CN115564203B - 基于多维数据协同的设备实时性能评估系统及其方法 - Google Patents

基于多维数据协同的设备实时性能评估系统及其方法 Download PDF

Info

Publication number
CN115564203B
CN115564203B CN202211167135.8A CN202211167135A CN115564203B CN 115564203 B CN115564203 B CN 115564203B CN 202211167135 A CN202211167135 A CN 202211167135A CN 115564203 B CN115564203 B CN 115564203B
Authority
CN
China
Prior art keywords
parameter
feature vector
scale
semantic
feature
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
CN202211167135.8A
Other languages
English (en)
Other versions
CN115564203A (zh
Inventor
吴武江
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.)
Hangzhou Guochen Zhiqi Technology Co ltd
Original Assignee
Hangzhou Guochen Zhiqi Technology Co ltd
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 Hangzhou Guochen Zhiqi Technology Co ltd filed Critical Hangzhou Guochen Zhiqi Technology Co ltd
Priority to CN202211167135.8A priority Critical patent/CN115564203B/zh
Publication of CN115564203A publication Critical patent/CN115564203A/zh
Application granted granted Critical
Publication of CN115564203B publication Critical patent/CN115564203B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请涉及设备性能评估技术领域，其具体地公开了一种基于多维数据协同的设备实时性能评估系统及其方法，其通过基于转换器的上下文编码器对待评估设备的多项参数进行上下文语义编码以得到多个参数语义特征向量，然后，分别对所述多个参数语义特征向量进行级联、局部关联特征提取和多尺度领域特征提取以得到所述参数全局语义特征向量、所述参数语义局部关联特征向量和所述多尺度参数关联特征向量，最后，融合上述三者以得到分类特征向量，并通过分类器以得到用于表示待评估设备的健康指数等级标签的分类结果，通过这样方式，充分利用数据本身的特性和规律来自适应地确定适宜的权重，从而全面、客观的对设备实时性能进行评估。

