CN115221769B - 一种故障预测方法、系统、电子设备和存储介质 - Google Patents

一种故障预测方法、系统、电子设备和存储介质 Download PDF

Info

Publication number
CN115221769B
CN115221769B CN202110404045.5A CN202110404045A CN115221769B CN 115221769 B CN115221769 B CN 115221769B CN 202110404045 A CN202110404045 A CN 202110404045A CN 115221769 B CN115221769 B CN 115221769B
Authority
CN
China
Prior art keywords
data
imf
fault prediction
algorithm
data signals
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.)
Active
Application number
CN202110404045.5A
Other languages
English (en)
Other versions
CN115221769A (zh
Inventor
张金越
侯至丞
江旭耀
张弓
杨根
杨文林
梁小宁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Gaojiahang Electronic Technology Co ltd
Guangzhou Institute of Advanced Technology of CAS
Original Assignee
Guangzhou Gaojiahang Electronic Technology Co ltd
Guangzhou Institute of Advanced Technology of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Gaojiahang Electronic Technology Co ltd, Guangzhou Institute of Advanced Technology of CAS filed Critical Guangzhou Gaojiahang Electronic Technology Co ltd
Priority to CN202110404045.5A priority Critical patent/CN115221769B/zh
Publication of CN115221769A publication Critical patent/CN115221769A/zh
Application granted granted Critical
Publication of CN115221769B publication Critical patent/CN115221769B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/25—Design optimisation, verification or simulation using particle-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例提供一种故障预测方法、系统、电子设备和存储介质，即在进行模型训练时，对样本数据进行优化处理，提取相应的特征，最后将样本数据以及所提取的特征输入到深度学习算法，完成模型的训练；采用基于复杂信号分解为简单信号的思想，利用VMD算法实现复杂信号的分解；利用遗传算法可寻求最优解的思想，实现VMD算法中最佳k值的选取；采用深度学习的方法，利用半监督式的特征学习方法，使得训练模型的数据更加全面，所得到的模型精度更高；该算法为故障预测方法，起到故障预测的作用，而不仅仅是故障诊断，做到防微杜渐，更好的保护设备、减少损失。

