CN115586757A - 机械设备的智能控制系统及其方法 - Google Patents
机械设备的智能控制系统及其方法 Download PDFInfo
- Publication number
- CN115586757A CN115586757A CN202211397378.0A CN202211397378A CN115586757A CN 115586757 A CN115586757 A CN 115586757A CN 202211397378 A CN202211397378 A CN 202211397378A CN 115586757 A CN115586757 A CN 115586757A
- Authority
- CN
- China
- Prior art keywords
- working state
- feature
- training
- matrix
- transmission
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 239000013598 vector Substances 0.000 claims abstract description 253
- 239000011159 matrix material Substances 0.000 claims abstract description 193
- 230000005540 biological transmission Effects 0.000 claims abstract description 186
- 238000000605 extraction Methods 0.000 claims abstract description 75
- 238000003062 neural network model Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims description 137
- 238000013527 convolutional neural network Methods 0.000 claims description 40
- 238000004519 manufacturing process Methods 0.000 claims description 30
- 238000009826 distribution Methods 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 18
- 238000010276 construction Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 32
- 238000001514 detection method Methods 0.000 description 12
- 239000003638 chemical reducing agent Substances 0.000 description 11
- 238000010586 diagram Methods 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003754 machining Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013467 fragmentation Methods 0.000 description 2
- 238000006062 fragmentation reaction Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000000547 structure data Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/34—Director, elements to supervisory
- G05B2219/34457—Emit alarm signal
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本申请公开了一种机械设备的智能控制系统及其方法,其首先将获取的多个机械设备在预定时间段内多个预定时间点的工作状态数据排列为工作状态输入向量后通过多尺度邻域特征提取模块以得到多个工作状态特征向量,然后,将构造的所述多个机械设备的传动拓扑矩阵通过卷积神经网络模型以得到传动拓扑特征矩阵,接着,将所述多个工作状态特征向量进行二维矩阵化得到的全局工作状态特征矩阵和所述传动拓扑特征矩阵通过图神经网络模型以得到传动拓扑全局工作状态特征矩阵,最后,从所述传动拓扑全局工作状态特征矩阵提取分类特征向量并通过分类器以得到用于表示待控制机械设备是否存在故障的分类结果。这样,可以对于机械设备的工作状态进行实时监控和控制和控制。
Description
技术领域
本申请涉及智能控制技术领域,且更为具体地,涉及一种机械设备的智能控制系统及其方法。
背景技术
针齿壳是精密圆理减速器中的关键零件,针齿壳的加工质量很大程度决定了减速器的综合性能。精密圆理减速器作为精密减速器,对针齿壳的加工精度和质量稳定性有很高的要求。传统的减速器零部件生产方式是通过人工作业来完成,这样不仅费时费力,而且工序间无法连续衔接,导致针齿壳的加工精度较低,致使最后生产出的减速器性能达不到应有要求。
近年来,随着机械自动化技术的不断发展,工业上通过多个机械设备协同工作来进行减速器零部件的加工生产。但是,由于减速器零部件的生产流水线中会存在多台机械设备协同进行工作,多台机械设备中难免会出现设备故障。
目前,对于监控机械设备的工作状态在生产中非常重要,尤其是多台设备同时协调工作时。生产中如果一台设备出现故障但是其他协调工作的电气设备仍在正常运行,可能导致生产产品质量不过关,甚至生产设备损坏、生产线瘫痪,给企业带来不可挽回的损失。
因此,期望一种机械设备的智能控制系统,其能够对于机械设备的工作状态进行实时监控,以对于存在故障的机械设备产生预警控制。
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机械设备的智能控制系统及其方法。其首先将获取的多个机械设备在预定时间段内多个预定时间点的工作状态数据排列为工作状态输入向量后通过多尺度邻域特征提取模块以得到多个工作状态特征向量,然后,将构造的所述多个机械设备的传动拓扑矩阵通过卷积神经网络模型以得到传动拓扑特征矩阵,接着,将所述多个工作状态特征向量进行二维矩阵化得到的全局工作状态特征矩阵和所述传动拓扑特征矩阵通过图神经网络模型以得到传动拓扑全局工作状态特征矩阵,最后,从所述传动拓扑全局工作状态特征矩阵提取分类特征向量并通过分类器以得到用于表示待控制机械设备是否存在故障的分类结果。这样,可以对于机械设备的工作状态进行实时监控和控制。
根据本申请的一个方面,提供了一种机械设备的智能控制系统,其包括:
工作状态数据采集单元,用于获取生产线中多个机械设备在预定时间段内多个预定时间点的工作状态数据;
工作状态数据编码单元,用于将所述各个机械设备在预定时间段内多个预定时间点的工作状态数据分别按照时间维度排列为工作状态输入向量后通过多尺度邻域特征提取模块以得到多个工作状态特征向量;
传动拓扑构造单元,用于构造所述多个机械设备的传动拓扑矩阵,所述传动拓扑矩阵中非对角线位置上各个位置的值用于表示两个机械设备之间的传动关系;
