CN114861880A - 基于空洞卷积神经网络的工业设备故障预测方法及装置 - Google Patents
基于空洞卷积神经网络的工业设备故障预测方法及装置 Download PDFInfo
- Publication number
- CN114861880A CN114861880A CN202210488282.9A CN202210488282A CN114861880A CN 114861880 A CN114861880 A CN 114861880A CN 202210488282 A CN202210488282 A CN 202210488282A CN 114861880 A CN114861880 A CN 114861880A
- Authority
- CN
- China
- Prior art keywords
- data set
- fault
- neural network
- monitoring data
- fault prediction
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000012544 monitoring process Methods 0.000 claims abstract description 117
- 238000012549 training Methods 0.000 claims abstract description 49
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 238000012360 testing method Methods 0.000 claims description 29
- 239000011800 void material Substances 0.000 claims description 27
- 230000015654 memory Effects 0.000 claims description 17
- 238000006731 degradation reaction Methods 0.000 claims description 13
- 238000010586 diagram Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 13
- 230000015556 catabolic process Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 230000009849 deactivation Effects 0.000 claims 2
- 230000036541 health Effects 0.000 abstract description 11
- 230000007774 longterm Effects 0.000 abstract description 6
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000003062 neural network model Methods 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 230000007423 decrease Effects 0.000 description 8
- 238000010606 normalization Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 5
- 230000002779 inactivation Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000001174 ascending effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06N3/08—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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及数据驱动的工业设备故障预测技术领域，特别涉及一种基于空洞卷积神经网络的工业设备故障预测方法及装置，其中，方法包括：获取目标工业设备的当前监测数据集；将当前监测数据集输入至训练完成的故障预测网络模型，输出当前监测数据集对应的故障预测值，其中，故障预测网络模型基于携带有故障实际值的监测数据集样本训练得到；在当前监测数据集对应的故障预测值大于故障阈值时，判定目标工业设备故障，否则，判定目标工业设备正常。由此，本申请实施例可以有效提升基于深度神经网络的故障预测准确度，减小空洞卷积神经网络模型参数量，支持并行计算以缩短故障预测时间，以实现对设备健康状态的长期预测。
Description
技术领域
本申请实施例涉及数据驱动的工业设备故障预测技术领域，特别涉及一种基于空洞卷积神经网络的工业设备故障预测方法及装置。
背景技术
相关技术中，数据驱动的工业设备故障预测方法主要基于统计学方法和基于神经网络方法实现，其中基于统计学方法包括自回归移动平均、故障概率密度函数估计、n元模型等，基于神经网络方法包括支持向量机、人工神经网络、卷积神经网络、循环神经网络等。
