CN116415929A - 一种基于多层gru网络的鱼雷罐车预测性维护方法 - Google Patents
一种基于多层gru网络的鱼雷罐车预测性维护方法 Download PDFInfo
- Publication number
- CN116415929A CN116415929A CN202310209655.9A CN202310209655A CN116415929A CN 116415929 A CN116415929 A CN 116415929A CN 202310209655 A CN202310209655 A CN 202310209655A CN 116415929 A CN116415929 A CN 116415929A
- Authority
- CN
- China
- Prior art keywords
- maintenance
- data
- torpedo
- time
- car
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 title claims abstract description 43
- SAZUGELZHZOXHB-UHFFFAOYSA-N acecarbromal Chemical compound CCC(Br)(CC)C(=O)NC(=O)NC(C)=O SAZUGELZHZOXHB-UHFFFAOYSA-N 0.000 title claims description 7
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 28
- 239000011159 matrix material Substances 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 21
- 229910052742 iron Inorganic materials 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- 239000002893 slag Substances 0.000 claims description 11
- 238000013138 pruning Methods 0.000 claims description 10
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 238000007664 blowing Methods 0.000 claims description 5
- 238000013136 deep learning model Methods 0.000 claims description 5
- 238000010079 rubber tapping Methods 0.000 claims description 4
- MBMLMWLHJBBADN-UHFFFAOYSA-N Ferrous sulfide Chemical compound [Fe]=S MBMLMWLHJBBADN-UHFFFAOYSA-N 0.000 claims description 3
- 102000005298 Iron-Sulfur Proteins Human genes 0.000 claims description 3
- 108010081409 Iron-Sulfur Proteins Proteins 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000012806 monitoring device Methods 0.000 claims description 3
- 101100229963 Drosophila melanogaster grau gene Proteins 0.000 claims 1
- 238000007667 floating Methods 0.000 description 14
- 238000013135 deep learning Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000013139 quantization Methods 0.000 description 3
- 108010002352 Interleukin-1 Proteins 0.000 description 2
- CDBYLPFSWZWCQE-UHFFFAOYSA-L Sodium Carbonate Chemical compound [Na+].[Na+].[O-]C([O-])=O CDBYLPFSWZWCQE-UHFFFAOYSA-L 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000011449 brick Substances 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 101100114854 Arabidopsis thaliana CRK17 gene Proteins 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 108010002350 Interleukin-2 Proteins 0.000 description 1
