CN116976441A - 设备故障预测模型训练方法、设备故障预测方法和装置 - Google Patents
设备故障预测模型训练方法、设备故障预测方法和装置 Download PDFInfo
- Publication number
- CN116976441A CN116976441A CN202310270754.8A CN202310270754A CN116976441A CN 116976441 A CN116976441 A CN 116976441A CN 202310270754 A CN202310270754 A CN 202310270754A CN 116976441 A CN116976441 A CN 116976441A
- Authority
- CN
- China
- Prior art keywords
- signal
- original
- equipment
- predicted
- diffusion model
- 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 172
- 238000012549 training Methods 0.000 title claims abstract description 128
- 238000009792 diffusion process Methods 0.000 claims abstract description 404
- 230000002441 reversible effect Effects 0.000 claims abstract description 77
- 238000004590 computer program Methods 0.000 claims abstract description 46
- 238000003860 storage Methods 0.000 claims abstract description 21
- 230000000737 periodic effect Effects 0.000 claims description 193
- 238000000354 decomposition reaction Methods 0.000 claims description 34
- 238000012360 testing method Methods 0.000 claims description 22
- 238000005070 sampling Methods 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 abstract description 18
- 238000013473 artificial intelligence Methods 0.000 abstract description 9
- 230000008569 process Effects 0.000 description 53
- 238000012545 processing Methods 0.000 description 18
- 238000009826 distribution Methods 0.000 description 17
- 238000001514 detection method Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000036961 partial effect Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000000945 filler Substances 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种设备故障预测模型训练方法、设备故障预测方法、装置、计算机设备、存储介质和计算机程序产品。本申请涉及人工智能技术。所述方法包括:获取已故障设备对应的原始已知信号和原始预测信号;原始预测信号为原始已知信号的后向信号;将原始已知信号和原始预测信号输入初始扩散模型进行正向推理得到预测噪声信号;基于预测噪声信号和第一原始噪声信号之间的差异对初始扩散模型进行调整,得到目标扩散模型;其中,目标扩散模型用于基于第一原始噪声信号和待测设备对应的设备已知信号进行反向推理得到待测设备对应的第一设备预测信号,第一设备预测信号用于确定待测设备对应的第一设备故障预测结果。采用本方法能够提高设备故障预测效率。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种设备故障预测模型训练方法、设备故障预测方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着计算机技术的发展,越来越多的电子设备投入使用。在设备的使用过程中,设备都需要进行日常维护,并在发生故障时及时采取相应的策略排除故障,以使得它们能够在正常状态下进行工作。
传统技术中,通常是由专业人士定期对设备进行检查,判断设备是否出现故障或是否即将出现故障。然而,人工检测方式存在效率低下的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高设备故障预测效率的设备故障预测模型训练方法、设备故障预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
本申请提供了一种设备故障预测模型训练方法。所述方法包括:
获取已故障设备对应的原始已知信号和原始预测信号,获取第一原始噪声信号;所述原始预测信号为所述原始已知信号的后向信号;
将所述原始已知信号和所述原始预测信号输入初始扩散模型进行正向推理,得到预测噪声信号;
基于所述预测噪声信号和所述第一原始噪声信号之间的差异,对所述初始扩散模型进行调整,得到目标扩散模型;
其中,所述目标扩散模型用于基于所述第一原始噪声信号和待测设备对应的设备已知信号进行反向推理得到所述待测设备对应的第一设备预测信号,所述第一设备预测信号用于确定所述待测设备对应的第一设备故障预测结果。
本申请还提供了一种设备故障预测模型训练装置。所述装置包括:
信号获取模块,用于获取已故障设备对应的原始已知信号和原始预测信号,获取第一原始噪声信号;所述原始预测信号为所述原始已知信号的后向信号;
模型正向推理模块,用于将所述原始已知信号和所述原始预测信号输入初始扩散模型进行正向推理,得到预测噪声信号;
模型调整模块,用于基于所述预测噪声信号和所述第一原始噪声信号之间的差异,对所述初始扩散模型进行调整,得到目标扩散模型;
其中,所述目标扩散模型用于基于所述第一原始噪声信号和待测设备对应的设备已知信号进行反向推理得到所述待测设备对应的第一设备预测信号,所述第一设备预测信号用于确定所述待测设备对应的第一设备故障预测结果。
一种计算机设备,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时实现上述设备故障预测模型训练方法所述的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述设备故障预测模型训练方法所述的步骤。
一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现上述设备故障预测模型训练方法所述的步骤。
上述设备故障预测模型训练方法、装置、计算机设备、存储介质和计算机程序产品,获取已故障设备对应的原始已知信号和原始预测信号,获取第一原始噪声信号,原始预测信号为原始已知信号的后向信号,将原始已知信号和原始预测信号输入初始扩散模型进行正向推理,得到预测噪声信号,基于预测噪声信号和第一原始噪声信号之间的差异,对初始扩散模型进行调整,得到目标扩散模型。目标扩散模型用于基于第一原始噪声信号和待测设备对应的设备已知信号进行反向推理得到待测设备对应的第一设备预测信号,第一设备预测信号用于确定待测设备对应的第一设备故障预测结果。这样,通过训练扩散模型来学习已故障设备的工作信号的分布特征,后续通过训练完成的扩散模型可以基于待测设备的已知信号来快速准确预测待测设备的未来信号,基于预测得到的信号可以快速准确确定待测设备的设备故障预测结果,从而无需人工检测,通过训练扩散模型来进行设备故障预测,有效提高了设备故障预测的效率。在模型训练时,将已故障设备的原始已知信号和原始预测信号输入扩散模型进行正向推理得到预测噪声信号,基于预测噪声信号和第一原始噪声信号之间的差异对初始扩散模型进行调整,使得预测噪声信号逐渐与第一原始噪声信号接近,从而在模型应用时,将待测设备的设备已知信号和原始噪声信号输入训练完成的扩散模型进行反向推理,能够预测设备已知信号的后向信号,得到设备预测信号。
本申请提供了一种设备故障预测方法。所述方法包括:
获取待测设备对应的设备已知信号,获取第一原始噪声信号;
将所述设备已知信号和所述第一原始噪声信号输入目标扩散模型进行反向推理,得到所述待测设备对应的第一设备预测信号;
基于所述第一设备预测信号确定所述待测设备对应的第一设备故障预测结果;
其中,所述目标扩散模型,是基于预测噪声信号和所述第一原始噪声信号之间的差异对初始扩散模型进行调整得到的,所述预测噪声信号是将已故障设备对应的原始已知信号和原始预测信号输入初始扩散模型进行正向推理得到的,所述原始预测信号为所述原始已知信号的后向信号。
本申请还提供了一种设备故障预测装置。所述装置包括:
数据获取模块,用于获取待测设备对应的设备已知信号,获取第一原始噪声信号;
模型反向推理模块,用于将所述设备已知信号和所述第一原始噪声信号输入目标扩散模型进行反向推理,得到所述待测设备对应的第一设备预测信号;
设备故障预测模块,用于基于所述第一设备预测信号确定所述待测设备对应的第一设备故障预测结果;
其中,所述目标扩散模型,是基于预测噪声信号和所述第一原始噪声信号之间的差异对初始扩散模型进行调整得到的,所述预测噪声信号是将已故障设备对应的原始已知信号和原始预测信号输入初始扩散模型进行正向推理得到的,所述原始预测信号为所述原始已知信号的后向信号。
一种计算机设备,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时实现上述设备故障预测方法所述的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述设备故障预测方法所述的步骤。
一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现上述设备故障预测方法所述的步骤。
上述设备故障预测方法、装置、计算机设备、存储介质和计算机程序产品,获取待测设备对应的设备已知信号,获取第一原始噪声信号,将设备已知信号和第一原始噪声信号输入目标扩散模型进行反向推理,得到待测设备对应的第一设备预测信号,基于第一设备预测信号确定待测设备对应的第一设备故障预测结果。这样,通过训练完成的扩散模型可以基于待测设备的已知信号来快速准确预测待测设备的未来信号,基于预测得到的信号可以快速准确确定待测设备的设备故障预测结果,从而无需人工检测,通过训练完成的扩散模型来进行设备故障预测,有效提高了设备故障预测的效率。训练扩散模型来学习已故障设备的工作信号的分布特征,在模型训练时,将已故障设备的原始已知信号和原始预测信号输入扩散模型进行正向推理得到预测噪声信号,基于预测噪声信号和第一原始噪声信号之间的差异对初始扩散模型进行调整,使得预测噪声信号逐渐与第一原始噪声信号接近,从而在模型应用时,将待测设备的设备已知信号和原始噪声信号输入训练完成的扩散模型进行反向推理,能够预测设备已知信号的后向信号,得到设备预测信号。
本申请提供了一种设备故障预测模型训练方法。所述方法包括:
获取已故障设备对应的原始已知信号和原始预测信号,获取第二原始噪声信号和第三原始噪声信号;所述原始预测信号为所述原始已知信号的后向信号;
分别对所述原始已知信号和所述原始预测信号进行信号分解,得到所述原始已知信号对应的第一周期分量和第一趋势分量、所述原始预测信号对应的第二周期分量和第二趋势分量;
