CN116861369A - 工业互联网异构数据融合的空压机健康评估方法及系统 - Google Patents
工业互联网异构数据融合的空压机健康评估方法及系统 Download PDFInfo
- Publication number
- CN116861369A CN116861369A CN202311126993.2A CN202311126993A CN116861369A CN 116861369 A CN116861369 A CN 116861369A CN 202311126993 A CN202311126993 A CN 202311126993A CN 116861369 A CN116861369 A CN 116861369A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- fusion
- air compressor
- feature vector
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 33
- 239000013598 vector Substances 0.000 claims abstract description 86
- 238000011156 evaluation Methods 0.000 claims abstract description 37
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 238000013210 evaluation model Methods 0.000 claims abstract description 14
- 239000010705 motor oil Substances 0.000 claims abstract description 14
- 230000001133 acceleration Effects 0.000 claims abstract description 8
- 238000007637 random forest analysis Methods 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 20
- 238000003066 decision tree Methods 0.000 claims description 16
- 238000003062 neural network model Methods 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000000638 solvent extraction Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000013480 data collection Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 description 5
- 239000003921 oil Substances 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Manufacturing & Machinery (AREA)
- Probability & Statistics with Applications (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及工业互联网异构数据融合的空压机健康评估方法及系统,属于工业互联网技术领域。工业互联网异构数据融合的空压机健康评估方法,包括以下步骤:采集空压机当前的运行数据,所述数据包括空压机的振动加速度、温度、电流、气压、机油粘度和机油密度;对采集的多项异构数据进行预处理、特征学习和特征融合,得到一个融合特征向量;将得到的融合特征向量输入构建好的评估模型,经评估模型对当前空压机的健康状态进行评估后,输出相应的评估结论。本发明通过综合分析来自多个数据源的空压机数据,实现了对空压机健康状态的准确评估。
Description
技术领域
本发明涉及工业互联网技术领域,具体是一种工业互联网异构数据融合的空压机健康评估方法及系统。
背景技术
空压机是各类工业企业,例如制造业、化工业中的重要基础动力设备之一,其运行状态直接影响着企业的生产系统运转。实时监测和评估空压机的工作状态,实现对机组健康状态的精确判断,对于保障生产安全、做到早期预警维护与事故预防有着重要的意义。