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- WUKWITHWXAAZEY-UHFFFAOYSA-L calcium difluoride Chemical compound [F-].[F-].[Ca+2] WUKWITHWXAAZEY-UHFFFAOYSA-L 0.000 description 1
- 229910001634 calcium fluoride Inorganic materials 0.000 description 1
- BRPQOXSCLDDYGP-UHFFFAOYSA-N calcium oxide Chemical group [O-2].[Ca+2] BRPQOXSCLDDYGP-UHFFFAOYSA-N 0.000 description 1
- 239000000292 calcium oxide Substances 0.000 description 1
- ODINCKMPIJJUCX-UHFFFAOYSA-N calcium oxide Inorganic materials [Ca]=O ODINCKMPIJJUCX-UHFFFAOYSA-N 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 239000004174 erythrosine Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000000979 retarding effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- HBMJWWWQQXIZIP-UHFFFAOYSA-N silicon carbide Chemical compound [Si+]#[C-] HBMJWWWQQXIZIP-UHFFFAOYSA-N 0.000 description 1
- 229910010271 silicon carbide Inorganic materials 0.000 description 1
- 229910000029 sodium carbonate Inorganic materials 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 239000011593 sulfur Substances 0.000 description 1
- 229910052717 sulfur Inorganic materials 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
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
- G06Q10/20—Administration of product repair or maintenance
-
- 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"
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于多层GRU网络的鱼雷罐车预测性维护方法,包括:获取鱼雷罐车的历史运行信息形成数据集。预测下次维护时间的数据集选取最大维护使用次数作为临界点,将单个鱼雷罐车的运行数据放入到长为最大维护使用次数,宽为影响参数的数组中,且保存离最近一次维护所需时间的标签;预测本次使用后需要维护概率的数据集设置临界值为最大维护使用次数,将单个鱼雷罐车的运行数据,从第一次开始,直到维护的前一次运行数据放入到长为最大维护使用次数,宽为影响参数的数组中,且保存本次运行结束后是否进行维护的标签;构建多层GRU网络模型,由所述GRU网络模型输出预测结果。能够帮助规划鱼雷罐车的维护时间,并提高预测性维护结果的可靠性。
Description
技术领域
本发明涉及自动化设备预测维护技术领域,尤其涉及一种基于多层GRU网络的鱼雷罐车预测性维护方法。
背景技术
随着工业现代化进程不断推进,很多传统的工业设备正朝着复杂化、信息化、智能化的方向发展。但设备的工作环境却日渐复杂,高温、高压、连续运行等恶劣的条件会加速零部件的磨损和老化,进而影响设备的整体性能与健康状态,轻则引起系统故障宕机,造成经济损失,重则酿成重大的人员伤亡事故。
目前,预测性维护技术已经广泛应用于包括航空航天、轨道交通、机械设备等在内的多领域。可知,一套合理的预测性维护方案可以优化资源分配,节约25%-30%的维护成本,消除70%-75%的故障停机。极大地提升了系统可靠性和经济效益。
近几年来,得益于强大的特征提取和表达能力,深度学习方法在医学成像、计算机视觉、自然语言处理、数据挖掘等广泛的应用领域都展现出了良好的性能。但是,深度学习在工业领域的应用较少,其在工业设备的预测性维护问题上研究空间较大。
基于机器学习的故障和RUL预测方法近年来越来越受到国内外学者的青睐。机器学习方法相较于基于物理模型和统计模型的方法,拥有更强的数据处理能力和针对不同领域的泛化能力,能够基于计算机强大的计算能力来模拟人类的学习和思考行为。机器学习方法能够在医学成像、计算机视觉、自然语言处理等各领域表现良好,在设备故障与RUL预测中也已被广泛应用。