传动拓扑特征提取单元,用于将所述传动拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到传动拓扑特征矩阵;
全局化单元,用于将所述多个工作状态特征向量进行二维矩阵化以得到全局工作状态特征矩阵;
图数据编码单元,用于将所述全局工作状态特征矩阵和所述传动拓扑特征矩阵通过图神经网络模型以得到传动拓扑全局工作状态特征矩阵;
待控制对象提取单元,用于从所述传动拓扑全局工作状态特征矩阵提取待控制机械设备对应的行向量作为分类特征向量;以及
智能控制结果生成单元,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控制机械设备是否存在故障。
在上述的机械设备的智能控制系统中,所述工作状态数据编码单元,包括:
第一尺度特征提取子单元,用于使用所述多尺度邻域特征提取模块的第一卷积层对所述工作状态输入向量进行一维卷积编码以得到第一尺度多个工作状态特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;
第二尺度特征提取子单元,用于使用所述多尺度邻域特征提取模块的第二卷积层对所述工作状态输入向量进行一维卷积编码以得到第二尺度多个工作状态特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;以及
多尺度级联子单元,用于使用所述多尺度邻域特征提取模块的级联层将所述第一尺度多个工作状态特征向量和所述第二尺度多个工作状态特征向量进行级联以得到所述多个工作状态特征向量。
在上述的机械设备的智能控制系统中,所述第一尺度特征提取子单元,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对所述工作状态输入向量进行一维卷积编码以得到所述第一尺度多个工作状态特征向量;
其中,所述公式为:
其中,a为第一一维卷积核在x方向上的宽度、F(a)为第一一维卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵,w为第一一维卷积核的尺寸,X表示所述工作状态输入向量。
在上述的机械设备的智能控制系统中,所述第二尺度特征提取子单元,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对所述工作状态输入向量进行一维卷积编码以得到所述第二尺度多个工作状态特征向量;
其中,所述公式为:
其中,b为第二一维卷积核在x方向上的宽度、F(b)为第二一维卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵,m为第二一维卷积核的尺寸,X表示所述工作状态输入向量。
在上述的机械设备的智能控制系统中,所述传动拓扑特征提取单元,进一步用于:使用作为特征提取器的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二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层输出所述传动拓扑特征矩阵,其中,所述作为特征提取器的卷积神经网络模型的第一层的输入为所述传动拓扑矩阵。
在上述的机械设备的智能控制系统中,所述智能控制结果生成单元,进一步用于:
使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;
将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
在上述的机械设备的智能控制系统中,还包括用于对所述多尺度邻域特征提取模块、所述作为特征提取器的卷积神经网络模型、所述图神经网络模型和所述分类器进行训练的训练模块。
在上述的机械设备的智能控制系统中,所述训练模块,包括:
训练数据获取单元,用于获取训练数据,所述训练数据包括所述生产线中多个机械设备在预定时间段内多个预定时间点的训练工作状态数据,以及,所述待控制机械设备是否存在故障的真实值;
训练工作状态数据编码单元,用于将所述各个机械设备在预定时间段内多个预定时间点的训练工作状态数据分别按照时间维度排列为训练工作状态输入向量后通过所述多尺度邻域特征提取模块以得到多个训练工作状态特征向量;
训练传动拓扑构造单元,用于构造所述多个机械设备的训练传动拓扑矩阵,所述传动拓扑矩阵中非对角线位置上各个位置的值用于表示两个机械设备之间的传动关系;
训练传动拓扑特征提取单元,用于将所述训练传动拓扑矩阵通过所述作为特征提取器的卷积神经网络模型以得到训练传动拓扑特征矩阵;
训练全局化单元,用于将所述多个训练工作状态特征向量进行二维矩阵化以得到训练全局工作状态特征矩阵;
训练图数据编码单元,用于将所述训练全局工作状态特征矩阵和所述训练传动拓扑特征矩阵通过所述图神经网络模型以得到训练传动拓扑全局工作状态特征矩阵;
训练待控制对象提取单元,用于从所述训练传动拓扑全局工作状态特征矩阵提取所述待控制机械设备对应的行向量作为训练分类特征向量;
分类损失单元,用于将所述训练分类特征向量通过所述分类器以得到分类损失函数值;
多分布二元分类质量损失单元,用于基于所述多个训练工作状态特征向量中的各个训练工作状态特征向量,计算多分布二元分类质量损失函数值;以及
训练单元,用于计算所述分类损失函数值和所述多分布二元分类质量损失函数值的加权和作为损失函数值来对所述多尺度邻域特征提取模块、所述作为特征提取器的卷积神经网络模型、所述图神经网络模型和所述分类器进行训练。
在上述的机械设备的智能控制系统中,所述多分布二元分类质量损失单元,进一步用于:基于所述多个训练工作状态特征向量中的各个训练工作状态特征向量,以如下公式计算所述多分布二元分类质量损失函数值;
其中,所述公式为:
根据本申请的另一个方面,提供了一种机械设备的智能控制方法,其包括:
获取生产线中多个机械设备在预定时间段内多个预定时间点的工作状态数据;
将所述各个机械设备在预定时间段内多个预定时间点的工作状态数据分别按照时间维度排列为工作状态输入向量后通过多尺度邻域特征提取模块以得到多个工作状态特征向量;
构造所述多个机械设备的传动拓扑矩阵,所述传动拓扑矩阵中非对角线位置上各个位置的值用于表示两个机械设备之间的传动关系;
将所述传动拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到传动拓扑特征矩阵;
将所述多个工作状态特征向量进行二维矩阵化以得到全局工作状态特征矩阵;
将所述全局工作状态特征矩阵和所述传动拓扑特征矩阵通过图神经网络模型以得到传动拓扑全局工作状态特征矩阵;
从所述传动拓扑全局工作状态特征矩阵提取待控制机械设备对应的行向量作为分类特征向量;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控制机械设备是否存在故障。
与现有技术相比,本申请提供的一种机械设备的智能控制系统及其方法,其首先将获取的多个机械设备在预定时间段内多个预定时间点的工作状态数据排列为工作状态输入向量后通过多尺度邻域特征提取模块以得到多个工作状态特征向量,然后,将构造的所述多个机械设备的传动拓扑矩阵通过卷积神经网络模型以得到传动拓扑特征矩阵,接着,将所述多个工作状态特征向量进行二维矩阵化得到的全局工作状态特征矩阵和所述传动拓扑特征矩阵通过图神经网络模型以得到传动拓扑全局工作状态特征矩阵,最后,从所述传动拓扑全局工作状态特征矩阵提取分类特征向量并通过分类器以得到用于表示待控制机械设备是否存在故障的分类结果。这样,可以对于机械设备的工作状态进行实时监控和控制。