Description

一种故障预测方法、系统、电子设备和存储介质
技术领域
本发明实施例涉及计算机技术领域，尤其涉及一种故障预测方法、系统、电子设备和存储介质。
背景技术
故障预测算法是一种用于预测机器设备健康程度的方法，由于自动化设备在工作时无人监管，其健康程度会随着工作时间的增加而下降，而工人的感知系统只能判断机器的工作状态(正常或故障)，当判定机器故障时，产线将面临停机维修、造成较大的经济损失的问题，故障预测算法应运而生。
在流程工业生产过程中，要实现无人化智慧产线，除了生产流程的自动化之外，还要解决产线运行状态的监控问题，就是要开发一套系统来替代传统的产线运维员的工作。该系统主要包括两个方面：一、硬件电路；二、软件算法；在硬件电路上，仅需选择高性能的处理器，配套高精度的传感器，提高整体的抗干扰能力即可；而在软件方面，包括支持向量机、卡尔曼滤波算法、回归预测法、深度学习等。在这些算法中，支持向量机性能的优劣主要取决于核函数的选取；卡尔曼滤波算法更适合短期的预测，而回归预测法对非线性数据难以建模。深度学习是机器学习的一种，利用非监督式或半监督式的特征学习和分层特征提取来代替手工获取特征，能够发现并刻画问题内部复杂的结构。
现阶段，该系统主要是故障诊断系统，其对传感器采集到数据进行分析，判断机器的工作状态(正常或者故障)。但当诊断出故障后，工作人员立即前往现场进行维修仍存在时间差，最终影响产线的生产计划。而故障预测则可以防范于未然，通过预测判断设备的健康程度，及时更换存在故障风险的零件，防止某一存在问题的部件持续工作而连带损坏后续的零件、设备。
现阶段的故障预测系统的软件算法多数采用传统方法，如卡尔曼滤波、回归预测等。这些方法更适用于线性信号的预测。而产线的机器采集到的数据多为非线性的，若采用传统的方法，其最终产生的预测值与真实值会存在较大的偏差。同时，这些常用的方法多利用原始数据进行模型训练，需要算法自行提取特征，容易造成模型训练时间长、显著特征漏提取等问题，造成模型精度不高，影响预测结果的准确性。
发明内容
本发明实施例提供一种机器故障预测算法，其将数据进行模态分解、特征提取后的结果、数据本身输入到深度学习算法所训练的模型中，实现对整个产线运行状态的量化评估，预测产线设备的磨损程度、健壮性、剩余使用寿命。
第一方面，本发明实施例提供一种故障预测方法，包括：
确定设备在多个工作周期内的数据信号，以形成数据集，并对数据信号进行分解，得到每个工作周期对应数据信号的k个本征模态函数IMF，提取各所述IMF的数据特征；
将所述数据信号、IMF、数据特征输入至预先训练好的故障预测模型，基于所述故障预测模型进行故障预测。
作为优选的，并对数据信号进行分解，得到每个工作周期对应数据信号的k个本征模态函数IMF，具体包括：
基于预设分解算法将所述数据集中的数据信号分解成离散数量的谐波子信号，得到k个IMF；所述预设分解算法为变分模态分解VMD算法，或经验模态分解EMD算法。
作为优选的，提取各所述IMF的数据特征，具体包括：
基于遗传算法、粒子群算法或蚁群算法确定k值；
基于傅里叶变换确定各所述IMF的频谱图，将所述频谱图作为所述IMF的第一特征，将各所述频谱图的最大幅值以及对应的频率作为所述IMF的第二特征；
将所述IMF的能量值作为所述IMF的第三特征；
确定所述数据信号以及各所述IMF的时域特征，所述时域特征包括峰值因子、均方根和波形因子。
作为优选的，提取各所述IMF的数据特征后，还包括：
记每个所述数据信号对应的时间为T1，故障时间为T0，距离故障发生的时间RUL＝T1-T0，将RUL标记为所述数据信号在神经网络训练时的标签。
作为优选的，还包括，训练故障预测模型：
确定设备在多个工作周期内的数据信号、IMF、数据特征及对应的标签；
构建神经网络模型，设置深度学习参数，所述深度学习参数包括学习速率、输入输出单元数和评价指标；
将所述数据特征、IMF、数据信号以及对应的标签输入到所述神经网络模型，基于时间推移下个所述数据特征及对应标签的变化对所述神经网络模型进行训练。
作为优选的，确定设备在多个工作周期内的数据信号后，还包括：
设定滑动时间窗口，基于所述滑动时间窗口将所述数据集划分为若干个数据集样本。
第二方面，本发明实施例提供一种故障预测系统，包括：
特征提取单元，确定设备在多个工作周期内的数据信号，以形成数据集，并对数据信号进行分解，得到每个工作周期对应数据信号的k个本征模态函数IMF，提取各所述IMF的数据特征；
故障预测单元，将所述数据信号、IMF、数据特征输入至预先训练好的故障预测模型，基于所述故障预测模型进行故障预测。
第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明第一方面实施例所述故障预测方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如本发明第一方面实施例所述故障预测方法的步骤。