现有技术对空压机的状态评估主要依赖单一传感器数据,如机壳温度、电流等,导致状态判断不全面,难以实现对故障模式的准确预测与识别。
随着工业互联网的快速发展,越来越多的传感器和监测设备被应用于空压机系统,产生了大量的异构数据。这些数据包括但不限于振动数据、温度数据、压力数据、电流数据、设备运行状态数据等。这些数据源之间具有不同的特点和信息,可以预见的是,通过综合分析利用这些多源异构数据,可以有效提高空压机健康评估的准确性和可靠性。因此,需要工业互联网异构数据融合的空压机健康评估方法及系统。
发明内容
本发明提供了工业互联网异构数据融合的空压机健康评估方法及系统。该方法和系统利用工业互联网技术和数据融合算法,综合分析来自多个数据源的空压机数据,以实现对空压机健康状态的准确评估。
工业互联网异构数据融合的空压机健康评估方法,包括以下步骤:
S1:数据采集
采集空压机当前的运行数据,所述数据包括空压机的振动加速度、温度、电流、气压、机油粘度和机油密度;
S2:数据处理
对采集的多项异构数据进行预处理、特征学习和特征融合,得到一个融合特征向量;具体过程如下:
S21:数据预处理:将数据统一处理为CSV格式,对数据进行平滑滤波去噪,利用插值对齐不同频率采集的数据;使用均值或插值填充处理缺失值;
S22:特征学习:将预处理后的数据输入LSTM神经网络模型,经模型处理后,得到不同异构数据的状态特征向量;
S23:特征融合:
(1) 将LSTM神经网络模型输出的不同异构数据的状态特征向量拼接成一个大的特征向量;
(2) 将拼接后的大的特征向量输入多模态神经网络,经特征融合学习,获得不同特征之间的内在关联;
(3) 通过多层非线性拟合,输出一个维度在64-128之间的融合特征向量;
(4) 对融合特征向量进行L2正则化处理;
S3:健康评估
将得到的融合特征向量输入构建好的评估模型,经评估模型对当前空压机的健康状态进行评估后,输出相应的评估结论。
进一步地,所述S3的健康评估,具体包括:
S31:获取数据
接收空压机当前时刻的融合特征向量;
S32:状态识别
加载预先训练好的状态识别模型,将融合特征向量输入状态识别模型进行推理,状态识别模型基于融合特征向量中反映的各运行参数,按训练的规则进行ATE三分类,输出空压机当前状态:正常/预警/故障;
S33:故障预测
加载预先训练好的故障预测模型,将融合特征向量输入故障预测模型进行推理,故障预测模型基于融合特征向量预测未来1小时内故障发生的概率p值,所述p为取自0-1之间的概率值。
进一步地,所述S32状态识别中,所述状态识别模型为随机森林模型,其训练过程如下:
S32.1:数据收集和预处理
采集空压机一年的运行状态数据,共收集100万个样本数据,每个样本数据含多种异构数据;对采集的100万个样本数据进行预处理、特征学习和特征融合,最终得到100万个融合特征向量;
S32.2:数据标注
每个融合特征向量被标注为A/T/E三个类别,分别代表正常状态、预警状态和故障状态,这些标注基于已知的运行数据和故障案例,确保了标注的准确性;
S32.3:数据集划分
随机从100万个融合特征向量中选择80万个作为训练集,剩下的20万个作为验证集,以进行模型的训练和性能评估;
S32.4:模型构建和训练
使用随机森林模型构建一个包含1000棵决策树的随机森林,为了避免过拟合,限制每个决策树的最大深度为10,并使用基尼系数作为划分标准;
S32.5:模型评估
在验证集上测试训练好的随机森林模型,计算准确率、精确率、召回率等指标,以确保模型对各类别的识别性能;
S32.6:模型调优
根据评估结果,对随机森林模型进行调参,例如调整决策树数量、深度等参数,迭代地进行模型训练和评估,直到达到预定的性能指标要求。
进一步地,所述S33故障预测中,所述故障预测模型为随机森林模型,其训练过程如下:
S33.1:样本构造
使用100万个融合特征向量数据,以1小时为窗口期,截取连续的50万个融合特征向量窗口作为样本;每个窗口期内,如果发生过故障,则标注为正样本,否则标注为负样本;
S33.2:数据集划分
随机选择40万个样本作为训练集,剩下的10万个样本作为验证集;
S33.3:模型构建和训练
使用随机森林模型,构建一个包含500棵决策树的随机森林;限制每个决策树的最大深度为8,使用二元交叉熵作为损失函数;
S33.4:模型评估
在验证集上测试训练好的随机森林模型,计算预测故障的准确率、AUC等指标,绘制ROC曲线,以衡量模型的性能;
S33.5:模型调优
根据评估结果,对随机森林模型进行调参,例如调整决策树数量、深度等参数,迭代地进行模型训练和评估,直到达到预定的性能指标要求。