Description

基于多维数据协同的设备实时性能评估系统及其方法
技术领域
本申请涉及设备性能评估技术领域，且更为具体地，涉及一种基于多维数据协同的设备实时性能评估系统及其方法。
背景技术
设备的健康状态综合评价对提高设备的稳定性有较大的积极意义。通过建立设备健康指数模型,确定表征设备健康的数字量—健康指数,得出设备的运行状态的优劣,以此来确定设备的维修策略,同时兼顾平衡成本,绩效,预测与评价设备寿命等目的。
但是，与设备性能相关的指标众多，各项指标间存在复杂的关联，这导致难以建立统一的标准来进行设备健康指数评估。常用的指标权重的确定方法包括主观赋权法、客观赋权法(包括变异值法、熵值法、主成分分析、因子分析、变权方法)，以及，主客观综合赋权法。但是上述权重确定方法都没有能够充分利用数据本身的特性和规律来自适应地确定适宜的权重，导致健康指数的评估不够全面、客观，且传统的模型泛化能力较差，且依赖于人工分析。
因此，期待一种优化的设备实时性能评估方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于多维数据协同的设备实时性能评估系统及其方法，其通过基于转换器的上下文编码器对待评估设备的多项参数进行上下文语义编码以得到多个参数语义特征向量，然后，分别对所述多个参数语义特征向量进行级联、局部关联特征提取和多尺度领域特征提取以得到所述参数全局语义特征向量、所述参数语义局部关联特征向量和所述多尺度参数关联特征向量，最后，融合上述三者以得到分类特征向量，并通过分类器以得到用于表示待评估设备的健康指数等级标签的分类结果，通过这样方式，充分利用数据本身的特性和规律来自适应地确定适宜的权重，从而全面、客观的对设备实时性能进行评估。
根据本申请的一个方面，提供了一种基于多维数据协同的设备实时性能评估系统，其包括：设备参数采集模块，用于获取待评估设备的多项参数，所述多项参数包括电气参数、润滑参数、工艺参数、机械参数和老化参数；设备参数上下文编码模块，用于将所述待评估设备的多项参数通过基于转换器的上下文编码器以得到多个参数语义特征向量；级联模块，用于将所述多个参数语义特征向量进行级联以得到参数全局语义特征向量；参数间关联编码模块，用于将所述多个参数语义特征向量进行二维排列为特征矩阵后通过作为过滤器的卷积神经网络模型以得到参数语义局部关联特征向量；参数间多尺度编码模块，用于将所述多个参数语义特征向量排列为一维特征向量后通过多尺度邻域特征提取模块以得到多尺度参数关联特征向量；
特征融合模块，用于融合所述参数全局语义特征向量、所述参数语义局部关联特征向量和所述多尺度参数关联特征向量以得到分类特征向量；以及
评估结果生成模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待评估设备的健康指数等级标签。
根据本申请的另一方面，提供了一种基于多维数据协同的设备实时性能评估方法，其包括：获取待评估设备的多项参数，所述多项参数包括电气参数、润滑参数、工艺参数、机械参数和老化参数；将所述待评估设备的多项参数通过基于转换器的上下文编码器以得到多个参数语义特征向量；将所述多个参数语义特征向量进行级联以得到参数全局语义特征向量；将所述多个参数语义特征向量进行二维排列为特征矩阵后通过作为过滤器的卷积神经网络模型以得到参数语义局部关联特征向量；将所述多个参数语义特征向量排列为一维特征向量后通过多尺度邻域特征提取模块以得到多尺度参数关联特征向量；融合所述参数全局语义特征向量、所述参数语义局部关联特征向量和所述多尺度参数关联特征向量以得到分类特征向量；以及将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待评估设备的健康指数等级标签。
与现有技术相比，本申请提供的一种基于多维数据协同的设备实时性能评估系统及其方法，其通过基于转换器的上下文编码器对待评估设备的多项参数进行上下文语义编码以得到多个参数语义特征向量，然后，分别对所述多个参数语义特征向量进行级联、局部关联特征提取和多尺度领域特征提取以得到所述参数全局语义特征向量、所述参数语义局部关联特征向量和所述多尺度参数关联特征向量，最后，融合上述三者以得到分类特征向量，并通过分类器以得到用于表示待评估设备的健康指数等级标签的分类结果，通过这样方式，充分利用数据本身的特性和规律来自适应地确定适宜的权重，从而全面、客观的对设备实时性能进行评估。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1图示了根据本申请实施例的基于多维数据协同的设备实时性能评估系统的框图示意图。
图2图示了根据本申请实施例的基于多维数据协同的设备实时性能评估系统中设备参数上下文编码模块的框图。
图3图示了根据本申请实施例的基于多维数据协同的设备实时性能评估系统中参数间多尺度编码模块的框图。
图4图示了根据本申请实施例的基于多维数据协同的设备实时性能评估系统中特征融合模块的框图。
图5图示了根据本申请实施例的基于多维数据协同的设备实时性能评估方法的流程图。
图6图示了根据本申请实施例的基于多维数据协同的设备实时性能评估方法的系统架构的示意图。
图7图示了根据本申请实施例的基于多维数据协同的设备实时性能评估方法中，将所述待评估设备的多项参数通过基于转换器的上下文编码器以得到多个参数语义特征向量的流程图。
图8图示了根据本申请实施例的基于多维数据协同的设备实时性能评估方法中，将所述多个参数语义特征向量排列为一维特征向量后通过多尺度邻域特征提取模块以得到多尺度参数关联特征向量的流程图。
图9图示了根据本申请实施例的基于多维数据协同的设备实时性能评估方法中，融合所述参数全局语义特征向量、所述参数语义局部关联特征向量和所述多尺度参数关联特征向量以得到分类特征向量的流程图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述
如上所述，与设备性能相关的指标众多，各项指标间存在复杂的关联，这导致难以建立统一的标准来进行设备健康指数评估。常用的指标权重的确定方法包括主观赋权法、客观赋权法(包括变异值法、熵值法、主成分分析、因子分析、变权方法)，以及，主客观综合赋权法。但是上述权重确定方法都没有能够充分利用数据本身的特性和规律来自适应地确定适宜的权重，导致健康指数的评估不够全面、客观，且传统的模型泛化能力较差，且依赖于人工分析。因此，期待一种优化的设备实时性能评估方案。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为设备实时性能评估提供了新的解决思路和方案。
相应地，在本申请的技术方案中，首先待评估设备的多项参数，所述多项参数包括电气参数、润滑参数、工艺参数、机械参数和老化参数。这里，所述待评估设备可以是任何用于生产制造的设备，并且，在实际数据处理方案中，还可以基于实际情况添加其他的参数项。同时，在本申请的技术方案中，所述多项参数中各项参数由多个子项维度项计算而成，例如，电气参数下的电压、电流，润滑参数下的油位、油压、油温，工艺参数下的进口流量、进口压力、出口压力、出口流量，机械参数下的振动、位移、轴承温度，老化参数的老化健康指数。