将所述第一周期分量和所述第二周期分量输入初始周期扩散模型进行正向推理,得到第一预测噪声信号,基于所述第一预测噪声信号和所述第二原始噪声信号之间的差异,对所述初始周期扩散模型进行调整,得到目标周期扩散模型;
将所述第一趋势分量和所述第二趋势分量输入初始趋势扩散模型进行正向推理,得到第二预测噪声信号,基于所述第二预测噪声信号和所述第三原始噪声信号之间的差异,对所述初始趋势扩散模型进行调整,得到目标趋势扩散模型;
其中,所述目标周期扩散模型用于基于所述第二原始噪声信号和所述设备已知信号对应的第三周期分量进行反向推理得到所述待测设备对应的预测周期分量;所述目标趋势扩散模型用于基于所述第三原始噪声信号和所述设备已知信号对应的第三趋势分量进行反向推理得到所述待测设备对应的预测趋势分量;所述预测周期分量和所述预测趋势分量用于确定所述待测设备对应的第二设备故障预测结果。
在一个实施例中,所述分别对所述原始已知信号和所述原始预测信号进行信号分解,得到所述原始已知信号对应的第一周期分量和第一趋势分量、所述原始预测信号对应的第二周期分量和第二趋势分量,包括:
在当前工作信号对应的有效信号窗口小于第二预设信号窗口时,对所述当前工作信号进行信号填充,得到参考工作信号;所述当前工作信号为所述原始已知信号或所述原始预测信号;
在所述当前工作信号对应的有效信号窗口大于或等于所述第二预设信号窗口时,将当前工作信号作为参考工作信号;
对所述参考工作信号进行下采样处理,得到所述当前工作信号对应的当前趋势分量;
基于所述当前工作信号和所述当前趋势分量之间的差异,得到所述当前工作信号对应的当前周期分量。
本申请还提供了一种设备故障预测模型训练装置。所述装置包括:
数据获取模块,用于获取已故障设备对应的原始已知信号和原始预测信号,获取第二原始噪声信号和第三原始噪声信号;所述原始预测信号为所述原始已知信号的后向信号;
数据分解模块,用于分别对所述原始已知信号和所述原始预测信号进行信号分解,得到所述原始已知信号对应的第一周期分量和第一趋势分量、所述原始预测信号对应的第二周期分量和第二趋势分量;
模型训练模块,用于将所述第一周期分量和所述第二周期分量输入初始周期扩散模型进行正向推理,得到第一预测噪声信号,基于所述第一预测噪声信号和所述第二原始噪声信号之间的差异,对所述初始周期扩散模型进行调整,得到目标周期扩散模型;
所述模型训练模块,还用于将所述第一趋势分量和所述第二趋势分量输入初始趋势扩散模型进行正向推理,得到第二预测噪声信号,基于所述第二预测噪声信号和所述第三原始噪声信号之间的差异,对所述初始趋势扩散模型进行调整,得到目标趋势扩散模型;
其中,所述目标周期扩散模型用于基于所述第二原始噪声信号和所述设备已知信号对应的第三周期分量进行反向推理得到所述待测设备对应的预测周期分量;所述目标趋势扩散模型用于基于所述第三原始噪声信号和所述设备已知信号对应的第三趋势分量进行反向推理得到所述待测设备对应的预测趋势分量;所述预测周期分量和所述预测趋势分量用于确定所述待测设备对应的第二设备故障预测结果。
一种计算机设备,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时实现上述设备故障预测模型训练方法所述的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述设备故障预测模型训练方法所述的步骤。
一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现上述设备故障预测模型训练方法所述的步骤。
上述设备故障预测模型训练方法、装置、计算机设备、存储介质和计算机程序产品,无需人工检测,通过训练扩散模型来进行设备故障预测,有效提高了设备故障预测的效率,分别训练周期扩散模型和趋势扩散模型来分别预测待测设备的未来信号中的周期分量和趋势分量,能够进一步提高待测设备的未来信号的预测准确性,进而进一步提高设备故障预测的准确性。
本申请提供了一种设备故障预测方法。所述方法包括:
获取待测设备对应的设备已知信号,获取第二原始噪声信号和第三原始噪声信号;
将所述设备已知信号进行信号分解,得到所述设备已知信号对应的第三周期分量和第三趋势分量;
将所述第三周期分量和所述第二原始噪声信号输入目标周期扩散模型进行反向推理,得到预测周期分量;
将所述第三趋势分量和所述第三原始噪声信号输入目标趋势扩散模型进行反向推理,得到预测趋势分量;
融合所述预测周期分量和所述预测趋势分量,得到所述待测设备对应的第二设备预测信号;
基于所述第二设备预测信号确定所述待测设备对应的第二设备故障预测结果;
其中,所述目标周期扩散模型是基于第一预测噪声信号和所述第二原始噪声信号之间的差异,对初始周期扩散模型进行调整得到的,所述第一预测噪声信号是将所述原始已知信号对应的第一周期分量和所述原始预测信号对应的第二周期分量输入初始周期扩散模型进行正向推理得到的;
所述目标趋势扩散模型是基于第二预测噪声信号和所述第三原始噪声信号之间的差异,对初始趋势扩散模型进行调整得到的,所述第二预测噪声信号是将所述原始已知信号对应的第一趋势分量和所述原始预测信号对应的第二趋势分量输入初始趋势扩散模型进行正向推理得到的。
本申请还提供了一种设备故障预测装置。所述装置包括:
获取模块,用于获取待测设备对应的设备已知信号,获取第二原始噪声信号和第三原始噪声信号;
分解模块,用于将所述设备已知信号进行信号分解,得到所述设备已知信号对应的第三周期分量和第三趋势分量;
反向推理模块,用于将所述第三周期分量和所述第二原始噪声信号输入目标周期扩散模型进行反向推理,得到预测周期分量;将所述第三趋势分量和所述第三原始噪声信号输入目标趋势扩散模型进行反向推理,得到预测趋势分量;
融合模块,用于融合所述预测周期分量和所述预测趋势分量,得到所述待测设备对应的第二设备预测信号;
确定模块,用于基于所述第二设备预测信号确定所述待测设备对应的第二设备故障预测结果;
其中,所述目标周期扩散模型是基于第一预测噪声信号和所述第二原始噪声信号之间的差异,对初始周期扩散模型进行调整得到的,所述第一预测噪声信号是将所述原始已知信号对应的第一周期分量和所述原始预测信号对应的第二周期分量输入初始周期扩散模型进行正向推理得到的;
所述目标趋势扩散模型是基于第二预测噪声信号和所述第三原始噪声信号之间的差异,对初始趋势扩散模型进行调整得到的,所述第二预测噪声信号是将所述原始已知信号对应的第一趋势分量和所述原始预测信号对应的第二趋势分量输入初始趋势扩散模型进行正向推理得到的。
一种计算机设备,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时实现上述设备故障预测方法所述的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述设备故障预测方法所述的步骤。
一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现上述设备故障预测方法所述的步骤。
上述设备故障预测方法、装置、计算机设备、存储介质和计算机程序产品,无需人工检测,通过训练完成的周期扩散模型和趋势扩散模型可以基于待测设备的已知信号来快速准确预测待测设备的未来信号,基于预测得到的信号可以快速准确确定待测设备的设备故障预测结果,从而无需人工检测,通过训练完成的周期扩散模型和趋势扩散模型来进行设备故障预测,有效提高了设备故障预测的效率。分别训练周期扩散模型和趋势扩散模型来分别预测待测设备的未来信号中的周期分量和趋势分量,能够进一步提高待测设备的未来信号的预测准确性,进而进一步提高设备故障预测的准确性。
附图说明
图1为一个实施例中设备故障预测模型训练方法和设备故障预测方法的应用环境图;
图2为一个实施例中设备故障预测模型训练方法的流程示意图;
图3为一个实施例中训练扩散模型的流程示意图;
图4为一个实施例中扩散模型扩散过程的示意图;
图5为另一个实施例中设备故障预测模型训练方法的流程示意图;
图6为一个实施例中信号和信号的趋势分量、周期分量的示意图;
图7为一个实施例中设备故障预测方法的流程示意图;
图8为另一个实施例中设备故障预测方法的流程示意图;
图9为一个实施例中扩散模型训练过程的流程示意图;
图10为一个实施例中扩散模型应用过程的流程示意图;
图11为一个实施例中预测机床刀具寿命的流程示意图;
图12为一个实施例中设备故障预测模型训练装置的结构框图;
图13为一个实施例中设备故障预测装置的结构框图;
图14为另一个实施例中设备故障预测模型训练装置的结构框图;
图15为另一个实施例中设备故障预测装置的结构框图;
图16为一个实施例中计算机设备的内部结构图;
图17为另一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请实施例提供的方案涉及人工智能的机器学习、深度学习等技术,具体通过如下实施例进行说明:
本申请实施例提供的设备故障预测模型训练方法和设备故障预测方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他服务器上。终端102可以但不限于是各种台式计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群或者云服务器来实现。
终端和服务器均可单独用于执行本申请实施例中提供的设备故障预测模型训练方法和设备故障预测方法。
例如,服务器获取已故障设备对应的原始已知信号和原始预测信号,获取第一原始噪声信号。其中,原始预测信号为原始已知信号的后向信号。服务器将原始已知信号和原始预测信号输入初始扩散模型进行正向推理,得到预测噪声信号。服务器基于预测噪声信号和第一原始噪声信号之间的差异,对初始扩散模型进行调整,得到目标扩散模型。
服务器获取待测设备对应的设备已知信号,获取第一原始噪声信号。服务器将设备已知信号和第一原始噪声信号输入目标扩散模型进行反向推理,得到第一设备预测信号。服务器基于第一设备预测信号确定待测设备对应的第一设备故障预测结果。
终端和服务器也可协同用于执行本申请实施例中提供的设备故障预测模型训练方法和设备故障预测方法。
例如,服务器从终端获取已故障设备对应的原始已知信号和原始预测信号,获取第一原始噪声信号。其中,原始预测信号为原始已知信号的后向信号。服务器将原始已知信号和原始预测信号输入初始扩散模型进行正向推理,得到预测噪声信号。服务器基于预测噪声信号和第一原始噪声信号之间的差异,对初始扩散模型进行调整,得到目标扩散模型。
服务器从终端获取待测设备对应的设备已知信号,获取第一原始噪声信号。服务器将设备已知信号和第一原始噪声信号输入目标扩散模型进行反向推理,得到第一设备预测信号。服务器基于第一设备预测信号确定待测设备对应的第一设备故障预测结果。服务器将第一设备故障预测结果发送至终端。
服务器也可以将目标扩散模型发送至终端,终端将设备已知信号和第一原始噪声信号输入目标扩散模型进行反向推理,得到第一设备预测信号。服务器基于第一设备预测信号确定待测设备对应的第一设备故障预测结果。
在一个实施例中,如图2所示,提供了一种设备故障预测模型训练方法,以该方法应用于计算机设备来举例说明,计算机设备可以是终端或服务器,该方法可以由终端或服务器自身单独执行,也可以通过终端和服务器之间的交互来实现。参考图2,设备故障预测模型训练方法包括以下步骤:
步骤S202,获取已故障设备对应的原始已知信号和原始预测信号,获取第一原始噪声信号;原始预测信号为原始已知信号的后向信号。
其中,在设备运作期间,可以对反映设备运作状态的相关信号进行采集,以分析设备的运作情况。例如,针对工业设备,可以通过采集工业设备上零部件的振动、温度、电流、电压等信号来实现对工业设备的健康监测。可以通过设置相应的传感器来采集相应的信号,例如,通过加速度传感器来采集振动信号;通过温度传感器来采集温度;等等。可以理解,本申请中的信号为时序信号。