工业互联网异构数据融合的空压机健康评估系统,包括:
数据采集模块,用以采集空压机当前的运行数据,所述数据包括空压机的振动加速度、温度、电流、气压、机油粘度和机油密度;
数据处理模块,用以对采集的多项异构数据进行预处理、特征学习和特征融合,得到一个融合特征向量;具体包括:
将数据统一处理为CSV格式,对数据进行平滑滤波去噪,利用插值对齐不同频率采集的数据;使用均值或插值填充处理缺失值;
将预处理后的数据输入LSTM神经网络模型,经模型处理后,得到不同异构数据的状态特征向量;
将LSTM神经网络模型输出的不同异构数据的状态特征向量拼接成一个大的特征向量;将拼接后的大的特征向量输入多模态神经网络,经特征融合学习,获得不同特征之间的内在关联;通过多层非线性拟合,输出一个维度在64-128之间的融合特征向量;对融合特征向量进行L2正则化处理;
健康评估模块,用以将得到的融合特征向量输入构建好的评估模型,经评估模型对当前空压机的健康状态进行评估后,输出相应的评估结论。
本发明的工业互联网异构数据融合的空压机健康评估方法及系统,通过整合空压机运行过程的多源异构数据,实现对设备健康状态的智能评估与故障预测,达到状态监测与预警的效果。相较于传统单一数据源的分析方法,利用数据融合支持的智能算法实现了更加准确和全面的空压机健康管理。
附图说明
图1为实施例一的工业互联网异构数据融合的空压机健康评估方法流程图;
图2为实施例二的工业互联网异构数据融合的空压机健康评估系统结构图。
具体实施方式
下面结合附图与实施例对本发明做进一步说明:
为能清楚说明本发明方案的技术特点,下面将通过具体实施方式,并结合其附图,对本发明进行详细阐述。下文的公开提供了许多不同的实施例用来实现本发明的不同结构。为了简化本发明的公开,下文中对特定例子的部件和设置进行描述。此外,本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意,在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
实施例一
工业互联网异构数据融合的空压机健康评估方法,包括以下步骤:
S1:数据采集
采集空压机运行数据,所述数据包括空压机的振动加速度、温度、电流、气压、机油粘度和机油密度;
所述振动加速度由配置在空气压缩机组轴承处的振动传感器检测采集,采样频率为2kHz;
所述温度由多点布置的温度传感器进行采集,包括测量的压气机出口温度、压气机壳体温度、马达绕组温度,参数为对应位置的温度数值,采样频率设置为1Hz;
所述电流通过安装在空压机电机输入线圈处的电流传感器进行采集,参数为电流实时有效值,采样频率设置为10kHz;
所述气压为测量系统中气路的压力参数,由安装在气罐出口管道上的压力传感器采集,采样频率设置为50Hz;
所述机油粘度和机油密度由安装在机油滤清器后的油路上的机油传感器采集,并使用在线液质分析仪检测,采样频率设置为1分钟一次。
S2:数据处理
对采集的多项异构数据进行预处理、特征学习和特征融合,得到一个融合特征向量;具体过程如下:
S21:数据预处理:将数据统一处理为CSV格式,对数据进行平滑滤波去噪,利用插值对齐不同频率采集的数据;使用均值或插值填充处理缺失值;
S22:特征学习:将预处理后的数据输入LSTM神经网络模型,经模型处理后,得到不同异构数据的状态特征向量;
S23:特征融合:
(1) 将LSTM神经网络模型输出的不同异构数据的状态特征向量拼接成一个大的特征向量;
(2) 将拼接后的大的特征向量输入多模态神经网络,经特征融合学习,获得不同特征之间的内在关联;
(3) 通过多层非线性拟合,输出一个维度在64-128之间的融合特征向量;
(4) 对融合特征向量进行L2正则化处理;
S3:健康评估
将得到的融合特征向量输入构建好的评估模型,经评估模型对当前空压机的健康状态进行评估后,输出相应的评估结论;具体包括:
S31:获取数据
接收空压机当前时刻的融合特征向量;
S32:状态识别
加载预先训练好的状态识别模型,将融合特征向量输入状态识别模型进行推理,状态识别模型基于融合特征向量中反映的各运行参数,按训练的规则进行ATE三分类,输出空压机当前状态:正常/预警/故障;
S33:故障预测
加载预先训练好的故障预测模型,将融合特征向量输入故障预测模型进行推理,故障预测模型基于融合特征向量预测未来1小时内故障发生的概率p值,所述p为取自0-1之间的概率值。
所述S32中的状态识别模型为随机森林模型,其训练过程如下:
S32.1:数据收集和预处理