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为根据本申请实施例的机械设备的智能控制系统的应用场景图。
图2为根据本申请实施例的机械设备的智能控制系统的框图示意图。
图3为根据本申请实施例的机械设备的智能控制系统中的所述工作状态数据编码单元的框图示意图。
图4为根据本申请实施例的机械设备的智能控制系统中进一步包括的训练模块的框图示意图。
图5为根据本申请实施例的机械设备的智能控制方法的流程图。
图6为根据本申请实施例的机械设备的智能控制方法的系统架构的示意图。
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,随着机械自动化技术的不断发展,工业上通过多个机械设备协同工作来进行减速器零部件的加工生产。但是,由于减速器零部件的生产流水线中会存在多台机械设备协同进行工作,多台机械设备中难免会出现设备故障。
目前,对于监控机械设备的工作状态在生产中非常重要,尤其是多台设备同时协调工作时。生产中如果一台设备出现故障但是其他协调工作的电气设备仍在正常运行,可能导致生产产品质量不过关,甚至生产设备损坏、生产线瘫痪,给企业带来不可挽回的损失。因此,期望一种机械设备的智能控制系统,其能够对于机械设备的工作状态进行实时监控,以对于存在故障的机械设备产生预警控制。
目前,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、语音信号处理等领域。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。
近年来,深度学习以及神经网络的发展为机械设备的智能监控提供了新的解决思路和方案。
相应地,由于目前减速器零部件的加工生产是通过多台设备同时协调进行工作的,因此,在进行故障检测时需要对于所有的机械设备的工作状态进行监控。但是,在故障检测的过程中,由于各个机械设备之间具有着关联性的协同工作特征,并且每个机械设备在不同时间下的工作状态也具有着不同的关联特征信息,这会给机械设备的故障判断带来困难。基于此,在本申请的技术方案中,采用基于深度学习的人工智能检测技术,以对于所述多个机械设备中的各个机械设备在不同时间跨度下的工作状态特征进行多尺度的动态特征提取,并基于所述各个机械设备的传动逻辑拓扑特征来加强各个设备的工作状态特征表达,以在关注到所述各个机械设备的工作状态在时间维度上的动态变化特征和所述各个设备之间的传动逻辑关联特征的基础上来综合进行机械设备的故障检测。这样,能够对于机械设备的工作状态进行实时监控,以准确地进行机械设备的故障检测,进而对于存在故障的机械设备产生预警提示控制。
具体地,在本申请的技术方案中,首先,获取生产线中多个机械设备在预定时间段内多个预定时间点的工作状态数据。特别地,这里,如果设备处于关闭状态,则所述工作状态数据为零,如果设备处于运行状态,则所述工作状态数据为功率值。接着,考虑到所述多个机械设备中的各个机械设备在不同的时间周期跨度下具有着不同的工作状态特征,因此,为了能够更为精准地提取出所述各个机械设备的工作状态动态变化特征,在本申请的技术方案中,将所述各个机械设备在预定时间段内多个预定时间点的工作状态数据分别按照时间维度排列为工作状态输入向量后,将其通过多尺度邻域特征提取模块中进行编码,以提取出所述各个机械设备的工作状态在不同时间跨度下的动态多尺度邻域关联特征,从而得到多个工作状态特征向量。
然后,考虑到所述各个机械设备之间是通过协同的方式来完成减速零部件的制造,因此,各个机械设备之间存在着隐藏的关联性特征,若在对于设备的故障检测中融入这种关联特征信息,显然能够提高故障检测的精准度。因此,在本申请的技术方案中,进一步构造所述多个机械设备的传动拓扑矩阵。特别地,所述传动拓扑矩阵中非对角线位置上各个位置的值用于表示两个机械设备之间的传动关系,如果存在传动关系,则位置值为1,如果不存在则位置值为0。接着,再将所述传动拓扑矩阵通过作为特征提取器的卷积神经网络模型中进行关联特征挖掘,以提取出所述传动拓扑矩阵中的各个位置间的隐藏关联特征,即所述各个设备的传动拓扑特征信息,从而得到传动拓扑特征矩阵。
进一步地,以所述各个设备的工作状态特征向量作为节点的特征表示,而以所述传动拓扑特征矩阵作为节点与节点之间的边的特征表示,将由所述多个设备工作状态特征向量经二维矩阵化排列得到的全局工作状态特征矩阵和所述传动拓扑特征矩阵通过图神经网络以得到传动拓扑全局工作状态特征矩阵。具体地,所述图神经网络通过可学习的神经网络参数对所述全局工作状态特征矩阵和所述传动拓扑特征矩阵进行图结构数据编码以得到包含不规则的传动逻辑拓扑特征和各个设备的工作状态动态特征信息的所述传动拓扑全局工作状态特征矩阵。
接着,在对于待控制机械设备的故障进行检测时,进一步从所述传动拓扑全局工作状态特征矩阵提取所述待控制机械设备对应的行向量作为分类特征向量,以此来通过分类器中进行分类处理以得到用于表示待控制机械设备是否存在故障的分类结果。这样,能够对于所述待控制机械设备是否存在故障进行准确地检测,进而对于存在故障的机械设备产生预警提示控制。
特别地,在本申请的技术方案中,将所述多个工作状态特征向量进行二维矩阵化以得到全局工作状态特征矩阵时,由于每个工作状态特征向量都是单个设备在预定时间段内多个预定时间点的工作状态值的时序多尺度关联分布的表达,因此,期望提升所述多个工作状态特征向量之间的分布关联度,以提升全局工作状态特征矩阵的整体特征表达能力。
通常,可以通过对每个工作状态特征向量设置权重来解决,但是,由于权重需要作为超参数通过训练得到,这将增加模型的训练负担。因此,本申请的申请人引入了针对所述多个工作状态特征向量的多分布二元分类质量损失函数,表示为:
这里,为了避免每个工作状态特征向量在二维矩阵化之后进行的多分布分类时由于各个特征分布对应的决策边界的过度碎片化而使得向着目标类别域的收敛困难,通过对于每个工作状态特征向量的特征分布的基于预定标签的二元分类的全局偏移类概率信息取平均的方式,可以预测每个工作状态特征向量的特征分布相对于所述全局工作状态特征矩阵的全局特征分布的连续性质量因数以作为损失函数。这样,通过以此对模型进行训练,就可以将超参数在训练中的优化从反向传播转换为基于多二元分类的分类问题,并改进所述全局工作状态特征矩阵的整体特征表达能力,进而提高分类的准确性。这样,能够对于机械设备的故障进行准确地检测,以在检测出存在设备故障时产生预警提示控制。
基于此,本申请提供了一种机械设备的智能控制系统,其包括:工作状态数据采集单元,用于获取生产线中多个机械设备在预定时间段内多个预定时间点的工作状态数据;工作状态数据编码单元,用于将所述各个机械设备在预定时间段内多个预定时间点的工作状态数据分别按照时间维度排列为工作状态输入向量后通过多尺度邻域特征提取模块以得到多个工作状态特征向量;传动拓扑构造单元,用于构造所述多个机械设备的传动拓扑矩阵,所述传动拓扑矩阵中非对角线位置上各个位置的值用于表示两个机械设备之间的传动关系;传动拓扑特征提取单元,用于将所述传动拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到传动拓扑特征矩阵;全局化单元,用于将所述多个工作状态特征向量进行二维矩阵化以得到全局工作状态特征矩阵;图数据编码单元,用于将所述全局工作状态特征矩阵和所述传动拓扑特征矩阵通过图神经网络模型以得到传动拓扑全局工作状态特征矩阵;待控制对象提取单元,用于从所述传动拓扑全局工作状态特征矩阵提取待控制机械设备对应的行向量作为分类特征向量;以及,智能控制结果生成单元,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控制机械设备是否存在故障。
