CN116975741B - 基于物联网的能源设备故障预测方法、装置及电子设备 - Google Patents
基于物联网的能源设备故障预测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN116975741B CN116975741B CN202311177348.3A CN202311177348A CN116975741B CN 116975741 B CN116975741 B CN 116975741B CN 202311177348 A CN202311177348 A CN 202311177348A CN 116975741 B CN116975741 B CN 116975741B
- Authority
- CN
- China
- Prior art keywords
- data
- feature
- target
- training data
- data set
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 100
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims description 141
- 230000006870 function Effects 0.000 claims description 47
- 238000012216 screening Methods 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 23
- 238000007781 pre-processing Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 15
- 230000035945 sensitivity Effects 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 4
- 230000008602 contraction Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims 2
- 230000006855 networking Effects 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 7
- 238000003745 diagnosis Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 8
- 239000000243 solution Substances 0.000 description 8
- 238000010606 normalization Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000010187 selection method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及故障预测技术领域,尤其涉及一种基于物联网的能源设备故障预测方法、装置及电子设备。本发明提供的基于物联网的能源设备故障预测方法通过物联网实时监测、采集能源设备的当前运行状态及当前运行参数,之后基于ReliefF算法对采集到的当前运行数据提取特征,之后对分类器进行训练以获得与能源设备当前运行状态及运行数据对应的当前预测结果,通过物联网采集当前运行数据使得数据具有即时性、有效性,通过训练得到的故障预测模型基于当前运行数据进行故障预测,从而实现了自动进行设备故障监测,提高了设备故障监测的准确性和效率。
Description
技术领域
本发明涉及故障预测技术领域,尤其是涉及一种基于物联网的能源设备故障预测方法、装置及电子设备。
背景技术
能源设备故障诊断是一个重要的研究领域。随着社会对能源的需求日益增长,能源设备的稳定运行变得至关重要。然而,能源设备往往是高度复杂的,存在各种各样的故障类型,这使得故障诊断变得困难。传统的故障诊断方法主要是基于经验和专家知识的,这种方法在处理复杂和未知故障时往往效果不佳。
为此,研究人员开始尝试将机器学习应用到故障诊断中,以通过学习历史数据,模型可以预测未知数据的故障类型。相关技术中通过采集设备的一个或多个相关数据,通过将数据与阈值的比较关系判断是否发生故障,或,通过构建知识图谱对设备进行故障分析或监测。
然而,在实际应用过程中,相关技术存在以下技术缺陷:
由于能源设备的运行参数时多维度的,故障类型也很多,在故障预测过程中若特征提取不足、选择效率低等因素会影响故障诊断的准确性。
发明内容
有鉴于此,本发明的目的在于提供一种基于物联网的能源设备故障预测方法、装置及电子设备,以提高故障诊断的准确性和可靠性。
第一方面,本发明实施例提供了一种基于物联网的能源设备故障预测方法,所述方法包括:
获取物联网系统采集的所述能源设备的当前运行数据;
将所述当前运行数据输入故障预测模型,输出预测结果;所述故障预测模型为基于ReliefF算法和预设的特征筛选方法进行特征提取后的训练数据训练得到的。
结合第一方面,所述故障预测模型的训练过程如下:
获取物联网系统采集的所述能源设备的目标训练数据集;
基于ReliefF算法和预设的特征筛选方法,使用预先构建的预测模型对目标训练数据集进行特征提取,得到目标特征子集;
将目标特征子集和目标特征子集对应的所述目标训练数据输入至预先设置的分类器中,以对所述分类器进行分类训练,并将分类训练的结果满足预设条件时的分类器确定为能源设施故障预测模型。
结合第一方面,获取物联网系统采集的所述能源设备的目标训练数据集的步骤,包括:
获取物联网系统采集的所能源设备的初始训练数据集;
对所述初始训练数据集中的训练数据添加标注,得到第一训练数据集;
根据数据预处理规则对所述第一训练数据集进行预处理,得到第二训练数据集;
对第二训练数据集中标注为能源设备故障对应的数据进行数据扩充,得到目标训练数据集。
结合第一方面,对第二训练数据集中标注为能源设备故障对应的数据进行数据扩充,得到目标训练数据集的步骤,包括:
将所述第二训练数据集中标注为能源设备故障对应的数据输入预设的生成对抗网络进行训练,基于二阶段训练的方式进行数据扩充训练,生成扩充数据集;
将所述扩充数据集与所述第二训练数据集融合,得到目标训练数据集。
结合第一方面,目标训练数据集的每个训练数据包括多个数据特征;