采集空压机一年的运行状态数据,共收集100万个样本数据,每个样本数据含多种异构数据;对采集的100万个样本数据进行预处理、特征学习和特征融合,最终得到100万个融合特征向量;
S32.2:数据标注
每个融合特征向量被标注为A/T/E三个类别,分别代表正常状态、预警状态和故障状态,这些标注基于已知的运行数据和故障案例,确保了标注的准确性;
S32.3:数据集划分
随机从100万个融合特征向量中选择80万个作为训练集,剩下的20万个作为验证集,以进行模型的训练和性能评估;
S32.4:模型构建和训练
使用随机森林模型构建一个包含1000棵决策树的随机森林,为了避免过拟合,限制每个决策树的最大深度为10,并使用基尼系数作为划分标准;
S32.5:模型评估
在验证集上测试训练好的随机森林模型,计算准确率、精确率、召回率等指标,以确保模型对各类别的识别性能;
S32.6:模型调优
根据评估结果,对随机森林模型进行调参,例如调整决策树数量、深度等参数,迭代地进行模型训练和评估,直到达到预定的性能指标要求。
所述S33中的故障预测模型为随机森林模型,其训练过程如下:
S33.1:样本构造
使用100万个融合特征向量数据,以1小时为窗口期,截取连续的50万个融合特征向量窗口作为样本;每个窗口期内,如果发生过故障,则标注为正样本,否则标注为负样本;
S33.2:数据集划分
随机选择40万个样本作为训练集,剩下的10万个样本作为验证集;
S33.3:模型构建和训练
使用随机森林模型,构建一个包含500棵决策树的随机森林;限制每个决策树的最大深度为8,使用二元交叉熵作为损失函数;
S33.4:模型评估
在验证集上测试训练好的随机森林模型,计算预测故障的准确率、AUC等指标,绘制ROC曲线,以衡量模型的性能;
S33.5:模型调优
根据评估结果,对随机森林模型进行调参,例如调整决策树数量、深度等参数,迭代地进行模型训练和评估,直到达到预定的性能指标要求。
实施例二
本实施例公开一种工业互联网异构数据融合的空压机健康评估系统,包括:
数据采集模块,用以采集空压机当前的运行数据,所述数据包括空压机的振动加速度、温度、电流、气压、机油粘度和机油密度;
数据处理模块,用以对采集的多项异构数据进行预处理、特征学习和特征融合,得到一个融合特征向量;具体包括:
将数据统一处理为CSV格式,对数据进行平滑滤波去噪,利用插值对齐不同频率采集的数据;使用均值或插值填充处理缺失值;
将预处理后的数据输入LSTM神经网络模型,经模型处理后,得到不同异构数据的状态特征向量;
将LSTM神经网络模型输出的不同异构数据的状态特征向量拼接成一个大的特征向量;将拼接后的大的特征向量输入多模态神经网络,经特征融合学习,获得不同特征之间的内在关联;通过多层非线性拟合,输出一个维度在64-128之间的融合特征向量;对融合特征向量进行L2正则化处理;
健康评估模块,用以将得到的融合特征向量输入构建好的评估模型,经评估模型对当前空压机的健康状态进行评估后,输出相应的评估结论。
本发明的工业互联网异构数据融合的空压机健康评估方法及系统,具有以下技术优势:
1、应用工业互联网在空压机健康管理领域采集更多维度的特征数据,评估结果更准确全面;
2、提出并设计了一种基于深度学习的多源异构数据特征提取及高效融合方法;
3、在空压机状态评估与故障预测中,首次应用了数据融合支持的智能算法;
4、深度学习数据融合提高异构数据处理能力,获得更好状态特征;
5、通过采集到的新数据样本,基于建立的模型实时输出空压机当前健康状态与潜在故障风险的评估结果;
6、实现空压机机组的智能化健康管理,以减少突发停机事故,降低生产安全风险,同时也为企业实现精益生产提供数据支撑。
Claims (5)
1.工业互联网异构数据融合的空压机健康评估方法,其特征在于,包括以下步骤:
S1:数据采集
采集空压机当前的运行数据,所述数据包括空压机的振动加速度、温度、电流、气压、机油粘度和机油密度;
S2:数据处理
对采集的多项异构数据进行预处理、特征学习和特征融合,得到一个融合特征向量;具体过程如下:
S21:数据预处理:将数据统一处理为CSV格式,对数据进行平滑滤波去噪,利用插值对齐不同频率采集的数据;使用均值或插值填充处理缺失值;
S22:特征学习:将预处理后的数据输入LSTM神经网络模型,经模型处理后,得到不同异构数据的状态特征向量;
S23:特征融合:
(1) 将LSTM神经网络模型输出的不同异构数据的状态特征向量拼接成一个大的特征向量;
(2) 将拼接后的大的特征向量输入多模态神经网络,经特征融合学习,获得不同特征之间的内在关联;
(3) 通过多层非线性拟合,输出一个维度在64-128之间的融合特征向量;