然而，以上方法虽然在特定场景下取得了较优的故障预测结果，但存在故障预测精确度较低、不同工况下模型推广能力不足、无法或难以进行长时间故障预测等问题，在复杂工业场景中应用存在困难。
发明内容
本申请提供一种基于空洞卷积神经网络的工业设备故障预测方法、装置、电子设备及存储介质，可以有效提升基于深度神经网络的故障预测准确度，减小空洞卷积神经网络模型参数量，支持并行计算以缩短故障预测时间，可以实现对设备健康状态的长期预测。
本申请第一方面实施例提供一种基于空洞卷积神经网络的工业设备故障预测方法，包括以下步骤：获取目标工业设备的当前监测数据集；将所述当前监测数据集输入至训练完成的故障预测网络模型，输出所述当前监测数据集对应的故障预测值，其中，所述故障预测网络模型基于携带有故障实际值的监测数据集样本训练得到；在所述当前监测数据集对应的故障预测值大于故障阈值时，判定所述目标工业设备故障，否则，判定所述目标工业设备正常。
可选地，所述故障预测网络模型基于携带有故障实际值的监测数据集样本训练空洞卷积神经网络得到，所述空洞卷积神经网络包括第一至第五卷积层和全连接层，所述将所述当前监测数据集输入至训练完成的故障预测网络模型，输出所述当前监测数据集对应的故障预测值，包括：将所述当前监测数据集输入至第一至第四层卷积层，对所述当前监测数据集进行特征提取，得到多张特征图；将所述多张特征图输入至第五层卷积层，压缩所述多张特征图，得到压缩特征图；将所述压缩特征图输入至所述全连接层，将所述压缩特征图的维度降低至预设维度，得到所述当前监测数据集对应的故障预测值。
可选地，所述第一至第五卷积层的扩张率di满足以下公式：
其中，i表示卷积层的层数。
可选地，在将所述当前监测数据集输入至训练完成的故障预测网络模型之前，还包括：从所述当前监测数据集中提取至少一个监测特征，其中，所述监测特征用于标识所述目标工业设备的衰退等级；对所述至少一个监测特征进行数据预处理，得到多个时刻的特征序列，并基于所述多个时刻的特征序列得到作为所述故障预测网络模型输入的特征向量。
可选地，所述故障预测网络模型基于携带有故障实际值的监测数据集样本训练空洞卷积神经网络得到，包括：获取所述目标设备的训练数据集、测试数据集和故障实际值；基于所述训练数据集训练所述空洞卷积神经网络，并将所述测试数据集输入至所述空洞卷积神经网络，输出所述测试数据集对应的故障预测值；将所述测试数据集对应的故障预测值和所述故障实际值输入至预设损失函数中，得到损失值，在所述损失值大于或等于损失阈值时，基于所述预测损失值修正所述空洞卷积神经网络中每个神经元的权重，直到所述损失值小于所述损失阈值，或者，训练次数达到目标次数时，得到所述故障预测网络模型。
可选地，所述空洞卷积神经网络还包括设置于第五卷积层与所述全连接层之间的随机失活层，其中，所述随机失活层用于在训练过程中，按照预设概率随机丢弃所述空洞卷积神经网络中至少一个神经元，并在目标时间内恢复丢弃的神经元；所述将所述测试数据集输入至所述空洞卷积神经网络，输出所述测试数据集对应的故障预测值，包括：将所述测试数据集输入至第一至第四层卷积层，对所述测试数据集进行特征提取，得到多张特征图；将所述多张特征图输入至第五层卷积层，压缩所述多张特征图，得到压缩特征图；将所述压缩特征图输入至所述全连接层，将所述压缩特征图的维度降低至预设维度，得到所述测试数据集对应的故障预测值。
可选地，所述获取目标工业设备的当前监测数据集，包括：获取所述目标工业设备从初始时刻到当前时刻的监测数据、工况数据和相关操作数据；基于所述监测数据、所述工况数据和所述相关操作数据生成所述当前监测数据集。
本申请第二方面实施例提供一种基于空洞卷积神经网络的工业设备故障预测装置，包括：获取模块，用于获取目标工业设备的当前监测数据集；预测模块，用于将所述当前监测数据集输入至训练完成的故障预测网络模型，输出所述当前监测数据集对应的故障预测值，其中，所述故障预测网络模型基于携带有故障实际值的监测数据集样本训练得到；判定模块，用于在所述当前监测数据集对应的故障预测值大于故障阈值时，判定所述目标工业设备故障，否则，判定所述目标工业设备正常。
本申请第三方面实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上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程序，以实现如上述实施例所述的基于空洞卷积神经网络的工业设备故障预测方法。
本申请第四方面实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以用于实现如上述实施例所述的基于空洞卷积神经网络的工业设备故障预测方法。
由此，本申请至少具有如下有益效果：
通过端到端工业设备故障预测，能够避免多模型训练造成的预测精度不足与模型收敛困难；通过引入空洞卷积操作扩大相同卷积核大小下故障预测网络输出层感受野，缩小故障预测模型参数量；优化空洞卷积扩张率设计，提高工业设备故障预测准确率。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本申请实施例提供的基于空洞卷积神经网络的工业设备故障预测方法的流程图；