基于ReliefF算法和预设的特征筛选方法,使用预先构建的故障预测模型对目标训练数据集进行特征提取,得到目标特征子集的步骤,包括:
根据预设过滤式和包裹式特征选择方法对所述目标训练数据集的特征进行初步筛选,得到设定特征数量的第一特征;
针对每一个所述第一特征,根据ReliefF算法计算所述第一特征对应的重要性权重值;
根据所述重要性权重值对至少一个所述第一特征降序排列后输入第二预设神经网络以对所述第一特征再次筛选,确定目标特征子集。
结合第一方面,将目标特征子集和目标特征子集对应的所述目标训练数据输入至预先设置的分类器中,以对所述分类器进行分类训练,并将分类训练的结果满足预设条件时的分类器确定为能源设施故障预测模型,得到预测结果的步骤包括:
根据代价敏感因子优化极限学习机算法的目标函数,得到基于改进的代价敏感的极限学习机的目标函数;
基于改进后的所述目标函数训练所述分类器,将所述目标训练数据集及所述目标特征子集输入所述分类器,得到输出结果;
根据Softmax函数对所述输出结果进行故障预测类别确定,得到每个故障预测类别的概率分布;
确定概率最大的故障预测类别为目标故障预测类别;
根据所述输出结果和所述目标故障预测类别确定目标预测结果,得到故障预测模型。
结合第一方面,所述分类器包括隐藏层和输出层;
基于改进后的所述目标函数训练所述分类器,将所述目标训练数据集及所述目标特征子集输入所述分类器,得到输出结果的步骤,还包括:
将所述目标训练数据集及所述目标特征子集输入所述隐藏层,根据目标训练数据对应的重要性权重值、输出误差,分类边界距离计算所述隐藏层到所述输出层的当前权重;
根据当前权重将隐藏层特征通过所述输出层的线性变换,得到输出结果。
第二方面,本申请提供一种基于物联网的能源设备故障预测装置,所述装置包括:
获取模块,用于获取物联网系统采集的所述能源设备的当前运行数据;
当前预测结果输出模块,用于将所述当前运行数据输入故障预测模型,输出预测结果;所述故障预测模型为基于ReliefF算法和预设的特征筛选方法进行特征提取后的训练数据训练得到的。
第三方面,本申请提供一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序以实现如上述的方法。
第四方面,本申请提供一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行,以实现如上述的方法。
本发明实施例带来了以下有益效果:本发明提供了一种基于物联网的能源设备故障预测方法、装置及电子设备,所述方法包括:获取物联网系统采集的所述能源设备的当前运行数据;将所述当前运行数据输入故障预测模型,输出预测结果;所述故障预测模型为基于ReliefF算法和预设的特征筛选方法进行特征提取后的训练数据训练得到的。
本发明提供的基于物联网的能源设备故障预测方法通过物联网实时监测、采集能源设备的当前运行状态及当前运行参数,之后基于ReliefF算法对采集到的当前运行数据提取特征,之后对分类器进行训练以获得与能源设备当前运行状态及运行数据对应的当前预测结果,通过物联网采集当前运行数据使得数据具有即时性、有效性,通过训练得到的故障预测模型基于当前运行数据进行故障预测,从而实现了自动进行设备故障监测,提高了设备故障监测的准确性和效率。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于物联网的能源设备故障预测方法的流程图;
图2为本发明实施例提供的基于物联网的能源设备故障预测装置结构示意图;
图3为本发明实施例提供的电子设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为了便于对本实施例进行理解,下面先对本申请设计的技术用语进行简单介绍。
生成对抗网络(GAN)由生成器和判别器两部分组成,生成器的目标是生成尽可能真实的数据,以使判别器无法判断其是否是真实的数据,而判别器的目标是尽可能准确地判断输入数据是生成器生成的还是真实的。
在介绍了本申请涉及的技术用语后,接下来,对本申请实施例的应用场景和设计思想进行简单介绍。
现有的预测方法由于能源设备的运行参数时多维度的,故障类型也很多,在故障预测过程中若特征提取不足、选择效率低等因素会影响故障诊断的准确性。
基于此,本申请提供一种本申请实施例提供一种基于物联网的能源设备故障预测方法、装置及电子设备、存储介质,通过预设的过滤式和包裹式特征选择方法进行初步的特征筛选,在使用ReliefF算法进行特征权重的计算以快速、最后使用Bi-LSTM对处理后的数据进行特征提取,可以准确的提取数据特征,从而获得准确的预测结果,提高了能源设施故障预测的准确性和效率。
实施例1
本申请实施例提供一种基于物联网的能源设备故障预测方法,结合图1所示,所述方法包括:
S110,获取物联网系统采集的所述能源设备的当前运行数据;
S120,将所述当前运行数据输入故障预测模型,输出预测结果;所述预测结果用于预测所述能源设备故障类型和故障发生概率;其中,故障预测模型为基于ReliefF算法和预设的特征筛选方法进行特征提取后的训练数据训练得到的。
结合第一方面,故障预测模型的训练过程如下:
S210,获取物联网系统采集的所能源设备的目标训练数据集。
S220,基于ReliefF算法和预设的特征筛选方法,使用预先构建的故障预测模型对目标训练数据集进行特征提取,得到目标特征子集;
S230,将目标特征子集和目标特征子集对应的所述目标训练数据输入至预先设置的分类器中,以对所述分类器进行分类训练,并将分类训练的结果满足预设条件时的分类器确定为能源设施故障预测模型;其中,所述故障预测模型用于对能源设备进行故障类型预测。
结合第一方面,步骤S210获取物联网系统采集的所能源设备的目标训练数据集的步骤包括:
S211,获取物联网系统采集的所能源设备的初始训练数据集。
S212,对所述初始训练数据集中的训练数据添加标注,得到第一训练数据集。
S213,根据数据预处理规则对所述第一训练数据集进行预处理,得到第二训练数据集。
具体的,步骤S211初始训练数据集为物联网系统采集的实时监测的能源设备数据,具体的包括:设备的电压、电流、温度、振动频率等多维度信息。设备的运行数据被收集并进行整理,生成统一的数据格式。数据格式如下:设一个数据样本为,其中/>表示第/>个样本的第/>个属性(例如电压、电流等),/>表示属性总数。
步骤S212对所述初始训练数据集中的训练数据添加标注,得到第一训练数据集,具体包括:当设备发生故障时,对应的样本被标注为故障:(1),当设备正常运行时,对应的样本被标注为正常:(0)。因此,标注信息为。标注信息和对应的样本一起组成完整的数据样本:/>。应当注意的是,标注的类别不限于2个类别。应当注意的是,标注的类别不限于2个类别,该方法对于多故障类别同样适用。基于此,表示一个正常运行的设备实例,设备电压为120V,电流为10A,温度为25°C,振动频率为50Hz。