(4) 对融合特征向量进行L2正则化处理;
S3:健康评估
将得到的融合特征向量输入构建好的评估模型,经评估模型对当前空压机的健康状态进行评估后,输出相应的评估结论。
2.如权利要求1所述的工业互联网异构数据融合的空压机健康评估方法,其特征在于,所述S3的健康评估,具体包括:
S31:获取数据
接收空压机当前时刻的融合特征向量;
S32:状态识别
加载预先训练好的状态识别模型,将融合特征向量输入状态识别模型进行推理,状态识别模型基于融合特征向量中反映的各运行参数,按训练的规则进行ATE三分类,输出空压机当前状态:正常/预警/故障;
S33:故障预测
加载预先训练好的故障预测模型,将融合特征向量输入故障预测模型进行推理,故障预测模型基于融合特征向量预测未来1小时内故障发生的概率p值,所述p为取自0-1之间的概率值。
3.如权利要求2所述的工业互联网异构数据融合的空压机健康评估方法,其特征在于,所述S32状态识别中,所述状态识别模型为随机森林模型,其训练过程如下:
S32.1:数据收集和预处理
采集空压机一年的运行状态数据,共收集100万个样本数据,每个样本数据含多种异构数据;对采集的100万个样本数据进行预处理、特征学习和特征融合,最终得到100万个融合特征向量;
S32.2:数据标注
每个融合特征向量被标注为A/T/E三个类别,分别代表正常状态、预警状态和故障状态,这些标注基于已知的运行数据和故障案例,确保了标注的准确性;
S32.3:数据集划分
随机从100万个融合特征向量中选择80万个作为训练集,剩下的20万个作为验证集,以进行模型的训练和性能评估;
S32.4:模型构建和训练
使用随机森林模型构建一个包含1000棵决策树的随机森林,为了避免过拟合,限制每个决策树的最大深度为10,并使用基尼系数作为划分标准;
S32.5:模型评估
在验证集上测试训练好的随机森林模型,以确保模型对各类别的识别性能;
S32.6:模型调优
根据评估结果,对随机森林模型进行调参,直到达到预定的性能指标要求。
4.如权利要求2所述的工业互联网异构数据融合的空压机健康评估方法,其特征在于,所述S33故障预测中,所述故障预测模型为随机森林模型,其训练过程如下:
S33.1:样本构造
使用100万个融合特征向量数据,以1小时为窗口期,截取连续的50万个融合特征向量窗口作为样本;每个窗口期内,如果发生过故障,则标注为正样本,否则标注为负样本;
S33.2:数据集划分
随机选择40万个样本作为训练集,剩下的10万个样本作为验证集;
S33.3:模型构建和训练
使用随机森林模型,构建一个包含500棵决策树的随机森林;限制每个决策树的最大深度为8,使用二元交叉熵作为损失函数;
S33.4:模型评估
在验证集上测试训练好的随机森林模型,以衡量模型的性能;
S33.5:模型调优
根据评估结果,对随机森林模型进行调参,直到达到预定的性能指标要求。
5.工业互联网异构数据融合的空压机健康评估系统,包括:
数据采集模块,用以采集空压机当前的运行数据,所述数据包括空压机的振动加速度、温度、电流、气压、机油粘度和机油密度;
数据处理模块,用以对采集的多项异构数据进行预处理、特征学习和特征融合,得到一个融合特征向量;具体包括:
将数据统一处理为CSV格式,对数据进行平滑滤波去噪,利用插值对齐不同频率采集的数据;使用均值或插值填充处理缺失值;
将预处理后的数据输入LSTM神经网络模型,经模型处理后,得到不同异构数据的状态特征向量;
将LSTM神经网络模型输出的不同异构数据的状态特征向量拼接成一个大的特征向量;将拼接后的大的特征向量输入多模态神经网络,经特征融合学习,获得不同特征之间的内在关联;通过多层非线性拟合,输出一个维度在64-128之间的融合特征向量;对融合特征向量进行L2正则化处理;
健康评估模块,用以将得到的融合特征向量输入构建好的评估模型,经评估模型对当前空压机的健康状态进行评估后,输出相应的评估结论。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311126993.2A CN116861369A (zh) | 2023-09-04 | 2023-09-04 | 工业互联网异构数据融合的空压机健康评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311126993.2A CN116861369A (zh) | 2023-09-04 | 2023-09-04 | 工业互联网异构数据融合的空压机健康评估方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116861369A true CN116861369A (zh) | 2023-10-10 |