在得到所述待评估设备的多项参数后，将所述待评估设备的多项参数通过基于转换器的上下文编码器以得到多个参数语义特征向量。例如，基于转换器的Bert模型对所述多项参数中各个参数进行基于所述多项参数的全局的上下文语义编码以得到多个参数语义特征向量，这里，一个参数对应于一个参数语义特征向量，所述参数语义特征向量表示某个参数与其他所有参数的上下文语义关联信息。接着，将所述多个参数语义特征向量进行级联以得到参数全局语义特征向量。
这里，虽然使用所述基于转换器的上下文编码器能够提取各项参数的全局上下文语义信息，但其在局部参数关联特征的提取方面性能表现较弱。应可以理解，在实际设备性能评估中，某些参数之间的关联更为紧密，而某些参数之间的关联较为稀疏，某些参数的关联整体会构成一个新的参数指标，而某些参数的关联整体却没太大意义。因此，在本申请的技术方案中，进一步将所述多个参数语义特征向量进行二维排列为特征矩阵，然后将所述二维特征矩阵通过作为过滤器的卷积神经网络模型以得到参数语义局部关联特征向量。也就是，使用在局部特征提取领域具有优异性能表现的卷积神经网络模型作为特征提取器来捕捉由所述多个参数语义特征向量二维排列而成的特征矩阵中的局部区域的高维隐含特征表示，即，不同参数语义特征向量间的关联特征的高维特征表示。
所述卷积神经网络模型的感受野取决于其卷积核尺寸的设计，而在本申请的技术方案中，所述二维特征矩阵由所述多个参数语义特征向量排列而成，所述参数语义特征向量具有特定尺寸，因此，在利用卷积神经网络模型进行局部特征提取时，会存在感受野与参数语义特征向量的尺寸不对应的问题，也就是，所述卷积神经网络模型捕捉的参数语义特征向量的部分向量间的关联特征，这些特征实际上对于性能评估的帮助不大。因此，在本申请的技术方案中，进一步将所述多个参数语义特征向量排列为一维特征向量，并将所述一维特征向量通过多尺度邻域特征提取模块以得到多尺度参数关联特征向量。相较于所述卷积神经网络模型，所述多尺度邻域特征提取模块可以通过设置一维卷积核的长度尺寸以使得其与所述参数语义特征向量的长度相适配，以精准地提取参数语义特征向量之间的关联模式特征。
接着，融合所述参数全局语义特征向量、所述参数语义局部关联特征向量和所述多尺度参数关联特征向量以得到分类特征向量，并将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待评估设备的健康指数等级标签。
这里，由于所述参数全局语义特征向量是将所述多个参数语义特征向量进行级联得到的，而所述参数语义局部关联特征向量和所述多尺度参数关联特征向量是所述多个参数语义特征向量分别通过作为过滤器的卷积神经网络模型和多尺度邻域特征提取模块得到的，因此所述参数全局语义特征向量相对于所述参数语义局部关联特征向量和所述多尺度参数关联特征向量具有较浅的层深度，如果直接融合可能会影响融合效果。
因此，优选地，对所述参数全局语义特征向量进行基于所述参数语义局部关联特征向量和所述多尺度参数关联特征向量的注意力导向的分层深度联立优化，表示为：
其中V1是所述参数全局语义特征向量，V2是所述参数语义局部关联特征向量，V3是所述多尺度参数关联特征向量，v2i和v3i是所述参数语义局部关联特征向量和所述多尺度参数关联特征向量的每个位置的特征值，和是所述参数语义局部关联特征向量和所述多尺度参数关联特征向量的特征值的全局均值，且L是所述参数语义局部关联特征向量和所述多尺度参数关联特征向量的长度。
这里，以作为深层特征的所述参数语义局部关联特征向量V2和所述多尺度参数关联特征向量V3的子维度一致性作为注意力导向权重，对作为浅层特征的所述参数全局语义特征向量V1施加子维度分布的一致性注意力机制，来在具有深度差的高维流形之间进行体匹配，从而使得所述参数全局语义特征向量V1与所述参数语义局部关联特征向量V2和所述多尺度参数关联特征向量V3在各个子维度上具有高一致性的联立分布，以提高所述参数全局语义特征向量V1与所述参数语义局部关联特征向量V2和所述多尺度参数关联特征向量V3的特征分布的一致性。这样，提高对于设备实时性能评估的精准度。
基于此，本申请提供了一种基于多维数据协同的设备实时性能评估系统，其包括：设备参数采集模块，用于获取待评估设备的多项参数，所述多项参数包括电气参数、润滑参数、工艺参数、机械参数和老化参数；设备参数上下文编码模块，用于将所述待评估设备的多项参数通过基于转换器的上下文编码器以得到多个参数语义特征向量；级联模块，用于将所述多个参数语义特征向量进行级联以得到参数全局语义特征向量；参数间关联编码模块，用于将所述多个参数语义特征向量进行二维排列为特征矩阵后通过作为过滤器的卷积神经网络模型以得到参数语义局部关联特征向量；参数间多尺度编码模块，用于将所述多个参数语义特征向量排列为一维特征向量后通过多尺度邻域特征提取模块以得到多尺度参数关联特征向量；特征融合模块，用于融合所述参数全局语义特征向量、所述参数语义局部关联特征向量和所述多尺度参数关联特征向量以得到分类特征向量；以及，评估结果生成模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待评估设备的健康指数等级标签。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图1图示了根据本申请实施例的基于多维数据协同的设备实时性能评估系统的框图示意图。如图1所示，根据本申请实施例的所述基于多维数据协同的设备实时性能评估系统100，包括：设备参数采集模块110，用于获取待评估设备的多项参数，所述多项参数包括电气参数、润滑参数、工艺参数、机械参数和老化参数；设备参数上下文编码模块120，用于将所述待评估设备的多项参数通过基于转换器的上下文编码器以得到多个参数语义特征向量；级联模块130，用于将所述多个参数语义特征向量进行级联以得到参数全局语义特征向量；参数间关联编码模块140，用于将所述多个参数语义特征向量进行二维排列为特征矩阵后通过作为过滤器的卷积神经网络模型以得到参数语义局部关联特征向量；参数间多尺度编码模块150，用于将所述多个参数语义特征向量排列为一维特征向量后通过多尺度邻域特征提取模块以得到多尺度参数关联特征向量；特征融合模块160，用于融合所述参数全局语义特征向量、所述参数语义局部关联特征向量和所述多尺度参数关联特征向量以得到分类特征向量；以及，评估结果生成模块170，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待评估设备的健康指数等级标签。
在本申请实施例中，所述设备参数采集模块110，用于获取待评估设备的多项参数，所述多项参数包括电气参数、润滑参数、工艺参数、机械参数和老化参数。如上所述，传统的权重确定方法都没有能够充分利用数据本身的特性和规律来自适应地确定适宜的权重，导致健康指数的评估不够全面、客观，且传统的模型泛化能力较差，且依赖于人工分析。因此，期待一种优化的设备实时性能评估方案。其能够充分利用数据本身的特性和规律来自适应地确定适宜的权重，从而全面、客观的对设备实时性能进行评估。而这本质上是个分类问题，即通过深度神经网络模型提取与设备性能相关的指标之间的隐含关联特征，并通过分类器进行设备健康指数等级标签的评估。