已故障设备是指已知发生了故障的设备。原始已知信号和原始预测信号是同一种时序信号,例如,原始已知信号和原始预测信号都是振动信号;原始已知信号和原始预测信号都是温度信号;等等。原始已知信号和原始预测信号都是已故障设备对应的部分信号。例如,随机获取已故障设备在设备寿命内的任意一段信号作为原始已知信号。原始预测信号是原始已知信号的后向信号,也就是,原始预测信号的采集时间晚于原始已知信号的采集时间。例如,原始已知信号是已故障设备在1月1日的7点到8点的振动信号,原始预测信号是已故障设备在1月1日的8点到9点的振动信号。可以理解,原始已知信号和原始预测信号的信号长度可以相同可以不同。
原始噪声信号用于表示随机噪声,可以是随机生成的噪声。原始噪声信号也是时序信号。第一原始噪声信号是指用于训练扩散模型的原始噪声信号。
具体地,计算机设备可以在本地或从其他设备上获取已故障设备对应的原始已知信号和原始预测信号,在本地或从其他设备上获取第一原始噪声信号,基于原始已知信号、原始预测信号和第一原始噪声信号对扩散模型进行训练,通过训练扩散模型来学习已有时序数据的分布趋势特征。后续,通过训练完成的扩散模型,基于待测设备的已知信号预测该已知信号的后向信号,基于预测信号来预测设备的健康状况。
步骤S204,将原始已知信号和原始预测信号输入初始扩散模型进行正向推理,得到预测噪声信号。
其中,扩散模型(Diffusion Models)是一种基于机器学习技术的生成模型。扩散模型的训练过程为正向推理过程(也可以称为前向过程),正向推理过程是往数据中添加噪声的过程,使得模型在训练过程中学习由于噪声引起的信息衰减,从而从中学习到数据的分布特征。在完成模型训练后,扩散模型的应用过程为反向推理过程(也可以称为后向过程、逆向过程),反向推理过程是往数据中去除噪声的过程,使得模型基于学习到的知识来生成新的数据。针对设备故障检测,扩散模型的正向推理过程用于学习设备工作信号的分布特征,扩散模型的反向推理过程用于进行时序预测,预测已知信号的后向信号。初始扩散模型是指待训练的扩散模型。
预测噪声信号为扩散模型在训练过程中的输出数据。预测噪声信号是指添加噪声后的原始预测信号。
具体地,计算机设备将原始已知信号和原始预测信号输入初始扩散模型进行正向推理,得到预测噪声信号。计算机设备将原始已知信号和原始预测信号输入初始扩散模型,基于原始已知信号为原始预测信号添加噪声,得到预测噪声信号。
步骤S206,基于预测噪声信号和第一原始噪声信号之间的差异,对初始扩散模型进行调整,得到目标扩散模型。
其中,目标扩散模型是指训练完成的扩散模型。
具体地,计算机设备基于预测噪声信号和第一原始噪声信号之间的差异生成模型损失,将模型损失进行反向传播来对初始扩散模型的模型参数进行调整,从而得到目标扩散模型。例如,通过梯度下降算法将模型损失进行反向传播来更新模型参数。
可以理解,已故障设备可以有多个,同一已故障设备对应的训练数据也可以有多组,一组训练数据包括同一已故障设备对应的原始已知信号和原始预测信号。计算机设备将同一组训练数据输入初始扩散模型得到相应的预测噪声信号,基于各个预测噪声信号分别和第一原始噪声信号之间的差异,对初始扩散模型进行调整,得到目标扩散模型。
进一步的,扩散模型的训练过程可以是多次迭代的训练过程,每一次迭代训练都是在上一次迭代训练的基础上往数据中添加噪声。随着模型的迭代训练,模型会逐步趋于稳定、趋于收敛,从而最终完成训练。
在训练完成后,目标扩散模型用于对设备进行设备故障预测。通过目标扩散模型可以实现针对待测设备的时序信号预测,目标扩散模型用于基于第一原始噪声信号和待测设备对应的设备已知信号进行反向推理得到待测设备对应的第一设备预测信号,也就是,后续在应用目标扩散模型时,可以将第一原始噪声信号和待测设备对应的设备已知信号输入目标扩散模型进行反向推理,得到第一设备预测信号。其中,待测设备的设备已知信号是指待测设备当前的工作信号。第一设备预测信号是预测出来的信号,用于表示待测设备未来的工作信号。第一设备预测信号相当于设备已知信号的后向信号。
第一设备预测信号用于确定待测设备对应的第一设备故障预测结果,也就是,后续在通过目标扩散模型预测得到第一设备预测信号时,可以基于第一设备预测信号确定待测设备对应的第一设备故障预测结果。例如,若第一设备预测信号的信号波动过大,则确定第一设备故障预测结果为待测设备在第一设备预测信号对应的时间段内会出现故障。第一设备故障预测结果可以用于设备故障预警。例如,若根据第一设备故障预测结果确定待测设备即将出现故障,可以通知检修人员及时对待测设备进行维修或更换。
可以理解,待测设备和已故障设备为同类型设备。例如,已故障设备为已故障机床刀具,待测设备为待测机床刀具;已故障设备为已故障电缆,待测设备为待测电缆;等等。
上述设备故障预测模型训练方法中,通过训练扩散模型来学习已故障设备的工作信号的分布特征,后续通过训练完成的扩散模型可以基于待测设备的已知信号来快速准确预测待测设备的未来信号,基于预测得到的信号可以快速准确确定待测设备的设备故障预测结果,从而无需人工检测,通过训练扩散模型来进行设备故障预测,有效提高了设备故障预测的效率。在模型训练时,将已故障设备的原始已知信号和原始预测信号输入扩散模型进行正向推理得到预测噪声信号,基于预测噪声信号和第一原始噪声信号之间的差异对初始扩散模型进行调整,使得预测噪声信号逐渐与第一原始噪声信号接近,从而在模型应用时,将待测设备的设备已知信号和原始噪声信号输入训练完成的扩散模型进行反向推理,能够预测设备已知信号的后向信号,得到设备预测信号。
在一个实施例中,获取已故障设备对应的原始已知信号和原始预测信号,包括:
获取已故障设备对应的原始工作信号;原始工作信号包括已故障设备在未故障阶段和已故障阶段的工作信号;基于第一预设信号窗口,对原始工作信号进行采样,得到中间工作信号;平均拆分中间工作信号,得到前向工作信号和后向工作信号;将前向工作信号作为已故障设备对应的原始已知信号,将后向工作信号作为已故障设备对应的原始预测信号。
其中,原始工作信号包括已故障设备在未故障阶段和已故障阶段的工作信号。可以理解,原始工作信号可以包括已故障设备在未故障阶段的部分工作信号、已故障设备在已故障阶段的部分工作信号。例如,原始工作信号包括已故障设备在故障前后的工作信号。
在一个实施例中,可以将已故障设备在整个使用过程中的工作信号作为原始工作信号。例如,可以将已故障设备从投入使用到故障更换的整个过程中采集到的工作信号作为已故障设备的原始工作信号。
中间工作信号是指对原始工作信号进行信号采样得到的工作信号。预设信号窗口是指预先设置的信号窗口,可以根据实际需要进行设置。第一预设信号窗口用于确定信号采样时的采样范围。例如,若第一预设信号窗口的窗口长度为两个小时,则在信号采样时,可以从原始工作信号中随机获取连续两个小时的工作信号作为中间工作信号,也可以将原始工作信号中任意时刻作为起点,从起点开始按照时间顺序获取两个小时的工作信号作为中间工作信号;若第一预设信号窗口的窗口长度为100个数据点,则在信号采样时,可以从原始工作信号中随机获取由连续100个数据点组成的工作信号作为中间工作信号,也可以将原始工作信号中任意时刻对应的数据点作为起点,从起点开始按照时间顺序获取100个数据点组成中间工作信号。
将中间工作信号进行拆分得到前向工作信号和后向工作信号,前向工作信号包括中间工作信号中时序靠前的工作信号,后向工作信号包括中间工作信号中时序靠后的工作信号。例如,中间工作信号包括2个小时的工作信号,则前向工作信号包括中间工作信号中第1个小时的工作信号,后向工作信号包括中间工作信号中第2个小时的工作信号。
具体地,已故障设备对应的原始已知信号和原始预测信号可以是从已故障设备对应的原始工作信号中采样得到的。原始工作信号包括已故障设备在未故障阶段和已故障阶段的工作信号,从而采样得到的原始已知信号和原始预测信号可能包括已故障设备在已故障阶段的工作信号,也可能包括已故障设备在未故障阶段的工作信号,丰富了模型的训练数据。
计算机设备获取已故障设备对应的原始工作信号,基于第一预设信号窗口,对原始工作信号进行采样,得到至少一个中间工作信号,将中间工作信号平均拆分为两份,得到前向工作信号和后向工作信号。若中间工作信号有多个,则通过平均拆分可以得到多组前向工作信号和后向工作信号,同一组前向工作信号和后向工作信号对应同一中间工作信号。最后,针对同一组前向工作信号和后向工作信号,计算机设备将前向工作信号作为已故障设备对应的原始已知信号,将后向工作信号作为已故障设备对应的原始预测信号。
上述实施例中,已故障设备的原始工作信号包括已故障设备在未故障阶段和已故障阶段的工作信号,从已故障设备的原始工作信号中采样得到已故障设备对应的原始已知信号和原始预测信号,有助于提高模型训练数据的丰富度,从而提高模型的训练质量。从原始工作信号中采样得到中间工作信号,通过平均拆分中间工作信号来得到原始已知信号和原始预测信号,使得原始已知信号和原始预测信号具有相同的信号长度,有利于方便模型的数据处理,提高数据处理效率。通过拆分一个中间工作信号得到一组原始已知信号和原始预测信号,同一组原始已知信号和原始预测信号为时间上紧密联系的工作信号,有利于方便模型学习相邻信号之间的联系,使得模型输出的预测信号为输入模型的已知信号的相邻后向信号。
在一个实施例中,第一原始噪声信号为随机生成的高斯噪声信号。
其中,高斯噪声信号是指高斯噪声。高斯噪声是指其概率密度函数服从高斯分布(即正态分布)的一种噪声。计算机设备可以随机生成一个高斯噪声信号作为第一原始噪声信号。计算机设备也可以从其他设备获取随机生成的高斯噪声信号作为第一原始噪声信号。
在一个实施例中,第一原始噪声信号和预测噪声信号的信号长度可以相同,从而方便模型的数据处理。
上述实施例中,获取随机生成的高斯噪声信号作为第一原始噪声信号,高斯噪声具有特定分布特点,便于模型进行数据处理和学习,有利于提高模型的数据处理效率。
在一个实施例中,将原始已知信号和原始预测信号输入初始扩散模型进行正向推理,得到预测噪声信号,包括:
将原始已知信号和原始预测信号输入初始扩散模型,得到预测高斯噪声;融合预测高斯噪声和原始预测信号,得到预测噪声信号。
其中,预测高斯噪声是指模型基于输入数据预测得到的高斯噪声。
具体地,针对正向推理过程,计算机设备将原始已知信号和原始预测信号输入初始扩散模型,模型通过数据处理预测一个高斯噪声,得到预测高斯噪声,再通过融合预测高斯噪声和原始预测信号实现往原始预测信号中添加噪声,最终得到预测噪声信号。
可以理解,将预测高斯噪声和原始预测信号进行融合的过程可以在模型内部处理,也可以在模型外部处理。
上述实施例中,将原始已知信号和原始预测信号输入初始扩散模型,先得到预测高斯噪声,再融合预测高斯噪声和原始预测信号,可以快速得到预测噪声信号。
在一个实施例中,如图3所示,基于预测噪声信号和第一原始噪声信号之间的差异,对初始扩散模型进行调整,得到目标扩散模型,包括:
步骤S302,基于预测噪声信号和第一原始噪声信号之间的差异,对初始扩散模型进行调整,得到中间扩散模型。
步骤S304,将原始已知信号和预测噪声信号输入中间扩散模型进行正向推理,得到更新噪声信号。
步骤S306,将更新噪声信号作为预测噪声信号,将中间扩散模型作为初始扩散模型,返回基于预测噪声信号和第一原始噪声信号之间的差异,对初始扩散模型进行调整,得到中间扩散模型的步骤执行,直至满足结束条件,得到目标扩散模型。
具体地,扩散模型的训练过程可以是逐步迭代、逐步扩散的过程,每一步都是对上一步得到的数据添加噪声,最终将数据变成一个随机噪声。
计算机设备将已故障设备对应的原始已知信号和原始预测信号输入初始扩散模型进行正向推理,得到预测噪声信号,基于预测噪声信号和第一原始噪声信号之间的差异对初始扩散模型进行调整,得到中间扩散模型,至此完成一次模型迭代。计算机设备将原始已知信号和预测噪声信号输入中间扩散模型进行正向推理,得到更新噪声信号,将更新噪声信号作为新的预测噪声信号,将中间扩散模型作为新的初始扩散模型,基于新的预测噪声信号和第一原始噪声信号之间的差异对新的初始扩散模型进行调整,得到新的中间扩散模型,至此完成再一次模型迭代。以此类推来逐步迭代训练,直至满足结束条件停止迭代,将最后得到的中间扩散模型作为目标扩散模型。
其中,结束条件可以是用于判断模型是否收敛的条件。结束条件可以是模型迭代次数大于或等于预设次数、模型损失小于或等于预设损失等中的至少一者。可以理解,基于预测噪声信号和第一原始噪声信号之间的差异计算得到模型损失。