图1为根据本申请实施例的机械设备的智能控制系统的应用场景图。如图1所示,在该应用场景中,获取生产线中多个机械设备(例如,如图1中所示意的F)在预定时间段内多个预定时间点的工作状态数据(例如,如图1中所示意的D),然后,将获取的各个机械设备在预定时间段内多个预定时间点的工作状态数据输入至部署有机械设备的智能控制算法的服务器中(例如,图1中所示意的S),其中,所述服务器能够使用所述机械设备的智能控制算法对所述各个机械设备在预定时间段内多个预定时间点的工作状态数据进行处理以生成用于表示待控制机械设备是否存在故障的分类结果。
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2为根据本申请实施例的机械设备的智能控制系统的框图示意图。如图2所示,根据本申请实施例的机械设备的智能控制系统100,包括:工作状态数据采集单元110,用于获取生产线中多个机械设备在预定时间段内多个预定时间点的工作状态数据;工作状态数据编码单元120,用于将所述各个机械设备在预定时间段内多个预定时间点的工作状态数据分别按照时间维度排列为工作状态输入向量后通过多尺度邻域特征提取模块以得到多个工作状态特征向量;传动拓扑构造单元130,用于构造所述多个机械设备的传动拓扑矩阵,所述传动拓扑矩阵中非对角线位置上各个位置的值用于表示两个机械设备之间的传动关系;传动拓扑特征提取单元140,用于将所述传动拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到传动拓扑特征矩阵;全局化单元150,用于将所述多个工作状态特征向量进行二维矩阵化以得到全局工作状态特征矩阵;图数据编码单元160,用于将所述全局工作状态特征矩阵和所述传动拓扑特征矩阵通过图神经网络模型以得到传动拓扑全局工作状态特征矩阵;待控制对象提取单元170,用于从所述传动拓扑全局工作状态特征矩阵提取待控制机械设备对应的行向量作为分类特征向量;以及,智能控制结果生成单元180,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控制机械设备是否存在故障。
更具体地,在本申请实施例中,所述工作状态数据采集单元110,用于获取生产线中多个机械设备在预定时间段内多个预定时间点的工作状态数据。特别地,这里,如果设备处于关闭状态,则所述工作状态数据为零,如果设备处于运行状态,则所述工作状态数据为功率值。
更具体地,在本申请实施例中,所述工作状态数据编码单元120,用于将所述各个机械设备在预定时间段内多个预定时间点的工作状态数据分别按照时间维度排列为工作状态输入向量后通过多尺度邻域特征提取模块以得到多个工作状态特征向量。考虑到所述多个机械设备中的各个机械设备在不同的时间周期跨度下具有着不同的工作状态特征,因此,为了能够更为精准地提取出所述各个机械设备的工作状态动态变化特征,在本申请的技术方案中,将所述各个机械设备在预定时间段内多个预定时间点的工作状态数据分别按照时间维度排列为工作状态输入向量后,将其通过多尺度邻域特征提取模块中进行编码,以提取出所述各个机械设备的工作状态在不同时间跨度下的动态多尺度邻域关联特征,从而得到多个工作状态特征向量。
相应地,在一个具体示例中,如图3所示,所述工作状态数据编码单元120,包括:第一尺度特征提取子单元121,用于使用所述多尺度邻域特征提取模块的第一卷积层对所述工作状态输入向量进行一维卷积编码以得到第一尺度多个工作状态特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;第二尺度特征提取子单元122,用于使用所述多尺度邻域特征提取模块的第二卷积层对所述工作状态输入向量进行一维卷积编码以得到第二尺度多个工作状态特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;以及,多尺度级联子单元123,用于使用所述多尺度邻域特征提取模块的级联层将所述第一尺度多个工作状态特征向量和所述第二尺度多个工作状态特征向量进行级联以得到所述多个工作状态特征向量。
相应地,在一个具体示例中,所述第一尺度特征提取子单元121,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对所述工作状态输入向量进行一维卷积编码以得到所述第一尺度多个工作状态特征向量;其中,所述公式为:
其中,a为第一一维卷积核在x方向上的宽度、F(a)为第一一维卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵,w为第一一维卷积核的尺寸,X表示所述工作状态输入向量。
相应地,在一个具体示例中,所述第二尺度特征提取子单元122,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对所述工作状态输入向量进行一维卷积编码以得到所述第二尺度多个工作状态特征向量;其中,所述公式为:
其中,b为第二一维卷积核在x方向上的宽度、F(b)为第二一维卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵,m为第二一维卷积核的尺寸,X表示所述工作状态输入向量。
考虑到所述各个机械设备之间是通过协同的方式来完成减速零部件的制造,因此,各个机械设备之间存在着隐藏的关联性特征,若在对于设备的故障检测中融入这种关联特征信息,显然能够提高故障检测的精准度。因此,在本申请的技术方案中,进一步构造所述多个机械设备的传动拓扑矩阵。
更具体地,在本申请实施例中,所述传动拓扑构造单元130,用于构造所述多个机械设备的传动拓扑矩阵,所述传动拓扑矩阵中非对角线位置上各个位置的值用于表示两个机械设备之间的传动关系。特别地,所述传动拓扑矩阵中非对角线位置上各个位置的值用于表示两个机械设备之间的传动关系,如果存在传动关系,则位置值为1,如果不存在则位置值为0。
更具体地,在本申请实施例中,所述传动拓扑特征提取单元140,用于将所述传动拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到传动拓扑特征矩阵。
相应地,在一个具体示例中,所述传动拓扑特征提取单元140,进一步用于:使用作为特征提取器的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二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层输出所述传动拓扑特征矩阵,其中,所述作为特征提取器的卷积神经网络模型的第一层的输入为所述传动拓扑矩阵。将所述传动拓扑矩阵通过作为特征提取器的卷积神经网络模型中进行关联特征挖掘,可以提取出所述传动拓扑矩阵中的各个位置间的隐藏关联特征,即所述各个设备的传动拓扑特征信息,从而得到传动拓扑特征矩阵。
更具体地,在本申请实施例中,所述全局化单元150,用于将所述多个工作状态特征向量进行二维矩阵化以得到全局工作状态特征矩阵。以所述各个设备的工作状态特征向量作为节点的特征表示,而以所述传动拓扑特征矩阵作为节点与节点之间的边的特征表示,将由所述多个设备工作状态特征向量经二维矩阵化排列得到的全局工作状态特征矩阵。