本发明实施例提供的一种故障预测方法、系统、电子设备和存储介质，即在进行模型训练时，对样本数据进行优化处理，提取相应的特征，最后将样本数据以及所提取的特征输入到深度学习算法，完成模型的训练；采用基于复杂信号分解为简单信号的思想，利用VMD算法实现复杂信号的分解；利用遗传算法可寻求最优解的思想，实现VMD算法中最佳k值的选取；采用深度学习的方法，利用半监督式的特征学习方法，使得训练模型的数据更加全面，所得到的模型精度更高；该算法为故障预测方法，起到故障预测的作用，而不仅仅是故障诊断，做到防微杜渐，更好的保护设备、减少损失。
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一简单地介绍，显而易见地，下面描述中的附图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为根据本发明实施例的故障预测方法流程框图；
图2为根据本发明实施例的故障预测方法中的算法流程示意图；
图3为根据本发明实施例的模型训练流程图；
图4为根据本发明实施例的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本申请实施例中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。
本申请实施例中的术语“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。本申请的描述中，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列部件或单元的系统、产品或设备没有限定于已列出的部件或单元，而是可选地还包括没有列出的部件或单元，或可选地还包括对于这些产品或设备固有的其它部件或单元。本申请的描述中，“多个”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。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
现阶段的故障预测系统的软件算法多数采用传统方法，如卡尔曼滤波、回归预测等。这些方法更适用于线性信号的预测。而产线的机器采集到的数据多为非线性的，若采用传统的方法，其最终产生的预测值与真实值会存在较大的偏差。同时，这些常用的方法多利用原始数据进行模型训练，需要算法自行提取特征，容易造成模型训练时间长、显著特征漏提取等问题，造成模型精度不高，影响预测结果的准确性。
因此，本发明实施例提供一种故障预测方法、系统、电子设备和存储介质，以大数据为基础，通过半监督式的方法，采用深度学习强化神经网络，实现对整个产线运行状态的量化评估。通过观测量化的健康性指数，得到评估当前产线的运行状态的客观评价，实现故障预测的目的并对产线进行预测性维护。以下将通过多个实施例进行展开说明和介绍。
图1至图3为本发明实施例提供一种故障预测方法，包括：
确定设备在多个工作周期内的数据信号，以形成数据集，并对数据信号进行分解，得到每个工作周期对应数据信号的k个本征模态函数(Intrinsic Mode Function，IMF)，提取各所述IMF的数据特征；
基于所述数据信号、IMF、数据特征进行神经网络训练，得到用于故障预测的故障预测模型，基于所述故障预测模型进行故障预测。
具体的，由于产线上的机器设备工作时具有周期性，故将一个周期所采集到的数据信号作为一个数据点，则多个周期的数据信号形成一个数据集。
故障预测一般所得到的原始信号(数据信号)都是由多种不同频率、不同幅值的单一信号组合而成的，因此，对一个周期内的原始信号进行分解为简单的信号，方便后期的数据处理、分析。
处理后的信号可以自适应将复合信号中的两个频率相近的谐波信号分隔开，具有良好的抑制分量混叠的能力。分解后，可得到k个本征模态函数(IMF)。
在上述实施例的基础上，作为一种优选的实施方式，并对数据信号进行分解，得到每个工作周期对应数据信号的k个本征模态函数IMF，具体包括：
基于预设分解算法将所述数据集中的数据信号分解成离散数量的谐波子信号，得到k个IMF；所述预设分解算法为变分模态分解VMD算法，或经验模态分解EMD算法。
在上述实施例的基础上，作为一种优选的实施方式，提取各所述IMF的数据特征，具体包括：
基于遗传算法、粒子群算法或蚁群算法确定k值；
由于VMD算法的所分解的模态数量k需要人为确定的，k值过大会造成过分解的情况，k值过小则会造成原始信号分解不完整、信息丢失的情况。因此，本发明实施例利用遗传算法、粒子群算法或蚁群算法对k值进行确定。在利用遗传算法确定k值时，以相邻IMF间的相关系数作为遗传算法的评判指标，当差值出现先增大后减小的情况时，此时k-1为最优的模态个数。
基于傅里叶变换确定各所述IMF的频谱图，将所述频谱图作为所述IMF的第一特征，将各所述频谱图的最大幅值以及对应的频率作为所述IMF的第二特征；
将所述IMF的能量值作为所述IMF的第三特征；
确定所述数据信号以及各所述IMF的时域特征，所述时域特征包括峰值因子、均方根和波形因子。
在上述实施例的基础上，作为一种优选的实施方式，提取各所述IMF的数据特征后，还包括：
记每个所述数据信号对应的时间为T1，故障时间为T0，距离故障发生的时间RUL＝T1-T0，将RUL标记为所述数据信号在神经网络训练时的标签。
在上述实施例的基础上，作为一种优选的实施方式，
还包括，训练故障预测模型：
确定设备在多个工作周期内的数据信号、IMF、数据特征及对应的标签；