在一个实施例中,在模型训练时,通过T次累计对原始预测信号添加高斯噪声,得到x1,x2,x3,…,xt。随着t增大,xt越接近白噪声,单次前向过程只与前一次前向有关,即xt只与xt-1有关,整体过程可看作马尔可夫过程。
在第一步扩散时,原始已知信号xc与原始预测信号x输入扩散模型,首先会预测一个高斯噪声xnoise,然后xnoise与原始预测信号x相加得到添加噪声后信号xnoised,即x1。在第二步扩散时,原始已知信号xc与x1输入扩散模型,首先会预测一个高斯噪声xnoise,然后xnoise与x1相加得到添加噪声后信号xnoised,即x2。T步扩散过程以此类推。针对第t步扩散,将xc和xt输入扩散模型,模型通过前向推理会预测一个高斯噪声xnoise,即xnoise=Fforward(xc|xt)。
参考图4,对于原始预测信号x,总共包含T步扩散过程,每一步都是对上一步得到的数据xt-1按如下方式增加高斯噪音:
其中,每一时间步的xt是从一个以为均值,βt为方差的高斯分布中采样得到的。βt介于0~1,t越大,βt随着步数的增大而增大。随着t越来越大,最终得到的xt完全丢失原始数据变成一个随机噪声。
在模型训练时,模型损失的计算公式如下:
其中,计算添加噪声后信号xnoised与原始高斯噪声信号xgaussian_noise的MSE(meansquared error,均方误差)损失作为模型损失,使得扩散模型输出的添加噪声信号与原始高斯噪声信号越相似。其中,n为xnoised的长度,
在前向扩散阶段,原始预测信号被逐渐引入的噪声污染,直到成为完全随机噪声。在反向扩散过程中,利用一系列马尔可夫链在每个时间步逐步去除预测噪声,从而从高斯噪声中恢复数据。
参考图4,在反向推理的过程中,由于我们在训练过程中已知具体的真实分布q(xt|xt-1),那么可以从一个完全随机的噪声xt~N?0,I)开始,逐渐去噪就能输出预测信号。其中,N(0,I)表示期望或均值为0,方差为I的正态分布。反向推理过程也可以定义为一个马尔科夫链,其由一系列神经网络参数化的高斯分布组成:
这里p(xt)=N(xt;0;I),而pθ(xt-1|xt)是参数化后的高斯分布,它们的均值和方差由神经网络训练而来。
上述实施例中,在模型训练时,每一步训练都是对上一步训练得到的数据添加噪声,能够有效保障模型训练的稳定性。
在一个实施例中,如图5所示,设备故障预测模型训练方法还包括:
步骤S502,分别对原始已知信号和原始预测信号进行信号分解,得到原始已知信号对应的第一周期分量和第一趋势分量、原始预测信号对应的第二周期分量和第二趋势分量。
其中,信号可以被分解为周期分量和趋势分量。周期分量用于表示信号在固定时长内的重复表现。趋势分量用于表示信号整体呈现的趋势。参考图6,对信号进行信号分解,可以得到信号对应的周期分量和趋势分量。
第一周期分量是指原始已知信号对应的周期分量,第二周期分量是指原始预测信号对应的周期分量。同理,第一趋势分量是指原始已知信号对应的趋势分量,第二趋势分量是指原始预测信号对应的趋势分量。
步骤S504,获取第二原始噪声信号和第三原始噪声信号。
其中,第二原始噪声信号和第三原始噪声信号可以是相同的原始噪声信号,也可以是不同的原始噪声信号。第二原始噪声信号用于训练周期扩散模型,第三原始噪声信号用于训练趋势扩散模型。
步骤S506,将第一周期分量和第二周期分量输入初始周期扩散模型进行正向推理,得到第一预测噪声信号,基于第一预测噪声信号和第二原始噪声信号之间的差异,对初始周期扩散模型进行调整,得到目标周期扩散模型。
步骤S508,将第一趋势分量和第二趋势分量输入初始趋势扩散模型进行正向推理,得到第二预测噪声信号,基于第二预测噪声信号和第三原始噪声信号之间的差异,对初始趋势扩散模型进行调整,得到目标趋势扩散模型。
其中,初始周期扩散模型是指待训练的周期扩散模型。目标周期扩散模型是指训练完成的周期扩散模型。第一预测噪声信号是指周期扩散模型输出的预测噪声信号。
初始趋势扩散模型是指待训练的趋势扩散模型。目标趋势扩散模型是指训练完成的趋势扩散模型。第二预测噪声信号是指趋势扩散模型输出的预测噪声信号。
具体地,为了进一步提高设备故障预测的准确性,可以将信号的周期分量和趋势分量分开进行时序预测,因此需要分别训练用于处理信号的周期分量的周期扩散模型和用于处理信号的趋势分量的趋势扩散模型。
首先,计算机设备分别对原始已知信号和原始预测信号进行信号分解,得到原始已知信号对应的第一周期分量和第一趋势分量、原始预测信号对应的第二周期分量和第二趋势分量。接着,计算机设备获取第二原始噪声信号,将第一周期分量和第二周期分量输入初始周期扩散模型进行正向推理,得到第一预测噪声信号,基于第一预测噪声信号和第二原始噪声信号之间的差异,对初始周期扩散模型进行调整,得到目标周期扩散模型。计算机设备获取第三原始噪声信号,将第一趋势分量和第二趋势分量输入初始趋势扩散模型进行正向推理,得到第二预测噪声信号,基于第二预测噪声信号和第三原始噪声信号之间的差异,对初始趋势扩散模型进行调整,得到目标趋势扩散模型。
可以理解,周期扩散模型或趋势扩散模型的正向推理过程一致,均可以参考前述实施例中扩散模型的正向推理过程。同样的,周期扩散模型或趋势扩散模型的训练过程一致,均可以参考前述实施例中扩散模型的训练过程。
在训练完成后,目标周期扩散模型和目标趋势扩散模型用于对设备进行设备故障预测。通过目标周期扩散模型和目标趋势扩散模型可以实现针对待测设备的时序信号预测,目标周期扩散模型用于基于第二原始噪声信号和设备已知信号对应的第三周期分量进行反向推理得到待测设备对应的预测周期分量,也就是,后续在应用目标周期扩散模型时,可以将第二原始噪声信号和待测设备对应的设备已知信号的周期分量输入目标周期扩散模型进行反向推理,得到预测周期分量。
目标趋势扩散模型用于基于第三原始噪声信号和设备已知信号对应的第三趋势分量进行反向推理得到待测设备对应的预测趋势分量,也就是,后续在应用目标趋势扩散模型时,可以将第三原始噪声信号和待测设备对应的设备已知信号的趋势分量输入目标趋势扩散模型进行反向推理,得到预测趋势分量。
预测周期分量和预测趋势分量用于确定待测设备对应的第二设备故障预测结果。预测周期分量用于表示待测设备未来的工作信号中的周期分量,预测趋势分量用于表示待测设备未来的工作信号中的趋势分量,因此,融合预测周期分量和预测趋势分量可以得到第二设备预测信号。第二设备预测信号用于表示待测设备未来的工作信号,第二设备预测信号相当于设备已知信号的后向信号。参考第一设备预测信号,也可以基于第二设备预测信号确定待测设备对应的第二设备故障预测结果。例如,若第二设备预测信号的信号波动过大,则确定第二设备故障预测结果为待测设备在第二设备预测信号对应的时间段内会出现故障。第二设备故障预测结果也可以用于设备故障预警。
上述实施例中,分别训练周期扩散模型和趋势扩散模型来进行设备故障预测,能够有效提高设备故障预测的准确性。
在一个实施例中,分别对原始已知信号和原始预测信号进行信号分解,得到原始已知信号对应的第一周期分量和第一趋势分量、原始预测信号对应的第二周期分量和第二趋势分量,包括:
在当前工作信号对应的有效信号窗口小于第二预设信号窗口时,对当前工作信号进行信号填充,得到参考工作信号;当前工作信号为原始已知信号或原始预测信号;在当前工作信号对应的有效信号窗口大于或等于第二预设信号窗口时,将当前工作信号作为参考工作信号;对参考工作信号进行下采样处理,得到当前工作信号对应的当前趋势分量;基于当前工作信号和当前趋势分量之间的差异,得到当前工作信号对应的当前周期分量。
其中,工作信号的有效信号窗口是指工作信号所占据的信号窗口。例如,工作信号的有效信号窗口为工作信号的信号长度。
可以理解,在基于第一预设信号窗口对原始工作信号进行采样时,若采样到原始工作信号的尾端,有可能采样到的中间工作信号的有效信号窗口小于第一预设信号窗口。
第二预设信号窗口是指预先设置的信号窗口,用于进行信号窗口比对。信号填充用于将有效信号窗口小于第二预设信号窗口的工作信号进行扩充,使其有效信号窗口扩大到第二预设信号窗口。例如,可以通过插值法来进行信号填充;可以通过反卷积来进行信号填充;可以通过反池化来进行信号填充;等等。在一个实施例中,第二预设信号窗口为第一预设信号窗口的一半。
下采样处理用于从信号中提取出轮廓分量。可以采用针对数字信号的常用下采样方法进行下采样处理。可以理解,对信号进行下采样处理可以提取到信号的全局信息,因此,可以用于提取信号的轮廓分量。
当前工作信号为原始已知信号或原始预测信号。若当前工作信号为原始已知信号,则通过信号分解得到的当前趋势分量为第一趋势分量,通过信号分解得到的当前周期分量为第一周期分量。若当前工作信号为原始预测信号,则通过信号分解得到的当前趋势分量为第二趋势分量,通过信号分解得到的当前周期分量为第二周期分量。
具体地,在对信号进行信号分解时,若当前工作信号对应的有效信号窗口小于第二预设信号窗口,则计算机设备可以对当前工作信号进行信号填充,使当前工作信号对应的有效信号窗口扩大到第二预设信号窗口,从而得到参考工作信号。若当前工作信号对应的有效信号窗口大于或等于预设信号窗口,则计算机设备可以直接将当前工作信号作为参考工作信号。在统一信号的有效窗口长度后,计算机设备可以对参考工作信号进行下采样处理,得到当前工作信号对应的当前趋势分量。然后基于当前工作信号和当前趋势分量之间的差异,得到当前工作信号对应的当前周期分量。例如,将当前工作信号和当前趋势分量的差值作为当前周期分量。
在一个实施例中,可以通过padding block(填充层或填充模块)和avgpool block(全局池化层或全局池化模块)对信号进行信号分解:
xtrend=AvgPool(Padding(x))
xseason=x-xtred
其中,先对x进行信号填充,再对经过信号填充的x进行全局池化,得到x的趋势分量xtred。计算x和xtred之间的差值,得到x的周期分量xseason。
上述实施例中,先对有效信号窗口小于第二预设信号窗口的信号进行填充,再进行信号分解,能够统一信号分解结果的信号长度,方便后续的数据处理,提高数据处理效率。
在一个实施例中,已故障设备为已故障机床刀具,待测设备为待测机床刀具,原始工作信号和设备已知信号为机床刀具的刀轴震动频率信号。
其中,机床是一种装有程序控制系统的自动化机床。该控制系统能够逻辑地处理具有控制编码或其他符号指令规定的程序,并将其译码,用代码化的数字表示,通过信息载体输入数控装置。经运算处理由数控装置发出各种控制信号,控制机床的动作,按图纸要求的形状和尺寸,自动地将零件加工出来。
具体地,机床的刀具在切削过程中,由于周期性地与被切削材料发生碰撞、挤压、摩擦,其性能不可避免地发生退化,进而造成加工进度下降,造成不必要的损失。因此,合理预测机床刀具的故障是提高生产效率以及降低损失的有力方法。
机床刀具磨损的主要特征是机器伴有异常的振动和噪声,考虑到机床工作环境通常比较嘈杂,因此通过对机床刀具的刀轴震动频率信号的监测来判断机床刀具的未来运行状态是更有效的手段。
计算机设备可以基于已故障机床刀具对应的原始已知刀轴震动频率信号和原始预测刀轴震动频率信号、以及原始噪声信号来训练扩散模型。后续,计算机设备可以将待测机床刀具对应的设备已知刀轴震动频率信号和原始噪声信号输入训练完成的扩散模型,以预测设备已知刀轴震动频率信号的后向信号,得到设备预测刀轴震动频率信号,进而基于设备预测刀轴震动频率信号来确定待测设备对应的设备故障预测结果。
当然,也可以分别训练周期扩散模型和趋势扩散模型来提高设备故障检测的准确性。
上述实施例中,本申请方法可以应用于针对机床刀具的故障预测,提高针对机床刀具的故障预测效率和准确性。
在一个实施例中,如图7所示,提供了一种设备故障预测方法,以该方法应用于计算机设备来举例说明,计算机设备可以是终端或服务器,该方法可以由终端或服务器自身单独执行,也可以通过终端和服务器之间的交互来实现。参考图7,设备故障预测方法包括以下步骤:
步骤S702,获取待测设备对应的设备已知信号,获取第一原始噪声信号。
其中,设备已知信号是指待测设备当前的工作信号。例如,获取待测设备最近2个小时的工作信号作为设备已知信号。
在一个实施例中,第一原始噪声信号和设备已知信号的信号长度可以相同,从而方便模型的数据处理。
步骤S704,将设备已知信号和第一原始噪声信号输入目标扩散模型进行反向推理,得到待测设备对应的第一设备预测信号。