图2为根据本申请一个实施例提供的基于空洞卷积神经网络的工业设备故障预测方法的流程图；
图3为根据本申请实施例提供的空洞卷积神经网络模型示意图；
图4为根据本申请实施例提供基于空洞卷积神经网络的工业设备故障预测装置的示例图；
图5为根据本申请实施例提供的电子设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
故障预测技术指的是基于对设备历史及当前运行数据、载荷数据等状态监控数据的分析，得到对未来设备故障种类及故障分布情况的预测，或对设备剩余有效工作时长进行估计的技术。因此，故障预测问题可以看作是一个数据特征提取与时间序列学习问题。
近年来，卷积神经网络在解决数据特征提取问题时体现了极大的优势，例如图像处理、手写数据识别、三维动作重建、医疗影像识别等，因此在故障预测领域的特征提取问题上也受到了极大关注。相较于RNNs(Recurrent Neural Networks，循环神经网络)这一类解决序列学习问题的算法，卷积神经网络支持并行计算，能够有效提取时间序列特征并缩短模型运算时间，能够满足时间敏感的工业设备故障预测需求。
为此，本申请实施例提出了一种基于空洞卷积神经网络的工业设备故障预测方法、装置、电子设备及存储介质，下面将参考附图描述本申请实施例的基于空洞卷积神经网络的工业设备故障预测方法、装置、电子设备及存储介质。
具体而言，图1为本申请实施例所提供的一种基于空洞卷积神经网络的工业设备故障预测方法的流程示意图。
如图1所示，该基于空洞卷积神经网络的工业设备故障预测方法包括以下步骤：
在步骤S101中，获取目标工业设备的当前监测数据集。
在本申请实施例中，获取目标工业设备的当前监测数据集，包括：获取目标工业设备从初始时刻到当前时刻的监测数据、工况数据和相关操作数据；基于监测数据、工况数据和相关操作数据生成当前监测数据集。
可以理解的是，本申请实施例可以获取目标设备传感器数据，得到设备健康状态监测数据集，其中设备健康状态监测数据集包含从设备初始时刻到当前时刻的监测数据、工况数据、相关操作数据等。其中，监测数据包括温度数据、压强数据、转速数据、速度数据、涵道比数据、空气比数据中的一种或多种。
其中，如图2所示，本申请实施例可以通过部署在目标设备周围的温度传感器、压力传感器、加速度计以及其他类型传感器，获取温度数据、压强数据、转速数据、速度数据、涵道比数据、空气比数据等多类型监测数据的历史数据和实时监测数据。
在步骤S102中，将当前监测数据集输入至训练完成的故障预测网络模型，输出当前监测数据集对应的故障预测值，其中，故障预测网络模型基于携带有故障实际值的监测数据集样本训练得到。
可以理解的是，本申请实施例可以在任意时刻t，基于由模型训练得到的模型参数，进行故障预测，包括单步故障预测、长期故障预测与剩余寿命预测等。
在本申请实施例中，故障预测网络模型基于携带有故障实际值的监测数据集样本训练空洞卷积神经网络得到，空洞卷积神经网络包括第一至第五卷积层和全连接层，将当前监测数据集输入至训练完成的故障预测网络模型，输出当前监测数据集对应的故障预测值，包括：将当前监测数据集输入至第一至第四层卷积层，对当前监测数据集进行特征提取，得到多张特征图；将多张特征图输入至第五层卷积层，压缩多张特征图，得到压缩特征图；将压缩特征图输入至全连接层，将压缩特征图的维度降低至预设维度，得到当前监测数据集对应的故障预测值。
其中，预设维度可以根据实际情况具体设置，对此不作具体限定。
需要说明的是，空洞卷积神经网络的具体结构以及预测的过程将在以下实施例中进行阐述，此处不做过多陈述。
需要说明的是，本申请实施例不仅可以直接根据当前监测数据集进行故障预测，而且还可以在将当前数据集输入至训练完成的故障预测网络模型之前，对当前检测数据集进行特征提取，得到作为故障预测网络模型输入的特征向量，以提升数据的质量，下面将对特征提取的过程进行具体阐述。
在本申请实施例中，在将当前监测数据集输入至训练完成的故障预测网络模型，输出当前监测数据集对应的故障预测值之前，还包括：从当前监测数据集中提取至少一个监测特征，其中，监测特征用于标识目标工业设备的衰退等级；对至少一个监测特征进行数据预处理，得到多个时刻的特征序列，并基于多个时刻的特征序列得到作为故障预测网络模型输入的特征向量。
可以理解的是，本申请实施例可以利用特征选择标准从健康状态监测数据集中选择能够表征设备衰退情况的传感器监测数据中选择能够表征设备衰退情况的传感器监测特征，其中特征选择标准包括单调性指标、相关性指标等；并将选择出的表征设备衰退情况的监测特征进行数据预处理得到表征设备衰退情况特征向量，其中数据预处理方法包括归一化、滤波、时间窗处理等。
具体而言，1、表征设备衰退情况的传感器监测特征代表着包含最多故障信息的特征，如图2所示，特征选择的目的在于挑选出包含最多故障信息的特征。由于包含最多故障信息的特征通常与设备的退化过程是一致且单调的，因此，本申请实施例采用单调性标准，即选择随时间变化而呈现整体上升或整体下降趋势的传感器监测数据，判断其与故障预测任务相关，为表征设备衰退情况的传感器监测特征；对于随时间变化而无整体上升或整体下降趋势的传感器监测数据，判断其与故障预测任务无关，并在特征选择步骤中将其排除在表征设备衰退情况的传感器监测特征之外。
2、预处理方法包括归一化、滤波、时间窗处理等，如图2所示，具体如下：