构建神经网络模型，设置深度学习参数，所述深度学习参数包括学习速率、输入输出单元数和评价指标；
将所述数据特征、IMF、数据信号以及对应的标签输入到所述神经网络模型，基于时间推移下个所述数据特征及对应标签的变化对所述神经网络模型进行训练。
在上述实施例的基础上，作为一种优选的实施方式，确定设备在多个工作周期内的数据信号后，还包括：
设定滑动时间窗口，基于所述滑动时间窗口将所述数据集划分为若干个数据集样本。
具体的，为了丰富训练模型的数据量，可对数据设置滑动时间窗口，以将一个数据样本划分为多个。假设现有一个样本，其周期cycle从0到484，现设置一个滑动时间窗口，长度为100，将一个样本划分为384个，即cycle＝1到cycle＝101为第一个，cycle＝2到cycle＝102为第二个，以此类推，cycle＝384到cycle＝484为最后一个。
第二方面，本发明实施例提供一种故障预测系统，基于上述各实施例中的故障预测方法，包括：
特征提取单元，确定设备在多个工作周期内的数据信号，以形成数据集，并对数据信号进行分解，得到每个工作周期对应数据信号的k个本征模态函数IMF，提取各所述IMF的数据特征；
故障预测单元，将所述数据信号、IMF、数据特征输入至预先训练好的故障预测模型，基于所述故障预测模型进行故障预测。
基于相同的构思，本发明实施例还提供了一种实体结构示意图，如图4所示，该服务器可以包括：处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行如上述各实施例所述故障预测方法的步骤。例如包括：
确定设备在多个工作周期内的数据信号，以形成数据集，并对数据信号进行分解，得到每个工作周期对应数据信号的k个本征模态函数IMF，提取各所述IMF的数据特征；
将所述数据信号、IMF、数据特征输入至预先训练好的故障预测模型，基于所述故障预测模型进行故障预测。
此外，上述的存储器830中的逻辑指令可以通过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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
基于相同的构思，本发明实施例还提供一种非暂态计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序包含至少一段代码，该至少一段代码可由主控设备执行，以控制主控设备用以实现如上述各实施例所述故障预测方法的步骤。例如包括：
确定设备在多个工作周期内的数据信号，以形成数据集，并对数据信号进行分解，得到每个工作周期对应数据信号的k个本征模态函数IMF，提取各所述IMF的数据特征；
将所述数据信号、IMF、数据特征输入至预先训练好的故障预测模型，基于所述故障预测模型进行故障预测。
基于相同的技术构思，本申请实施例还提供一种计算机程序，当该计算机程序被主控设备执行时，用以实现上述方法实施例。
所述程序可以全部或者部分存储在与处理器封装在一起的存储介质上，也可以部分或者全部存储在不与处理器封装在一起的存储器上。
基于相同的技术构思，本申请实施例还提供一种处理器，该处理器用以实现上述方法实施例。上述处理器可以为芯片。
综上所述，本发明实施例提供的一种故障预测方法、系统、电子设备和存储介质，即在进行模型训练时，对样本数据进行优化处理，提取相应的特征，最后将样本数据以及所提取的特征输入到深度学习算法，完成模型的训练；采用基于复杂信号分解为简单信号的思想，利用VMD算法实现复杂信号的分解；利用遗传算法可寻求最优解的思想，实现VMD算法中最佳k值的选取；采用深度学习的方法，利用半监督式的特征学习方法，使得训练模型的数据更加全面，所得到的模型精度更高；该算法为故障预测方法，起到故障预测的作用，而不仅仅是故障诊断，做到防微杜渐，更好的保护设备、减少损失。
本发明的各实施方式可以任意进行组合，以实现不同的技术效果。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请所述的流程或功能。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。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidStateDisk)等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，该流程可以由计算机程序来指令相关的硬件完成，该程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法实施例的流程。而前述的存储介质包括：ROM或随机存储记忆体RAM、磁碟或者光盘等各种可存储程序代码的介质。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例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例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例技术方案的精神和范围。