在本申请的一个具体的实施例中，获取待评估设备的多项参数。其中，所述多项参数包括电气参数、润滑参数、工艺参数、机械参数和老化参数。这里，所述待评估设备可以是任何用于生产制造的设备，并且，在实际数据处理方案中，还可以基于实际情况添加其他的参数项。同时，在本申请的技术方案中，所述多项参数中各项参数由多个子项维度项计算而成，例如，电气参数下的电压、电流，润滑参数下的油位、油压、油温，工艺参数下的进口流量、进口压力、出口压力、出口流量，机械参数下的振动、位移、轴承温度，老化参数的老化健康指数。当然，参数维度和子项维度有且不仅限于上述内容，对于不同的设备可进行动态添加其他参数。
更进一步的，在本申请的其他实施例中，获取待评估设备的多项参数包括：前端配置和后台计算逻辑。其中，前端配置，包括：参数配置，即通过手动配置参数名称、取值位号等相关信息，例如电流或者电压。其中，位号值上下限为200-280，当然，位号值上下限也可根据现场情况进行手动录入。选取抛物线函数，其中，抛物线函数也叫归一化函数，可以根据现场业务进行手动选择。该函数的作用是将数值x轴的数值X转化为y轴的分数Y，当然，Y值最后要处于0到100之间。然后，录入a、b值，a、b值表示得分为100和0时的两个临界点。
其中，后台计算逻辑有两步，其中，后台计算一，包括：计算报警上下限方差M(把上下限视为一组数据：位于200到280之间；计算这组数据的方差值，用M表示，并保存到数据库表中，位号值上下限变化时M值重新计算)。其中，M跟a、b值有以下关系。
对于a值来说，当一组数据没有变化时，方差为零(这种情况很少会出现)，如果用户要求非常高，不允许有变化，那么a等于零；如果用户要求低，数据稍微波动一点也没事，那么a值会大于零，至于具体允许波动多少要根据现场业务来定，我们暂定a等于零。
对于b值来说，我们知道b值代表得分为零时的临界值，我们已经定义了位号值的上下限，理论上实时值是不允许超出这个范围的，因为一旦超出这个范围可能对设备造成较大的危害，那么我们假定这组数据中所有的数均未超出上下限，那么计算方差结果x肯定是小于等于M值的，如果计算方差结果x大于M，那说明这组数据中肯定有数超出上下限了，超限是不允许的，所以我们把M值当作b值做为临界值。
更进一步的，可以通过后台获取过去10分钟位号值得到一组数据，例如，该组数据可以为，210，220，258，270，265，271，260，223，219，245。其中，后台从实时数据库接口获取。
后台计算二，包括：计算该组数据的方差N，然后，判断N值跟a、b值的关系，并代入抛物线函数公式计算得分。
例如，在利用电气参数的子项维度中的电压和电流进行评估时，对于电压，需要计算方差值和方差允许区间。其中，以如下公式计算方差；
其中，所述公式
其中，X表示一组数据的样本，μ表示一组数据的平均数，N表示一组数据的样本个数，σ2表示一组数据的方差。
进一步的，以如下公式计算方差允许区间[0-Y]中Y的值；
其中，所述公式为
其中，Xmin表示下限值，Xmax表示上限值，表示上限、下限的均值，Y表示上限、下限之间的方差。
同理，对于润滑参数下的油位、油压、油温，工艺参数下的进口流量、进口压力、出口压力、出口流量，机械参数下的振动、位移、轴承温度也以如上公式进行方差值和方差允许区间的计算。
对于老化参数的老化健康指数则以如下公式进行计算。
其中，OV表示设备老化健康指数，OVT表示设备在初始投运时间的老化健康指数，t表示设备评估时间，t0表示设备初始投运时间，B表示设备老化系数，HVn表示设备退役时的健康指数，取同类设备退役时健康指数平均值，HV0表示设备初始运行是的健康指数，T表示设备预期运行寿命，Td表示设备涉及寿命，fa表示负荷修正系数，fb表示环境修正系数。
在本申请实施例中，所述设备参数上下文编码模块120，用于将所述待评估设备的多项参数通过基于转换器的上下文编码器以得到多个参数语义特征向量。应可以理解，考虑到各项参数之间存在语义关联，因此，将所述待评估设备的多项参数通过基于转换器的上下文编码器以得到多个参数语义特征向量。
在本申请实施例中，所述上下文编码器为基于转换器的Bert模型，其中，所述Bert模型能够基于所述转换器的内在掩码结构对输入序列中各个输入量进行基于输入序列全局的上下文语义编码。也就是，所述基于转换器的Bert模型能够提取出输入序列中各个输入量的基于全局的特征表示。对应到本申请方案中，所述基于转换器的Bert模型能够对所述多项参数中各个参数进行基于所述多项参数的全局的上下文语义编码以得到多个参数语义特征向量，这里，一个参数对应于一个参数语义特征向量，所述参数语义特征向量表示某个参数与其他所有参数的上下文语义关联信息。
图2图示了根据本申请实施例的基于多维数据协同的设备实时性能评估系统中设备参数上下文编码模块的框图。如图2所示，在本申请一个具体的实施例中，所述设备参数上下文编码模块120，包括：嵌入向量化单元121，用于使用所述上下文编码器的嵌入层将所述待评估设备的多项参数转化为嵌入向量以得到嵌入向量的序列；以及，上下文编码单元122，用于使用所述上下文编码器的基于转换器的Bert模型对所述嵌入向量的序列进行基于全局的上下文语义编码以得到多个参数语义特征向量。
在本申请实施例中，所述级联模块130，用于将所述多个参数语义特征向量进行级联以得到参数全局语义特征向量。应可以理解，上述得到的所述多个参数语义特征向量表示各个参数与其他所有参数的上下文语义关联信息。为了得到所述待评估设备的多项参数整体的高维隐含特征，需要将所述多个参数语义特征向量进行级联以得到参数全局语义特征向量，也就是，在高维特征空间中，将各个参数对应的高维特征表示进行无损融合以得到所述待评估设备的多项参数整体序列的高维特征表示。
在本申请实施例中，所述参数间关联编码模块140，用于将所述多个参数语义特征向量进行二维排列为特征矩阵后通过作为过滤器的卷积神经网络模型以得到参数语义局部关联特征向量。应可以理解，虽然使用所述基于转换器的上下文编码器能够提取各项参数的全局上下文语义信息，但其在局部参数关联特征的提取方面性能表现较弱。应可以理解，在实际设备性能评估中，某些参数之间的关联更为紧密，而某些参数之间的关联较为稀疏，某些参数的关联整体会构成一个新的参数指标，而某些参数的关联整体却没太大意义。因此，在本申请的技术方案中，进一步将所述多个参数语义特征向量进行二维排列为特征矩阵，然后将所述二维特征矩阵通过作为过滤器的卷积神经网络模型以得到参数语义局部关联特征向量。也就是，使用在局部特征提取领域具有优异性能表现的卷积神经网络模型作为特征提取器来捕捉由所述多个参数语义特征向量二维排列而成的特征矩阵中的局部区域的高维隐含特征表示，即，不同参数语义特征向量间的关联特征的高维特征表示。
在本申请一个具体的实施例中，所述卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：使用所述卷积神经网络模型的各层的卷积单元对所述输入数据进行基于二维卷积核的卷积处理以得到卷积特征图；使用所述卷积神经网络模型的各层的池化单元对所述卷积特征图进行沿通道维度的全局均值池化以得到池化特征图；以及，使用所述卷积神经网络模型的各层的激活单元对所述池化特征图中各个位置的特征值进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络的最后一层的输出为所述拓扑特征矩阵。