深度学习属于机器学习的分支之一,它不但保留了很多浅层机器学习的优点,比如不用过分依赖专业领域知识,模型通用性强,同时还具备更强大的特征提取表达与数据拟合能力。而且深度学习方法避免了特征的人工选择、提取、构建过程,直接面对原始数据和目标,通过相较于浅层机器学习方法更深更复杂的网络结构来建立数据输入与目标输出的映射,实现设备的故障和RUL预测功能。
在鱼雷罐车的预测性维护技术中,还需要利用上述技术及理论设计一套预测性维护方法,实现鱼雷罐车的设备维护预测功能。
发明内容
为了解决背景技术中的技术问题,本发明提供了一种基于多层GRU网络的鱼雷罐车预测性维护方法,能够帮助规划鱼雷罐车的维护时间,并提高预测性维护结果的可靠性。
为了达到上述目的,本发明采用以下技术方案实现:
一种基于多层GRU网络的鱼雷罐车预测性维护方法,包括如下步骤:
步骤1:获取鱼雷罐车的历史运行信息。
步骤2:通过鱼雷罐车的历史运行信息形成数据集。
所述的预测性维护包括预测下次维护时间和预测本次使用后需要维护概率,所述的数据集包括预测下次维护时间的数据集和预测本次使用后需要维护概率的数据集。
所述的预测下次维护时间的数据集为:选取最大维护使用次数作为临界点,将单个鱼雷罐车的运行数据放入到长为最大维护使用次数,宽为影响参数的数组中,不满最大维护使用次数的数据置0,且保存离最近一次维护所需使用次数的标签。
将单个鱼雷罐车的历史数据,按照时间步1,从第一次展开,将前n次的数据,n为两次维护之间的历史使用次数,按照从第一次到第k次的历史数据,遍历单个鱼雷罐车的历史数据,输入数据集中,其中1<=k<=n,将单个鱼雷罐车的n次历史数据做n次拆分,分别对应前k次的数据,k为1,2,3...k-1,k;对单个鱼雷罐车的历史数据进行拆分,当前使用次数为k时,其离最近一次维护所需使用次数对应的标签为n-k。
所述的预测本次使用后需要维护概率的数据集为:设置临界值为最大维护使用次数,将单个鱼雷罐车的运行数据,从第一次开始,直到维护的前一次运行数据放入到长为最大维护使用次数,宽为影响参数的数组中,不满最大维护使用次数的数据置0,且保存本次运行结束后是否进行维护的标签,若维护则为1,若不维护则为0。
将单个鱼雷罐车的历史数据,按照时间步1,从第一次展开,将前n次的数据,按照从第一次到第k次的历史数据,遍历单个鱼雷罐车的历史数据,输入数据集中,其中1<=k<=n,将单个鱼雷罐车的n次历史数据做n次拆分,分别对应前k次的数据,k为1,2,3...k-1,k。
当前使用次数为k时,其本次运行结束后是否进行维护对应的标签为:若n-k>0,则标签为0,若n-k=0,则标签为1。
步骤3:构建多层GRU网络模型,将由鱼雷罐车的历史运行信息形成的数据集输入GRU网络模型进行训练。
步骤4:将所述需要进行预测性维护的鱼雷罐车的运行信息输入到训练好参数的深度学习模型,由所述GRU网络模型输出预测结果,模型的预测结果包括距离最近一次维护所需使用次数和本次运行结束后是否进行维护。
进一步地,所述的步骤1中,获取的鱼雷罐车的历史运行信息包括:
1)通过红外装置及其传导算法获得铁水温度和空罐内衬温度;
2)由流量监控装置获得吹喷气体速度、入口气体温度、出口气体温度、出口气体压力;以及入铁口的铁水流速、入口温度;
3)获得鱼雷罐车罐口粘渣厚度,每次结束使用鱼雷罐车后,红外装置自主测量并上传生产日志,获得鱼雷罐车罐口粘渣厚度;
4)由生产日志获得每次处理时间,日使用次数,日使用间隔时间最值,日使用间隔时间均值,预处理比例,铁水含硫比例,出铁混渣含量。
进一步地,预测下次维护时间时,最大维护使用次数选取1500次作为临界点,将单个鱼雷罐车的运行数据放入到长为1500,宽为运行参数量的数组中,不满1500次的数据置0。
进一步地,在预测本次使用后需要维护的概率时,最大维护使用次数设置临界值为1500次,将单个鱼雷罐车的运行数据,从第一次开始,直到维护的前一次运行数据放入到长为1500,宽为运行参数量的数组中,不满1500次的数据置0。
进一步地,在构建多层GRU网络模型中,采用掩膜矩阵进行预剪枝。
设权重矩阵为W,掩膜为M,输入向量和输出向量分别为x和y,偏置为b,σ为激活函数,则使用掩膜矩阵实现剪枝功能的运算表达式为:
y=σ((M⊙W)x+b)。
与现有技术相比,本发明的有益效果是:
本发明的一种基于多层GRU网络的鱼雷罐车预测性维护方法,利用历史数据建立相应的GRU神经网络模型;根据GRU神经网络模型和当前运行数据获得预测结果;根据对预测结果的阈值设置,实现了鱼雷罐车设备故障的准确预测。
附图说明
图1是本发明的一种基于多层GRU网络的鱼雷罐车预测性维护方法的流程图;
图2是根据IEEE754标准,32位浮点数的构成图(现有技术);
图3是误差e(x)的分布为均值为0方差为2-FL/12的均匀分布图(现有技术);
图4是GRU单个神经元结构图(现有技术);
图5是权重预剪枝图(现有技术);
图6是传统的权值剪枝过程图(现有技术);
图7是本发明的模型训练方法流程图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明:
如图1所示,一种基于多层GRU网络的鱼雷罐车预测性维护方法,包括如下步骤:
步骤1:获取鱼雷罐车的历史运行信息。
由集控中心获得历史运行数据,并确定鱼雷罐车型号和配置。获取的鱼雷罐车的历史运行信息包括:
1)通过红外装置及其传导算法获得铁水温度和空罐内衬温度;
2)由流量监控装置获得吹喷气体速度、入口气体温度、出口气体温度、出口气体压力;以及入铁口的铁水流速、入口温度;
3)获得鱼雷罐车罐口粘渣厚度,每次结束使用鱼雷罐车后,红外装置自主测量并上传生产日志,获得鱼雷罐车罐口粘渣厚度;
4)由生产日志获得每次处理时间,日使用次数,日使用间隔时间最值,日使用间隔时间均值,预处理比例,铁水含硫比例,出铁混渣含量。
默认使用处理剂为氧化钙,氟化钙,碳酸钠。
默认使用吹喷方式为喷粉。
默认砖衬使用率碳化硅碳砖。
默认公称容量为320t。
将获得的数据参数按照实现功能的不同进行分类排列,组成不同向量集,以实现不同的预测功能。
单个鱼雷罐车的历史数据存储形式为:
属性\次数 | 1 | ... | n | ... | 1500 |
铁水温度℃ | FC1 | ... | FCN | 0 | 0 |
空罐内衬温度℃ | NC1 | ... | NCN | 0 | 0 |
吹喷气体速度m3/s | CP1 | ... | CPN | 0 | 0 |
入口气体温度℃ | RP1 | ... | RPN | 0 | 0 |
出口气体温度℃ | CK1 | ... | CKN | 0 | 0 |
出口气体压力 | CKP1 | ... | CKPN | 0 | 0 |
入铁口铁水流速m3/s | RKC1 | ... | RKCN | 0 | 0 |
鱼雷罐车罐口粘渣厚度cm | W1 | ... | WN | 0 | 0 |
灌铁口的铁水流速m3/s | FV1 | ... | FVN | 0 | 0 |
入口温度℃ | RC1 | ... | RCN | 0 | 0 |
每次处理时间s | T1 | ... | TN | 0 | 0 |
日使用次数 | DT1 | ... | DTN | 0 | 0 |
日使用间隔时间最值s | ST1 | ... | STN | 0 | 0 |
日使用间隔时间均值s | VT1 | ... | VTN | 0 | 0 |
预处理比例% | PE1 | ... | PEN | 0 | 0 |
铁水含硫比例% | FS1 | ... | FSN | 0 | 0 |
出铁混渣含量% | FZ1 | ... | FZN | 0 | 0 |
注:其中的n使用次数指距离上次维护的使用次数,或者未经维护的新品的使用次数。
步骤2:通过鱼雷罐车的历史运行信息形成数据集。
所述的预测性维护包括预测下次维护时间和预测本次使用后需要维护概率,所述的数据集包括预测下次维护的时间的数据集和预测本次使用后需要维护概率的数据集。
所述的预测下次维护的时间的数据集为:选取最大维护使用次数作为临界点,将单个鱼雷罐车的运行数据放入到长为最大维护使用次数,宽为影响参数的数组中,不满最大维护使用次数的数据置0,且每个数组将最近一次维护所需使用次数作为标签。
将单个鱼雷罐车的历史数据,按照时间步1,从第一次展开,将前n次的数据,按照从第一次到第k次的历史数据,遍历单个鱼雷罐车的历史数据,输入数据集中,其中1小于等于k,k小于等于n,将单个鱼雷罐车的n次历史数据做n次拆分,分别对应前k次的数据,k为1,2,3...k-1,k;对单个鱼雷罐车的历史数据进行拆分,若有x个鱼雷罐车的历史数据,则最终获得的数据集的单位数据如下表,对x个鱼雷罐车的历史数据进行拆分,当前使用次数为k时,其对应的标签为n-k。
所述的预测本次使用后需要维护概率的数据集为:设置临界值为最大维护使用次数,将单个鱼雷罐车的运行数据,从第一次开始,直到维护的前一次运行数据放入到长为最大维护使用次数n,宽为影响参数的数组中,不满最大维护使用次数的数据置0,且每个数组将本次运行结束后是否进行维护作为标签,若维护则为1,若不维护则为0。
将单个鱼雷罐车的历史数据,按照时间步1,从第一次展开,将前n次的数据,按照从第一次到第k次的历史数据,遍历单个鱼雷罐车的历史数据,输入数据集中,其中其中1小于等于k,k小于等于n,将单个鱼雷罐车的n次历史数据做n次拆分,分别对应前k次的数据,k为1,2,3...k-1,k。
若有x个鱼雷罐车的历史数据,则最终获得的数据集的单位数据如下表,包含x个鱼雷罐车的数据,当前使用次数为k时,若n-k>0,则标签为0,若n-k=0,则标签为1。
步骤3:构建多层GRU网络模型,将由鱼雷罐车的历史运行信息形成的数据集输入GRU网络模型进行训练。
一般情况下,深度学习模型的参数都是由32位浮点数表示的,其中包括了权重矩阵、偏置、激活值、梯度等。虽然浮点数能够表示的精度较高,但一个浮点数就要占据4字节即32位的存储空间,且浮点数之间的乘法运算复杂,消耗资源较多,需要浮点运算单元支持,所以,在计算和存储资源有限的嵌入式设备,常使用低位宽的定点数代替浮点数运算。
在最后存储权重矩阵时只用存储包含2bit整数索引表示的矩阵和一个码表即可。基于定点量化的方法使用定点数来表示浮点数,牺牲少量精度来实现低比特量的数据存储和运算。图2是根据IEEE754标准,32位浮点数由1位符号位加上8位指数(E)再加上23位的尾数(M)构成。
其计算方法如下所示,E能确认小数点位数:
±1M×2E-127。