(1)由于数据处理的目的在于提高基于空洞卷积神经网络输入数据的质量，提高工业设备故障预测准确性，因此，本申请实施例可以使用min-max归一化方法实现数据归一化以达到上述目的，具体公式为：
其中，xi为第i个输入数据，xmin为该特征数据中的最小值，xmax为该特征数据中的最大值，
为归一化后的第i个数据。
(2)本申请实施例还可以利用滤波方法对目标设备的表征设备衰退情况监测特征进行平滑处理，以得到平滑后波动频率降低的监测特征。
(3)本申请实施例还可以引入时间窗处理，对目标设备每一个传感器数据样本，选取其前方Nt-1个数据点与该传感器数据样本一并构成基于空洞卷积神经网络工业设备故障预测方法输入数据矩阵，前方数据不足则补0，其中Nt为时间窗长度。根据上述方法，得到表征设备衰退情况特征向量在不同时刻的相对变化。
因此，当以特征向量为故障预测网络模型输入时，本申请实施例可以根据表征设备衰退情况特征向量与故障预测网络模型，对目标设备进行设备故障预测，具体地：以包含N个传感器检测数据的输入特征矩阵X＝{x1,…,xn,…,xN}为输入，其中，xi为包含Nt个时刻的特征序列
使用训练后空洞卷积神经网络
可以输出故障预测值
在本申请实施例中，故障预测网络模型基于携带有故障实际值的监测数据集样本训练空洞卷积神经网络得到，包括：获取目标设备的训练数据集、测试数据集和故障实际值；基于训练数据集训练空洞卷积神经网络，并将测试数据集输入至空洞卷积神经网络，输出测试数据集对应的故障预测值；将测试数据集对应的故障预测值和故障实际值输入至预设损失函数中，得到损失值，在损失值大于或等于损失阈值时，基于预测损失值修正空洞卷积神经网络中每个神经元的权重，直到损失值小于损失阈值，或者，训练次数达到目标次数时，得到故障预测网络模型。
其中，损失阈值可以根据实际训练需求具体设置，对此不作具体限定。
可以理解的是，本申请实施例可以获取目标设备传感器数据，得到设备健康状态检测数据集，其中设备健康状态监测数据集包括从设备初始时刻到当前时刻的监测数据、工况数据、相关操作数据等；根据上述实施例的方式对健康状态监测数据集进行处理得到表征设备衰退情况特征向量；根据包含表征设备衰退情况特征向量的设备健康状态监测数据集得到训练特征数据集，并基于空洞卷积神经网络搭建训练模型；根据表征设备衰退情况特征向量与训练特征数据集对基于空洞卷积神经网络的训练模型进行训练，得到工业设备故障预测模型。
其中，本申请实施例的空洞卷积神经网络训练伪代码如表1所示。
表1
在本申请实施例中，空洞卷积神经网络还包括设置于第五卷积层与全连接层之间的随机失活层，其中，随机失活层用于在训练过程中，按照预设概率随机丢弃空洞卷积神经网络中至少一个神经元，并在目标时间内恢复丢弃的神经元；将测试数据集输入至空洞卷积神经网络，输出测试数据集对应的故障预测值，包括：将测试数据集输入至第一至第四层卷积层，对测试数据集进行特征提取，得到多张特征图；将多张特征图输入至第五层卷积层，压缩多张特征图，得到压缩特征图；将压缩特征图输入至全连接层，将压缩特征图的维度降低至预设维度，得到测试数据集对应的故障预测值。
具体而言，如图3所示，空洞卷积神经网络输入数据矩阵中单条表征设备衰退情况的传感器监测特征尺寸为Nt×Nf，Nt为时间窗口长度，Nf为特征数目，卷积层通道数为C。空洞卷积神经网络中共包含5个卷积层，分别为C1、C2、C3、C4、C5。其中，C1、C2、C3、C4这4层卷积层的卷积核的尺寸为Ft×Ff，实现了特征提取功能；C5卷积层卷积核尺寸为F5×1，其功能为特征图压缩。为降低空洞卷积神经网络中空洞卷积操作产生的网格效应，同时扩大输出层特征感受野，第i层卷积层的扩张率di应满足：
对5个卷积层使用补零操作保证卷积操作前后特征图的尺寸不变。在卷积层与全连接层之间增加随机失活层，即在深度神经网络的训练过程中，按照概率dr随机将神经网络中部分神经元暂时丢弃，缓解过拟合问题。
将卷积层输出数据转化为一维数据后输入全连接层L1和L2。全连接层L1输入维度为Nt×Nf，输出维度为ls；全连接层L2输入维度为ls，输出维度为Ny，即输出结果为故障预测值
本申请实施例可以通过RMSE(Root Mean Square Error，最小化均方根误差)进行模型训练，均方根误差可以通过训练集和全连接层计算得到，损失函数δ如下所示：
其中，n为样本总数，yi为第i个测试样本工业设备故障真值，
为第i个测试样本工业设备故障预测值。
综上，空洞卷积神经网络训练过程包括：首先随机初始化空洞卷积神经网络权重，并根据初始化空洞卷积神经网络计算初始故障预测值yest；在模型误差仍大于误差阈值，或迭代次数仍小于设定值时，将模型误差函数值逆向逐层传播，通过将该误差分散到各层各节点中，借助梯度下降等方式调整空洞卷积神经网络各神经元的权重；使用权重更新后的空洞卷积神经网络重新获取故障预测值yest并计算当前输出误差δest，若当前误差仍大于误差阈值δth或者迭代次数仍小于设定值epochmax，继续重复上步骤；若不满足上述条件，则空洞卷积神经网络训练结束，得到训练后空洞卷积神经网络
在步骤S103中，在当前监测数据集对应的故障预测值大于故障阈值时，判定目标工业设备故障，否则，判定目标工业设备正常。
其中，故障阈值可以根据实际需求具体设置，对此不作具体限定。
可以理解的是，当故障预测值大于一定故障阈值时，可以判定工业设备出现故障，否则可以判定工业设备无故障。