在本申请实施例中，所述参数间多尺度编码模块150，用于将所述多个参数语义特征向量排列为一维特征向量后通过多尺度邻域特征提取模块以得到多尺度参数关联特征向量。应可以理解，所述卷积神经网络模型的感受野取决于其卷积核尺寸的设计，而在本申请的技术方案中，所述二维特征矩阵由所述多个参数语义特征向量排列而成，所述参数语义特征向量具有特定尺寸，因此，在利用卷积神经网络模型进行局部特征提取时，会存在感受野与参数语义特征向量的尺寸不对应的问题，也就是，所述卷积神经网络模型捕捉的参数语义特征向量的部分向量间的关联特征，这些特征实际上对于性能评估的帮助不大。因此，在本申请的技术方案中，进一步将所述多个参数语义特征向量排列为一维特征向量，并将所述一维特征向量通过多尺度邻域特征提取模块以得到多尺度参数关联特征向量。相较于所述卷积神经网络模型，所述多尺度邻域特征提取模块可以通过设置一维卷积核的长度尺寸以使得其与所述参数语义特征向量的长度相适配，以精准地提取参数语义特征向量之间的关联模式特征。
图3图示了根据本申请实施例的基于多维数据协同的设备实时性能评估系统中参数间多尺度编码模块的框图。如图3所示，在本申请一个具体的实施例中，所述参数间多尺度编码模块150，包括：第一尺度编码单元151，用于使用所述多尺度邻域特征提取模块的第一卷积层以具有第一尺度的一维卷积核对所述一维特征向量进行一维卷积编码以得到第一尺度参数关联特征向量；第二尺度编码单元152，用于使用所述多尺度邻域特征提取模块的第二卷积层以具有第二尺度的一维卷积核对所述一维特征向量进行一维卷积编码以得到第二尺度参数关联特征向量；以及，多尺度级联单元153，用于将所述第一尺度参数关联特征向量和所述第二尺度参数关联特征向量进行级联以得到所述多尺度参数关联特征向量。
在本申请一个具体的实施例中，所述第一尺度编码单元151，进一步用于：使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述一维特征向量进行一维卷积编码以得到第二尺度参数关联特征向量；
其中，所述公式为：
其中，a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，X表示所述一维特征向量。
在本申请一个具体的实施例中，所述第二尺度编码单元152，进一步用于：使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述一维特征向量进行一维卷积编码以得到第二尺度参数关联特征向量；
其中，所述公式为：
其中，b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，X表示所述一维特征向量。
在本申请一个具体的实施例中，所述第一卷积层的一维卷积核的长度为两个所述参数语义特征向量的长度之和，所述第二卷积层的一维卷积核的长度为三个所述参数语义特征向量的长度之和。
在本申请实施例中，所述特征融合模块160，用于融合所述参数全局语义特征向量、所述参数语义局部关联特征向量和所述多尺度参数关联特征向量以得到分类特征向量。应可以理解，由于所述参数全局语义特征向量是将所述多个参数语义特征向量进行级联得到的，而所述参数语义局部关联特征向量和所述多尺度参数关联特征向量是所述多个参数语义特征向量分别通过作为过滤器的卷积神经网络模型和多尺度邻域特征提取模块得到的，因此所述参数全局语义特征向量相对于所述参数语义局部关联特征向量和所述多尺度参数关联特征向量具有较浅的层深度，如果直接融合可能会影响融合效果。因此，优选地，对所述参数全局语义特征向量进行基于所述参数语义局部关联特征向量和所述多尺度参数关联特征向量的注意力导向的分层深度联立优化。
图4图示了根据本申请实施例的基于多维数据协同的设备实时性能评估系统中特征融合模块的框图。如图4所示，在本申请一个具体的实施例中，所述特征融合模块160，包括：优化单元161，用于对所述参数全局语义特征向量进行基于所述参数语义局部关联特征向量和所述多尺度参数关联特征向量的注意力导向的分层深度联立优化以得到优化参数全局语义特征向量；以及，融合单元162，用于计算所述优化参数全局语义特征向量、所述参数语义局部关联特征向量和所述多尺度参数关联特征向量的按位置加权和以得到所述分类特征向量。
在本申请一个具体的实施例中，所述优化单元161，进一步用于：如下公式对所述参数全局语义特征向量进行基于所述参数语义局部关联特征向量和所述多尺度参数关联特征向量的注意力导向的分层深度联立优化以得到优化参数全局语义特征向量；
其中，所述公式为：
其中，V1是所述参数全局语义特征向量，V2是所述参数语义局部关联特征向量，V3是所述多尺度参数关联特征向量，v2i和v3i是所述参数语义局部关联特征向量和所述多尺度参数关联特征向量的每个位置的特征值，和是所述参数语义局部关联特征向量和所述多尺度参数关联特征向量的特征值的全局均值，L是所述参数语义局部关联特征向量和所述多尺度参数关联特征向量的长度，且V'1是所述优化参数全局语义特征向量。
这里，以作为深层特征的所述参数语义局部关联特征向量V2和所述多尺度参数关联特征向量V3的子维度一致性作为注意力导向权重，对作为浅层特征的所述参数全局语义特征向量V1施加子维度分布的一致性注意力机制，来在具有深度差的高维流形之间进行体匹配，从而使得所述参数全局语义特征向量V1与所述参数语义局部关联特征向量V2和所述多尺度参数关联特征向量V3在各个子维度上具有高一致性的联立分布，以提高所述参数全局语义特征向量V1与所述参数语义局部关联特征向量V2和所述多尺度参数关联特征向量V3的特征分布的一致性。这样，提高对于设备实时性能评估的精准度。
在本申请实施例中，所述评估结果生成模块170，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待评估设备的健康指数等级标签。
在本申请一个具体的实施例中，所述评估结果生成模块170，进一步用于：使用所述分类器以如下公式对所述分类特征向量进行处理以得到所述分类结果；
其中，所述公式为：
其中，O为所述分类结果，Wi和bi为第i个分类对应的权重和偏置矩阵。
在本申请一个具体的实施例中，所述待评估设备的健康指数等级标签包括以下五个，健康、比较健康、亚健康、故障、严重故障，并可将其表示为得分。当综合健康指数为健康时，最后得分位于0.85-1之内，表示健康状况非常好，设备很安全。当综合健康指数为比较健康时，最后得分位于0.65-0.85之内，表示健康状况良好，设备比较安全。当综合健康指数为亚健康时，最后得分位于0.45-0.65之内，表示设备不太安全，出现轻微异常征兆，应加强检测并排出故障。当综合健康指数为故障时，最后得分位于0.25-0.45之内，表示设备非常不安全，出现非常严重的异常，应尽快安排检修。当综合健康指数为严重故障时，最后得分位于0-0.25之内，表示健康无法运行，必须尽快检修。
综上，基于本申请实施例的所述基于多维数据协同的设备实时性能评估系统，其通过基于转换器的上下文编码器对待评估设备的多项参数进行上下文语义编码以得到多个参数语义特征向量，然后，分别对所述多个参数语义特征向量进行级联、局部关联特征提取和多尺度领域特征提取以得到所述参数全局语义特征向量、所述参数语义局部关联特征向量和所述多尺度参数关联特征向量，最后，融合上述三者以得到分类特征向量，并通过分类器以得到用于表示待评估设备的健康指数等级标签的分类结果，通过这样方式，充分利用数据本身的特性和规律来自适应地确定适宜的权重，从而全面、客观的对设备实时性能进行评估。