其中,目标扩散模型的训练过程可以参考前述设备故障预测模型训练方法中相关实施例的内容,此处不再赘述。
步骤S706,基于第一设备预测信号确定待测设备对应的第一设备故障预测结果。
其中,第一设备故障预测结果是指基于第一设备预测信号确定的设备故障预测结果。
具体地,在进行设备故障预测时,计算机设备可以获取预先训练完成的目标扩散模型来进行时序预测。计算机设备可以获取待测设备的当前工作信号作为设备已知信号,获取在模型训练时使用的第一原始噪声信号,将设备已知信号和第一原始噪声信号输入目标扩散模型进行反向推理,得到第一设备预测信号。可以理解,扩散模型的训练目标,是将设备的原始已知信号和原始预测信号输入扩散模型进行正向推理,得到与原始噪声信号相似的预测噪声信号,原始预测信号为原始已知信号的已知后向信号。相应的,扩散模型在应用时,将设备的设备已知信号和原始噪声信号输入目标扩散模型进行反向推理,就可以预测出设备已知信号的后向信号。
在得到第一设备预测信号后,计算机设备可以对第一设备预测信号进行分析来确定待测设备对应的第一设备故障预测结果。具体可以参考待测设备的工作信号的特点,基于待测设备对应的第一设备预测信号确定待测设备对应的第一设备故障预测结果。例如,在设备未故障阶段,设备的工作信号一般是比较稳定的,因此若第一设备预测信号的信号波动较大,则可以确定第一设备故障预测结果为待测设备在第一设备预测信号对应的时间段内即将出现故障,需要在出现故障前及时对待测设备进行维修或更换。当然,也可以是若第一设备预测信号的信号最大值超过预设阈值,则可以确定第一设备故障预测结果为待测设备在第一设备预测信号对应的时间段内即将出现故障,需要在出现故障前及时对待测设备进行维修或更换。
上述设备故障预测方法中,通过训练完成的扩散模型可以基于待测设备的已知信号来快速准确预测待测设备的未来信号,基于预测得到的信号可以快速准确确定待测设备的设备故障预测结果,从而无需人工检测,通过训练完成的扩散模型来进行设备故障预测,有效提高了设备故障预测的效率。训练扩散模型来学习已故障设备的工作信号的分布特征,在模型训练时,将已故障设备的原始已知信号和原始预测信号输入扩散模型进行正向推理得到预测噪声信号,基于预测噪声信号和第一原始噪声信号之间的差异对初始扩散模型进行调整,使得预测噪声信号逐渐与第一原始噪声信号接近,从而在模型应用时,将待测设备的设备已知信号和原始噪声信号输入训练完成的扩散模型进行反向推理,能够预测设备已知信号的后向信号,得到设备预测信号。
在一个实施例中,将设备已知信号和第一原始噪声信号输入目标扩散模型进行反向推理,得到待测设备对应的第一设备预测信号,包括:
将设备已知信号和第一原始噪声信号输入目标扩散模型,得到预测高斯噪声;基于第一原始噪声信号和预测高斯噪声之间的差异,得到待测设备对应的第一设备预测信号。
具体地,针对反向推理过程,计算机设备将设备已知信号和第一原始噪声信号输入目标扩散模型,模型通过数据处理预测一个高斯噪声,得到预测高斯噪声,再基于第一原始噪声信号和预测高斯噪声之间的差异,得到待测设备对应的第一设备预测信号。
在一个实施例中,扩散模型的逆向过程是一个给信号去噪的过程。第一原始噪声信号为随机生成的高斯噪声信号,将设备已知信号和高斯噪声信号输入扩散模型得到预测的高斯噪声,将高斯噪声信号减去预测的高斯噪声得到设备预测信号,即xpred=xgaussian_noise-xnoise。
上述实施例中,将设备已知信号和第一原始噪声信号输入目标扩散模型,先得到预测高斯噪声,再基于第一原始噪声信号和预测高斯噪声之间的差异,可以快速得到待测设备对应的第一设备预测信号。
在一个实施例中,基于第一设备预测信号确定待测设备对应的第一设备故障预测结果,包括:
当第一设备预测信号对应的信号波动和设备已知信号对应的信号波动之间的波动差异大于预设差异时,确定待测设备在第一设备预测信号对应的时间段内出现损坏,得到待测设备对应的第一设备故障预测结果;当第一设备预测信号对应的信号波动和设备已知信号对应的信号波动之间的差异小于或等于预设差异时,确定待测设备在第一设备预测信号对应的时间段内未出现损坏,得到待测设备对应的第一设备故障预测结果。
具体地,在基于第一设备预测信号确定第一设备故障预测结果时,计算机设备可以将第一设备预测信号和设备已知信号进行比较,来判断第一设备预测信号是否有异常。若第一设备预测信号对应的信号波动和设备已知信号对应的信号波动之间的波动差异大于预设差异,表示第一设备预测信号出现异常波动,此时可以确定待测设备在第一设备预测信号对应的时间段内会出现损坏,待测设备对应的第一设备故障预测结果可以是待测设备在第一设备预测信号对应的时间段内会出现损坏。若第一设备预测信号对应的信号波动和设备已知信号对应的信号波动之间的差异小于或等于预设差异,表示第一设备预测信号没有出现异常波动,此时可以确定待测设备在第一设备预测信号对应的时间段内不会出现损坏,待测设备对应的第一设备故障预测结果可以是待测设备在第一设备预测信号对应的时间段内不会出现损坏。
若待测设备对应的第一设备故障预测结果为待测设备会出现损坏,则相关人员可以及时采取相应措施来减少或避免损失。例如,对待测设备进行维修;对待测设备进行更换;等等。若待测设备对应的第一设备故障预测结果为待测设备不会出现损坏,则可以比较放心地继续使用待测设备。
可以理解,第一设备预测信号为时序信号,因此,第一设备预测信号存在对应的时间段。
其中,预设差异是指预先设置的波动差异阈值,可以根据实际需要进行设置。例如,预设差异可以设置为设备已知信号对应的信号波动的35%、40%等。
在一个实施例中,一段信号的信号波动可以是基于该段信号中信号幅值最大值和信号幅值最小值计算得到的。例如,信号波动可以是指一段信号中信号幅值跨度和信号幅值最小值的比值。信号波动也可以是指一段信号中信号幅值跨度和信号幅值最大值的比值。信号幅值跨度是指一段信号中信号幅值最大值和信号幅值最小值之间的差值。
上述实施例中,将待测设备的第一设备预测信号和待测设备的设备已知信号进行比较,可以快速确定待测设备在第一设备预测信号对应的时间段内是否会出现故障。
在一个实施例中,设备故障预测方法还包括:
将设备已知信号对应的信号波动作为参考波动;将第一设备预测信号中首次出现信号波动和参考波动之间的波动差异大于预设差异的子信号作为目标子信号;基于目标子信号对应的信号时刻确定待测设备对应的设备寿命,得到待测设备对应的第一设备故障预测结果。
具体地,当第一设备预测信号对应的信号波动和设备已知信号对应的信号波动之间的波动差异大于预设差异时,除了确定待测设备在第一设备预测信号对应的时间段内会出现损坏,还可以进一步确定待测设备对应的设备寿命,也就是,在进行设备故障预测时,还可以进一步对设备寿命进行预测。计算机设备可以基于第一设备预测信号中首次出现信号波动异常的子信号对应的信号时刻确定待测设备对应的设备寿命,也就是,在待测设备第一次出现信号波动异常时确定待测设备已损坏,进而确定设备寿命。
计算机设备可以将设备已知信号对应的信号波动作为参考波动,例如,将设备已知信号中的最大信号波动作为参考波动。进而,从第一设备预测信号的起始时刻开始,计算机设备计算第一设备预测信号中依次出现的信号波动并和参考波动进行比较。计算机设备将第一设备预测信号中首次出现与参考波动之间的波动差异大于预设差异的信号波动所对应的子信号作为目标子信号,基于目标子信号对应的信号时刻确定待测设备对应的设备寿命,从而待测设备对应的第一设备故障预测结果还可以是待测设备对应的设备寿命。
例如,待测设备已经投入使用了55个小时,待测设备的设备已知信号包括待测设备从投入使用开始的第50个小时至第55个小时的工作信号,通过扩散模型预测得到的第一设备预测信号包括待测设备在第55个小时至第60个小时的工作信号。基于设备已知信号中的信号幅值最大值和信号幅值最小值确定设备已知信号对应的最大信号波动,将该最大信号波动作为参考波动。基于第一设备预测信号中的信号幅值最大值和信号幅值最小值确定第一设备预测信号对应的最大信号波动,若该最大信号波动和参考波动之间的波动差异大于预设差异,则可以确定待测设备在第55个小时至第60个小时会出现故障、会损失。
进一步的,第一设备预测信号中可能出现多次和参考波动之间的波动差异大于预设差异的信号波动。若第一设备预测信号中首次出现和参考波动之间的波动差异大于预设差异的信号波动为第57个小时的时候,则可以确定待测设备对应的设备寿命为57个小时。
上述实施例中,在基于第一设备预测信号确定待测设备将出现故障时,基于第一设备预测信号还可以确定待测设备对应的设备寿命。
在一个实施例中,如图8所示,设备故障预测方法还包括:
步骤S802,将设备已知信号进行信号分解,得到设备已知信号对应的第三周期分量和第三趋势分量。
步骤S804,获取第二原始噪声信号和第三原始噪声信号。
步骤S806,将第三周期分量和第二原始噪声信号输入目标周期扩散模型进行反向推理,得到预测周期分量。
步骤S808,将第三趋势分量和第三原始噪声信号输入目标趋势扩散模型进行反向推理,得到预测趋势分量。
其中,第三周期分量是指设备已知信号对应的周期分量。第三趋势分量是指设备已知信号对应的趋势分量。第二原始噪声信号是在训练周期扩散模型时使用的原始噪声信号。第三原始噪声信号是在训练趋势扩散模型时使用的原始噪声信号。
可以理解,信号分解过程可以参考前述设备故障预测模型训练方法中相关实施例的内容,此处不再赘述。目标周期扩散模型和目标趋势扩散模型的训练过程的训练过程可以参考前述设备故障预测模型训练方法中相关实施例的内容,此处不再赘述。
步骤S810,融合预测周期分量和预测趋势分量,得到待测设备对应的第二设备预测信号。
具体地,为了提高设备故障预测的准确性,计算机设备可以获取预先训练完成的目标周期扩散模型和目标趋势扩散模型来分别进行时序预测。计算机设备可以获取待测设备的当前工作信号作为设备已知信号,将设备已知信号进行信号分解,得到设备已知信号对应的第三周期分量和第三趋势分量。进而,计算机设备可以获取在周期扩散模型训练时使用的第二原始噪声信号,将第三周期分量和第二原始噪声信号输入目标周期扩散模型进行反向推理,得到预测周期分量。计算机设备可以获取在趋势扩散模型训练时使用的第三原始噪声信号,将第三趋势分量和第三原始噪声信号输入目标趋势扩散模型进行反向推理,得到预测趋势分量。为了得到完整信号,计算机设备将预测周期分量和预测趋势分量进行融合,得到待测设备对应的第二设备预测信号。
步骤S812,基于第二设备预测信号确定待测设备对应的第二设备故障预测结果。
其中,第二设备故障预测结果是指基于第二设备预测信号确定的设备故障预测结果。
具体地,计算机设备可以对第二设备预测信号进行分析来确定待测设备对应的第二设备故障预测结果。
可以理解,基于第二设备预测信号确定第二设备故障预测结果的过程可以参考前述基于第一设备预测信号确定第一设备故障预测结果的过程。
上述实施例中,信号的周期部分和趋势部分表现不同、反映的信息不同,将信号的周期部分和趋势部分分开进行时序预测,能够显著提升预测准确率,进而提高设备故障检测的准确性。
在一个实施例中,周期扩散模型和趋势扩散模型的训练过程可以参考图9。对已故障设备的原始信号(即原始工作信号)进行采样,得到中间信号(即中间工作信号),对中间信号按1:1拆分,前50%为已知信号(即原始已知信号),后50%为预测信号(即原始预测信号)。已知信号相当于历史信号,预测信号相当于待预测信号。
对已知信号和预测信号进行周期趋势分解(即信号分解),分别得到已知信号的周期部分old_season和趋势部分old_trend,以及预测信号的周期部分pred_season和趋势部分pred_trend。已知信号的周期部分old_season作为周期扩散模型的条件信号输入,已知信号的趋势部分作为趋势扩散模型的条件信号输入,两者作为条件监督信号分别控制扩散模型推理过程。