Claims (6)

1.一种故障预测方法，其特征在于，包括：
确定设备在多个工作周期内的数据信号，以形成数据集，并对数据信号进行分解，得到每个工作周期对应数据信号的k个本征模态函数IMF，提取各所述IMF的数据特征：具体包括：
基于遗传算法、粒子群算法或蚁群算法确定k值；
基于傅里叶变换确定各所述IMF的频谱图，将所述频谱图作为所述IMF的第一特征，将各所述频谱图的最大幅值以及对应的频率作为所述IMF的第二特征；
将所述IMF的能量值作为所述IMF的第三特征；
确定所述数据信号以及各所述IMF的时域特征，所述时域特征包括峰值因子、均方根和波形因子；
记每个所述数据信号对应的时间为T1，故障时间为T0，距离故障发生的时间RUL＝T1-T0，将RUL标记为所述数据信号在神经网络训练时的标签；
确定设备在多个工作周期内的数据信号、IMF、数据特征及对应的标签；
构建神经网络模型，设置深度学习参数，所述深度学习参数包括学习速率、输入输出单元数和评价指标；
将所述数据特征、IMF、数据信号以及对应的标签输入到所述神经网络模型，基于时间推移下个所述数据特征及对应标签的变化对所述神经网络模型进行训练；
将所述数据信号、IMF、数据特征输入至预先训练好的故障预测模型，基于所述故障预测模型进行故障预测。
2.根据权利要求1所述的故障预测方法，其特征在于，并对数据信号进行分解，得到每个工作周期对应数据信号的k个本征模态函数IMF，具体包括：
基于预设分解算法将所述数据集中的数据信号分解成离散数量的谐波子信号，得到k个IMF；所述预设分解算法为变分模态分解VMD算法，或经验模态分解EMD算法。
3.根据权利要求1所述的故障预测方法，其特征在于，确定设备在多个工作周期内的数据信号后，还包括：
设定滑动时间窗口，基于所述滑动时间窗口将所述数据集划分为若干个数据集样本。
4.一种故障预测系统，其特征在于，包括：
特征提取单元，确定设备在多个工作周期内的数据信号，以形成数据集，并对数据信号进行分解，得到每个工作周期对应数据信号的k个本征模态函数IMF，提取各所述IMF的数据特征：具体包括：
基于遗传算法、粒子群算法或蚁群算法确定k值；
基于傅里叶变换确定各所述IMF的频谱图，将所述频谱图作为所述IMF的第一特征，将各所述频谱图的最大幅值以及对应的频率作为所述IMF的第二特征；
将所述IMF的能量值作为所述IMF的第三特征；
确定所述数据信号以及各所述IMF的时域特征，所述时域特征包括峰值因子、均方根和波形因子；
记每个所述数据信号对应的时间为T1，故障时间为T0，距离故障发生的时间RUL＝T1-T0，将RUL标记为所述数据信号在神经网络训练时的标签；
确定设备在多个工作周期内的数据信号、IMF、数据特征及对应的标签；
构建神经网络模型，设置深度学习参数，所述深度学习参数包括学习速率、输入输出单元数和评价指标；
将所述数据特征、IMF、数据信号以及对应的标签输入到所述神经网络模型，基于时间推移下个所述数据特征及对应标签的变化对所述神经网络模型进行训练；
故障预测单元，将所述数据信号、IMF、数据特征输入至预先训练好的故障预测模型，基于所述故障预测模型进行故障预测。
5.一种电子设备，包括存储器、处理器及存储在存储器上并可在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程序时实现如权利要求1至3任一项所述故障预测方法的步骤。
6.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至3任一项所述故障预测方法的步骤。
CN202110404045.5A 2021-04-15 2021-04-15 一种故障预测方法、系统、电子设备和存储介质 Active CN115221769B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110404045.5A CN115221769B (zh) 2021-04-15 2021-04-15 一种故障预测方法、系统、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110404045.5A CN115221769B (zh) 2021-04-15 2021-04-15 一种故障预测方法、系统、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN115221769A CN115221769A (zh) 2022-10-21
CN115221769B true CN115221769B (zh) 2023-10-10

