-时间函数构建单元,用于将激活函数与衰减函数进行卷积运算,得到第一故障强度-时间函数;
函数参数值确定单元,用于将第一故障强度-时间函数进行数据处理,确定函数参数值;
第二故障强度-时间函数构建单元,用于根据确定的函数参数值得到第二故障强度-时间函数;
图像数据获取单元,用于根据第二故障强度-时间函数进行数据处理,得到故障强度与时间的图像数据;
故障强度阈值确定单元,用于对故障强度与时间的图像数据进行分析处理,得到站台门设备的故障强度阈值;
维修策略输出单元,用于当站台门设备的故障强度大于对应的故障强度阈值时,则判断需要进行维修,输出维修策略。
9.一种电子设备,其特征在于,包括:
存储器以及一个或多个处理器;
所述存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7任一所述的方法。
10.一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210067150.9A CN114638149B (zh) | 2022-01-20 | 2022-01-20 | 一种基于卷积的故障诊断方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210067150.9A CN114638149B (zh) | 2022-01-20 | 2022-01-20 | 一种基于卷积的故障诊断方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114638149A true CN114638149A (zh) | 2022-06-17 |
CN114638149B CN114638149B (zh) | 2023-08-08 |
Family
ID=81946527
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210067150.9A Active CN114638149B (zh) | 2022-01-20 | 2022-01-20 | 一种基于卷积的故障诊断方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114638149B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140018007A1 (en) * | 2011-03-30 | 2014-01-16 | Nec Corporation | Fault monitoring device having radio maintenance communication function, and fault monitoring method |
CN108304960A (zh) * | 2017-12-29 | 2018-07-20 | 中车工业研究院有限公司 | 一种轨道交通设备故障诊断方法 |
CN109635677A (zh) * | 2018-11-23 | 2019-04-16 | 华南理工大学 | 基于多标签分类卷积神经网络的复合故障诊断方法及装置 |
CN109948778A (zh) * | 2019-02-28 | 2019-06-28 | 上海理工大学 | 一种制冷设备故障诊断装置及系统 |
CN110414601A (zh) * | 2019-07-30 | 2019-11-05 | 南京工业大学 | 基于深度卷积对抗网络的光伏组件故障诊断方法、系统及设备 |
CN111680788A (zh) * | 2020-07-14 | 2020-09-18 | 同济大学 | 基于深度学习的设备故障诊断方法 |
CN112149804A (zh) * | 2020-09-22 | 2020-12-29 | 太原福莱瑞达物流设备科技有限公司 | 一种新型卷积神经网络模型及应用 |
CN112596016A (zh) * | 2020-12-11 | 2021-04-02 | 湖北省计量测试技术研究院 | 基于多个一维卷积神经网络集成的互感器故障诊断方法 |
CN113670610A (zh) * | 2021-06-09 | 2021-11-19 | 广州大学 | 基于小波变换与神经网络的故障检测方法、系统及介质 |
CN113723491A (zh) * | 2021-08-24 | 2021-11-30 | 哈尔滨理工大学 | 一种半监督模型对比迁移的滚动轴承及齿轮故障诊断方法 |
CN113762486A (zh) * | 2021-11-11 | 2021-12-07 | 中国南方电网有限责任公司超高压输电公司广州局 | 换流阀故障诊断模型的构建方法、装置和计算机设备 |
-
2022
- 2022-01-20 CN CN202210067150.9A patent/CN114638149B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140018007A1 (en) * | 2011-03-30 | 2014-01-16 | Nec Corporation | Fault monitoring device having radio maintenance communication function, and fault monitoring method |
CN108304960A (zh) * | 2017-12-29 | 2018-07-20 | 中车工业研究院有限公司 | 一种轨道交通设备故障诊断方法 |
CN109635677A (zh) * | 2018-11-23 | 2019-04-16 | 华南理工大学 | 基于多标签分类卷积神经网络的复合故障诊断方法及装置 |
CN109948778A (zh) * | 2019-02-28 | 2019-06-28 | 上海理工大学 | 一种制冷设备故障诊断装置及系统 |
CN110414601A (zh) * | 2019-07-30 | 2019-11-05 | 南京工业大学 | 基于深度卷积对抗网络的光伏组件故障诊断方法、系统及设备 |
CN111680788A (zh) * | 2020-07-14 | 2020-09-18 | 同济大学 | 基于深度学习的设备故障诊断方法 |
CN112149804A (zh) * | 2020-09-22 | 2020-12-29 | 太原福莱瑞达物流设备科技有限公司 | 一种新型卷积神经网络模型及应用 |
CN112596016A (zh) * | 2020-12-11 | 2021-04-02 | 湖北省计量测试技术研究院 | 基于多个一维卷积神经网络集成的互感器故障诊断方法 |
CN113670610A (zh) * | 2021-06-09 | 2021-11-19 | 广州大学 | 基于小波变换与神经网络的故障检测方法、系统及介质 |
CN113723491A (zh) * | 2021-08-24 | 2021-11-30 | 哈尔滨理工大学 | 一种半监督模型对比迁移的滚动轴承及齿轮故障诊断方法 |
CN113762486A (zh) * | 2021-11-11 | 2021-12-07 | 中国南方电网有限责任公司超高压输电公司广州局 | 换流阀故障诊断模型的构建方法、装置和计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN114638149B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109001649B (zh) | 一种电源智能诊断系统及保护方法 | |
US8248228B2 (en) | Method and device for optimizing the alarm configuration | |
EP3105644B1 (en) | Method of identifying anomalies | |
CN113467420B (zh) | 区域控制器故障检测方法及装置 | |
CN113588179A (zh) | 一种供水管网漏损检测方法及系统 | |
US20220101666A1 (en) | Method and Apparatus for Determining a Residual Service Life based on a Predictive Diagnosis of Components of an Electric Drive System Using Artificial Intelligence Techniques | |
CN115358155A (zh) | 一种电力大数据异常预警方法、装置、设备及可读存储介质 | |
CN113449703B (zh) | 环境在线监测数据的质控方法、装置、存储介质及设备 | |
CN104267346A (zh) | 一种发电机励磁系统故障远程诊断方法 | |
CN116629627A (zh) | 输电在线监测装置的智能检测系统 | |
CN110376519B (zh) | 高压断路器故障诊断方法、装置及终端设备 | |
CN115114124A (zh) | 主机风险的评估方法及评估装置 | |
CN114638149A (zh) | 一种基于卷积的故障诊断方法及装置 | |
CN116611953A (zh) | 基于物联网的电能表生产制造实时数据管理方法和系统 | |
CN112885049B (zh) | 基于运行数据的智能电缆预警系统、方法及装置 | |
Olsson et al. | Case-based reasoning combined with statistics for diagnostics and prognosis | |
CN114066163A (zh) | 一种基于三层架构模式的电力设备状态分析方法及装置 | |
CN117971545A (zh) | 变电站机器人巡检数据异常检测修复方法、系统及设备 | |
CN114327962A (zh) | 一种硬盘故障分级预警的方法和装置 | |
Lauffer et al. | Bringing Prognostics into the Integrated System Design | |
CN116381419A (zh) | 输电线路故障处理方法、装置、计算机设备和存储介质 | |
CN114924171A (zh) | 一种电缆绝缘性能故障预警装置及方法 | |
CN116055357A (zh) | 性能数据告警的回测方法、装置及电子设备 | |
CN117270495A (zh) | 故障预测方法、装置、存储介质以及车辆 | |
CN116910615A (zh) | 一种核电厂故障溯源及辅助决策系统 |
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 |