下面将通过一个具体实施例对本申请实施例的基于空洞卷积神经网络的工业设备故障预测方法进行阐述，如图2所示，具体如下：
线下阶段：获取目标设备传感器数据，得到设备健康状态监测数据集；利用单调性指标选择包含表征故障信息最多的k个传感器监测值作为表征设备衰退情况的传感器监测特征；利用数据归一化、滤波、时间窗处理等方法，将选择出的表征设备衰退情况的监测特征进行数据预处理得到表征设备衰退情况特征向量，更进一步得到输入特征矩阵X＝{x1,…,xn,…,xN}，其中xi为包含Nt个时刻的特征序列
xi,1包含k维特征；构建如图3所示的基于空洞卷积神经网络工业设备故障预测模型，以X为输入，利用端到端的方法训练空洞卷积神经网络；在网络损失δest缩小至δth或迭代次数epoch达到epochmax后，得到训练后空洞卷积神经网络
其中，将表征设备衰退情况的监测特征进行数据预处理得到表征设备衰退情况特征向量，包括：数据归一化、滤波和引入时间窗处理。
在线阶段：对实时的设备传感器监测数据执行与线下阶段相同的处理，得到从设备初始时刻到当前时刻的监测数据、工况数据、相关操作数据等设备健康状态监测数据；输入训练后得到的空洞卷积神经网络
输出故障预测值
综上，本申请实施例可以具备如下优点：
(1)可以进行长期工业设备性能预测。本申请实施例的方法相较于浅层深度神经网络如支持向量机，能够提取表征设备性能长期发展趋势的隐藏特征，实现对设备健康状况的长期预测。
(2)可以提高设备故障预测精度。本申请实施例的方法使用空洞卷积神经网络，通过增加空洞卷积操作，相较于一般卷积神经网络在不扩大卷积核增加模型参数量的基础上，扩大空洞卷积神经网络输出层感受野，能够有效提高基于空洞卷积神经网络工业设备故障预测准确率。
(3)支持并行计算。本申请实施例的方法不依赖LSTM(Long Short-Term Memory，长短期记忆网络)，与LSTM网络相比支持并行计算，能够缩短算法运行时间，满足时间敏感度高的工业设备故障预测需求。
根据本申请实施例提出的基于空洞卷积神经网络的工业设备故障预测方法，可以通过端到端工业设备故障预测，能够避免多模型训练造成的预测精度不足与模型收敛困难；通过引入空洞卷积操作扩大相同卷积核大小下故障预测网络输出层感受野，缩小故障预测模型参数量；优化空洞卷积扩张率设计，提高工业设备故障预测准确率。
其次参照附图描述根据本申请实施例提出的基于空洞卷积神经网络的工业设备故障预测装置。
图4是本申请实施例的基于空洞卷积神经网络的工业设备故障预测装置的方框示意图。
如图4所示，该基于空洞卷积神经网络的工业设备故障预测装置10包括：获取模块100、预测模块200和判定模块300。
其中，获取模块100用于获取目标工业设备的当前监测数据集；预测模块200用于将当前监测数据集输入至训练完成的故障预测网络模型，输出当前监测数据集对应的故障预测值，其中，故障预测网络模型基于携带有故障实际值的监测数据集样本训练得到；判定模块300用于在当前监测数据集对应的故障预测值大于故障阈值时，判定目标工业设备故障，否则，判定目标工业设备正常。
需要说明的是，前述对基于空洞卷积神经网络的工业设备故障预测方法实施例的解释说明也适用于该实施例的基于空洞卷积神经网络的工业设备故障预测装置，此处不再赘述。
根据本申请实施例提出的基于空洞卷积神经网络的工业设备故障预测装置，可以通过端到端工业设备故障预测，能够避免多模型训练造成的预测精度不足与模型收敛困难；通过引入空洞卷积操作扩大相同卷积核大小下故障预测网络输出层感受野，缩小故障预测模型参数量；优化空洞卷积扩张率设计，提高工业设备故障预测准确率。
图5为本申请实施例提供的电子设备的结构示意图。该电子设备可以包括：
存储器501、处理器502及存储在存储器501上并可在处理器502上运行的计算机程序。
处理器502执行程序时实现上述实施例中提供的基于空洞卷积神经网络的工业设备故障预测方法。
进一步地，电子设备还包括：
通信接口503，用于存储器501和处理器502之间的通信。
存储器501，用于存放可在处理器502上运行的计算机程序。
存储器501可能包含高速RAM(Random Access Memory，随机存取存储器)存储器，也可能还包括非易失性存储器，例如至少一个磁盘存储器。
如果存储器501、处理器502和通信接口503独立实现，则通信接口503、存储器501和处理器502可以通过总线相互连接并完成相互间的通信。总线可以是ISA(IndustryStandard Architecture，工业标准体系结构)总线、PCI(Peripheral Component，外部设备互连)总线或EISA(Extended Industry Standard Architecture，扩展工业标准体系结构)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
可选的，在具体实现上，如果存储器501、处理器502及通信接口503，集成在一块芯片上实现，则存储器501、处理器502及通信接口503可以通过内部接口完成相互间的通信。
处理器502可能是一个CPU(Central Processing Unit，中央处理器)，或者是ASIC(Application Specific Integrated Circuit，特定集成电路)，或者是被配置成实施本申请实施例的一个或多个集成电路。