示例性方法
图5图示了根据本申请实施例的基于多维数据协同的设备实时性能评估方法的流程图。如图5所示，根据本申请实施例的所述基于多维数据协同的设备实时性能评估方法，包括：S110，获取待评估设备的多项参数，所述多项参数包括电气参数、润滑参数、工艺参数、机械参数和老化参数；S120，将所述待评估设备的多项参数通过基于转换器的上下文编码器以得到多个参数语义特征向量；S130，将所述多个参数语义特征向量进行级联以得到参数全局语义特征向量；S140，将所述多个参数语义特征向量进行二维排列为特征矩阵后通过作为过滤器的卷积神经网络模型以得到参数语义局部关联特征向量；S150，将所述多个参数语义特征向量排列为一维特征向量后通过多尺度邻域特征提取模块以得到多尺度参数关联特征向量；S160，融合所述参数全局语义特征向量、所述参数语义局部关联特征向量和所述多尺度参数关联特征向量以得到分类特征向量；以及，S170，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待评估设备的健康指数等级标签。
图6图示了根据本申请实施例的基于多维数据协同的设备实时性能评估方法的系统架构的示意图。如图6所示，在本申请实施例的所述基于多维数据协同的设备实时性能评估方法的系统架构中，首先，获取待评估设备的多项参数，并将所述待评估设备的多项参数通过基于转换器的上下文编码器以得到多个参数语义特征向量。然后，将所述多个参数语义特征向量进行级联以得到参数全局语义特征向量。并且，将所述多个参数语义特征向量进行二维排列为特征矩阵后通过作为过滤器的卷积神经网络模型以得到参数语义局部关联特征向量。同时，将所述多个参数语义特征向量排列为一维特征向量后通过多尺度邻域特征提取模块以得到多尺度参数关联特征向量。接着，融合所述参数全局语义特征向量、所述参数语义局部关联特征向量和所述多尺度参数关联特征向量以得到分类特征向量。最后，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待评估设备的健康指数等级标签。
图7图示了根据本申请实施例的基于多维数据协同的设备实时性能评估方法中，将所述待评估设备的多项参数通过基于转换器的上下文编码器以得到多个参数语义特征向量的流程图。如图7所示，在本申请一个具体的实施例中，所述将所述待评估设备的多项参数通过基于转换器的上下文编码器以得到多个参数语义特征向量，包括：S210，使用所述上下文编码器的嵌入层将所述待评估设备的多项参数转化为嵌入向量以得到嵌入向量的序列；以及，S220，使用所述上下文编码器的基于转换器的Bert模型对所述嵌入向量的序列进行基于全局的上下文语义编码以得到多个参数语义特征向量。
图8图示了根据本申请实施例的基于多维数据协同的设备实时性能评估方法中，将所述多个参数语义特征向量排列为一维特征向量后通过多尺度邻域特征提取模块以得到多尺度参数关联特征向量的流程图。如图8所示，在本申请一个具体的实施例中，所述将所述多个参数语义特征向量排列为一维特征向量后通过多尺度邻域特征提取模块以得到多尺度参数关联特征向量，包括：S310，使用所述多尺度邻域特征提取模块的第一卷积层以具有第一尺度的一维卷积核对所述一维特征向量进行一维卷积编码以得到第一尺度参数关联特征向量；S320，使用所述多尺度邻域特征提取模块的第二卷积层以具有第二尺度的一维卷积核对所述一维特征向量进行一维卷积编码以得到第二尺度参数关联特征向量；以及，S330，将所述第一尺度参数关联特征向量和所述第二尺度参数关联特征向量进行级联以得到所述多尺度参数关联特征向量。
在本申请一个具体的实施例中，所述使用所述多尺度邻域特征提取模块的第一卷积层以具有第一尺度的一维卷积核对所述一维特征向量进行一维卷积编码以得到第一尺度参数关联特征向量，包括：使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述一维特征向量进行一维卷积编码以得到第二尺度参数关联特征向量；
其中，所述公式为：
其中，a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，X表示所述一维特征向量。
在本申请一个具体的实施例中，所述使用所述多尺度邻域特征提取模块的第二卷积层以具有第二尺度的一维卷积核对所述一维特征向量进行一维卷积编码以得到第二尺度参数关联特征向量，包括：使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述一维特征向量进行一维卷积编码以得到第二尺度参数关联特征向量；
其中，所述公式为：
其中，b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，X表示所述一维特征向量。
在本申请一个具体的实施例中，所述第一卷积层的一维卷积核的长度为两个所述参数语义特征向量的长度之和，所述第二卷积层的一维卷积核的长度为三个所述参数语义特征向量的长度之和。
图9图示了根据本申请实施例的基于多维数据协同的设备实时性能评估方法中，融合所述参数全局语义特征向量、所述参数语义局部关联特征向量和所述多尺度参数关联特征向量以得到分类特征向量的流程图。如图9所示，在本申请一个具体的实施例中，所述融合所述参数全局语义特征向量、所述参数语义局部关联特征向量和所述多尺度参数关联特征向量以得到分类特征向量，包括：S410，对所述参数全局语义特征向量进行基于所述参数语义局部关联特征向量和所述多尺度参数关联特征向量的注意力导向的分层深度联立优化以得到优化参数全局语义特征向量；以及，S210，用于计算所述优化参数全局语义特征向量、所述参数语义局部关联特征向量和所述多尺度参数关联特征向量的按位置加权和以得到所述分类特征向量。
在本申请一个具体的实施例中，所述对所述参数全局语义特征向量进行基于所述参数语义局部关联特征向量和所述多尺度参数关联特征向量的注意力导向的分层深度联立优化以得到优化参数全局语义特征向量，包括：如下公式对所述参数全局语义特征向量进行基于所述参数语义局部关联特征向量和所述多尺度参数关联特征向量的注意力导向的分层深度联立优化以得到优化参数全局语义特征向量；
其中，所述公式为：
其中，V1是所述参数全局语义特征向量，V2是所述参数语义局部关联特征向量，V3是所述多尺度参数关联特征向量，v2i和v3i是所述参数语义局部关联特征向量和所述多尺度参数关联特征向量的每个位置的特征值，和是所述参数语义局部关联特征向量和所述多尺度参数关联特征向量的特征值的全局均值，L是所述参数语义局部关联特征向量和所述多尺度参数关联特征向量的长度，且V'1是所述优化参数全局语义特征向量。
在本申请一个具体的实施例中，所述将所述分类特征向量通过分类器以得到分类结果，包括：使用所述分类器以如下公式对所述分类特征向量进行处理以得到所述分类结果；
其中，所述公式为：
其中，O为所述分类结果，Wi和bi为第i个分类对应的权重和偏置矩阵。这里，本领域技术人员可以理解，上述基于多维数据协同的设备实时性能评估方法中的各个步骤的具体操作已经在上面参考图1到图4的基于多维数据协同的设备实时性能评估系统的描述中得到了详细介绍，并因此，将省略其重复描述。