周期扩散模型和趋势扩散模型前向过程一致。针对周期扩散模型,条件信号与预测信号的周期部分pred_season输入周期扩散模型后会预测一个高斯噪声,将预测的高斯噪声与预测信号的周期部分pred_season相加得到添加噪声后周期部分,将添加噪声后周期部分与原始周期高斯噪声信号(即第二原始噪声信号)输入MSE损失函数来计算MSE损失(即MSE Loss),基于MSE Loss调整周期扩散模型,使得周期扩散模型输出的添加噪声后周期部分与原始周期高斯噪声信号越像。针对趋势扩散模型,条件信号与预测信号的趋势部分pred_trend输入趋势扩散模型后会预测一个高斯噪声,将预测的高斯噪声与预测信号的趋势部分pred_trend相加得到添加噪声后趋势部分,将添加噪声后趋势部分与原始趋势高斯噪声信号(即第三原始噪声信号)输入MSE损失函数来计算MSE损失(即MSE Loss),基于MSE Loss调整趋势扩散模型,使得趋势扩散模型输出的添加噪声后趋势部分与原始趋势高斯噪声信号越像。
周期扩散模型和趋势扩散模型的应用过程可以参考图10。将待测设备的已知信号进行周期趋势分解,分别得到已知信号的周期部分old_season和趋势部分old_trend,两者作为条件信号分别输入周期扩散模型和趋势扩散模型进行逆向推理过程,用于控制扩散模型的逆向推理过程中预测信号生成范围。
周期扩散模型和趋势扩散模型逆向过程一致。针对周期扩散模型,将条件信号和原始周期高斯噪声信号输入周期扩散模型得到预测的高斯噪声,将原始周期高斯噪声信号减去预测的高斯噪声得到预测的周期部分。针对趋势扩散模型,将条件信号和原始趋势高斯噪声信号输入趋势扩散模型得到预测的高斯噪声,将原始趋势高斯噪声信号减去预测的高斯噪声得到预测的趋势部分。将逆向推理得到的周期部分和趋势部分相加,得到最终的预测信号。
当待测设备的预测信号的信号波动和已知信号的信号波动之间的波动差异大于预设差异时,认为待测设备在预测信号对应的时间段内已损坏,该预测信号中首次出现与已知信号的信号波动之间的波动差异大于预设差异的信号波动所对应的时刻作为故障时刻,将故障时刻之前的信号时长作为其使用寿命。
在一个实施例中,设备故障预测方法还包括:
基于第一设备故障预测结果和第二设备故障预测结果,确定待测设备对应的目标设备故障预测结果。
具体地,为了进一步提高设备故障预测的准确性,计算机设备可以综合第一设备故障预测结果和第二设备故障预测结果,确定待测设备对应的目标设备故障预测结果。例如,目标设备故障预测结果包括第一设备故障预测结果和第二设备故障预测结果。例如,若第一设备故障预测结果和第二设备故障预测结果均表示待测设备不会出现故障,则确定待测设备对应的目标设备故障预测结果为不会出现故障。例如,若第一设备故障预测结果表示设备寿命为A,第二设备故障预测结果表示设备寿命为B,则确定待测设备对应的目标设备故障预测结果可以是设备寿命在A到B之间。
上述实施例中,基于第一设备故障预测结果和第二设备故障预测结果确定的目标设备故障预测结果为更综合的设备故障预测结果,具有更高的准确性、更高的参考价值。
在一个具体的实施例中,本申请方法可以应用于针对机床刀具的刀具寿命预测。本申请创新地提出一种基于扩散模型的刀具寿命预测方法。
针对模型训练,将已故障机床刀具的已知信号和预测信号输入扩散模型进行训练,已知信号作为条件概率指导扩散模型的训练过程。训练过程中扩散模型向预测信号gt逐步增加噪声Nt,每一步加噪得到的信号只与上一步的结果相关,直至缺失信号变为高斯噪声No,损失函数为扩散模型输出的Nt和期望的高斯噪声No之间的KL散度。其中,机床刀具的信号为机床刀具的刀轴震动频率信号。
针对模型应用,参考图11,将待测机床刀具当前的已知刀轴震动频率信号输入扩散模型,通过逆扩散过程不断去噪,得到未来刀轴震动频率信号。根据未来刀轴震动频率信号的幅值范围判断机床刀具的剩余使用寿命。例如,若未来刀轴震动频率信号的信号波动比已知刀轴震动频率信号的信号波动大35%,则认为机床刀具已损坏,将未来刀轴震动频率信号中首次出现比已知刀轴震动频率信号的信号波动大35%的信号波动对应的时刻作为目标时刻,将目标时刻之前的信号时长作为待测机床刀具的使用寿命。
进一步的,针对模型训练,还可以将信号中的周期部分和趋势部分分开,分别训练周期扩散模型和趋势扩散模型,相应的,针对模型应用,基于周期扩散模型和趋势扩散模型,将信号中的周期部分和趋势部分分开进行时序预测。
我们在两个实验数据集上对比了我们提出的方法与其他的方法的信号预测效果。第一个是电力变压器数据集ETT datasets(Zhou et al.2021),第二个是电力负载数据集Electricity dataset(Dua and Graff 2017)。
表一
表一中给出了在两个数据集上我们的方法和其他方法的均方差RMSE(Root MeanSquare Error,均方根误差)指标和标准差。可以看到在两个数据集上我们的方法相对现有SOTA(state-of-the-art model,目前最先进的模型)方法Informer(一种长时间序列预测方法)和TS2VEC(Towards Universal Representation of Time Series,一个学习任意语义层次时间序列表示的通用框架)都有明显提升。同时在不同预测步长上,我们的方法相对SOTA方法也有明显提升
上述实施例中,使用基于扩散模型的方式进行时序预测,每一步加噪得到的信号只与上一步的结果相关,整体训练过程更为稳定。将信号中的周期部分和趋势部分分开进行扩散生成预测,显著提升了预测准确率。
可以理解,本申请方法还可以应用于针对其他设备的设备故障预测。例如,针对其他工业设备上零部件的故障预测,针对电子设备的设备故障预测。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的设备故障预测模型训练方法的设备故障预测模型训练装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个设备故障预测模型训练装置实施例中的具体限定可以参见上文中对于设备故障预测模型训练方法的限定,在此不再赘述。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的设备故障预测方法的设备故障预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个设备故障预测装置实施例中的具体限定可以参见上文中对于设备故障预测方法的限定,在此不再赘述。
在一个实施例中,如图12所示,提供了一种设备故障预测模型训练装置,包括:信号获取模块1202、模型正向推理模块1204和模型调整模块1206,其中:
信号获取模块1202,用于获取已故障设备对应的原始已知信号和原始预测信号,获取第一原始噪声信号;原始预测信号为原始已知信号的后向信号。
模型正向推理模块1204,用于将原始已知信号和原始预测信号输入初始扩散模型进行正向推理,得到预测噪声信号。
模型调整模块1206,用于基于预测噪声信号和第一原始噪声信号之间的差异,对初始扩散模型进行调整,得到目标扩散模型。
其中,目标扩散模型用于基于第一原始噪声信号和待测设备对应的设备已知信号进行反向推理得到待测设备对应的第一设备预测信号,第一设备预测信号用于确定待测设备对应的第一设备故障预测结果。
在一个实施例中,信号获取模块1202还用于:
获取已故障设备对应的原始工作信号;原始工作信号包括已故障设备在未故障阶段和已故障阶段的工作信号;基于第一预设信号窗口,对原始工作信号进行采样,得到中间工作信号;平均拆分中间工作信号,得到前向工作信号和后向工作信号;将前向工作信号作为已故障设备对应的原始已知信号,将后向工作信号作为已故障设备对应的原始预测信号。
在一个实施例中,第一原始噪声信号为随机生成的高斯噪声信号。
在一个实施例中,模型正向推理模块1204还用于:
将原始已知信号和原始预测信号输入初始扩散模型,得到预测高斯噪声;融合预测高斯噪声和原始预测信号,得到预测噪声信号。
在一个实施例中,模型调整模块1206还用于:
基于预测噪声信号和第一原始噪声信号之间的差异,对初始扩散模型进行调整,得到中间扩散模型;将原始已知信号和预测噪声信号输入中间扩散模型进行正向推理,得到更新噪声信号;将更新噪声信号作为预测噪声信号,将中间扩散模型作为初始扩散模型,返回基于预测噪声信号和第一原始噪声信号之间的差异,对初始扩散模型进行调整,得到中间扩散模型的步骤执行,直至满足结束条件,得到目标扩散模型。
在一个实施例中,设备故障预测模型训练装置还用于:
分别对原始已知信号和原始预测信号进行信号分解,得到原始已知信号对应的第一周期分量和第一趋势分量、原始预测信号对应的第二周期分量和第二趋势分量;获取第二原始噪声信号和第三原始噪声信号;将第一周期分量和第二周期分量输入初始周期扩散模型进行正向推理,得到第一预测噪声信号,基于第一预测噪声信号和第二原始噪声信号之间的差异,对初始周期扩散模型进行调整,得到目标周期扩散模型;将第一趋势分量和第二趋势分量输入初始趋势扩散模型进行正向推理,得到第二预测噪声信号,基于第二预测噪声信号和第三原始噪声信号之间的差异,对初始趋势扩散模型进行调整,得到目标趋势扩散模型;
其中,目标周期扩散模型用于基于第二原始噪声信号和设备已知信号对应的第三周期分量进行反向推理得到待测设备对应的预测周期分量;目标趋势扩散模型用于基于第三原始噪声信号和设备已知信号对应的第三趋势分量进行反向推理得到待测设备对应的预测趋势分量;预测周期分量和预测趋势分量用于确定待测设备对应的第二设备故障预测结果。
在一个实施例中,设备故障预测模型训练装置还用于:
在当前工作信号对应的有效信号窗口小于第二预设信号窗口时,对当前工作信号进行信号填充,得到参考工作信号;当前工作信号为原始已知信号或原始预测信号;在当前工作信号对应的有效信号窗口大于或等于第二预设信号窗口时,将当前工作信号作为参考工作信号;对参考工作信号进行下采样处理,得到当前工作信号对应的当前趋势分量;基于当前工作信号和当前趋势分量之间的差异,得到当前工作信号对应的当前周期分量。
在一个实施例中,已故障设备为已故障机床刀具,待测设备为待测机床刀具,原始工作信号和设备已知信号为机床刀具的刀轴震动频率信号。
上述设备故障预测模型训练装置,通过训练扩散模型来学习已故障设备的工作信号的分布特征,后续通过训练完成的扩散模型可以基于待测设备的已知信号来快速准确预测待测设备的未来信号,基于预测得到的信号可以快速准确确定待测设备的设备故障预测结果,从而无需人工检测,通过训练扩散模型来进行设备故障预测,有效提高了设备故障预测的效率。在模型训练时,将已故障设备的原始已知信号和原始预测信号输入扩散模型进行正向推理得到预测噪声信号,基于预测噪声信号和第一原始噪声信号之间的差异对初始扩散模型进行调整,使得预测噪声信号逐渐与第一原始噪声信号接近,从而在模型应用时,将待测设备的设备已知信号和原始噪声信号输入训练完成的扩散模型进行反向推理,能够预测设备已知信号的后向信号,得到设备预测信号。
在一个实施例中,如图13所示,提供了一种设备故障预测装置,包括:数据获取模块1302、模型反向推理模块1304和设备故障预测模块1306,其中:
数据获取模块1302,用于获取待测设备对应的设备已知信号,获取第一原始噪声信号;
模型反向推理模块1304,用于将设备已知信号和第一原始噪声信号输入目标扩散模型进行反向推理,得到待测设备对应的第一设备预测信号;
设备故障预测模块1306,用于基于第一设备预测信号确定待测设备对应的第一设备故障预测结果;
其中,目标扩散模型,是基于预测噪声信号和第一原始噪声信号之间的差异对初始扩散模型进行调整得到的,预测噪声信号是将已故障设备对应的原始已知信号和原始预测信号输入初始扩散模型进行正向推理得到的,原始预测信号为原始已知信号的后向信号。
在一个实施例中,模型反向推理模块1304还用于:
将设备已知信号和第一原始噪声信号输入目标扩散模型,得到预测高斯噪声;基于第一原始噪声信号和预测高斯噪声之间的差异,得到待测设备对应的第一设备预测信号。
在一个实施例中,设备故障预测模块1306还用于:
当第一设备预测信号对应的信号波动和设备已知信号对应的信号波动之间的波动差异大于预设差异时,确定待测设备在第一设备预测信号对应的时间段内出现损坏,得到待测设备对应的第一设备故障预测结果;当第一设备预测信号对应的信号波动和设备已知信号对应的信号波动之间的差异小于或等于预设差异时,确定待测设备在第一设备预测信号对应的时间段内未出现损坏,得到待测设备对应的第一设备故障预测结果。
在一个实施例中,设备故障预测模块1306还用于:
将设备已知信号对应的信号波动作为参考波动;