定点数的表示方法与浮点数不同,定点数的小数点实际是不存在的,而是人为地认为其在一个固定的位置,这个位置是事先约定好的。随着约定的不同小.数点位置会随之改变,定点数的表示范围和表示精度会相应变化,可用符号(IL,FL)来表示定点数。其中,IL和FL表示此定点数的整数位数和小数位数,定点数第一个bit位为符号位s,当符号位取值为1时,定点数表示负数,为0时定点数表示正数。定点数整体bit位数bw为bw=IL+FL。定点数能表示的最小精度为2-年,数据的表示范围为2-IL~2IL-2-FL。
以16bit位的定点数为例,下表展示了不同量化方式对应的表示范围和能够表示的最小精度。
假设权重参数的一个浮点数x,定点数<IL,FL>的bw bit位的表达系数为{bs,b1,b2...bIL,bIL+1,bIL+2...bIL+FL},将其转换为浮点数对应的计算公式为:
f(x)=(-1)bs·(b1·2IL-1+b2·2IL-2+...+bIL-1·21+bIL·20+bIL+1·2-1+...+bIL+FL·2-FL)
在实际的定点数表示方法中,由于浮点数表示范围比定点数大,当x的值溢出定点数表示范围时,需进行截断操作,即:
截断操作不会计算定点数表示能力范围外的数值,而是使用范围边界值来替代溢出值,是导致定点数运算精度将低的原因之一。而对于表示范围内的数值,也会产生误差。定点数<IL,FL>表示的最小精度为2-FL所以只能表示2-FL的整数倍数值。当浮点数值不是2-FL的整数倍,即会产生一定误差。设浮点数值为x不被2-FL整除,且x属于{2-IL,2IL,2-FL},则一定存在两组表达系数{as,a1,a2...aIL,aIL+1,aIL+2...aIL+FL}和{bs,b1,b2...bIL,bIL+1,bIL+ 2...bIL+FL}使得:
fa(x)≤x≤fb(x)
其中fa(x),fb(x)满足约束条件:
fa(x)+2-FL=fb(x)
则量化过程产生的误差为:
ea(x)=fa(x)-x
eb(x)=fb(x)-x
为了使量化的误差均值更小,使用舍入法选择ea(x),eb(x)中绝对值较小的那一方值:
则误差e(x)的分布为均值为0方差为2-FL/12的均匀分布如图3所示。
设备运行期间会产生大量的传感器参数,而不同的传感器参数作为变量所蕴含的信息重要程度不同,需要对其进行选择,以保证数据的利用率,并减轻深度学习模型训练压力。在文献中,是直接对每个传感器数据采取直接观察的手段,通过传感器数据的变化趋势人为主观性地选择变量。此方法虽简单,但必定会引入主观判断误差,影响最终预测性维护的精度。本发明采取了基于信息熵理论的变量选择方法,来评价不同传感器参数所含信息量和变化趋势,以此选择出更适合预测性维护的传感器参数。
信息不确定性越高,熵值越大。其具体定义如式下:
其中x是随机变量Xi可能会出现的第i种状态,p(Xi)是出现状态Xi的概率,p(Xi)的取值范围为(0,1]。上式由上到下分别表示离散和连续的信息熵求值公式,log底数可以为2和e,其对应的信息熵单位分别为bit和nat。
在实际的应用中,连续随机变量的真实概率密度函数几乎是不可求的,只能对其分布函数进行估计。本发明是基于直方图的估计方法,该方法会将连续随机变量离散化,通过设置合适的变量间隔,来计算相应的频率分布直方图,再以频率分布直方图来估计真实的概率密度函数。本文采用的是另一种核概率密度估计的方法,相比于直方图方法,该方法不会受限制于主观的间隔区间划分,对连续变量的真实概率密度函数估计效果更好。假设真实的概率密度函数估计表达式为:
其中N为样本空间大小,h代表带宽,K是核函数,本文使用的是应用最广泛的高斯核函数:
带宽h能够决定对连续变量概率密度函数估计的敏感程度和泛化程度,最为合适的h一般是将渐进积分均方误差(asymptotic mean integrated squared error,AMISE)最小化得到的。得到的hopt为:
R(K)=∫K(u)2du
则当使用的核函数为高斯核函数时,一维随机变量的概率密度估计方法的最佳带宽为:
在真实的设备运行过程中,传感器采集的数据往往会混入少量的噪声和脱离平均值的一些异常点,他们都是在测量或传输过程中产生的,不可避免。若某一维的传感器测量数据在时间序列t上的值为Y=(y1,y2..yt),则在t时刻的测量值由t时刻的真实值x(t)和噪声值e(t)所决定,如下公式:
我们需要对原始的传感器测量数据进行滑动平均,以此尽量消除原始测量数据中噪声和异常值对结果的影响,为后续算法的设计奠定数据基础。设--维传感器序列平滑后数据为x=(x1.x2..xt),x为平滑后t时刻数据,当平滑窗口大小为l时,滑动平均公式如下:
设备不同传感器采集的数据代表的物理含义是不同的,量纲上也存在着较大的差异。所以将不同物理意义的数据值放缩到一个相同的取值范围中,可以缩小不同属性之间的量纲差异,妥善处理好数据之间的差别。最小最大(min-max)规范方法是在深度学习中常用的归一化方法,相比于z-score归一化方法,该方法更加方便简单,但对样本异常点较为敏感。在对传感器数据进行平滑处理之后,已经消除了异常点的影响,设x为传感器属性x中的一员,其中max(x)和min(x)分别代表该属性中的最大和最小值,则归一化的公式如下:
提取GRU神经网络的参数矩阵。
GRU在保留了LSTM序列特征提取能力和预测精度的情况下,精简了模型结构,缩减了大量运算参数,使GRU更适应于资源受限的嵌入式设备的应用场景中。GRU单个神经元结构如图4。
相比于LSTM的结构,GRU每个时刻的输入减少为两个,分别为上一个时刻的隐状态ht-1和此时刻的输入xt,通过更新门和重置门完成对输入向量的舍去和本层隐状态ht,的更新。前向推理公式如下:
zt=σ(Wz[ht-1,xt]+bz)
rt=σ(Wr[ht-1,xt]+br)
人工神经网络计算往往需要较大的运算量和存储空间,下表为GRU神经网络的参数量。
如图5所示,为了尽可能降低存储和运算空间,GRU模型权重参数进行了分析,选择权重预剪枝。
传统的权值剪枝方式会用到掩膜矩阵(Mask),掩膜矩阵维度和权重矩阵的维度相同,但是只由0和1组成,0表示对应位置的矩阵参数是冗余部分,需要去除,1表示保留。当网络前向传播时,权重矩阵会与掩膜矩阵进行与运算,0对应的冗余参数会被屏蔽。当网络反向传播时,更新的梯度矩阵也会点成掩膜,0对应的参数不会经过梯度的更新,而其他1对应的参数则正常进行,具体过程如图6所示。最终,会完成对权重矩阵的稀疏化。
设权重矩阵为W,掩膜为M,输入向量和输出向量分别为x和y,偏置为b,σ为激活函数,则使用掩膜矩阵实现剪枝功能的运算表达式为:
y=σ((M⊙W)x+b)
权重矩阵的--列进行乘运算,若特征向量中的元素趋近于0,则可以设置为0,直接减少这一列的计算量,从而实现剪枝。
将向量集导入GRU神经网络,训练得到神经网络参数。
若准确率达标则进行下一步,若不达标,则重复训练至准确率满足要求,或更换数据来源,再进行训练。
图7为本发明的模型训练方法流程图。
步骤4:将所述需要进行预测性维护的鱼雷罐车的运行信息输入到训练好参数的深度学习模型,由所述GRU网络模型输出预测结果。
步骤5:预测性维护评价标准
RUL代表着设备或系统距离出现故障的时间距离,对RUL的预测是预测性维护中最为重要的一部分。之前介绍到了基于传感器数据构建的单个训练数据大小为time_steps*feature_mums,其对应的训练标签则为1维的RUL值,该RUL值是该训练数据最后一个时刻设备或系统所对应的RUL,可以由设备整套全寿命数据倒推得到。
多层GRU模型的结构最终会通过带有激活函数的全连接层输出一个预测的标签值RULpre,而真实的标签值为RULreal,设h为对第i个样本数据(维度为
time_steps*feature_mms)模型预测的偏差,表达式为:
hi=RULpre,i-RULreal,i
基于hi,有两种不同的预测性维护的评价标准,用于评价模型的RUL预测精度。本发明是使用最为广泛的均方根误差(RMSE)方法,该方法会对大于0和小于0的预测偏差计算相同的惩罚权重,即预测RUL时提前或滞后相同时间会产生累加相同的惩罚。最终RMSE值越大,则表示预测精度越低,RMSE的计算公式如下:
模型的搭建和训练实验的计算机配置为:
Inter(R)Core(TM)i5-8300H CPU@.230GHz处理器、8G内存、NVIDIA GeForceGTX1050 GPU、Windows10(64位)操作系统。使用的深度学习框架为TensorFlow2.0及其上层API:Keras。本实验所使用的版本为TensorFlow2.6.1,程序语言版本为Python3.6.2.开发环境为JetBrains PyCharm2019.1。在具体的实验设置中,Dropout层的遗弃概率设置为0.5,反向传播的梯度下降采用Adam优化算法,batch_size的大小为100,初始学习率设置为0.001,损失函数比例a设为0.5。实验训练样本共17620个,从中设置5%即881个验证数据集,最终性能测试在100组测试集上进行。
以上实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于上述的实施例。上述实施例中所用方法如无特别说明均为常规方法。
Claims (5)
1.一种基于多层GRU网络的鱼雷罐车预测性维护方法,其特征在于,包括如下步骤:
步骤1:获取鱼雷罐车的历史运行信息;
步骤2:通过鱼雷罐车的历史运行信息形成数据集;
所述的预测性维护包括预测下次维护时间和预测本次使用后需要维护概率,所述的数据集包括预测下次维护时间的数据集和预测本次使用后需要维护概率的数据集;
所述的预测下次维护时间的数据集为:选取最大维护使用次数作为临界点,将单个鱼雷罐车的运行数据放入到长为最大维护使用次数,宽为影响参数的数组中,不满最大维护使用次数的数据置0,且保存离最近一次维护所需使用次数作为标签;
将单个鱼雷罐车的历史数据,按照时间步1,从第一次展开,将前n次的数据,n为两次维护之间的历史使用次数,按照从第一次到第k次的历史数据,遍历单个鱼雷罐车的历史数据,输入数据集中,其中1<=k<=n,将单个鱼雷罐车的n次历史数据做n次拆分,分别对应前k次的数据,k为1,2,3...k-1,k;对单个鱼雷罐车的历史数据进行拆分,当前使用次数为k时,其离最近一次维护所需使用次数对应的标签为n-k;
所述的预测本次使用后需要维护概率的数据集为:设置临界值为最大维护使用次数,将单个鱼雷罐车的运行数据,从第一次开始,直到维护的前一次运行数据放入到长为最大维护使用次数,宽为影响参数的数组中,不满最大维护使用次数的数据置0,且保存本次运行结束后是否进行维护的标签,若维护则为1,若不维护则为0;
将单个鱼雷罐车的历史数据,按照时间步1,从第一次展开,将前n次的数据,按照从第一次到第k次的历史数据,遍历单个鱼雷罐车的历史数据,输入数据集中,其中1<=k<=n,将单个鱼雷罐车的n次历史数据做n次拆分,分别对应前k次的数据,k为1,2,3...k-1,k;