本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上的基于空洞卷积神经网络的工业设备故障预测方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不是必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“N个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列，现场可编程门阵列等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
Claims (10)
1.一种基于空洞卷积神经网络的工业设备故障预测方法，其特征在于，包括以下步骤：
获取目标工业设备的当前监测数据集；
将所述当前监测数据集输入至训练完成的故障预测网络模型，输出所述当前监测数据集对应的故障预测值，其中，所述故障预测网络模型基于携带有故障实际值的监测数据集样本训练得到；
在所述当前监测数据集对应的故障预测值大于故障阈值时，判定所述目标工业设备故障，否则，判定所述目标工业设备正常。
2.根据权利要求1所述的方法，其特征在于，所述故障预测网络模型基于携带有故障实际值的监测数据集样本训练空洞卷积神经网络得到，所述空洞卷积神经网络包括第一至第五卷积层和全连接层，所述将所述当前监测数据集输入至训练完成的故障预测网络模型，输出所述当前监测数据集对应的故障预测值，包括：
将所述当前监测数据集输入至第一至第四层卷积层，对所述当前监测数据集进行特征提取，得到多张特征图；
将所述多张特征图输入至第五层卷积层，压缩所述多张特征图，得到压缩特征图；
将所述压缩特征图输入至所述全连接层，将所述压缩特征图的维度降低至预设维度，得到所述当前监测数据集对应的故障预测值。
3.根据权利要求2所述的方法，其特征在于，所述第一至第五卷积层的扩张率di满足以下公式：
其中，i表示卷积层的层数。
4.根据权利要求1-3任意一项所述的方法，其特征在于，在将所述当前监测数据集输入至训练完成的故障预测网络模型之前，还包括：
从所述当前监测数据集中提取至少一个监测特征，其中，所述监测特征用于标识所述目标工业设备的衰退等级；
对所述至少一个监测特征进行数据预处理，得到多个时刻的特征序列，并基于所述多个时刻的特征序列得到作为所述故障预测网络模型输入的特征向量。
5.根据权利要求2所述的方法，其特征在于，所述故障预测网络模型基于携带有故障实际值的监测数据集样本训练空洞卷积神经网络得到，包括：
获取所述目标设备的训练数据集、测试数据集和故障实际值；
基于所述训练数据集训练所述空洞卷积神经网络，并将所述测试数据集输入至所述空洞卷积神经网络，输出所述测试数据集对应的故障预测值；
将所述测试数据集对应的故障预测值和所述故障实际值输入至预设损失函数中，得到损失值，在所述损失值大于或等于损失阈值时，基于所述预测损失值修正所述空洞卷积神经网络中每个神经元的权重，直到所述损失值小于所述损失阈值，或者，训练次数达到目标次数时，得到所述故障预测网络模型。
6.根据权利要求5所述的方法，其特征在于，所述空洞卷积神经网络还包括设置于第五卷积层与所述全连接层之间的随机失活层，其中，所述随机失活层用于在训练过程中，按照预设概率随机丢弃所述空洞卷积神经网络中至少一个神经元，并在目标时间内恢复丢弃的神经元；所述将所述测试数据集输入至所述空洞卷积神经网络，输出所述测试数据集对应的故障预测值，包括：
将所述测试数据集输入至第一至第四层卷积层，对所述测试数据集进行特征提取，得到多张特征图；
将所述多张特征图输入至第五层卷积层，压缩所述多张特征图，得到压缩特征图；
将所述压缩特征图输入至所述全连接层，将所述压缩特征图的维度降低至预设维度，得到所述测试数据集对应的故障预测值。
7.根据要求1所述的方法，其特征在于，所述获取目标工业设备的当前监测数据集，包括：
获取所述目标工业设备从初始时刻到当前时刻的监测数据、工况数据和相关操作数据；
基于所述监测数据、所述工况数据和所述相关操作数据生成所述当前监测数据集。
8.一种基于空洞卷积神经网络的工业设备故障预测装置，其特征在于，包括：
获取模块，用于获取目标工业设备的当前监测数据集；
预测模块，用于将所述当前监测数据集输入至训练完成的故障预测网络模型，输出所述当前监测数据集对应的故障预测值，其中，所述故障预测网络模型基于携带有故障实际值的监测数据集样本训练得到；
判定模块，用于在所述当前监测数据集对应的故障预测值大于故障阈值时，判定所述目标工业设备故障，否则，判定所述目标工业设备正常。