Family

ID=83604826

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110404045.5A Active CN115221769B (zh) 2021-04-15 2021-04-15 一种故障预测方法、系统、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN115221769B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117725981B (zh) * 2024-02-08 2024-04-30 昆明学院 一种基于最佳时间窗口机制的配电网故障预测方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108197648A (zh) * 2017-12-28 2018-06-22 华中科技大学 一种基于lstm深度学习模型的水电机组故障诊断方法与系统
CN110377984A (zh) * 2019-07-02 2019-10-25 中国科学院深圳先进技术研究院 一种工业设备剩余有效寿命预测方法、系统及电子设备
CN110702418A (zh) * 2019-10-10 2020-01-17 山东超越数控电子股份有限公司 航空发动机故障预测方法
WO2020113694A1 (zh) * 2018-12-04 2020-06-11 深圳码隆科技有限公司 纺丝机故障监测方法、装置和服务器
CN111679654A (zh) * 2020-06-17 2020-09-18 衢州职业技术学院 基于神经网络的电力驱动系统振动信号诊断方法及装置
CN112051480A (zh) * 2020-08-06 2020-12-08 国网安徽省电力有限公司电力科学研究院 基于变分模态分解的神经网络配电网故障诊断方法及系统
CN112101489A (zh) * 2020-11-18 2020-12-18 天津开发区精诺瀚海数据科技有限公司 一种联邦学习与深度学习融合驱动的设备故障诊断方法
CN112488171A (zh) * 2020-11-25 2021-03-12 江南大学 一种变分模式分解的sru故障预测方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11099551B2 (en) * 2018-01-31 2021-08-24 Hitachi, Ltd. Deep learning architecture for maintenance predictions with multiple modes
TWI676940B (zh) * 2018-08-29 2019-11-11 國立交通大學 以機械學習為基礎之最佳化預測模型的建立與預測結果的取得系統及方法
CN109933881A (zh) * 2019-03-06 2019-06-25 武汉大学 一种基于优化深度信念网络的电力电子电路故障诊断方法
CN110286279B (zh) * 2019-06-05 2021-03-16 武汉大学 基于极端树与堆栈式稀疏自编码算法的电力电子电路故障诊断方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108197648A (zh) * 2017-12-28 2018-06-22 华中科技大学 一种基于lstm深度学习模型的水电机组故障诊断方法与系统
WO2020113694A1 (zh) * 2018-12-04 2020-06-11 深圳码隆科技有限公司 纺丝机故障监测方法、装置和服务器
CN110377984A (zh) * 2019-07-02 2019-10-25 中国科学院深圳先进技术研究院 一种工业设备剩余有效寿命预测方法、系统及电子设备
CN110702418A (zh) * 2019-10-10 2020-01-17 山东超越数控电子股份有限公司 航空发动机故障预测方法
CN111679654A (zh) * 2020-06-17 2020-09-18 衢州职业技术学院 基于神经网络的电力驱动系统振动信号诊断方法及装置
CN112051480A (zh) * 2020-08-06 2020-12-08 国网安徽省电力有限公司电力科学研究院 基于变分模态分解的神经网络配电网故障诊断方法及系统
CN112101489A (zh) * 2020-11-18 2020-12-18 天津开发区精诺瀚海数据科技有限公司 一种联邦学习与深度学习融合驱动的设备故障诊断方法
CN112488171A (zh) * 2020-11-25 2021-03-12 江南大学 一种变分模式分解的sru故障预测方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
X. Ji, Zhihua Liang, Jiangtao Cao, Peng Wei l.Fault severity assessment of rolling bearings method based on improved VMD and LSTM.《Journal of Vibroengineering》.2020,1338-1356. *
变分模态分解结合深度迁移学习诊断机械故障;施杰;伍星;柳小勤;刘韬;;农业工程学报(14);129-137 *
基于EMD降噪和LSTM网络的地铁风机轴承寿命预测;张传凯;;风机技术(03);77-82 *
基于优化变分模态分解和卷积神经网络的齿轮故障诊断;杨同光;于晓光;;组合机床与自动化加工技术(07);132-137 *
基于多特征提取与核极限学习机的汽轮机转子故障诊断;杨新;于佐东;张志远;邴汉昆;申赫男;王继先;;汽轮机技术(02);137-142 *
基于测试性的电子系统综合诊断与故障预测方法综述;邓森;景博;;控制与决策(05);641-649 *
基于长短时记忆网络的旋转机械状态预测研究;赵建鹏;周俊;《噪声与振动控制》(第04期);155-159 *