Family
ID=88219382
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311126993.2A Pending CN116861369A (zh) | 2023-09-04 | 2023-09-04 | 工业互联网异构数据融合的空压机健康评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116861369A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117150274A (zh) * | 2023-10-31 | 2023-12-01 | 能科科技股份有限公司 | 堵头压装的质量检测方法 |
CN117572295A (zh) * | 2024-01-12 | 2024-02-20 | 山东和兑智能科技有限公司 | 一种高压套管多模态在线监测及预警方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109857090A (zh) * | 2019-03-05 | 2019-06-07 | 中南大学 | 一种均衡风缸制动装置健康评估系统和方法 |
CN111067508A (zh) * | 2019-12-31 | 2020-04-28 | 深圳安视睿信息技术股份有限公司 | 非临床环境下对高血压进行非干预式的监测和评估方法 |
CN112034789A (zh) * | 2020-08-25 | 2020-12-04 | 国家机床质量监督检验中心 | 一种数控机床关键部件及整机的健康评估方法,系统及评估终端机 |
CN114358511A (zh) * | 2021-12-10 | 2022-04-15 | 燕山大学 | 一种融合多源异构监测数据的风电传动系统健康评估方法 |
CN114723285A (zh) * | 2022-04-07 | 2022-07-08 | 广州汉光电气股份有限公司 | 一种电网设备安全性评估预测方法 |
CN114974575A (zh) * | 2022-07-11 | 2022-08-30 | 中国科学院软件研究所 | 基于多特征融合的乳腺癌新辅助化疗疗效预测装置 |
CN115293383A (zh) * | 2022-10-09 | 2022-11-04 | 西南石油大学 | 融合博弈论的变压器风险致因分析方法 |
CN116050888A (zh) * | 2022-12-19 | 2023-05-02 | 国网安徽省电力有限公司电力科学研究院 | 应用于智能高压开关柜传感器健康状态评估的方法 |
CN116564561A (zh) * | 2023-05-11 | 2023-08-08 | 亿慧云智能科技(深圳)股份有限公司 | 基于生理与情感特征的智能语音看护系统及看护方法 |
-
2023
- 2023-09-04 CN CN202311126993.2A patent/CN116861369A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109857090A (zh) * | 2019-03-05 | 2019-06-07 | 中南大学 | 一种均衡风缸制动装置健康评估系统和方法 |
CN111067508A (zh) * | 2019-12-31 | 2020-04-28 | 深圳安视睿信息技术股份有限公司 | 非临床环境下对高血压进行非干预式的监测和评估方法 |
CN112034789A (zh) * | 2020-08-25 | 2020-12-04 | 国家机床质量监督检验中心 | 一种数控机床关键部件及整机的健康评估方法,系统及评估终端机 |
CN114358511A (zh) * | 2021-12-10 | 2022-04-15 | 燕山大学 | 一种融合多源异构监测数据的风电传动系统健康评估方法 |
CN114723285A (zh) * | 2022-04-07 | 2022-07-08 | 广州汉光电气股份有限公司 | 一种电网设备安全性评估预测方法 |
CN114974575A (zh) * | 2022-07-11 | 2022-08-30 | 中国科学院软件研究所 | 基于多特征融合的乳腺癌新辅助化疗疗效预测装置 |