当前使用次数为k时,其本次运行结束后是否进行维护对应的标签为:若n-k>0,则标签为0,若n-k=0,则标签为1;
步骤3:构建多层GRU网络模型,将由鱼雷罐车的历史运行信息形成的数据集输入GRU网络模型进行训练;
步骤4:将所述需要进行预测性维护的鱼雷罐车的运行信息输入到训练好参数的深度学习模型,由所述GRU网络模型输出预测结果,模型的预测结果包括最近一次维护所需时间和本次运行结束后是否进行维护。
2.根据权利要求1所述的一种基于多层GRU网络的鱼雷罐车预测性维护方法,其特征在于,所述的步骤1中,获取的鱼雷罐车的历史运行信息包括:
1)通过红外装置及其传导算法获得铁水温度和空罐内衬温度;
2)由流量监控装置获得吹喷气体速度、入口气体温度、出口气体温度、出口气体压力;以及入铁口的铁水流速、入口温度;
3)获得鱼雷罐车罐口粘渣厚度,每次结束使用鱼雷罐车后,红外装置自主测量并上传生产日志,获得鱼雷罐车罐口粘渣厚度;
4)由生产日志获得每次处理时间、日使用次数、日使用间隔时间最值、日使用间隔时间均值、预处理比例、铁水含硫比例、出铁混渣含量。
3.根据权利要求1所述的一种基于多层GRU网络的鱼雷罐车预测性维护方法,其特征在于,在预测下次维护时间时,最大维护使用次数选取1500次作为临界点,将单个鱼雷罐车的运行数据放入到长为1500,宽为运行参数量的数组中,不满1500次的数据置0。
4.根据权利要求1所述的一种基于多层GRU网络的鱼雷罐车预测性维护方法,其特征在于,在预测本次使用后需要维护概率时,最大维护使用次数设置临界值为1500次,将单个鱼雷罐车的运行数据,从第一次开始,直到维护的前一次运行数据放入到长为1500,宽为运行参数量的数组中,不满1500次的数据置0。
5.根据权利要求1所述的一种基于多层GRU网络的鱼雷罐车预测性维护方法,其特征在于,在构建多层GRU网络模型中,采用掩膜矩阵进行预剪枝;
设权重矩阵为W,掩膜为M,输入向量和输出向量分别为x和y,偏置为b,σ为激活函数,则使用掩膜矩阵实现剪枝功能的运算表达式为:
y=σ((M⊙W)x+b)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310209655.9A CN116415929B (zh) | 2023-03-07 | 2023-03-07 | 一种基于多层gru网络的鱼雷罐车预测性维护方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310209655.9A CN116415929B (zh) | 2023-03-07 | 2023-03-07 | 一种基于多层gru网络的鱼雷罐车预测性维护方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116415929A true CN116415929A (zh) | 2023-07-11 |
CN116415929B CN116415929B (zh) | 2023-11-14 |
Family
ID=87055681
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310209655.9A Active CN116415929B (zh) | 2023-03-07 | 2023-03-07 | 一种基于多层gru网络的鱼雷罐车预测性维护方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116415929B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110400009A (zh) * | 2019-07-09 | 2019-11-01 | 浙江大学 | 基于自适应遗传算法的高炉炼铁多目标智能优化方法 |
CN112703457A (zh) * | 2018-05-07 | 2021-04-23 | 强力物联网投资组合2016有限公司 | 用于使用工业物联网进行数据收集、学习和机器信号流传输实现分析和维护的方法和系统 |
WO2021082809A1 (zh) * | 2019-10-29 | 2021-05-06 | 山东科技大学 | 一种外汇时间序列预测的训练优化方法 |
CN216116752U (zh) * | 2021-10-20 | 2022-03-22 | 山西太钢不锈钢股份有限公司 | 鱼雷罐车辆轮对轴承不分解检测的装置 |
CN114355832A (zh) * | 2021-12-27 | 2022-04-15 | 大连华锐重工集团股份有限公司 | 一种基于架车机液压系统的鱼雷罐车顶升控制系统和方法 |
CN114707712A (zh) * | 2022-03-23 | 2022-07-05 | 辽宁红沿河核电有限公司 | 一种发电机组备件需求的预测方法 |
-
2023
- 2023-03-07 CN CN202310209655.9A patent/CN116415929B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112703457A (zh) * | 2018-05-07 | 2021-04-23 | 强力物联网投资组合2016有限公司 | 用于使用工业物联网进行数据收集、学习和机器信号流传输实现分析和维护的方法和系统 |