更具体地,在本申请实施例中,所述图数据编码单元160,用于将所述全局工作状态特征矩阵和所述传动拓扑特征矩阵通过图神经网络模型以得到传动拓扑全局工作状态特征矩阵。具体地,所述图神经网络通过可学习的神经网络参数对所述全局工作状态特征矩阵和所述传动拓扑特征矩阵进行图结构数据编码以得到包含不规则的传动逻辑拓扑特征和各个设备的工作状态动态特征信息的所述传动拓扑全局工作状态特征矩阵。
更具体地,在本申请实施例中,所述待控制对象提取单元170,用于从所述传动拓扑全局工作状态特征矩阵提取待控制机械设备对应的行向量作为分类特征向量。
在对于待控制机械设备的故障进行检测时,进一步从所述传动拓扑全局工作状态特征矩阵提取所述待控制机械设备对应的行向量作为分类特征向量,以此来通过分类器中进行分类处理以得到用于表示待控制机械设备是否存在故障的分类结果。这样,能够对于所述待控制机械设备是否存在故障进行准确地检测,进而对于存在故障的机械设备产生预警提示控制。
更具体地,在本申请实施例中,所述智能控制结果生成单元180,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控制机械设备是否存在故障。
相应地,在一个具体示例中,所述智能控制结果生成单元180,进一步用于:使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
相应地,在一个具体示例中,所述机械设备的智能控制系统100,还包括用于对所述多尺度邻域特征提取模块、所述作为特征提取器的卷积神经网络模型、所述图神经网络模型和所述分类器进行训练的训练模块200。
相应地,在一个具体示例中,如图4所示,所述训练模块200,包括:训练数据获取单元201,用于获取训练数据,所述训练数据包括所述生产线中多个机械设备在预定时间段内多个预定时间点的训练工作状态数据,以及,所述待控制机械设备是否存在故障的真实值;训练工作状态数据编码单元202,用于将所述各个机械设备在预定时间段内多个预定时间点的训练工作状态数据分别按照时间维度排列为训练工作状态输入向量后通过所述多尺度邻域特征提取模块以得到多个训练工作状态特征向量;训练传动拓扑构造单元203,用于构造所述多个机械设备的训练传动拓扑矩阵,所述传动拓扑矩阵中非对角线位置上各个位置的值用于表示两个机械设备之间的传动关系;训练传动拓扑特征提取单元204,用于将所述训练传动拓扑矩阵通过所述作为特征提取器的卷积神经网络模型以得到训练传动拓扑特征矩阵;训练全局化单元205,用于将所述多个训练工作状态特征向量进行二维矩阵化以得到训练全局工作状态特征矩阵;训练图数据编码单元206,用于将所述训练全局工作状态特征矩阵和所述训练传动拓扑特征矩阵通过所述图神经网络模型以得到训练传动拓扑全局工作状态特征矩阵;训练待控制对象提取单元207,用于从所述训练传动拓扑全局工作状态特征矩阵提取所述待控制机械设备对应的行向量作为训练分类特征向量;分类损失单元208,用于将所述训练分类特征向量通过所述分类器以得到分类损失函数值;多分布二元分类质量损失单元209,用于基于所述多个训练工作状态特征向量中的各个训练工作状态特征向量,计算多分布二元分类质量损失函数值;以及,训练单元210,用于计算所述分类损失函数值和所述多分布二元分类质量损失函数值的加权和作为损失函数值来对所述多尺度邻域特征提取模块、所述作为特征提取器的卷积神经网络模型、所述图神经网络模型和所述分类器进行训练。
特别地,在本申请的技术方案中,将所述多个工作状态特征向量进行二维矩阵化以得到全局工作状态特征矩阵时,由于每个工作状态特征向量都是单个设备在预定时间段内多个预定时间点的工作状态值的时序多尺度关联分布的表达,因此,期望提升所述多个工作状态特征向量之间的分布关联度,以提升全局工作状态特征矩阵的整体特征表达能力。通常,可以通过对每个工作状态特征向量设置权重来解决,但是,由于权重需要作为超参数通过训练得到,这将增加模型的训练负担。因此,本申请的申请人引入了针对所述多个工作状态特征向量的多分布二元分类质量损失函数。
相应地,在一个具体示例中,所述多分布二元分类质量损失单元209,进一步用于:基于所述多个训练工作状态特征向量中的各个训练工作状态特征向量,以如下公式计算所述多分布二元分类质量损失函数值;其中,所述公式为:
这里,为了避免每个工作状态特征向量在二维矩阵化之后进行的多分布分类时由于各个特征分布对应的决策边界的过度碎片化而使得向着目标类别域的收敛困难,通过对于每个工作状态特征向量的特征分布的基于预定标签的二元分类的全局偏移类概率信息取平均的方式,可以预测每个工作状态特征向量的特征分布相对于所述全局工作状态特征矩阵的全局特征分布的连续性质量因数以作为损失函数。这样,通过以此对模型进行训练,就可以将超参数在训练中的优化从反向传播转换为基于多二元分类的分类问题,并改进所述全局工作状态特征矩阵的整体特征表达能力,进而提高分类的准确性。这样,能够对于机械设备的故障进行准确地检测,以在检测出存在设备故障时产生预警提示控制。
综上,基于本申请实施例的机械设备的智能控制系统100被阐明,其首先将获取的多个机械设备在预定时间段内多个预定时间点的工作状态数据排列为工作状态输入向量后通过多尺度邻域特征提取模块以得到多个工作状态特征向量,然后,将构造的所述多个机械设备的传动拓扑矩阵通过卷积神经网络模型以得到传动拓扑特征矩阵,接着,将所述多个工作状态特征向量进行二维矩阵化得到的全局工作状态特征矩阵和所述传动拓扑特征矩阵通过图神经网络模型以得到传动拓扑全局工作状态特征矩阵,最后,从所述传动拓扑全局工作状态特征矩阵提取分类特征向量并通过分类器以得到用于表示待控制机械设备是否存在故障的分类结果。这样,可以对于机械设备的工作状态进行实时监控和控制。
如上所述,根据本申请实施例的所述机械设备的智能控制系统100可以实现在各种终端设备中,例如具有机械设备的智能控制算法的服务器等。在一个示例中,机械设备的智能控制系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该机械设备的智能控制系统100可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该机械设备的智能控制系统100同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该机械设备的智能控制系统100与该终端设备也可以是分立的设备,并且该机械设备的智能控制系统100可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
示例性方法
图5为根据本申请实施例的机械设备的智能控制方法的流程图。如图5所示,根据本申请实施例的机械设备的智能控制方法,其包括:S110,获取生产线中多个机械设备在预定时间段内多个预定时间点的工作状态数据;S120,将所述各个机械设备在预定时间段内多个预定时间点的工作状态数据分别按照时间维度排列为工作状态输入向量后通过多尺度邻域特征提取模块以得到多个工作状态特征向量;S130,构造所述多个机械设备的传动拓扑矩阵,所述传动拓扑矩阵中非对角线位置上各个位置的值用于表示两个机械设备之间的传动关系;S140,将所述传动拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到传动拓扑特征矩阵;S150,将所述多个工作状态特征向量进行二维矩阵化以得到全局工作状态特征矩阵;S160,将所述全局工作状态特征矩阵和所述传动拓扑特征矩阵通过图神经网络模型以得到传动拓扑全局工作状态特征矩阵;S170,从所述传动拓扑全局工作状态特征矩阵提取待控制机械设备对应的行向量作为分类特征向量;以及,S180,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控制机械设备是否存在故障。
图6为根据本申请实施例的机械设备的智能控制方法的系统架构的示意图。如图6所示,在所述机械设备的智能控制方法的系统架构中,首先,获取生产线中多个机械设备在预定时间段内多个预定时间点的工作状态数据;然后,将所述各个机械设备在预定时间段内多个预定时间点的工作状态数据分别按照时间维度排列为工作状态输入向量后通过多尺度邻域特征提取模块以得到多个工作状态特征向量;接着,构造所述多个机械设备的传动拓扑矩阵,所述传动拓扑矩阵中非对角线位置上各个位置的值用于表示两个机械设备之间的传动关系;然后,将所述传动拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到传动拓扑特征矩阵;接着,将所述多个工作状态特征向量进行二维矩阵化以得到全局工作状态特征矩阵;然后,将所述全局工作状态特征矩阵和所述传动拓扑特征矩阵通过图神经网络模型以得到传动拓扑全局工作状态特征矩阵;接着,从所述传动拓扑全局工作状态特征矩阵提取待控制机械设备对应的行向量作为分类特征向量;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控制机械设备是否存在故障。
在一个具体示例中,在上述机械设备的智能控制方法中,所述将所述各个机械设备在预定时间段内多个预定时间点的工作状态数据分别按照时间维度排列为工作状态输入向量后通过多尺度邻域特征提取模块以得到多个工作状态特征向量,包括:使用所述多尺度邻域特征提取模块的第一卷积层对所述工作状态输入向量进行一维卷积编码以得到第一尺度多个工作状态特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;使用所述多尺度邻域特征提取模块的第二卷积层对所述工作状态输入向量进行一维卷积编码以得到第二尺度多个工作状态特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;以及,使用所述多尺度邻域特征提取模块的级联层将所述第一尺度多个工作状态特征向量和所述第二尺度多个工作状态特征向量进行级联以得到所述多个工作状态特征向量。
在一个具体示例中,在上述机械设备的智能控制方法中,所述使用所述多尺度邻域特征提取模块的第一卷积层对所述工作状态输入向量进行一维卷积编码以得到第一尺度多个工作状态特征向量,进一步包括:使用所述多尺度邻域特征提取模块的第一卷积层对所述工作状态输入向量进行一维卷积编码以得到所述第一尺度多个工作状态特征向量;其中,所述公式为:
其中,a为第一一维卷积核在x方向上的宽度、F(a)为第一一维卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵,w为第一一维卷积核的尺寸,X表示所述工作状态输入向量。
在一个具体示例中,在上述机械设备的智能控制方法中,所述使用所述多尺度邻域特征提取模块的第二卷积层对所述工作状态输入向量进行一维卷积编码以得到第二尺度多个工作状态特征向量,进一步包括:使用所述多尺度邻域特征提取模块的第二卷积层对所述工作状态输入向量进行一维卷积编码以得到所述第二尺度多个工作状态特征向量;其中,所述公式为:
其中,b为第二一维卷积核在x方向上的宽度、F(b)为第二一维卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵,m为第二一维卷积核的尺寸,X表示所述工作状态输入向量。
在一个具体示例中,在上述机械设备的智能控制方法中,所述将所述传动拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到传动拓扑特征矩阵,进一步包括:使用作为特征提取器的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二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层输出所述传动拓扑特征矩阵,其中,所述作为特征提取器的卷积神经网络模型的第一层的输入为所述传动拓扑矩阵。
在一个具体示例中,在上述机械设备的智能控制方法中,所述将所述分类特征向量通过分类器以得到分类结果,进一步包括:使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
在一个具体示例中,在上述机械设备的智能控制方法中,还包括:对所述多尺度邻域特征提取模块、所述作为特征提取器的卷积神经网络模型、所述图神经网络模型和所述分类器进行训练。
在一个具体示例中,在上述机械设备的智能控制方法中,所述对所述多尺度邻域特征提取模块、所述作为特征提取器的卷积神经网络模型、所述图神经网络模型和所述分类器进行训练,包括:获取训练数据,所述训练数据包括所述生产线中多个机械设备在预定时间段内多个预定时间点的训练工作状态数据,以及,所述待控制机械设备是否存在故障的真实值;将所述各个机械设备在预定时间段内多个预定时间点的训练工作状态数据分别按照时间维度排列为训练工作状态输入向量后通过所述多尺度邻域特征提取模块以得到多个训练工作状态特征向量;构造所述多个机械设备的训练传动拓扑矩阵,所述传动拓扑矩阵中非对角线位置上各个位置的值用于表示两个机械设备之间的传动关系;将所述训练传动拓扑矩阵通过所述作为特征提取器的卷积神经网络模型以得到训练传动拓扑特征矩阵;将所述多个训练工作状态特征向量进行二维矩阵化以得到训练全局工作状态特征矩阵;将所述训练全局工作状态特征矩阵和所述训练传动拓扑特征矩阵通过所述图神经网络模型以得到训练传动拓扑全局工作状态特征矩阵;从所述训练传动拓扑全局工作状态特征矩阵提取所述待控制机械设备对应的行向量作为训练分类特征向量;将所述训练分类特征向量通过所述分类器以得到分类损失函数值;基于所述多个训练工作状态特征向量中的各个训练工作状态特征向量,计算多分布二元分类质量损失函数值;以及,计算所述分类损失函数值和所述多分布二元分类质量损失函数值的加权和作为损失函数值来对所述多尺度邻域特征提取模块、所述作为特征提取器的卷积神经网络模型、所述图神经网络模型和所述分类器进行训练。
在一个具体示例中,在上述机械设备的智能控制方法中,所述基于所述多个训练工作状态特征向量中的各个训练工作状态特征向量,计算多分布二元分类质量损失函数值,进一步包括:基于所述多个训练工作状态特征向量中的各个训练工作状态特征向量,以如下公式计算所述多分布二元分类质量损失函数值;其中,所述公式为:
这里,本领域技术人员可以理解,上述机械设备的智能控制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的机械设备的智能控制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 (10)
1.一种机械设备的智能控制系统,其特征在于,包括:
工作状态数据采集单元,用于获取生产线中多个机械设备在预定时间段内多个预定时间点的工作状态数据;
工作状态数据编码单元,用于将所述各个机械设备在预定时间段内多个预定时间点的工作状态数据分别按照时间维度排列为工作状态输入向量后通过多尺度邻域特征提取模块以得到多个工作状态特征向量;
传动拓扑构造单元,用于构造所述多个机械设备的传动拓扑矩阵,所述传动拓扑矩阵中非对角线位置上各个位置的值用于表示两个机械设备之间的传动关系;
传动拓扑特征提取单元,用于将所述传动拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到传动拓扑特征矩阵;
全局化单元,用于将所述多个工作状态特征向量进行二维矩阵化以得到全局工作状态特征矩阵;
图数据编码单元,用于将所述全局工作状态特征矩阵和所述传动拓扑特征矩阵通过图神经网络模型以得到传动拓扑全局工作状态特征矩阵;
待控制对象提取单元,用于从所述传动拓扑全局工作状态特征矩阵提取待控制机械设备对应的行向量作为分类特征向量;以及
智能控制结果生成单元,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控制机械设备是否存在故障。
2.根据权利要求1所述的机械设备的智能控制系统,其特征在于,所述工作状态数据编码单元,包括:
第一尺度特征提取子单元,用于使用所述多尺度邻域特征提取模块的第一卷积层对所述工作状态输入向量进行一维卷积编码以得到第一尺度多个工作状态特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;
第二尺度特征提取子单元,用于使用所述多尺度邻域特征提取模块的第二卷积层对所述工作状态输入向量进行一维卷积编码以得到第二尺度多个工作状态特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;以及
多尺度级联子单元,用于使用所述多尺度邻域特征提取模块的级联层将所述第一尺度多个工作状态特征向量和所述第二尺度多个工作状态特征向量进行级联以得到所述多个工作状态特征向量。
5.根据权利要求4所述的机械设备的智能控制系统,其特征在于,所述传动拓扑特征提取单元,进一步用于:使用作为特征提取器的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二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层输出所述传动拓扑特征矩阵,其中,所述作为特征提取器的卷积神经网络模型的第一层的输入为所述传动拓扑矩阵。
6.根据权利要求5所述的机械设备的智能控制系统,其特征在于,所述智能控制结果生成单元,进一步用于:
使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;
将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
7.根据权利要求6所述的机械设备的智能控制系统,其特征在于,还包括用于对所述多尺度邻域特征提取模块、所述作为特征提取器的卷积神经网络模型、所述图神经网络模型和所述分类器进行训练的训练模块。
8.根据权利要求7所述的机械设备的智能控制系统,其特征在于,所述训练模块,包括:
训练数据获取单元,用于获取训练数据,所述训练数据包括所述生产线中多个机械设备在预定时间段内多个预定时间点的训练工作状态数据,以及,所述待控制机械设备是否存在故障的真实值;
训练工作状态数据编码单元,用于将所述各个机械设备在预定时间段内多个预定时间点的训练工作状态数据分别按照时间维度排列为训练工作状态输入向量后通过所述多尺度邻域特征提取模块以得到多个训练工作状态特征向量;
训练传动拓扑构造单元,用于构造所述多个机械设备的训练传动拓扑矩阵,所述传动拓扑矩阵中非对角线位置上各个位置的值用于表示两个机械设备之间的传动关系;
训练传动拓扑特征提取单元,用于将所述训练传动拓扑矩阵通过所述作为特征提取器的卷积神经网络模型以得到训练传动拓扑特征矩阵;
训练全局化单元,用于将所述多个训练工作状态特征向量进行二维矩阵化以得到训练全局工作状态特征矩阵;
训练图数据编码单元,用于将所述训练全局工作状态特征矩阵和所述训练传动拓扑特征矩阵通过所述图神经网络模型以得到训练传动拓扑全局工作状态特征矩阵;
训练待控制对象提取单元,用于从所述训练传动拓扑全局工作状态特征矩阵提取所述待控制机械设备对应的行向量作为训练分类特征向量;
分类损失单元,用于将所述训练分类特征向量通过所述分类器以得到分类损失函数值;
多分布二元分类质量损失单元,用于基于所述多个训练工作状态特征向量中的各个训练工作状态特征向量,计算多分布二元分类质量损失函数值;以及
训练单元,用于计算所述分类损失函数值和所述多分布二元分类质量损失函数值的加权和作为损失函数值来对所述多尺度邻域特征提取模块、所述作为特征提取器的卷积神经网络模型、所述图神经网络模型和所述分类器进行训练。
10.一种机械设备的智能控制方法,其特征在于,包括:
获取生产线中多个机械设备在预定时间段内多个预定时间点的工作状态数据;
将所述各个机械设备在预定时间段内多个预定时间点的工作状态数据分别按照时间维度排列为工作状态输入向量后通过多尺度邻域特征提取模块以得到多个工作状态特征向量;
构造所述多个机械设备的传动拓扑矩阵,所述传动拓扑矩阵中非对角线位置上各个位置的值用于表示两个机械设备之间的传动关系;
将所述传动拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到传动拓扑特征矩阵;
将所述多个工作状态特征向量进行二维矩阵化以得到全局工作状态特征矩阵;
将所述全局工作状态特征矩阵和所述传动拓扑特征矩阵通过图神经网络模型以得到传动拓扑全局工作状态特征矩阵;
从所述传动拓扑全局工作状态特征矩阵提取待控制机械设备对应的行向量作为分类特征向量;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控制机械设备是否存在故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211397378.0A CN115586757A (zh) | 2022-11-09 | 2022-11-09 | 机械设备的智能控制系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211397378.0A CN115586757A (zh) | 2022-11-09 | 2022-11-09 | 机械设备的智能控制系统及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115586757A true CN115586757A (zh) | 2023-01-10 |
Family
ID=84781342
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211397378.0A Pending CN115586757A (zh) | 2022-11-09 | 2022-11-09 | 机械设备的智能控制系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115586757A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115834433A (zh) * | 2023-02-17 | 2023-03-21 | 杭州沄涞科技有限公司 | 基于物联网技术的数据处理方法及系统 |