相较于传统的手动采集或者定时采集方式,本实施例采用实时监测和物联网采集技术,可以实时收集设备运行状态信息,并且可以通过物联网技术实现远程数据采集,大大提高了数据采集的效率和效果。
此外,为了确保数据的准确性和完整性,本实施例采用新型的传感器技术如基于物联网的智能传感器以及设备的内建传感器,以确保数据的准确性和完整性。
步骤S213中,预处理规则至少包括:数据清洗、数据标准化。具体的,在数据清洗过程中主要是针对原始数据中的异常值、缺失值进行处理。假设原始数据样本集为,数据清洗过程可以表示为:
;其中,/>表示数据清洗函数,/>是预定义的阈值,例如,在处理异常值时,可以设置阈值为数据的上下四分位数范围,超过这个范围的数据被认定为异常值,对于这些异常值,可以选择删除或者替换为中位数等方式进行处理。
在数据标准化过程中,为了消除数据的量纲影响,提高模型的稳定性和收敛速度,将每一个属性值进行标准化处理。标准化过程可以表示为:;其中,/>是标准化后的属性值,/>是标准化前的属性值,/>是第/>个属性的最小值,是第/>个属性的最大值。通过标准化处理,使得每个属性值都在[0,1]之间,保证了各属性值对模型的影响是均衡的。
进一步地,本发明引入了一种基于统计学的偏度校正方法。在数据分布偏斜的情况下,可以有效地使数据接近正态分布,提高模型对数据的适应性。具体的校正方法如下:
;
其中,表示偏度校正函数,/>是校正后的属性值,/>是预设的偏度阈值,当某属性的偏度超过该阈值时,进行偏度校正。
综上所述,完整的数据预处理过程可以表示为:
;
其中,为标准化前的数据,/>为数据清洗过程中预定义的阈值,/>表示数据清洗函数,/>表示偏度校正函数,/>表示归一化函数,/>为数据预处理后的数据。
基于上述数据预处理规则对所述第一训练数据集进行预处理,得到第二训练数据集。
由于实际应用场景中,能源设备的故障率通常较低,因此,故障样本的数量也较少,极易导致数据不平衡现象。因此本实施例对故障样本的数量进行数据扩充,以在原始数据中引入微小的随机扰动来生成新的样本,这不仅可以增加样本的数量,也能增强模型的泛化能力,从而提高模型的预测准确性和精度。
结合第一方面,在步骤S213之后,还包括:
S214,对第二训练数据集中标注为能源设备故障对应的数据进行数据扩充。
结合第一方面,步骤S214具体包括:
S2140,将第二训练数据集中标注为能源设备故障对应的数据预设生成对抗网络,基于二阶段训练的方式进行数据扩充训练,生成扩充数据集。
S2141,将扩充数据集与所述第二训练数据集融合,得到目标训练数据集。
具体的:将第二训练数据集中标注为能源设备故障的数据输入生成对抗网络,该生成对抗网络(GAN)由生成器和判别器两部分组成,生成器的目标是生成尽可能真实的数据,以使判别器无法判断其是否是真实的数据,而判别器的目标是尽可能准确地判断输入数据是生成器生成的还是真实的。假设预处理后的数据为假设预处理后的数据为,生成器为/>,判别器为/>,生成器/>的目标函数为:
;
其中,第一项表示判别器/>对真实数据/>的判别结果的期望,目标是使得/>尽可能接近1;
第二项表示判别器/>对生成器/>生成的假数据的判别结果的期望,目标是使得/>尽可能接近0;
是判别器给出/>是真实数据的概率,/>是判别器给出/>是真实数据的概率,/>是从高斯分布分布中采样得到的随机噪声。
传统的GAN网络生成数据的过程可以表示为:
;
其中,是从高斯分布分布中采样得到的随机噪声。通过训练GAN,得到的生成器/>可以生成与真实数据具有相同分布的数据。
在本实施例中,考虑到在能源设备故障诊断中,故障模式可能会有微妙的差别,因此在生成数据时,需要在细粒度上增加差异性,以覆盖更多的可能故障模式。具体的,采用条件生成对抗网络(cGAN),在生成数据时输入额外的条件信息,如设备的工作状态、环境参数等,生成器生成数据的公式则为:
;其中,/>是输入的条件信息。
之后,采用二阶段训练的方式对数据进行扩充。在第一阶段,使用原始的预处理后的数据训练模型;在第二阶段,使用生成的数据/>继续训练模型。
这样,第一阶段可以确保模型学到真实数据的分布,第二阶段则可以通过生成数据进一步增强模型的泛化性能,并且使用Contrastive Learning自监督学习策略,通过对同一样本的不同视图(augmentation)进行比较,使模型学习样本的内在特性。通过利用模型在自监督阶段学习到的特性,能够进一步生成具有高质量的新数据,使得这些数据能够为故障诊断问题提供更全面的覆盖。
第一阶段的训练过程可以表示为:
;
第二阶段的训练过程可以表示为:
;
其中,表示利用上述GAN网络进行样本生成,/>表示自监督学习。
具体的,在自监督学习过程中,首先设置数据增强策略c,以期望在不改变设备状态类别的情况下,模拟出可能的设备运行状况。此策略包含了如下步骤:噪声注入、时间偏移和数据扩缩。
其中,对原始数据进行噪声注入以模拟设备运行中可能会受到各种未知的环境因素影响。具体的,给定一个数据实例,通过加入一个小的高斯噪声/>,可以得到一个新的数据实例,可以表示为:
;其中,/>是一个给定的数据,/>是噪声的标准差,/>是一个很小的非零实数,其中,/>可根据实际的噪声水平进行调整。
2、将原始的数据实例在时间轴上进行移动/>个时间步,以模拟在设备运行中,可能会出现各种未预期的延迟或者早于预期的行为,这在时间序列数据中表现为时间偏移。即:/>;其中,/>是时间步,/>是时间偏移量,可以根据实际情况由人为经验设定。
3、数据扩缩:对数据的数值进行扩缩以模拟设备可能会在不同的运行状态下有不同的运行特性导致的设备的数据模式可能会不同,例如在高负载和低负载下。即:;其中,/>是扩缩系数,根据设备的运行状态由人为经验设定。
通过这些步骤的组合,可以生成与原始数据(预处理后得到的第二样本集中的第二训练数据)不同但保持相同故障状态的新的数据实例,从而得到括充数据集。
然后,这些新的数据实例被用来训练对比学习的模型,使模型能够学习到更具有泛化性的特征,从而提高故障诊断的性能。进一步地,根据数据增强策略c,从同一数据/>生成两个视图/>和/>。进一步地,模型/>通过对/>和/>进行编码,得到两个特征向量/>和/>。进一步地,对比损失鼓励模型使得来自同一数据点的特征向量/>和/>更相似(即,使得它们的相似度/>更高)。自监督学习过程中的目标是最小化一个正则化的信息量,可以表示为:
;
其中,S和S/>是输入数据/>的两种视图,来自于相同的数据点但经过了不同的数据增强。/>是表示模型学习到的特征映射函数,/>是余弦相似度函数,/>是一个温度参数,用于调节概率分布的均匀程度,/>是批量大小。
步骤S2141,将步骤S2140的得到的扩充数据集和步骤S230得到的预处理后的第二训练数据集融合,得到目标训练数据集,以对训练样本进行扩充,通过在第二训练数据集中引入微小的随机扰动来生成新的样本得到扩充样本集,这不仅可以增加样本的数量,也能增强模型的泛化能力和稳健性,同时也使得模型能更好地适应多样性的数据,提高了模型的准确性和可靠性。
结合第一方面,步骤S220,基于ReliefF算法和预设的特征筛选方法,使用预先构建的故障预测模型对目标训练数据集进行特征提取,得到目标特征子集具体包括:
S221,根据预设过滤式和包裹式特征选择方法对所述目标训练数据集的特征进行初步筛选,得到设定特征数量的第一特征。
S222,针对每一个所述第一特征,根据ReliefF算法计算所述第一特征对应的重要性权重值。
S223,根据所述重要性权重值对至少一个所述第一特征降序排列后输入第二预设神经网络以对所述第一特征再次筛选,确定目标特征子集。
在本实施例中第二预设神经网络为Bi-LSTM,使用ReliefF算法进行特征权重的计算,最后使用对处理后的数据进行特征提取,这一流程能有效地提取出高维数据中的有效特征。从而,能在大量的特征中快速筛选出最有价值的特征,进而提高了处理高维数据的效率。
具体步骤S221为:首先,先用过滤式方法进行初步的特征筛选。过滤式方法主要是通过计算特征与目标变量的相关性,选择出相关性较高的特征。本发明计算特征相关性的方式可以表示为:
;
其中,是特征的观测值和F/>目标变量的观测值,/>和/>分别是它们的均值,n为样本特征的数量,/>为特征/>和特征/>的相关性。
然后,用包裹式方法进行进一步的特征筛选。包裹式方法主要是通过实际的模型效果来选择特征,本申请采用的是递归特征消除(Recursive Feature Elimination, RFE)方法。RFE的主要思想是反复构建模型,每次去掉一个表现最差的特征,然后基于剩余的特征重新构建模型,如此反复,直到达到预定的特征数量。
具体实现步骤如下:
1、全部特征都在模型中,计算模型的评价指标(如准确率)。
2、每次将一个特征从模型中去掉,计算模型的评价指标。
3、将模型评价指标下降最多的特征去掉,然后返回第一步。
通过上述步骤,可以在大量特征中快速地筛选出最有价值的特征,提高模型的性能。而且,由于结合了过滤式和包裹式两种方法,这个策略能够在筛选速度和筛选精度之间达到一个较好的平衡。从而获得设定特征数量的第一特征。
步骤S222,利用ReliefF算法计算特征权重,ReliefF算法是一个用于特征选择的机器学习算法,主要用于处理高维数据。通过估计各特征的重要性来选择特征。给定一个特征向量,ReliefF算法可以计算出一个重要性权重向量。对于每一个特征,它的重要性权重wi的计算方式为:
1、对每一个数据样本,找到其最近邻样本(同类和异类各一个)。
2、更新权重:
;
其中,表示样本/>和/>的欧氏距离,/>是样本总数,/>表示同类的最近邻样本,/>表示异类的最近邻样本。/>为更新前的重要性权重,/>为更新后的重要性权重。
S163,根据所述重要性权重值对至少一个所述第一特征降序排列后输入第二预设神经网络以对所述第一特征再次筛选,确定目标特征子集。
在本实施例中,第二预设神经网络为Bi-LSTM。 Bi-LSTM可以捕获时间序列数据的前后依赖关系,对于能源设备故障诊断具有较好的效果。在本实施例步骤S163中,通过Bi-LSTM对处理后的设定特征数量的第一特征再次筛选,确定目标特征子集。即对目标训练数据集中的数据进行特征提取,具体的,给定一个数据的序列,Bi-LSTM的前向和后向隐状态(/>和/>)可以通过下面公式得到:
;
;
其中,xt表示第t时间点的输入数据;表示前向的LSTM单元函数;表示后向的LSTM单元函数。
本发明采用的注意力机制是自注意力(Self-Attention)机制,计算注意力权重的方式可以表示为:
;
其中,at是注意力权重,Ta是数据序列的时间序列长度,/>是通过一个全连接层计算得到的能量,可以表示为:
;其中,/>和/>是全连接层的参数,通过训练学习得到。为双曲正切函数。
进一步地,用注意力权重对隐状态进行加权求和,得到加权求和后的特征表示:
;
进一步地,将注意力增强后的前向和后向隐状态拼接起来,形成最终的特征表示:
;其中,/>表示向量拼接,/>表示t时刻的加权求和后的特征,/>表示t时刻的前向输出特征,/>表示t时刻的后向输出特征。
结合第一方面,分类器包括隐藏层和输出层,步骤S230将目标特征子集和目标特征子集对应的所述目标训练数据输入至预先设置的分类器中,以对所述分类器进行分类训练,并将分类训练的结果满足预设条件时的分类器确定为能源设施故障预测模型具体包括:
S231,根据代价敏感因子优化极限学习机算法的目标函数,得到基于改进的代价敏感的极限学习机的目标函数。
S232,基于改进后的所述目标函数训练所述分类器,将所述目标训练数据集及所述目标特征子集输入所述分类器,得到输出结果。
S233,根据Softmax函数对所述输出结果进行故障预测类别确定,得到每个故障预测类别的概率分布。
S234,确定概率最大的故障预测类别为目标故障预测类别。
S235,根据所述输出结果和所述目标目标故障预测类别确定目标预测结果,得到故障预测模型。
极限学习机是一种单隐层前馈神经网络,它的权重参数在训练过程中保持固定,仅需调整输出层权重,从而大大简化了训练过程。
极限学习机的目标函数为:;其中,/>是隐藏层的输出矩阵,是输出层的权重,/>b是目标值。
由于在传统的极限学习机算法中,极限学习机对于数据的分布是敏感的,当数据的分布不均衡时,极限学习机可能会倾向于将多数类样本分类正确,而忽视了少数类样本。在本实施例步骤S231中将代价敏感因子引入到极限学习机的目标函数中,得到基于改进的代价敏感的极限学习机的目标函数:
;
其中,为矩阵的转置符号,/>是对角矩阵,其对角线元素为每个样本的代价敏感因子,/>是正则化参数。代价敏感因子的设定通常是基于样本的类别和数量,使得分类器在训练过程中更加关注少数类样本。
在传统的极限学习机中权重的更新主要依赖于当前的输出误差,但可能无法充分考虑到每个样本对模型性能的影响。因此,本实施例步骤S232中同时考虑了每个样本的输出误差和分类边界距离(样本到分类决策边界的距离),并基于这两个因素来更新权重。
具体的,分类器包括隐藏层和输出层,步骤S232基于改进后的所述目标函数训练所述分类器,将所述目标训练数据集及所述目标特征子集输入所述分类器,得到输出结果具体包括:
S2321,将目标训练数据集及所述目标特征子集输入所述隐藏层,根据目标训练数据对应的重要性权重值、输出误差,分类边界距离计算所述隐藏层到所述输出层的当前权重。
S232,根据当前权重将隐藏层特征通过输出层的线性变换,得到输出结果。
假设每个样本的权重为,输出误差为/>,分类边界距离为/>,则权重的更新公式为:
;
其中,和/>是权重更新的超参数,需要通过交叉验证来确定。更新后的隐藏层到输出层的权重记为/>,隐藏层特征通过输出层的线性变换得到输出结果,这可以表示为:
;
其中,是更新后的隐藏层到输出层的权重,/>是输出结果。
即,当新的数据输入模型时,该数据会经过与训练阶段相同的预处理和特征提取步骤。接着,输入到分类器的隐藏层,并通过优化过的权重参数进行非线性变换。这个过程可以使用以下公式表示:;
其中,表示新的输入数据,/>和/>分别表示隐藏层的权重和偏置,/>表示激活函数,/>则表示隐藏层得到的特征。
进一步地,这些特征被输入到输出层,通过输出层的权重参数进行线性变换,从而得到预测结果。这个过程可以使用以下公式表示:
;其中,/>表示输出层的权重,/>表示模型的预测结果。
之后,步骤S233利用Softmax函数对输出结果进行类别确定,得到每个类别的概率分布。计算过程可以表示为;其中,/>为分类结果,为对函数求参数(集合)的操作,/>为Softmax函数。
之后,步骤S234,确定概率最大的故障预测类别为目标故障预测类别。
步骤S235根据输出结果和目标故障预测类别确定目标预测结果,得到故障预测模型。模型将会预测出故障最可能的类型,帮助工程师提前发现潜在问题,从而实现故障预防和提早维护;对于能源设备的故障诊断,可能会根据设备可能出现的不同故障类型设定多个类别。
第二方面,本申请提供一种基于物联网的能源设备故障预测装置,结合图2所示,所述装置包括:获取模块10、当前预测结果输出模块20。
获取模块10用于获取物联网系统采集的所述能源设备的当前运行数据。
当前预测结果输出模块20用于将当前运行数据输入故障预测模型,输出当前预测结果;所述故障预测模型为基于ReliefF算法和预设的特征筛选方法进行特征提取后的训练数据训练得到的。
第三方面,本实施例提出一种电子设备,如图3所示,为该电子设备的结构示意图,其中,该电子设备包括处理器31和存储器30,该存储器30存储有能够被该处理器31执行的计算机可执行指令,该处理器31执行该计算机可执行指令以实现上述图1任一所示的方法。在图3示出的实施方式中,该电子设备还包括总线32和通信接口33,其中,处理器31、通信接口33和存储器30通过总线32连接。
其中,存储器30可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口33(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。总线32可以是ISA(Industry StandardArchitecture,工业标准体系结构)总线、PCI(Peripheral Component Interconnect,外设部件互连标准)总线或EISA(Extended Industry Standard Architecture,扩展工业标准结构)总线等,还可以是AMBA(Advanced Microcontroller Bus Architecture,片上总线的标准)总线,其中,AMBA定义了三种总线,包括APB(Advanced Peripheral Bus)总线、AHB(Advanced High-performance Bus)总线和AXI(Advanced eXtensible Interface)总线。总线32可以分为地址总线、数据总线、控制总线等。为便于表示,图3中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
处理器31可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器31中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器31可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessor,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器31读取存储器中的信息,结合其硬件完成前述图1所示的方法。
第四方面,本实施例提供一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行,以实现如上述的方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
另外,在本发明实施例的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (4)
1.一种基于物联网的能源设备故障预测方法,其特征在于,所述方法包括:
获取物联网系统采集的所述能源设备的当前运行数据;
将所述当前运行数据输入故障预测模型,输出预测结果;所述故障预测模型为基于ReliefF算法和预设的特征筛选方法进行特征提取后的训练数据训练得到的;
其中,所述故障预测模型的训练过程如下:
获取物联网系统采集的所述能源设备的初始训练数据集;
对所述初始训练数据集中的训练数据添加标注,得到第一训练数据集;
根据数据预处理规则对所述第一训练数据集进行预处理,得到第二训练数据集;所述数据预处理规则至少包括:统计学的偏度校正方法;
将第二训练数据集中标注为能源设备故障对应的数据以及额外的条件信息输入预设生成对抗网络,输出第一数据集;所述额外的条件信息至少包括:设备的工作状态、环境参数;
利用所述第二训练数据集对所述生成对抗网络进行训练后,利用所述第一数据集以及自监督学习策略对所述生成对抗网络进行再次训练,生成扩充数据集;所述自监督学习策略包括数据增强策略,所述数据增强策略至少包括时间偏移策略和数据扩缩策略;
将所述扩充数据集与所述第二训练数据集融合,得到目标训练数据集;所述目标训练数据集中的每个训练数据包括多个数据特征;
采用过滤式方法及包裹式方法依次对所述目标训练数据集的数据特征进行初步筛选,得到设定特征数量的第一特征;针对每一个所述第一特征,根据ReliefF算法计算所述第一特征对应的重要性权重值;
根据更新后的所述重要性权重值对至少一个所述第一特征降序排列后输入Bi-LSTM,以对多个所述第一特征再次筛选,确定目标特征子集;
根据代价敏感因子优化极限学习机算法的目标函数,得到基于改进的代价敏感的极限学习机的目标函数;
将所述目标特征子集及所述目标特征子对应的目标训练数据集输入分类器的隐藏层,根据目标训练数据对应的重要性权重值、输出误差,分类边界距离计算所述隐藏层到所述输出层的当前权重;
根据当前权重将隐藏层特征通过输出层的线性变换,得到输出结果;
根据Softmax函数对所述输出结果进行故障预测类别确定,得到每个故障预测类别的概率分布;
确定概率最大的故障预测类别为目标故障预测类别;
根据所述输出结果和所述目标故障预测类别确定目标预测结果,得到故障预测模型;
其中,所述目标函数为:
其中,T为矩阵的转置符号,P是对角矩阵,其对角线元素为每个样本的代价敏感因子,Cz是正则化参数;
所述根据目标训练数据对应的重要性权重值、输出误差,分类边界距离计算所述隐藏层到所述输出层的当前权重的步骤,包括:
以如下算式计算:
wi=wi+αe(ei-βedi);
其中,wi为第i个训练数据的权重,ei为输出误差,di为分类边界距离,αe和βe是权重更新的超参数;
其中,所述自监督学习策略表示为:
其中,Sxi和Sx′i是输入数据x的两种视图,来自于相同的数据点但经过了不同的数据增强;f()是表示模型学习到的特征映射函数,sim(,)是余弦相似度函数,τ是一个温度参数,用于调节概率分布的均匀程度,N是批量大小;
采用所述过滤式方法对所述目标训练集的数据特征进行初步筛选的步骤包括:根据预设的特征相关性算式计算所述数据特征与目标变量的相关性,并选取相关性较高的第一数量的数据特征作为当前特征;所述特征相关性算式为:
其中,是特征的观测值和/>目标变量的观测值,F-x和F-y分别是它们的均值,n为样本特征的数量,/>为特征Fx和特征Fy的相关性;
采用所述包裹式方法对所述当前特征进行筛选的步骤包括:将全部的第一特征输入至模型中,计算模型的评价指标;逐次剔除一个特征并计算模型的新的评价指标;剔除导致模型评价指标下降最多的当前特征直至获得设定数量的第一特征;
根据ReliefF算法计算所述第一特征对应的重要性权重值的步骤包括:
以如下算式计算:
其中,d(,)表示样本xi和xj的欧氏距离,m是样本总数,nearHit表示同类的最近邻样本,nearMiss表示异类的最近邻样本,wi为更新前的重要性权重,Twi为更新后的重要性权重;
所述根据更新后的所述重要性权重值对至少一个所述第一特征降序排列后输入Bi-LSTM,以对多个所述第一特征再次筛选的步骤,包括:
根据目标训练数据的序列、前向的LSTM和后向的LSTM单元函数,计算Bi-LSTM的前向隐状态和后向隐状态;
采用自注意力机制计算注意力权重并根据所述注意力权重对隐状态进行加权求和;
将注意力增强后的所述前向隐状态和所述后向隐状态拼接,得到目标特征;
其中,以如下算式计算LSTM的前向隐状态和后向隐状态:
其中,xt表示第t时间点的输入数据;LSTM(f)()表示前向的LSTM单元函数;LSTM(b)()表示后向的LSTM单元函数;
采用自注意力机制计算权重的步骤包括:
其中,at是注意力权重,Ta是数据序列X的时间序列长度,et是通过一个全连接层计算得到的能量,可以表示为:
et=tanh(Waht+ba);其中,Wa和ba是全连接层的参数,通过训练学习得到,tanh(Waht+ba)为双曲正切函数;
所述根据所述注意力权重对隐状态进行加权求和的步骤包括:
所述将注意力增强后的所述前向隐状态和所述后向隐状态拼接的步骤包括:
其中,/>表示向量拼接,bht表示t时刻的加权求和后的特征,表示t时刻的前向输出特征,/>表示t时刻的后向输出特征。
2.一种基于物联网的能源设备故障预测装置,其特征在于,所述装置包括:
获取模块,用于获取物联网系统采集的所述能源设备的当前运行数据;
当前预测结果输出模块,用于将所述当前运行数据输入故障预测模型,输出预测结果;所述故障预测模型为基于ReliefF算法和预设的特征筛选方法进行特征提取后的训练数据训练得到的;
其中,所述故障预测模型的训练过程如下:
获取物联网系统采集的所述能源设备的初始训练数据集;
对所述初始训练数据集中的训练数据添加标注,得到第一训练数据集;
根据数据预处理规则对所述第一训练数据集进行预处理,得到第二训练数据集;所述数据预处理规则至少包括:统计学的偏度校正方法;
将第二训练数据集中标注为能源设备故障对应的数据以及额外的条件信息输入预设生成对抗网络,输出第一数据集;所述额外的条件信息至少包括:设备的工作状态、环境参数;
利用所述第二训练数据集对所述生成对抗网络进行训练后,利用所述第一数据集以及自监督学习策略对所述生成对抗网络进行再次训练,生成扩充数据集;所述自监督学习策略包括数据增强策略,所述数据增强策略至少包括时间偏移策略和数据扩缩策略;
将所述扩充数据集与所述第二训练数据集融合,得到目标训练数据集;所述目标训练数据集中的每个训练数据包括多个数据特征;
采用过滤式方法及包裹式方法依次对所述目标训练数据集的数据特征进行初步筛选,得到设定特征数量的第一特征;针对每一个所述第一特征,根据ReliefF算法计算所述第一特征对应的重要性权重值;
根据更新后的所述重要性权重值对至少一个所述第一特征降序排列后输入Bi-LSTM,以对多个所述第一特征再次筛选,确定目标特征子集;
根据代价敏感因子优化极限学习机算法的目标函数,得到基于改进的代价敏感的极限学习机的目标函数;
将所述目标特征子集及所述目标特征子对应的目标训练数据集输入分类器的隐藏层,根据目标训练数据对应的重要性权重值、输出误差,分类边界距离计算所述隐藏层到所述输出层的当前权重;
根据当前权重将隐藏层特征通过输出层的线性变换,得到输出结果;
根据Softmax函数对所述输出结果进行故障预测类别确定,得到每个故障预测类别的概率分布;
确定概率最大的故障预测类别为目标故障预测类别;
根据所述输出结果和所述目标故障预测类别确定目标预测结果,得到故障预测模型;
其中,所述目标函数为:
其中,T为矩阵的转置符号,P是对角矩阵,其对角线元素为每个样本的代价敏感因子,Cz是正则化参数;
所述根据目标训练数据对应的重要性权重值、输出误差,分类边界距离计算所述隐藏层到所述输出层的当前权重的步骤,包括:
以如下算式计算:
wi=wi+αe(ei-βedi);
其中,wi为第i个训练数据的权重,ei为输出误差,di为分类边界距离,αe和βe是权重更新的超参数;
其中,所述自监督学习策略表示为:
其中,Sxi和Sx′i是输入数据x的两种视图,来自于相同的数据点但经过了不同的数据增强;f()是表示模型学习到的特征映射函数,sim(,)是余弦相似度函数,τ是一个温度参数,用于调节概率分布的均匀程度,N是批量大小;
采用所述过滤式方法对所述目标训练集的数据特征进行初步筛选的步骤包括:根据预设的特征相关性算式计算所述数据特征与目标变量的相关性,并选取相关性较高的第一数量的数据特征作为当前特征;所述特征相关性算式为:
其中,是特征的观测值和/>目标变量的观测值,/>和/>分别是它们的均值,n为样本特征的数量,/>为特征Fx和特征Fy的相关性;
采用所述包裹式方法对所述当前特征进行筛选的步骤包括:将全部的第一特征输入至模型中,计算模型的评价指标;逐次剔除一个特征并计算模型的新的评价指标;剔除导致模型评价指标下降最多的当前特征直至获得设定数量的第一特征;
根据ReliefF算法计算所述第一特征对应的重要性权重值的步骤包括:
以如下算式计算:
其中,d(,)表示样本xi和xj的欧氏距离,m是样本总数,nearHit表示同类的最近邻样本,nearMiss表示异类的最近邻样本,wi为更新前的重要性权重,Twi为更新后的重要性权重;
所述根据更新后的所述重要性权重值对至少一个所述第一特征降序排列后输入Bi-LSTM,以对多个所述第一特征再次筛选的步骤,包括:
根据目标训练数据的序列、前向的LSTM和后向的LSTM单元函数,计算Bi-LSTM的前向隐状态和后向隐状态;
采用自注意力机制计算注意力权重并根据所述注意力权重对隐状态进行加权求和;
将注意力增强后的所述前向隐状态和所述后向隐状态拼接,得到目标特征;
其中,以如下算式计算LSTM的前向隐状态和后向隐状态:
其中,xt表示第t时间点的输入数据;LSTM(f)()表示前向的LSTM单元函数;LSTM(b)()表示后向的LSTM单元函数;
采用自注意力机制计算权重的步骤包括:
其中,at是注意力权重,Ta是数据序列X的时间序列长度,et是通过一个全连接层计算得到的能量,可以表示为:
et=tanh(Waht+ba);其中,Wa和ba是全连接层的参数,通过训练学习得到,tanh(Waht+ba)为双曲正切函数;
所述根据所述注意力权重对隐状态进行加权求和的步骤包括:
所述将注意力增强后的所述前向隐状态和所述后向隐状态拼接的步骤包括:
其中,/>表示向量拼接,bht表示t时刻的加权求和后的特征,表示t时刻的前向输出特征,/>表示t时刻的后向输出特征。
3.一种电子设备,其特征在于,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序以实现如权利要求1所述的方法。
4.一种存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行,以实现如权利要求1所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311177348.3A CN116975741B (zh) | 2023-09-13 | 2023-09-13 | 基于物联网的能源设备故障预测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311177348.3A CN116975741B (zh) | 2023-09-13 | 2023-09-13 | 基于物联网的能源设备故障预测方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116975741A CN116975741A (zh) | 2023-10-31 |
CN116975741B true CN116975741B (zh) | 2024-01-19 |
Family
ID=88485256
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311177348.3A Active CN116975741B (zh) | 2023-09-13 | 2023-09-13 | 基于物联网的能源设备故障预测方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116975741B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117436011A (zh) * | 2023-12-15 | 2024-01-23 | 四川泓宝润业工程技术有限公司 | 一种机泵设备故障预测方法、存储介质及电子设备 |
CN117668528B (zh) * | 2024-02-01 | 2024-04-12 | 成都华泰数智科技有限公司 | 基于物联网的天然气调压器故障检测方法及系统 |
CN118171180B (zh) * | 2024-05-15 | 2024-07-23 | 山东理工职业学院 | 基于人工智能的设备状态预测方法和装置 |
CN118332388B (zh) * | 2024-06-13 | 2024-09-13 | 华能山东发电有限公司众泰电厂 | 光伏清洗设备的故障检测方法、装置及电子设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111081317A (zh) * | 2019-12-10 | 2020-04-28 | 山东大学 | 一种基于基因谱的乳腺癌淋巴结转移预测方法及预测系统 |
CN111368370A (zh) * | 2020-03-04 | 2020-07-03 | 南京航空航天大学 | 基于类特定重定向极限学习机学习算法的航空发动机故障诊断方法 |
CN112016395A (zh) * | 2020-07-14 | 2020-12-01 | 华北电力大学(保定) | 一种基于cgan-cnn的同步电机转子匝间短路故障判别方法 |
CN114154701A (zh) * | 2021-11-25 | 2022-03-08 | 南方电网数字电网研究院有限公司 | 基于加权极限学习机的电力故障预测方法和装置 |
CN115422831A (zh) * | 2022-08-12 | 2022-12-02 | 山东大学 | 一种考虑代价敏感的电网稳定判别方法及系统 |
CN115810353A (zh) * | 2022-11-16 | 2023-03-17 | 阿里巴巴达摩院(杭州)科技有限公司 | 语音中关键词的检测方法和存储介质 |
WO2023097774A1 (zh) * | 2021-11-30 | 2023-06-08 | 深圳先进技术研究院 | 工业机器人故障数据生成方法、系统、终端以及存储介质 |
CN116340859A (zh) * | 2023-03-28 | 2023-06-27 | 河海大学 | 一种噪声背景下基于振动信号的海上风电机组齿轮箱故障诊断方法 |
CN116611478A (zh) * | 2023-06-14 | 2023-08-18 | 西北师范大学 | 一种基于深度阈值生成对抗网络的工业过程数据增强方法 |
-
2023
- 2023-09-13 CN CN202311177348.3A patent/CN116975741B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111081317A (zh) * | 2019-12-10 | 2020-04-28 | 山东大学 | 一种基于基因谱的乳腺癌淋巴结转移预测方法及预测系统 |
CN111368370A (zh) * | 2020-03-04 | 2020-07-03 | 南京航空航天大学 | 基于类特定重定向极限学习机学习算法的航空发动机故障诊断方法 |
CN112016395A (zh) * | 2020-07-14 | 2020-12-01 | 华北电力大学(保定) | 一种基于cgan-cnn的同步电机转子匝间短路故障判别方法 |
CN114154701A (zh) * | 2021-11-25 | 2022-03-08 | 南方电网数字电网研究院有限公司 | 基于加权极限学习机的电力故障预测方法和装置 |
WO2023097774A1 (zh) * | 2021-11-30 | 2023-06-08 | 深圳先进技术研究院 | 工业机器人故障数据生成方法、系统、终端以及存储介质 |
CN115422831A (zh) * | 2022-08-12 | 2022-12-02 | 山东大学 | 一种考虑代价敏感的电网稳定判别方法及系统 |
CN115810353A (zh) * | 2022-11-16 | 2023-03-17 | 阿里巴巴达摩院(杭州)科技有限公司 | 语音中关键词的检测方法和存储介质 |
CN116340859A (zh) * | 2023-03-28 | 2023-06-27 | 河海大学 | 一种噪声背景下基于振动信号的海上风电机组齿轮箱故障诊断方法 |
CN116611478A (zh) * | 2023-06-14 | 2023-08-18 | 西北师范大学 | 一种基于深度阈值生成对抗网络的工业过程数据增强方法 |
Non-Patent Citations (3)
Title |
---|
Non-revisiting genetic cost-sensitive sparse autoencoder for imbalanced fault diagnosis;Peng Peng et al.;《Applied Soft Computing》;1-15 * |
基于响应数据的含新能源电力系统暂态稳定评估方法研究;赵昱臣;《万方学位论文数据库》;第5、58-73页 * |
张善文 等.图像模式识别.《西安电子科技大学出版社》,2020,224-231. * |
Also Published As
Publication number | Publication date |
---|---|
CN116975741A (zh) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116975741B (zh) | 基于物联网的能源设备故障预测方法、装置及电子设备 | |
CN110968982B (zh) | 设计规则检查违规预测系统和方法 | |
CN110968979B (zh) | 静态电压(sir)下降违规预测系统和方法 | |
CN116910493B (zh) | 基于多源特征提取的设备故障诊断模型的构建方法及装置 | |
CN116595463B (zh) | 窃电识别模型的构建方法、窃电行为识别方法及装置 | |
CN116881832B (zh) | 旋转机械设备故障诊断模型的构建方法及装置 | |
CN117056734B (zh) | 基于数据驱动的设备故障诊断模型的构建方法及装置 | |
CN116150676A (zh) | 基于人工智能的设备故障诊断与识别方法及装置 | |
CN112767106B (zh) | 自动化审计方法、系统、计算机可读存储介质及审计设备 | |
CN116432091B (zh) | 基于小样本的设备故障诊断方法、模型的构建方法及装置 | |
CN113376516A (zh) | 一种基于深度学习的中压真空断路器运行故障自诊断与预警方法 | |
CN108333468A (zh) | 一种有源配电网下不良数据的识别方法及装置 | |
CN117155706B (zh) | 网络异常行为检测方法及其系统 | |
CN114048468A (zh) | 入侵检测的方法、入侵检测模型训练的方法、装置及介质 | |
CN113487223B (zh) | 一种基于信息融合的风险评估方法和评估系统 | |
CN116956197B (zh) | 基于深度学习的能源设施故障预测方法、装置及电子设备 | |
CN117065913A (zh) | 石英砂球磨控制系统及其方法 | |
CN115186772B (zh) | 一种电力设备的局部放电的检测方法、装置及设备 | |
CN116720095A (zh) | 一种基于遗传算法优化模糊c均值的电特性信号聚类方法 | |
CN116796187A (zh) | 一种输电线局部放电检测方法 | |
CN115964665A (zh) | 基于预测误差的时间序列能耗数据离群点检测方法和系统 | |
CN118281388B (zh) | 一种废旧电池的智能快速放电控制方法及相关装置 | |
CN112733951B (zh) | 一种断路器机械缺陷诊断的多信息决策权重分配融合方法 | |
CN118294817B (zh) | 电池充放电异常检测方法、系统、电子设备和存储介质 | |
Zhang et al. | Embedding-enhanced Graph Attention Networks for Imbalanced Industrial Fault Diagnosis |
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 |