CN110400009A (zh) * | 2019-07-09 | 2019-11-01 | 浙江大学 | 基于自适应遗传算法的高炉炼铁多目标智能优化方法 |
WO2021082809A1 (zh) * | 2019-10-29 | 2021-05-06 | 山东科技大学 | 一种外汇时间序列预测的训练优化方法 |
CN216116752U (zh) * | 2021-10-20 | 2022-03-22 | 山西太钢不锈钢股份有限公司 | 鱼雷罐车辆轮对轴承不分解检测的装置 |
CN114355832A (zh) * | 2021-12-27 | 2022-04-15 | 大连华锐重工集团股份有限公司 | 一种基于架车机液压系统的鱼雷罐车顶升控制系统和方法 |
CN114707712A (zh) * | 2022-03-23 | 2022-07-05 | 辽宁红沿河核电有限公司 | 一种发电机组备件需求的预测方法 |
Non-Patent Citations (4)
Title |
---|
侯梅英;: "320t鱼雷罐车架裂纹分析与预防", 武钢技术, no. 06, pages 30 - 32 * |
张国利, 李绍铭: "铁水鱼雷罐的检测方案研究", 微计算机信息, no. 09, pages 41 - 42 * |
马成正;王洪德;: "基于FMEA与RBF神经网络的LPG汽车罐车储罐系统故障诊断", 中国安全科学学报, no. 01, pages 99 - 104 * |
黄帮福;贺东风;田乃媛;徐安军;李广双;齐岩;: "鱼雷罐管理系统的设计与实现", 冶金自动化, no. 04, pages 16 - 21 * |
Also Published As
Publication number | Publication date |
---|---|
CN116415929B (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113095550B (zh) | 基于变分递归网络和自注意力机制的空气质量预测方法 | |
CN112990556A (zh) | 一种基于Prophet-LSTM模型的用户用电能耗预测方法 | |
CN113554148A (zh) | 一种基于贝叶斯优化的BiLSTM电压偏差预测方法 | |
CN113837356A (zh) | 基于融合神经网络的污水处理智能预测方法 | |
Yan et al. | DSTED: A denoising spatial–temporal encoder–decoder framework for multistep prediction of burn-through point in sintering process | |
CN113205233B (zh) | 基于灰狼算法和多核支持向量回归的锂电池寿命预测方法 | |
US20210064372A1 (en) | Mixed precision capable hardware for tuning a machine learning model | |
CN116307215A (zh) | 一种电力系统的负荷预测方法、装置、设备及存储介质 | |
CN116432323B (zh) | 一种基于贝叶斯网络的飞机结构数字孪生可信性评估方法 | |
CN110119540A (zh) | 一种用于生存风险分析的多输出梯度提升树建模方法 | |
CN114418089A (zh) | 模型压缩方法、系统、部署方法、设备及存储介质 | |
CN111639821A (zh) | 一种水泥炉窑生产能耗预测方法及系统 | |
CN115018191A (zh) | 一种基于小样本数据的碳排放量预测方法 | |
CN114462591A (zh) | 一种动态量化神经网络的推理方法 | |
CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及系统 | |
CN116415929B (zh) | 一种基于多层gru网络的鱼雷罐车预测性维护方法 | |
CN118364963A (zh) | 基于lstm神经网络的建筑材料价格预测方法 | |
CN112487361B (zh) | 一种基于arima和小波变换的扇区短时交通流量预测方法 | |
CN114239396A (zh) | 一种风机齿轮箱状态预测方法及系统 | |
CN116825328A (zh) | 一种综合血液特征风险评估构建患者预后模型的算法 | |
CN116627342A (zh) | 一种固态硬盘剩余使用寿命预测方法、装置、设备及介质 | |
Al-Aqtash et al. | On the gumbel-burr XII distribution: regression and application | |
CN114492967A (zh) | 基于ceemdan和blstm组合模型的城轨车站客流预测方法和介质 | |
CN111027680B (zh) | 基于变分自编码器的监控量不确定性预测方法及系统 | |
CN103472721A (zh) | 自适应机器学习的农药废液焚烧炉炉温最佳化系统及方法 |
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 |