CN115845428A (zh) * | 2023-02-28 | 2023-03-28 | 福建省龙德新能源有限公司 | 用于诱导六氟磷酸结晶的超声波装置及其控制方法 |
CN115951584A (zh) * | 2023-02-09 | 2023-04-11 | 浙江上洋机械股份有限公司 | 用于滚筒杀青机的温度控制系统及方法 |
CN115963798A (zh) * | 2023-02-23 | 2023-04-14 | 深圳市玄羽科技有限公司 | 工业互联网中的设备运控方法、系统及电子设备 |
CN116402777A (zh) * | 2023-03-30 | 2023-07-07 | 国网河南省电力公司安阳供电公司 | 基于机器视觉的电力设备检测方法及系统 |
CN116703642A (zh) * | 2023-08-09 | 2023-09-05 | 杭州电子科技大学信息工程学院 | 基于数字孪生技术的产品制造生产线智能管理系统 |
CN116870654A (zh) * | 2023-07-10 | 2023-10-13 | 滁州锡安环保科技有限责任公司 | 工业废气处理系统及其方法 |
CN117151649A (zh) * | 2023-09-15 | 2023-12-01 | 浙江蓝城萧立建设管理有限公司 | 基于大数据分析的施工方法管控系统及方法 |
-
2022
- 2022-11-09 CN CN202211397378.0A patent/CN115586757A/zh active Pending
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115951584B (zh) * | 2023-02-09 | 2024-03-15 | 浙江上洋机械股份有限公司 | 用于滚筒杀青机的温度控制系统及方法 |
CN115951584A (zh) * | 2023-02-09 | 2023-04-11 | 浙江上洋机械股份有限公司 | 用于滚筒杀青机的温度控制系统及方法 |
CN115834433A (zh) * | 2023-02-17 | 2023-03-21 | 杭州沄涞科技有限公司 | 基于物联网技术的数据处理方法及系统 |
CN115963798A (zh) * | 2023-02-23 | 2023-04-14 | 深圳市玄羽科技有限公司 | 工业互联网中的设备运控方法、系统及电子设备 |
CN115845428A (zh) * | 2023-02-28 | 2023-03-28 | 福建省龙德新能源有限公司 | 用于诱导六氟磷酸结晶的超声波装置及其控制方法 |
CN115845428B (zh) * | 2023-02-28 | 2023-04-25 | 福建省龙德新能源有限公司 | 用于诱导六氟磷酸结晶的超声波装置及其控制方法 |
CN116402777A (zh) * | 2023-03-30 | 2023-07-07 | 国网河南省电力公司安阳供电公司 | 基于机器视觉的电力设备检测方法及系统 |
CN116402777B (zh) * | 2023-03-30 | 2023-10-24 | 国网河南省电力公司安阳供电公司 | 基于机器视觉的电力设备检测方法及系统 |
CN116870654A (zh) * | 2023-07-10 | 2023-10-13 | 滁州锡安环保科技有限责任公司 | 工业废气处理系统及其方法 |
CN116870654B (zh) * | 2023-07-10 | 2024-06-07 | 广东源锦自动化科技有限公司 | 工业废气处理系统及其方法 |
CN116703642A (zh) * | 2023-08-09 | 2023-09-05 | 杭州电子科技大学信息工程学院 | 基于数字孪生技术的产品制造生产线智能管理系统 |
CN117151649B (zh) * | 2023-09-15 | 2024-02-23 | 浙江蓝城萧立建设管理有限公司 | 基于大数据分析的施工方法管控系统及方法 |
CN117151649A (zh) * | 2023-09-15 | 2023-12-01 | 浙江蓝城萧立建设管理有限公司 | 基于大数据分析的施工方法管控系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115586757A (zh) | 机械设备的智能控制系统及其方法 | |
Wilson et al. | Deep learning-aided cyber-attack detection in power transmission systems | |
CN111596604A (zh) | 一种基于数字孪生的工程装备故障智能诊断与自愈控制系统及方法 | |
CN112765768B (zh) | 基于物联网的离散型车间数字溯源方法 | |
CN109218134B (zh) | 一种基于神经风格迁移的测试用例生成系统 | |
CN112435282A (zh) | 一种基于自适应候选视差预测网络的实时双目立体匹配方法 | |
JPH0285975A (ja) | パターンデータ処理装置及びプロセス計測情報処理装置及び画像処理装置及び画像認識装置 | |
KR20210106703A (ko) | 3차원 공간의 의미적 분할 시스템 및 이를 이용한 3차원 공간의 의미적 분할 방법 | |
CN109061391B (zh) | 一种基于计算机视觉潮流图的电网故障诊断方法及系统 | |
CN114266301A (zh) | 基于图卷积神经网络的电力设备故障智能预测方法 | |
CN117375237B (zh) | 基于数字孪生技术变电站运维方法及系统 | |
CN116872089A (zh) | 数控磨床的磨削自适应控制系统及其方法 | |
CN114897102A (zh) | 一种工业机器人故障诊断方法、系统、设备与存储介质 | |
CN116842379A (zh) | 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法 | |
CN116700403A (zh) | 基于工业系统角色划分的自动化系统及其方法 | |
CN114006370A (zh) | 一种电力系统暂态稳定分析评估方法及系统 | |
CN115166415A (zh) | 一种自适应图卷积神经网络的配电网故障诊断方法及系统 | |
Xing-yu et al. | Autoencoder-based fault diagnosis for grinding system | |
CN114842178A (zh) | 一种基于电子产品的在线可视化交互系统及方法 | |
CN114494766A (zh) | 基于混合深度学习模型的道岔故障诊断方法 | |
CN113159164A (zh) | 基于分布式的工业互联网设备协同作业方法 | |
CN114980723A (zh) | 一种用于跨工况贴片机吸嘴的故障预测方法、系统 | |
CN112699722A (zh) | 基于旋转机械故障诊断的方法 | |
CN116756047B (zh) | 一种基于gpt的车辆控制器的软件开发方法及系统 | |
CN115174421B (zh) | 基于自监督解缠绕超图注意力的网络故障预测方法及装置 |
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 |