9.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上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程序，以实现如权利要求1-7任一项所述的基于空洞卷积神经网络的工业设备故障预测方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以用于实现如权利要求1-7任一项所述的基于空洞卷积神经网络的工业设备故障预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210488282.9A CN114861880B (zh) | 2022-05-06 | 2022-05-06 | 基于空洞卷积神经网络的工业设备故障预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210488282.9A CN114861880B (zh) | 2022-05-06 | 2022-05-06 | 基于空洞卷积神经网络的工业设备故障预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114861880A true CN114861880A (zh) | 2022-08-05 |
| CN114861880B CN114861880B (zh) | 2024-04-12 |
Family
ID=82636195
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210488282.9A Active CN114861880B (zh) | 2022-05-06 | 2022-05-06 | 基于空洞卷积神经网络的工业设备故障预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114861880B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116112344A (zh) * | 2023-04-11 | 2023-05-12 | 山东金宇信息科技集团有限公司 | 一种机房故障网络设备检测方法、设备及介质 |
| CN116990648A (zh) * | 2023-09-26 | 2023-11-03 | 北京科技大学 | 基于一维空洞卷积神经网络的故障电弧检测方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200036611A1 (en) * | 2018-07-24 | 2020-01-30 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for warning |
| CN112580784A (zh) * | 2020-12-16 | 2021-03-30 | 哈尔滨电站设备成套设计研究所有限公司 | 基于多输入多输出卷积神经网络的设备智能预警方法 |
| CA3162702A1 (en) * | 2019-11-25 | 2021-06-03 | Envision Digital International Pte. Ltd. | Method and apparatus for detecting fault, method and apparatus for training model, and device and storage medium |
| US20210312262A1 (en) * | 2020-04-07 | 2021-10-07 | Gf Machining Solutions Ag | Method for predicting status of machining operation |
| CN113743528A (zh) * | 2021-09-15 | 2021-12-03 | 集美大学 | 一种基于卷积神经网络的电压源逆变器故障诊断方法及系统 |
| CN113869563A (zh) * | 2021-09-14 | 2021-12-31 | 北京化工大学 | 一种基于故障特征迁移的航空涡扇发动机剩余寿命预测方法 |
| CN113902946A (zh) * | 2021-10-08 | 2022-01-07 | 武汉大学 | 电力系统故障方位判别方法、装置、终端设备及存储介质 |
-
2022
- 2022-05-06 CN CN202210488282.9A patent/CN114861880B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200036611A1 (en) * | 2018-07-24 | 2020-01-30 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for warning |
| CA3162702A1 (en) * | 2019-11-25 | 2021-06-03 | Envision Digital International Pte. Ltd. | Method and apparatus for detecting fault, method and apparatus for training model, and device and storage medium |
| US20210312262A1 (en) * | 2020-04-07 | 2021-10-07 | Gf Machining Solutions Ag | Method for predicting status of machining operation |