Claims (8)

1.一种基于多维数据协同的设备实时性能评估系统，其特征在于，包括：
设备参数采集模块，用于获取待评估设备的多项参数，所述多项参数包括电气参数、润滑参数、工艺参数、机械参数和老化参数；
设备参数上下文编码模块，用于将所述待评估设备的多项参数通过基于转换器的上下文编码器以得到多个参数语义特征向量；
级联模块，用于将所述多个参数语义特征向量进行级联以得到参数全局语义特征向量；
参数间关联编码模块，用于将所述多个参数语义特征向量进行二维排列为特征矩阵后通过作为过滤器的卷积神经网络模型以得到参数语义局部关联特征向量；
参数间多尺度编码模块，用于将所述多个参数语义特征向量排列为一维特征向量后通过多尺度邻域特征提取模块以得到多尺度参数关联特征向量；
特征融合模块，用于融合所述参数全局语义特征向量、所述参数语义局部关联特征向量和所述多尺度参数关联特征向量以得到分类特征向量；以及
评估结果生成模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待评估设备的健康指数等级标签；
其中，所述设备参数上下文编码模块，包括：
嵌入向量化单元，用于使用所述上下文编码器的嵌入层将所述待评估设备的多项参数转化为嵌入向量以得到嵌入向量的序列；以及
上下文编码单元，用于使用所述上下文编码器的基于转换器的Bert模型对所述嵌入向量的序列进行基于全局的上下文语义编码以得到多个参数语义特征向量，一个参数对应于一个参数语义特征向量；
其中，所述参数间多尺度编码模块，包括：
第一尺度编码单元，用于使用所述多尺度邻域特征提取模块的第一卷积层以具有第一尺度的一维卷积核对所述一维特征向量进行一维卷积编码以得到第一尺度参数关联特征向量；
第二尺度编码单元，用于使用所述多尺度邻域特征提取模块的第二卷积层以具有第二尺度的一维卷积核对所述一维特征向量进行一维卷积编码以得到第二尺度参数关联特征向量；以及
多尺度级联单元，用于将所述第一尺度参数关联特征向量和所述第二尺度参数关联特征向量进行级联以得到所述多尺度参数关联特征向量。
2.根据权利要求1所述的基于多维数据协同的设备实时性能评估系统，其特征在于，所述第一尺度编码单元，进一步用于：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述一维特征向量进行一维卷积编码以得到第一尺度参数关联特征向量；
其中，所述公式为：
Figure FDA0004128596740000021
其中，a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，X表示所述一维特征向量。
3.根据权利要求2所述的基于多维数据协同的设备实时性能评估系统，其特征在于，所述第二尺度编码单元，进一步用于：使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述一维特征向量进行一维卷积编码以得到第二尺度参数关联特征向量；
其中，所述公式为：
Figure FDA0004128596740000022
其中，b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，X表示所述一维特征向量。
4.根据权利要求3所述的基于多维数据协同的设备实时性能评估系统，其特征在于，所述第一卷积层的一维卷积核的长度为两个所述参数语义特征向量的长度之和，所述第二卷积层的一维卷积核的长度为三个所述参数语义特征向量的长度之和。
5.根据权利要求4所述的基于多维数据协同的设备实时性能评估系统，其特征在于，所述特征融合模块，包括：
优化单元，用于对所述参数全局语义特征向量进行基于所述参数语义局部关联特征向量和所述多尺度参数关联特征向量的注意力导向的分层深度联立优化以得到优化参数全局语义特征向量；以及
融合单元，用于计算所述优化参数全局语义特征向量、所述参数语义局部关联特征向量和所述多尺度参数关联特征向量的按位置加权和以得到所述分类特征向量。
6.根据权利要求5所述的基于多维数据协同的设备实时性能评估系统，其特征在于，所述优化单元，进一步用于：如下公式对所述参数全局语义特征向量进行基于所述参数语义局部关联特征向量和所述多尺度参数关联特征向量的注意力导向的分层深度联立优化以得到优化参数全局语义特征向量；
其中，所述公式为：
Figure FDA0004128596740000031
其中，V1是所述参数全局语义特征向量，V2是所述参数语义局部关联特征向量，V3是所述多尺度参数关联特征向量，v2i和v3i是所述参数语义局部关联特征向量和所述多尺度参数关联特征向量的每个位置的特征值，
Figure FDA0004128596740000032
和
Figure FDA0004128596740000033
是所述参数语义局部关联特征向量和所述多尺度参数关联特征向量的特征值的全局均值，L是所述参数语义局部关联特征向量和所述多尺度参数关联特征向量的长度，且V'1是所述优化参数全局语义特征向量。
7.根据权利要求6所述的基于多维数据协同的设备实时性能评估系统，其特征在于，所述评估结果生成模块，进一步用于：使用所述分类器以如下公式对所述分类特征向量进行处理以得到所述分类结果；
其中，所述公式为：
Figure FDA0004128596740000041
其中，O为所述分类结果，Wi和bi为第i个分类对应的权重和偏置矩阵。
8.一种基于多维数据协同的设备实时性能评估方法，其特征在于，包括：
获取待评估设备的多项参数，所述多项参数包括电气参数、润滑参数、工艺参数、机械参数和老化参数；
将所述待评估设备的多项参数通过基于转换器的上下文编码器以得到多个参数语义特征向量；
将所述多个参数语义特征向量进行级联以得到参数全局语义特征向量；
将所述多个参数语义特征向量进行二维排列为特征矩阵后通过作为过滤器的卷积神经网络模型以得到参数语义局部关联特征向量；
将所述多个参数语义特征向量排列为一维特征向量后通过多尺度邻域特征提取模块以得到多尺度参数关联特征向量；
融合所述参数全局语义特征向量、所述参数语义局部关联特征向量和所述多尺度参数关联特征向量以得到分类特征向量；以及
将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待评估设备的健康指数等级标签；
其中，将所述待评估设备的多项参数通过基于转换器的上下文编码器以得到多个参数语义特征向量，包括：
使用所述上下文编码器的嵌入层将所述待评估设备的多项参数转化为嵌入向量以得到嵌入向量的序列；以及
使用所述上下文编码器的基于转换器的Bert模型对所述嵌入向量的序列进行基于全局的上下文语义编码以得到多个参数语义特征向量，一个参数对应于一个参数语义特征向量；
其中，将所述多个参数语义特征向量排列为一维特征向量后通过多尺度邻域特征提取模块以得到多尺度参数关联特征向量，包括：
使用所述多尺度邻域特征提取模块的第一卷积层以具有第一尺度的一维卷积核对所述一维特征向量进行一维卷积编码以得到第一尺度参数关联特征向量；
使用所述多尺度邻域特征提取模块的第二卷积层以具有第二尺度的一维卷积核对所述一维特征向量进行一维卷积编码以得到第二尺度参数关联特征向量；以及
将所述第一尺度参数关联特征向量和所述第二尺度参数关联特征向量进行级联以得到所述多尺度参数关联特征向量。
CN202211167135.8A 2022-09-23 2022-09-23 基于多维数据协同的设备实时性能评估系统及其方法 Active CN115564203B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211167135.8A CN115564203B (zh) 2022-09-23 2022-09-23 基于多维数据协同的设备实时性能评估系统及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211167135.8A CN115564203B (zh) 2022-09-23 2022-09-23 基于多维数据协同的设备实时性能评估系统及其方法