CN115293383A (zh) * | 2022-10-09 | 2022-11-04 | 西南石油大学 | 融合博弈论的变压器风险致因分析方法 |
CN116050888A (zh) * | 2022-12-19 | 2023-05-02 | 国网安徽省电力有限公司电力科学研究院 | 应用于智能高压开关柜传感器健康状态评估的方法 |
CN116564561A (zh) * | 2023-05-11 | 2023-08-08 | 亿慧云智能科技(深圳)股份有限公司 | 基于生理与情感特征的智能语音看护系统及看护方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117150274A (zh) * | 2023-10-31 | 2023-12-01 | 能科科技股份有限公司 | 堵头压装的质量检测方法 |
CN117150274B (zh) * | 2023-10-31 | 2024-01-26 | 能科科技股份有限公司 | 堵头压装的质量检测方法 |
CN117572295A (zh) * | 2024-01-12 | 2024-02-20 | 山东和兑智能科技有限公司 | 一种高压套管多模态在线监测及预警方法 |
CN117572295B (zh) * | 2024-01-12 | 2024-04-12 | 山东和兑智能科技有限公司 | 一种高压套管多模态在线监测及预警方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110647133B (zh) | 轨道交通设备状态检测维护方法及系统 | |
CN116861369A (zh) | 工业互联网异构数据融合的空压机健康评估方法及系统 | |
CN109186813A (zh) | 一种温度传感器自检装置及方法 | |
CN111504676A (zh) | 基于多源监控数据融合的设备故障诊断方法、装置及系统 | |
CN111241154A (zh) | 一种基于大数据的蓄电池故障预警方法及系统 | |
CN115640915B (zh) | 一种智慧燃气管网压缩机安全管理方法和物联网系统 | |
CN105626502B (zh) | 基于小波包和拉普拉斯特征映射的柱塞泵健康评估方法 | |
KR102427205B1 (ko) | 인공지능 모델을 위한 학습 데이터 생성 장치 및 방법 | |
CN108304567B (zh) | 高压变压器工况模式识别与数据分类方法及系统 | |
US12007745B2 (en) | Apparatus for predicting equipment damage | |
CN110619691B (zh) | 一种板坯表面裂纹的预测方法及装置 | |
CN116629627A (zh) | 输电在线监测装置的智能检测系统 | |
Son et al. | Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge | |
CN115238785A (zh) | 基于图像融合和集成网络的旋转机械故障诊断方法和系统 | |
CN111678699A (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
CN112734977B (zh) | 一种基于物联网的设备风险预警系统及算法 | |
CN116660761B (zh) | 一种锂离子电池检测方法及系统 | |
CN117408519A (zh) | 基于深度学习算法的化工反应过程风险预警方法及装置 | |
US20230024104A1 (en) | Identification of false transformer humming using machine learning | |
CN116187861A (zh) | 基于同位素的水质溯源监测方法及相关装置 | |
CN114580472B (zh) | 工业互联网中因果与注意力并重的大型设备故障预测方法 | |
CN117345344B (zh) | 一种矿井声电信号智能预测方法与系统 | |
CN117406007B (zh) | 一种充电桩充电数据检测方法及系统 | |
CN118261584A (zh) | 基于多参量数据的变压器状态评估方法及系统 | |
CN116718382A (zh) | 一种基于对比学习的轴承早期故障在线检测方法 |
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 |