| CN112580784A (zh) * | 2020-12-16 | 2021-03-30 | 哈尔滨电站设备成套设计研究所有限公司 | 基于多输入多输出卷积神经网络的设备智能预警方法 |
| CN113869563A (zh) * | 2021-09-14 | 2021-12-31 | 北京化工大学 | 一种基于故障特征迁移的航空涡扇发动机剩余寿命预测方法 |
| CN113743528A (zh) * | 2021-09-15 | 2021-12-03 | 集美大学 | 一种基于卷积神经网络的电压源逆变器故障诊断方法及系统 |
| CN113902946A (zh) * | 2021-10-08 | 2022-01-07 | 武汉大学 | 电力系统故障方位判别方法、装置、终端设备及存储介质 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116112344A (zh) * | 2023-04-11 | 2023-05-12 | 山东金宇信息科技集团有限公司 | 一种机房故障网络设备检测方法、设备及介质 |
| CN116990648A (zh) * | 2023-09-26 | 2023-11-03 | 北京科技大学 | 基于一维空洞卷积神经网络的故障电弧检测方法 |
| CN116990648B (zh) * | 2023-09-26 | 2023-12-19 | 北京科技大学 | 基于一维空洞卷积神经网络的故障电弧检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114861880B (zh) | 2024-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110378844B (zh) | 基于循环多尺度生成对抗网络的图像盲去运动模糊方法 | |
| CN114861880B (zh) | 基于空洞卷积神经网络的工业设备故障预测方法及装置 | |
| CN111458142B (zh) | 基于生成对抗网络和卷积神经网络的滑动轴承故障诊断方法 | |
| CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
| CN110297479B (zh) | 一种基于卷积神经网络信息融合的水电机组故障诊断方法 | |
| CN111650453A (zh) | 基于加窗特征希尔伯特图像化的电力设备诊断方法及系统 | |
| CN113111820B (zh) | 基于改进cnn与关系模块的旋转部件故障诊断方法及其装置 | |
| Ayodeji et al. | Causal augmented ConvNet: A temporal memory dilated convolution model for long-sequence time series prediction | |
| CN112765908B (zh) | 一种基于图像序列分析的燃气涡轮发动机燃烧室稳定性分析方法 | |
| CN111291631B (zh) | 视频分析方法及其相关的模型训练方法、设备、装置 | |
| CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
| CN113541985A (zh) | 物联网故障诊断方法、模型的训练方法及相关装置 | |
| CN117058079A (zh) | 基于改进ResNet模型的甲状腺显像图像自动诊断方法 | |
| CN117150882A (zh) | 发动机油耗预测方法、系统、电子设备及存储介质 | |
| Chung et al. | A binary weight convolutional neural network hardware accelerator for analysis faults of the CNC machinery on FPGA | |
| CN116758411A (zh) | 一种基于遥感图像逐像素处理的舰船小目标检测方法 | |
| CN116595465A (zh) | 基于自编码器和数据增强的高维稀疏数据离群点检测方法及系统 | |
| CN116400168A (zh) | 一种基于深度特征聚类的电网故障诊断方法及系统 | |
| CN114021275B (zh) | 一种基于深度卷积模糊系统的滚动轴承故障诊断方法 | |
| CN114202746B (zh) | 路面状态识别方法、装置、终端设备及存储介质 | |
| CN113409213B (zh) | 柱塞泵故障信号时频图降噪增强方法和系统 | |
| CN113344825A (zh) | 一种图像去雨方法及系统 | |
| CN114818811A (zh) | 一种基于孪生网络度量学习的航空发动机滚动轴承故障诊断方法 | |
| CN114723043A (zh) | 基于超图模型谱聚类的卷积神经网络卷积核剪枝方法 | |
| CN114578249A (zh) | 一种基于稳定特征和as-tcn模型的锂电池健康状态估计方法 |
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 | ||
| GR01 | Patent grant |