Publications (2)

Publication Number Publication Date
CN115564203A CN115564203A (zh) 2023-01-03
CN115564203B true CN115564203B (zh) 2023-04-25

Family

ID=84743349

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211167135.8A Active CN115564203B (zh) 2022-09-23 2022-09-23 基于多维数据协同的设备实时性能评估系统及其方法

Country Status (1)

Country Link
CN (1) CN115564203B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115708716B (zh) * 2023-01-10 2023-04-25 杭州糖吉医疗科技有限公司 超声共振自控温热消融支架及其方法
CN116561696B (zh) * 2023-01-11 2024-04-16 上海合煌能源科技有限公司 基于多维度的用户可调节负荷快速聚合方法及其系统
CN116029520B (zh) * 2023-01-13 2023-10-27 上海合煌能源科技有限公司 基于电力需求响应的在线调度方法及其系统
CN116026528A (zh) * 2023-01-14 2023-04-28 慈溪市远辉照明电器有限公司 一种高防水安全型三防灯
CN116307487B (zh) * 2023-02-01 2024-03-19 浙江曼克斯缝纫机股份有限公司 基于电网新能源节能利用的新能源车充电管理系统及方法
CN115796173B (zh) * 2023-02-20 2023-04-28 杭银消费金融股份有限公司 针对监管报送需求的数据处理方法和系统
CN116127019B (zh) * 2023-03-07 2024-06-11 杭州国辰智企科技有限公司 动态参数与可视化模型生成web 2d自动建模引擎系统
CN115964360B (zh) * 2023-03-14 2023-05-16 山东省地震工程研究院 地震安全性评价数据库建设方法及其系统
CN116003126B (zh) * 2023-03-22 2023-06-20 珠海和泽科技有限公司 静电吸盘表面陶瓷材料的制备方法及其系统
CN116431004B (zh) * 2023-06-01 2023-08-29 山东协和学院 康复机器人交互行为的控制方法及系统
CN117215766A (zh) * 2023-06-26 2023-12-12 杭州喜倍科技有限公司 多媒体智能调度机及其方法
CN117034123B (zh) * 2023-08-28 2024-05-07 定州市云领域体育用品有限公司 健身器材的故障监控系统及其方法
CN116864140A (zh) * 2023-09-05 2023-10-10 天津市胸科医院 一种心内科术后护理监测数据处理方法及其系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113486744A (zh) * 2021-06-24 2021-10-08 中国科学院西安光学精密机械研究所 基于眼动和人脸表情范式的学生学习状态评估系统及方法
CN113870259A (zh) * 2021-12-02 2021-12-31 天津御锦人工智能医疗科技有限公司 多模态医学数据融合的评估方法、装置、设备及存储介质
CN113935562A (zh) * 2020-07-14 2022-01-14 东南大学 一种电力设备健康状况智能评级与自动预警方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11327475B2 (en) * 2016-05-09 2022-05-10 Strong Force Iot Portfolio 2016, Llc Methods and systems for intelligent collection and analysis of vehicle data
CN112000819B (zh) * 2019-05-27 2023-07-11 北京达佳互联信息技术有限公司 多媒体资源推荐方法、装置、电子设备及存储介质
CN112561251B (zh) * 2020-11-30 2022-10-25 广东电网有限责任公司广州供电局 配电网异常点检测方法、装置、计算机设备及存储介质
CN113988518A (zh) * 2021-09-27 2022-01-28 国网河北省电力有限公司雄安新区供电公司 用于多源信息融合分析的配网设备健康诊断方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113935562A (zh) * 2020-07-14 2022-01-14 东南大学 一种电力设备健康状况智能评级与自动预警方法
CN113486744A (zh) * 2021-06-24 2021-10-08 中国科学院西安光学精密机械研究所 基于眼动和人脸表情范式的学生学习状态评估系统及方法
CN113870259A (zh) * 2021-12-02 2021-12-31 天津御锦人工智能医疗科技有限公司 多模态医学数据融合的评估方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN115564203A (zh) 2023-01-03

Similar Documents

Publication Publication Date Title
CN115564203B (zh) 基于多维数据协同的设备实时性能评估系统及其方法
CN113887136B (zh) 一种基于改进GAN和ResNet的电动汽车电机轴承故障诊断方法
CN111651474B (zh) 一种自然语言至结构化查询语言的转换方法及系统
CN113159546B (zh) 无监督降维密度聚类的农作物供应链危害物风险判断方法及系统
CN113315789B (zh) 一种基于多级联合网络的Web攻击检测方法及系统
CN112836604A (zh) 一种基于vmd-ssae的滚动轴承故障诊断分类方法、系统、设备及其存储介质
CN104460654A (zh) 一种基于量化特征关系的不完备故障诊断规则提取方法
CN113343581B (zh) 基于图马尔可夫神经网络的变压器故障的诊断方法
CN113032525A (zh) 虚假新闻检测方法、装置、电子设备以及存储介质
CN115791174B (zh) 一种滚动轴承异常诊断方法、系统、电子设备及存储介质
CN113342784A (zh) 一种电网主变设备风险评估的数据库设计方法
CN117076935B (zh) 数字孪生辅助的机械故障数据轻量级生成方法及系统
CN113435759A (zh) 一种基于深度学习的一次设备风险智能评估方法
CN114169091A (zh) 工程机械部件剩余寿命的预测模型建立方法及预测方法
CN113505531B (zh) 基于结合传统诊断与机器学习方法且针对往复机械气门间隙异常故障的诊断模型构建方法
CN117076991B (zh) 治污设备用电异常监测方法、装置及计算机设备
CN117034123B (zh) 健身器材的故障监控系统及其方法
CN117036732B (zh) 一种基于融合模型的机电设备检测系统、方法及设备
CN117056902A (zh) 物联网密码管理方法及系统
CN115456176B (zh) 一种基于知识增强的文本匹配方法及系统
CN115796843A (zh) 一种电力变压器的运维策略生成方法及相关装置
CN117079005A (zh) 一种光缆故障监测方法、系统、装置及可读存储介质
CN116124448A (zh) 用于风电齿轮箱的故障诊断系统及其方法
CN116486185A (zh) 油井工况识别方法、装置、设备和存储介质
CN113159164A (zh) 基于分布式的工业互联网设备协同作业方法

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