将第一设备预测信号中首次出现信号波动和参考波动之间的差异大于预设差异的子信号作为目标子信号;
基于目标子信号对应的信号时刻确定待测设备对应的设备寿命,得到待测设备对应的第一设备故障预测结果。
在一个实施例中,设备故障预测装置还用于:
将设备已知信号进行信号分解,得到设备已知信号对应的第三周期分量和第三趋势分量;获取第二原始噪声信号和第三原始噪声信号;将第三周期分量和第二原始噪声信号输入目标周期扩散模型进行反向推理,得到预测周期分量;将第三趋势分量和第三原始噪声信号输入目标趋势扩散模型进行反向推理,得到预测趋势分量;融合预测周期分量和预测趋势分量,得到待测设备对应的第二设备预测信号;基于第二设备预测信号确定待测设备对应的第二设备故障预测结果;
其中,目标周期扩散模型是基于第一预测噪声信号和第二原始噪声信号之间的差异,对初始周期扩散模型进行调整得到的,第一预测噪声信号是将原始已知信号对应的第一周期分量和原始预测信号对应的第二周期分量输入初始周期扩散模型进行正向推理得到的;
目标趋势扩散模型是基于第二预测噪声信号和第三原始噪声信号之间的差异,对初始趋势扩散模型进行调整得到的,第二预测噪声信号是将原始已知信号对应的第一趋势分量和原始预测信号对应的第二趋势分量输入初始趋势扩散模型进行正向推理得到的。
在一个实施例中,设备故障预测装置还用于:
基于第一设备故障预测结果和第二设备故障预测结果,确定待测设备对应的目标设备故障预测结果。
上述设备故障预测装置,通过训练完成的扩散模型可以基于待测设备的已知信号来快速准确预测待测设备的未来信号,基于预测得到的信号可以快速准确确定待测设备的设备故障预测结果,从而无需人工检测,通过训练完成的扩散模型来进行设备故障预测,有效提高了设备故障预测的效率。训练扩散模型来学习已故障设备的工作信号的分布特征,在模型训练时,将已故障设备的原始已知信号和原始预测信号输入扩散模型进行正向推理得到预测噪声信号,基于预测噪声信号和第一原始噪声信号之间的差异对初始扩散模型进行调整,使得预测噪声信号逐渐与第一原始噪声信号接近,从而在模型应用时,将待测设备的设备已知信号和原始噪声信号输入训练完成的扩散模型进行反向推理,能够预测设备已知信号的后向信号,得到设备预测信号。
在一个实施例中,如图14所示,提供了一种设备故障预测模型训练装置,包括:数据获取模块1402、数据分解模块1404和模型训练模块1406,其中:
数据获取模块1402,用于获取已故障设备对应的原始已知信号和原始预测信号,获取第二原始噪声信号和第三原始噪声信号;原始预测信号为原始已知信号的后向信号。
数据分解模块1404,用于分别对原始已知信号和原始预测信号进行信号分解,得到原始已知信号对应的第一周期分量和第一趋势分量、原始预测信号对应的第二周期分量和第二趋势分量。
模型训练模块1406,用于将第一周期分量和第二周期分量输入初始周期扩散模型进行正向推理,得到第一预测噪声信号,基于第一预测噪声信号和第二原始噪声信号之间的差异,对初始周期扩散模型进行调整,得到目标周期扩散模型。
模型训练模块1406,还用于将第一趋势分量和第二趋势分量输入初始趋势扩散模型进行正向推理,得到第二预测噪声信号,基于第二预测噪声信号和第三原始噪声信号之间的差异,对初始趋势扩散模型进行调整,得到目标趋势扩散模型。
其中,目标周期扩散模型用于基于第二原始噪声信号和设备已知信号对应的第三周期分量进行反向推理得到待测设备对应的预测周期分量;目标趋势扩散模型用于基于第三原始噪声信号和设备已知信号对应的第三趋势分量进行反向推理得到待测设备对应的预测趋势分量;预测周期分量和预测趋势分量用于确定待测设备对应的第二设备故障预测结果。
在一个实施例中,数据分解模块1404还用于:
在当前工作信号对应的有效信号窗口小于第二预设信号窗口时,对当前工作信号进行信号填充,得到参考工作信号;当前工作信号为原始已知信号或原始预测信号;在当前工作信号对应的有效信号窗口大于或等于第二预设信号窗口时,将当前工作信号作为参考工作信号;对参考工作信号进行下采样处理,得到当前工作信号对应的当前趋势分量;基于当前工作信号和当前趋势分量之间的差异,得到当前工作信号对应的当前周期分量。
上述设备故障预测模型训练装置,无需人工检测,通过训练扩散模型来进行设备故障预测,有效提高了设备故障预测的效率,分别训练周期扩散模型和趋势扩散模型来分别预测待测设备的未来信号中的周期分量和趋势分量,能够进一步提高待测设备的未来信号的预测准确性,进而进一步提高设备故障预测的准确性。
在一个实施例中,如图15所示,提供了一种设备故障预测装置,包括:获取模块1502、分解模块1504、反向推理模块1506、融合模块1508和确定模块1510,其中:
获取模块1502,用于获取待测设备对应的设备已知信号,获取第二原始噪声信号和第三原始噪声信号。
分解模块1504,用于将设备已知信号进行信号分解,得到设备已知信号对应的第三周期分量和第三趋势分量。
反向推理模块1506,用于将第三周期分量和第二原始噪声信号输入目标周期扩散模型进行反向推理,得到预测周期分量;将第三趋势分量和第三原始噪声信号输入目标趋势扩散模型进行反向推理,得到预测趋势分量。
融合模块1508,用于融合预测周期分量和预测趋势分量,得到待测设备对应的第二设备预测信号。
确定模块1510,用于基于第二设备预测信号确定待测设备对应的第二设备故障预测结果。
其中,目标周期扩散模型是基于第一预测噪声信号和第二原始噪声信号之间的差异,对初始周期扩散模型进行调整得到的,第一预测噪声信号是将原始已知信号对应的第一周期分量和原始预测信号对应的第二周期分量输入初始周期扩散模型进行正向推理得到的;
目标趋势扩散模型是基于第二预测噪声信号和第三原始噪声信号之间的差异,对初始趋势扩散模型进行调整得到的,第二预测噪声信号是将原始已知信号对应的第一趋势分量和原始预测信号对应的第二趋势分量输入初始趋势扩散模型进行正向推理得到的。
上述设备故障预测装置,无需人工检测,通过训练完成的周期扩散模型和趋势扩散模型可以基于待测设备的已知信号来快速准确预测待测设备的未来信号,基于预测得到的信号可以快速准确确定待测设备的设备故障预测结果,从而无需人工检测,通过训练完成的周期扩散模型和趋势扩散模型来进行设备故障预测,有效提高了设备故障预测的效率。分别训练周期扩散模型和趋势扩散模型来分别预测待测设备的未来信号中的周期分量和趋势分量,能够进一步提高待测设备的未来信号的预测准确性,进而进一步提高设备故障预测的准确性。
上述设备故障预测模型训练或设备故障预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图16所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储目标扩散模型、目标周期扩散模型、目标趋势扩散模型等数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种设备故障预测模型训练方法或设备故障预测方法。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图17所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种设备故障预测模型训练方法或设备故障预测方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置,显示屏可以是液晶显示屏或电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图16、17中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,该计算机程序产品包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (19)
1.一种设备故障预测模型训练方法,其特征在于,所述方法包括:
获取已故障设备对应的原始已知信号和原始预测信号,获取第一原始噪声信号;所述原始预测信号为所述原始已知信号的后向信号;
将所述原始已知信号和所述原始预测信号输入初始扩散模型进行正向推理,得到预测噪声信号;
基于所述预测噪声信号和所述第一原始噪声信号之间的差异,对所述初始扩散模型进行调整,得到目标扩散模型;
其中,所述目标扩散模型用于基于所述第一原始噪声信号和待测设备对应的设备已知信号进行反向推理得到所述待测设备对应的第一设备预测信号,所述第一设备预测信号用于确定所述待测设备对应的第一设备故障预测结果。
2.根据权利要求1所述的方法,其特征在于,所述获取已故障设备对应的原始已知信号和原始预测信号,包括:
获取所述已故障设备对应的原始工作信号;所述原始工作信号包括所述已故障设备在未故障阶段和已故障阶段的工作信号;
基于第一预设信号窗口,对所述原始工作信号进行采样,得到中间工作信号;
平均拆分所述中间工作信号,得到前向工作信号和后向工作信号;
将所述前向工作信号作为已故障设备对应的原始已知信号,将所述后向工作信号作为已故障设备对应的原始预测信号。
3.根据权利要求1所述的方法,其特征在于,所述第一原始噪声信号为随机生成的高斯噪声信号。
4.根据权利要求1所述的方法,其特征在于,所述将所述原始已知信号和所述原始预测信号输入初始扩散模型进行正向推理,得到预测噪声信号,包括:
将所述原始已知信号和所述原始预测信号输入初始扩散模型,得到预测高斯噪声;
融合所述预测高斯噪声和所述原始预测信号,得到预测噪声信号。
5.根据权利要求1所述的方法,其特征在于,所述基于所述预测噪声信号和所述第一原始噪声信号之间的差异,对所述初始扩散模型进行调整,得到目标扩散模型,包括:
基于所述预测噪声信号和所述第一原始噪声信号之间的差异,对所述初始扩散模型进行调整,得到中间扩散模型;
将所述原始已知信号和所述预测噪声信号输入中间扩散模型进行正向推理,得到更新噪声信号;
将所述更新噪声信号作为预测噪声信号,将所述中间扩散模型作为初始扩散模型,返回所述基于所述预测噪声信号和所述第一原始噪声信号之间的差异,对所述初始扩散模型进行调整,得到中间扩散模型的步骤执行,直至满足结束条件,得到目标扩散模型。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
分别对所述原始已知信号和所述原始预测信号进行信号分解,得到所述原始已知信号对应的第一周期分量和第一趋势分量、所述原始预测信号对应的第二周期分量和第二趋势分量;
获取第二原始噪声信号和第三原始噪声信号;
将所述第一周期分量和所述第二周期分量输入初始周期扩散模型进行正向推理,得到第一预测噪声信号,基于所述第一预测噪声信号和所述第二原始噪声信号之间的差异,对所述初始周期扩散模型进行调整,得到目标周期扩散模型;
将所述第一趋势分量和所述第二趋势分量输入初始趋势扩散模型进行正向推理,得到第二预测噪声信号,基于所述第二预测噪声信号和所述第三原始噪声信号之间的差异,对所述初始趋势扩散模型进行调整,得到目标趋势扩散模型;
其中,所述目标周期扩散模型用于基于所述第二原始噪声信号和所述设备已知信号对应的第三周期分量进行反向推理得到所述待测设备对应的预测周期分量;所述目标趋势扩散模型用于基于所述第三原始噪声信号和所述设备已知信号对应的第三趋势分量进行反向推理得到所述待测设备对应的预测趋势分量;所述预测周期分量和所述预测趋势分量用于确定所述待测设备对应的第二设备故障预测结果。
7.根据权利要求6所述的方法,其特征在于,所述分别对所述原始已知信号和所述原始预测信号进行信号分解,得到所述原始已知信号对应的第一周期分量和第一趋势分量、所述原始预测信号对应的第二周期分量和第二趋势分量,包括:
在当前工作信号对应的有效信号窗口小于第二预设信号窗口时,对所述当前工作信号进行信号填充,得到参考工作信号;所述当前工作信号为所述原始已知信号或所述原始预测信号;
在所述当前工作信号对应的有效信号窗口大于或等于所述第二预设信号窗口时,将当前工作信号作为参考工作信号;
对所述参考工作信号进行下采样处理,得到所述当前工作信号对应的当前趋势分量;
基于所述当前工作信号和所述当前趋势分量之间的差异,得到所述当前工作信号对应的当前周期分量。