Also Published As

Publication number Publication date
CN115221769A (zh) 2022-10-21

Similar Documents

Publication Publication Date Title
CN110362612B (zh) 由电子设备执行的异常数据检测方法、装置和电子设备
Saxena et al. Evaluating prognostics performance for algorithms incorporating uncertainty estimates
CN115760484B (zh) 一种配电台区隐患辨识能力提升方法、装置、系统及存储介质
CN110502751B (zh) 大电网运行态势感知方法、终端设备和存储介质
CN117131110B (zh) 一种基于关联分析的容性设备介质损耗监测方法及系统
CN113742993B (zh) 干式变压器寿命损失预测方法、装置、设备及存储介质
EP2715376A1 (en) Transition detection method for automatic-setup non-intrusive appliance load monitoring
CN115221769B (zh) 一种故障预测方法、系统、电子设备和存储介质
CN117149581A (zh) 一种基于关联规则算法的异常信息分析预警方法及系统
Anis Towards remaining useful life prediction in rotating machine fault prognosis: an exponential degradation model
CN115081673B (zh) 一种油气管道的异常预测方法、装置、电子设备及介质
CN116723034A (zh) 一种用于互联网信息安全的智能数据监测系统及方法
CN114720764A (zh) 一种基于电表实时监测数据的谐波分析方法及系统
CN117473445B (zh) 基于极限学习机的设备异常分析方法及装置
CN114138601A (zh) 一种业务告警方法、装置、设备及存储介质
CN117994955A (zh) 水电机组温度报警模型建立和报警方法及装置
CN113918433A (zh) 一种自适应的智慧网络设备性能指标异常检测装置及方法
Sharma et al. Control loop oscillation detection and quantification using PRONY method of IIR filter design and deep neural network
Laumonier et al. Towards alarm flood reduction
CN118245733B (zh) 基于运行误差监测模型的数据预处理方法及智能电表
CN117590048B (zh) 一种换流变阀侧套管末屏分压器的电阻分压方法及系统
CN116413609B (zh) 一种电池跳水识别方法、装置、电子设备及存储介质
CN110502724B (zh) 基于自组织神经网络的设备状态预测方法和终端设备
Mailey et al. A New Approach to Automated Bearing Fault Severity Assessment Using Deep-Learning
Zaman et al. Domain-driven residual useful life estimation

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