8.根据权利要求1至7中任一项所述的方法,其特征在于,所述已故障设备为已故障机床刀具,所述待测设备为待测机床刀具,所述原始工作信号和所述设备已知信号为机床刀具的刀轴震动频率信号。
9.一种设备故障预测方法,其特征在于,所述方法包括:
获取待测设备对应的设备已知信号,获取第一原始噪声信号;
将所述设备已知信号和所述第一原始噪声信号输入目标扩散模型进行反向推理,得到所述待测设备对应的第一设备预测信号;
基于所述第一设备预测信号确定所述待测设备对应的第一设备故障预测结果;
其中,所述目标扩散模型,是基于预测噪声信号和所述第一原始噪声信号之间的差异对初始扩散模型进行调整得到的,所述预测噪声信号是将已故障设备对应的原始已知信号和原始预测信号输入初始扩散模型进行正向推理得到的,所述原始预测信号为所述原始已知信号的后向信号。
10.根据权利要求9所述的方法,其特征在于,所述将所述设备已知信号和所述第一原始噪声信号输入目标扩散模型进行反向推理,得到所述待测设备对应的第一设备预测信号,包括:
将所述设备已知信号和所述第一原始噪声信号输入所述目标扩散模型,得到预测高斯噪声;
基于所述第一原始噪声信号和所述预测高斯噪声之间的差异,得到所述待测设备对应的第一设备预测信号。
11.根据权利要求9所述的方法,其特征在于,所述基于所述第一设备预测信号确定所述待测设备对应的第一设备故障预测结果,包括:
当所述第一设备预测信号对应的信号波动和所述设备已知信号对应的信号波动之间的波动差异大于预设差异时,确定所述待测设备在所述第一设备预测信号对应的时间段内出现损坏,得到所述待测设备对应的第一设备故障预测结果;
当所述第一设备预测信号对应的信号波动和所述设备已知信号对应的信号波动之间的差异小于或等于预设差异时,确定所述待测设备在所述第一设备预测信号对应的时间段内未出现损坏,得到所述待测设备对应的第一设备故障预测结果。
12.根据权利要求11所述的方法,其特征在于,所述方法还包括:
将所述设备已知信号对应的信号波动作为参考波动;
将所述第一设备预测信号中首次出现信号波动和所述参考波动之间的差异大于预设差异的子信号作为目标子信号;
基于所述目标子信号对应的信号时刻确定所述待测设备对应的设备寿命,得到所述待测设备对应的第一设备故障预测结果。
13.根据权利要求9所述的方法,其特征在于,所述方法还包括:
将所述设备已知信号进行信号分解,得到所述设备已知信号对应的第三周期分量和第三趋势分量;
获取第二原始噪声信号和第三原始噪声信号;
将所述第三周期分量和所述第二原始噪声信号输入目标周期扩散模型进行反向推理,得到预测周期分量;
将所述第三趋势分量和所述第三原始噪声信号输入目标趋势扩散模型进行反向推理,得到预测趋势分量;
融合所述预测周期分量和所述预测趋势分量,得到所述待测设备对应的第二设备预测信号;
基于所述第二设备预测信号确定所述待测设备对应的第二设备故障预测结果;
其中,所述目标周期扩散模型是基于第一预测噪声信号和所述第二原始噪声信号之间的差异,对初始周期扩散模型进行调整得到的,所述第一预测噪声信号是将所述原始已知信号对应的第一周期分量和所述原始预测信号对应的第二周期分量输入初始周期扩散模型进行正向推理得到的;
所述目标趋势扩散模型是基于第二预测噪声信号和所述第三原始噪声信号之间的差异,对初始趋势扩散模型进行调整得到的,所述第二预测噪声信号是将所述原始已知信号对应的第一趋势分量和所述原始预测信号对应的第二趋势分量输入初始趋势扩散模型进行正向推理得到的。
14.根据权利要求13所述的方法,其特征在于,所述方法还包括:
基于所述第一设备故障预测结果和所述第二设备故障预测结果,确定所述待测设备对应的目标设备故障预测结果。
15.一种设备故障预测模型训练装置,其特征在于,所述装置包括:
信号获取模块,用于获取已故障设备对应的原始已知信号和原始预测信号,获取第一原始噪声信号;所述原始预测信号为所述原始已知信号的后向信号;
模型正向推理模块,用于将所述原始已知信号和所述原始预测信号输入初始扩散模型进行正向推理,得到预测噪声信号;
模型调整模块,用于基于所述预测噪声信号和所述第一原始噪声信号之间的差异,对所述初始扩散模型进行调整,得到目标扩散模型;
其中,所述目标扩散模型用于基于所述第一原始噪声信号和待测设备对应的设备已知信号进行反向推理得到所述待测设备对应的第一设备预测信号,所述第一设备预测信号用于确定所述待测设备对应的第一设备故障预测结果。
16.一种设备故障预测装置,其特征在于,所述装置包括:
数据获取模块,用于获取待测设备对应的设备已知信号,获取第一原始噪声信号;
模型反向推理模块,用于将所述设备已知信号和所述第一原始噪声信号输入目标扩散模型进行反向推理,得到所述待测设备对应的第一设备预测信号;
设备故障预测模块,用于基于所述第一设备预测信号确定所述待测设备对应的第一设备故障预测结果;
其中,所述目标扩散模型,是基于预测噪声信号和所述第一原始噪声信号之间的差异对初始扩散模型进行调整得到的,所述预测噪声信号是将已故障设备对应的原始已知信号和原始预测信号输入初始扩散模型进行正向推理得到的,所述原始预测信号为所述原始已知信号的后向信号。
17.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至14中任一项所述的方法的步骤。
18.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至14中任一项所述的方法的步骤。
19.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至14中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310270754.8A CN116976441A (zh) | 2023-03-15 | 2023-03-15 | 设备故障预测模型训练方法、设备故障预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310270754.8A CN116976441A (zh) | 2023-03-15 | 2023-03-15 | 设备故障预测模型训练方法、设备故障预测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116976441A true CN116976441A (zh) | 2023-10-31 |
Family
ID=88482070
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310270754.8A Pending CN116976441A (zh) | 2023-03-15 | 2023-03-15 | 设备故障预测模型训练方法、设备故障预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116976441A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117555287A (zh) * | 2024-01-12 | 2024-02-13 | 中国机械总院集团云南分院有限公司 | 一种基于cae的数控机床加工动态性能监控方法及系统 |
-
2023
- 2023-03-15 CN CN202310270754.8A patent/CN116976441A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117555287A (zh) * | 2024-01-12 | 2024-02-13 | 中国机械总院集团云南分院有限公司 | 一种基于cae的数控机床加工动态性能监控方法及系统 |
CN117555287B (zh) * | 2024-01-12 | 2024-04-09 | 中国机械总院集团云南分院有限公司 | 一种基于cae的数控机床加工动态性能监控方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11334407B2 (en) | Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model | |
CN112364975B (zh) | 基于图神经网络的终端运行状态预测方法及系统 | |
KR102274389B1 (ko) | 센서 데이터를 이용한 이상패턴 탐지 모델 구축 방법 및 이를 이용한 이상 탐지 장치 및 방법 | |
CN111160687B (zh) | 主动资产监控 | |
JP2022500745A (ja) | 異常検出および/または予知保全のためのコンピュータ実装方法、コンピュータプログラム製品およびシステム | |
Caceres et al. | A probabilistic Bayesian recurrent neural network for remaining useful life prognostics considering epistemic and aleatory uncertainties | |
JP2008146591A (ja) | 異常兆候検出装置および方法 | |
KR102361423B1 (ko) | 인공지능 기반의 정비 수요 예측 시스템 및 방법 | |
JPWO2009090939A1 (ja) | ネットワーク異常検出装置及び方法 | |
CN114580263A (zh) | 基于知识图谱的信息系统故障预测方法及相关设备 | |
CN116976441A (zh) | 设备故障预测模型训练方法、设备故障预测方法和装置 | |
CN115453356B (zh) | 一种动力设备运行状态监测分析方法、系统、终端及介质 | |
CN116010900A (zh) | 基于自注意力机制的多尺度特征融合齿轮箱故障诊断方法 | |
Kim et al. | A variational autoencoder for a semiconductor fault detection model robust to process drift due to incomplete maintenance | |
JP7384218B2 (ja) | 異常検知装置、異常検知方法及びプログラム | |
CN117829209A (zh) | 工艺设备的非正常工作检测方法、计算装置及计算机程序 | |
KR102130272B1 (ko) | 경험모델 기반 예측 알고리즘의 최적화 방법 | |
Baek | An intelligent condition‐based maintenance scheduling model | |
CN111930728B (zh) | 一种设备的特征参数和故障率的预测方法及系统 | |
CN116541222A (zh) | 一种硬盘状态数据生成方法、系统、设备及介质 | |
Maqbool et al. | An efficient fault-prediction mechanism for improving yield in industry 5.0 | |
Portinale et al. | Compiling Dyanamic Fault Trees into Dynamic Bayesian Nets for Reliability Analysis: the RADYBAN Tool. | |
KR20220028727A (ko) | 열화에 따른 시계열 데이터를 이용한 실시간 이상 감지 방법 및 그를 위한 장치 | |
Nguyen | Feature Engineering and Health Indicator Construction for Fault Detection and Diagnostic | |
JP2020187616A (ja) | プラント監視モデル作成装置、プラント監視モデル作成方法およびプラント監視モデル作成プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |