CN117056400A - 机械设备的智能管理系统及其方法 - Google Patents

机械设备的智能管理系统及其方法 Download PDF

Info

Publication number
CN117056400A
CN117056400A CN202311042278.0A CN202311042278A CN117056400A CN 117056400 A CN117056400 A CN 117056400A CN 202311042278 A CN202311042278 A CN 202311042278A CN 117056400 A CN117056400 A CN 117056400A
Authority
CN
China
Prior art keywords
feature vector
feature
vector
matrix
classification
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.)
Withdrawn
Application number
CN202311042278.0A
Other languages
English (en)
Inventor
楼宇琼
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Haining Shengyang Electromechanical Equipment Co ltd
Original Assignee
Haining Shengyang Electromechanical Equipment Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Haining Shengyang Electromechanical Equipment Co ltd filed Critical Haining Shengyang Electromechanical Equipment Co ltd
Priority to CN202311042278.0A priority Critical patent/CN117056400A/zh
Publication of CN117056400A publication Critical patent/CN117056400A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2477—Temporal data queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G06F16/252—Integrating or interfacing systems involving database management systems between a Database Management System and a front-end application
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Fuzzy Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本申请涉及智能监测领域，其具体地公开了一种机械设备的智能管理系统及其方法，其通过构建机械设备历史运行状态的数据库，再以当前时间点机械运行状态数据在高维空间中的状态特征作为查询特征来得出当前机械设备运行状态是否正常的结果。这样，实现了实时对机械设备运行状态进行监测，并且能捕捉到微小的机械设备运行状态变化，提高了机械设备状态监测的精度。

Description

机械设备的智能管理系统及其方法
技术领域
本申请涉及智能监测领域，且更为具体地，涉及一种机械设备的智能管理系统及其方法。
背景技术
机械设备是指使用机械原理和技术进行能量转换、物质加工和传递的设备，它广泛应用于各个领域，包括制造业、交通运输、建筑过程、能源等。
传统对于机械设备的运行状态是基于设定的阈值或规则来判断机械设备是否正常运行，例如设置温度上限或下限来判断机械设备是否过热或过冷。这种方法存在一定的局限性，首先，设定阈值需要经验和专业知识，可能无法适应不同工况的变化；其次，无法捕捉到一些微小的变化或特定的异常情况。
因此，需要一种优化的机械设备的智能管理方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种机械设备的智能管理系统及其方法，其通过构建机械设备历史运行状态的数据库，再以当前时间点机械运行状态数据在高维空间中的状态特征作为查询特征来得出当前机械设备运行状态是否正常的结果。这样，实现了实时对机械设备运行状态进行监测，并且能捕捉到微小的机械设备运行状态变化，提高了机械设备状态监测的精度。
根据本申请的一个方面，提供了一种机械设备的智能管理系统，其包括：
历史设备运行状态数据获取模块，用于获取历史数据，所述历史数据为生产操作时各个机械设备在多个预定时间点的运行状态信息，其中，如果处于运行状态则以运行功率作为运行状态信息，如果处于非运行状态则以零作为运行状态信息；
历史设备运行状态数据结构化模块，用于将所述各个机械设备在多个预定时间点的运行状态信息按照时间维度和机械设备样本维度排列为二维输入矩阵；
历史设备运行特征提取模块，用于使用作为特征提取器的卷积神经网络模型对所述二维输入矩阵进行编码以得到设备运行关联特征矩阵；
当前设备运行状态数据获取模块，用于获取当前时间点的各个机械设备的运行状态信息；
当前设备运行状态特征提取模块，用于将所述当前时间点的各个机械设备的运行状态信息通过基于转换器的上下文编码器以得到当前状态特征向量；
设备运行状态匹配模块，用于以所述当前状态特征向量作为查询向量与所述设备运行关联特征矩阵进行相乘以得到分类特征向量；
优化模块，用于对所述当前状态特征向量和所述分类特征向量进行关联特征的概率密度一致化以得到优化分类特征向量；
设备运行状态判断模块，用于将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的机械设备运行状态是否正常。
在上述机械设备的智能管理系统中，所述历史设备运行特征提取模块，用于：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递过程中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的池化处理以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的卷积神经网络模型的最后一层的输出为所述设备运行关联特征矩阵，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述二维输入矩阵。
在上述机械设备的智能管理系统中，所述当前设备运行状态特征提取模块，包括：分词单元，用于对所述各个机械设备的运行状态信息进行分词处理以获得多个运行状态关键词；词嵌入单元，用于将所述多个运行状态关键词通过嵌入层以将所述多个运行状态关键词中各个运行状态关键词转化为运行状态关键词嵌入向量以得到运行状态关键词嵌入向量的序列，其中，所述嵌入层使用可学习的嵌入矩阵对所述各个运行状态关键词进行嵌入编码；上下文语义编码单元，用于将所述运行状态关键词嵌入向量的序列输入所述基于转换器的上下文编码器以得到多个运行状态关键特征向量；级联单元，用于将所述多个运行状态关键特征向量进行级联以得到所述当前状态特征向量。
在上述机械设备的智能管理系统中，所述设备运行状态匹配模块，用于：以如下查询公式计算所述当前状态特征向量作为查询向量与所述设备运行关联特征矩阵进行相乘以得到所述分类特征向量；其中，所述查询公式为：
其中V1表示所述分类特征向量，V2表示所述当前状态特征向量，M表示所述设备运行关联特征矩阵，表示矩阵相乘。
在上述机械设备的智能管理系统中，所述优化模块，包括：协方差矩阵计算单元，用于计算所述当前状态特征向量和所述分类特征向量之间的协方差矩阵；矩阵分解单元，用于对所述协方差矩阵进行特征值的矩阵分解以得到多个特征值和与所述多个特征值对应的多个特征值向量；主成分特征向量选取单元，用于从所述多个特征值向量中提取前两个最大特征值对应的特征值向量作为第一主成分特征向量和第二主成分特征向量；归一化处理单元，用于对所述第一主成分特征向量和所述第二主成分特征向量进行归一化处理以得到归一化第一主成分特征向量和归一化第二主成分特征向量；关联矩阵构造单元，用于构造所述归一化第一主成分特征向量和所述归一化第二主成分特征向量之间的关联矩阵作为共同变换矩阵；映射单元，用于将所述当前状态特征向量和所述分类特征向量分别与所述共同变换矩阵进行矩阵相乘以得到映射后状态特征向量和映射后分类特征向量；概率密度一致化单元，用于使用一致化法对所述映射后状态特征向量和所述映射后分类特征向量进行概率密度一致化以得到概率密度一致化状态特征向量和概率密度一致化分类特征向量；均值向量计算单元，用于计算所述概率密度一致化状态特征向量和所述概率密度一致化分类特征向量之间的均值向量以得到所述优化分类特征向量。
在上述机械设备的智能管理系统中，所述设备运行状态判断模块，包括：全连接编码单元，用于使用所述分类器的全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；分类结果生成单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一方面，提供了一种机械设备的智能管理方法，其包括：
获取历史数据，所述历史数据为生产操作时各个机械设备在多个预定时间点的运行状态信息，其中，如果处于运行状态则以运行功率作为运行状态信息，如果处于非运行状态则以零作为运行状态信息；
将所述各个机械设备在多个预定时间点的运行状态信息按照时间维度和机械设备样本维度排列为二维输入矩阵；
使用作为特征提取器的卷积神经网络模型对所述二维输入矩阵进行编码以得到设备运行关联特征矩阵；
获取当前时间点的各个机械设备的运行状态信息；
将所述当前时间点的各个机械设备的运行状态信息通过基于转换器的上下文编码器以得到当前状态特征向量；
以所述当前状态特征向量作为查询向量与所述设备运行关联特征矩阵进行相乘以得到分类特征向量；
对所述当前状态特征向量和所述分类特征向量进行关联特征的概率密度一致化以得到优化分类特征向量；
将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的机械设备运行状态是否正常。
与现有技术相比，本申请提供的机械设备的智能管理系统及其方法，其通过构建机械设备历史运行状态的数据库，再以当前时间点机械运行状态数据在高维空间中的状态特征作为查询特征来得出当前机械设备运行状态是否正常的结果。这样，实现了实时对机械设备运行状态进行监测，并且能捕捉到微小的机械设备运行状态变化，提高了机械设备状态监测的精度。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用于提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的机械设备的智能管理系统的系统框图。
图2为根据本申请实施例的机械设备的智能管理系统的架构图。
图3为根据本申请实施例的机械设备的智能管理系统中当前设备运行状态特征提取模块的框图。
图4为根据本申请实施例的机械设备的智能管理系统中优化模块的框图。
图5为根据本申请实施例的机械设备的智能管理系统中设备运行状态判断模块的框图。
图6为根据本申请实施例的机械设备的智能管理方法的流程图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
申请概述
如上述背景技术所言，机械设备是利用机械原理和技术进行能量转换、物质加工和传递的设备。但是传统对于机械设备的运行状态的判断方法是基于设定的阈值或规则，其存在局限性，如无法适应不同工况和无法捕捉微小变化或特殊异常情况。因此，期待一种优化的机械设备的智能管理方案。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。深度学习以及神经网络的发展为机械设备的智能管理提供了新的解决思路和方案。
具体地，在本申请的技术方案中，首先，获取历史数据，所述历史数据为生产操作时各个机械设备在多个预定时间点的运行状态信息，其中，如果处于运行状态则以运行功率作为运行状态信息，如果处于非运行状态则以零作为运行状态信息。应可以理解，获取历史数据是为了建立机械设备的运行状态模型和运行模式。将运行状态信息以运行功率作为运行状态信息的方式，是因为运行功率可以反映机械设备的实际运行情况。当机械设备处于运行状态时，运行功率通常会有一个非零的值，可以用来表示设备的正常运行；当机械设备处于非运行状态时，运行功率通常为零，用零来表示设备的停止或非运行状态。通过记录和处理历史数据，可以建立机械设备的运行状态模型，该模型可以学习到机械设备在不同时间点的运行模式和对应的运行功率信息。这样，在实时监测当前时间点的机械设备运行状态时，可以将当前状态和历史数据进行比较和匹配，从而进行机械设备状态判断和异常检测。
接着，将所述各个机械设备在多个预定时间点的运行状态信息按照时间维度和机械设备样本维度排列为二维输入矩阵。应可以理解，将所述各个机械设备在多个预定时间点的运行状态信息按照时间维度和机械设备样本维度排列是为了方便后续的卷积神经网络模型对相关数据进行处理和学习。按照时间维度排列数据可以保留机械设备的时间序列信息，使得卷积神经网络模型可以捕捉到设备运行状态随时间的变化趋势，时间序列的信息对于判断机械设备的运行状态非常重要，因为设备的状态可能会随着时间的推移而发生变化。按机械设备样本维度排列数据可以将多个设备的运行状态信息组织在一起，使得卷积神经网络模型可以同时学习不同设备之间的相互关系，可以帮助卷积神经网络模型发现设备之前的共同模式和特征，从而更好地判断设备的运行状态。
然后，使用作为特征提取器的卷积神经网络模型对所述二维输入矩阵进行编码以得到设备运行关联特征矩阵。本领域普通技术人员应该知晓，卷积神经网络在特征提取方面表现优异。所述二维输入矩阵包含着机械设备的运行状态信息，往往包含了时序和空间上的相关性，卷积神经网络模型可以有效地捕捉到这些相关性，从而提取出有意义的特征。
同时，获取当前时间点的各个机械设备的运行状态信息。应可以理解，通过获取当前时间点的设备运行状态信息，可以获取到最新的设备状态数据，用于描述设备当前的运行情况。通过比较当前状态与历史数据中的设备状态模式和特征来检测当前设备的情况。如果当前状态和历史数据中的异常模式相匹配，意味着设备出现了故障。
接着，将所述当前时间点的各个机械设备的运行状态信息通过基于转换器的上下文编码器以得到当前状态特征向量。应可以理解，将所述当前时间点的各个机械设备的运行状态信息通过基于转换器的上下文编码器可以将运行状态信息转化为向量表示，可以统一不同设备的数据格式，方便后续处理。基于转换器的上下文编码器可以学习到当前状态信息中的关键特征，通过编码器的处理，可以提取出与设备运行状态相关的重要信息，忽略无关或者噪声的数据；通过上下文编码器，可以考虑到历史状态信息对当前状态的影响，捕捉到状态之间的关联和依赖关系，有助于更准确地判断设备的运行状态。
进而，以所述当前状态特征向量作为查询向量与所述设备运行关联特征矩阵进行相乘以得到分类特征向量。通过将当前状态特征向量与设备关联特征矩阵相乘，可以将当前状态的信息与历史状态的关联特征进行融合，这样可以综合考虑当前状态与历史状态之间的关系。设备运行关联特征矩阵中的每个元素代表了历史状态的某种特征，而当前状态特征向量代表了当前状态的信息，通过相乘操作，可以对历史状态特征进行加权，使得与当前状态更相关的特征得到更高的权重，从而更准确地反映设备的运行状态。最后，将所述分类特征向量通过分类器以得到用于表示当前时间点的机械设备运行状态是否正常的分类结果。基于所述分类结果，可以判断当前时间点的设备运行状态是否正常。如果设备运行状态有异常，可以及时采取相应的措施进行维修，避免设备故障的进一步扩大造成更大的损失。
特别地，考虑到在直接将当前状态特征向量与设备运行关联特征矩阵相乘可能会导致分类特征向量的分布不一致性。这是因为设备运行关联特征矩阵是通过对多个预定时间点的运行状态信息进行编码得到的，而当前状态特征向量只是单个时间点的信息。为了解决这个问题，可以对当前状态特征向量和分类特征向量进行关联特征的概率密度一致化。这意味着将当前状态特征向量的分布调整为与分类特征向量的分布一致，以确保它们在特征空间中具有相似的分布特性。通过进行关联特征的概率密度一致化，可以提高分类特征向量的质量和一致性，从而改善分类任务的性能。
对当前状态特征向量和分类特征向量进行关联特征的概率密度一致化以得到优化分类特征向量，包括：计算所述当前状态特征向量和所述分类特征向量之间的协方差矩阵；对所述协方差矩阵进行特征值的矩阵分解以得到多个特征值和与所述多个特征值对应的多个特征值向量；从所述多个特征值向量中提取前两个最大特征值对应的特征值向量作为第一主成分特征向量和第二主成分特征向量；对所述第一主成分特征向量和所述第二主成分特征向量进行归一化处理以得到归一化第一主成分特征向量和归一化第二主成分特征向量；构造所述归一化第一主成分特征向量和所述归一化第二主成分特征向量之间的关联矩阵作为共同变换矩阵；将所述当前状态特征向量和所述分类特征向量分别与所述共同变换矩阵进行矩阵相乘以得到映射后状态特征向量和映射后分类特征向量；使用一致化法对所述映射后状态特征向量和所述映射后分类特征向量进行概率密度一致化以得到概率密度一致化状态特征向量和概率密度一致化分类特征向量；计算所述概率密度一致化状态特征向量和所述概率密度一致化分类特征向量之间的均值向量以得到所述优化分类特征向量。
在对当前状态特征向量和分类特征向量进行关联特征的概率密度一致化的过程中，首先对所述当前状态特征向量和所述分类特征向量进行基于协方差矩阵和矩阵分解的类正交变换以将所述当前状态特征向量和所述分类特征向量映射到一个新的特征空间中以得到特征维度相互独立的映射后状态特征向量和映射后分类特征向量，这样可以消除数据中的相关性和偏差，提取出数据中最重要的信息。进而通过对映射后状态特征向量和映射后分类特征向量进行关联特征的概率密度一致化，使得融合特征向量在状态特征向量和分类特征向量的两个特征方向上具有相同的重要性，并且更加紧凑和平滑。也就是，通过对所述当前状态特征向量和所述分类特征向量进行关联特征的概率密度一致化可以消除不同特征向量之间的相关性，使得每个特征向量都能独立地反映数据的某个方面，从而提高数据的信息量和表达能力，同时可以使得不同特征向量的分布更加均匀和平滑，避免出现极端值和异常值，从而减少数据的噪声和干扰，提高数据的稳定性和可靠性。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图1为根据本申请实施例的机械设备的智能管理系统的系统框图。如图1所示，在机械设备的智能管理系统100中，包括：历史设备运行状态数据获取模块110，用于获取历史数据，所述历史数据为生产操作时各个机械设备在多个预定时间点的运行状态信息，其中，如果处于运行状态则以运行功率作为运行状态信息，如果处于非运行状态则以零作为运行状态信息；历史设备运行状态数据结构化模块120，用于将所述各个机械设备在多个预定时间点的运行状态信息按照时间维度和机械设备样本维度排列为二维输入矩阵；历史设备运行特征提取模块130，用于使用作为特征提取器的卷积神经网络模型对所述二维输入矩阵进行编码以得到设备运行关联特征矩阵；当前设备运行状态数据获取模块140，用于获取当前时间点的各个机械设备的运行状态信息；当前设备运行状态特征提取模块150，用于将所述当前时间点的各个机械设备的运行状态信息通过基于转换器的上下文编码器以得到当前状态特征向量；设备运行状态匹配模块160，用于以所述当前状态特征向量作为查询向量与所述设备运行关联特征矩阵进行相乘以得到分类特征向量；优化模块170，用于对所述当前状态特征向量和所述分类特征向量进行关联特征的概率密度一致化以得到优化分类特征向量；设备运行状态判断模块180，用于将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的机械设备运行状态是否正常。
图2为根据本申请实施例的机械设备的智能管理系统的架构图。如图2所示，在该架构中，首先，获取历史数据，所述历史数据为生产操作时各个机械设备在多个预定时间点的运行状态信息，其中，如果处于运行状态则以运行功率作为运行状态信息，如果处于非运行状态则以零作为运行状态信息。接着，将所述各个机械设备在多个预定时间点的运行状态信息按照时间维度和机械设备样本维度排列为二维输入矩阵。然后，使用作为特征提取器的卷积神经网络模型对所述二维输入矩阵进行编码以得到设备运行关联特征矩阵。同时，获取当前时间点的各个机械设备的运行状态信息。接着，将所述当前时间点的各个机械设备的运行状态信息通过基于转换器的上下文编码器以得到当前状态特征向量。进而，以所述当前状态特征向量作为查询向量与所述设备运行关联特征矩阵进行相乘以得到分类特征向量。然后，对所述当前状态特征向量和所述分类特征向量进行关联特征的概率密度一致化以得到优化分类特征向量。最后，将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的机械设备运行状态是否正常。
在机械设备的智能管理系统100中，所述历史设备运行状态数据获取模块110，用于获取历史数据，所述历史数据为生产操作时各个机械设备在多个预定时间点的运行状态信息，其中，如果处于运行状态则以运行功率作为运行状态信息，如果处于非运行状态则以零作为运行状态信息。应可以理解，获取历史数据是为了建立机械设备的运行状态模型和运行模式。将运行状态信息以运行功率作为运行状态信息的方式，是因为运行功率可以反映机械设备的实际运行情况。当机械设备处于运行状态时，运行功率通常会有一个非零的值，可以用来表示设备的正常运行；当机械设备处于非运行状态时，运行功率通常为零，用零来表示设备的停止或非运行状态。通过记录和处理历史数据，可以建立机械设备的运行状态模型，该模型可以学习到机械设备在不同时间点的运行模式和对应的运行功率信息。这样，在实时监测当前时间点的机械设备运行状态时，可以将当前状态和历史数据进行比较和匹配，从而进行机械设备状态判断和异常检测。这里所述历史数据可以通过电力传感器收集数据获得。
在机械设备的智能管理系统100中，所述历史设备运行状态数据结构化模块120，用于将所述各个机械设备在多个预定时间点的运行状态信息按照时间维度和机械设备样本维度排列为二维输入矩阵。应可以理解，将所述各个机械设备在多个预定时间点的运行状态信息按照时间维度和机械设备样本维度排列是为了方便后续的卷积神经网络模型对相关数据进行处理和学习。按照时间维度排列数据可以保留机械设备的时间序列信息，使得卷积神经网络模型可以捕捉到设备运行状态随时间的变化趋势，时间序列的信息对于判断机械设备的运行状态非常重要，因为设备的状态可能会随着时间的推移而发生变化。按机械设备样本维度排列数据可以将多个设备的运行状态信息组织在一起，使得卷积神经网络模型可以同时学习不同设备之间的相互关系，可以帮助卷积神经网络模型发现设备之前的共同模式和特征，从而更好地判断设备的运行状态。
在机械设备的智能管理系统100中，所述史设备运行特征提取模块130，用于使用作为特征提取器的卷积神经网络模型对所述二维输入矩阵进行编码以得到设备运行关联特征矩阵。本领域普通技术人员应该知晓，卷积神经网络在特征提取方面表现优异，卷积神经网络模型可以通过一系列的卷积层、池化层和全连接层来进行特征提取。所述二维输入矩阵包含着机械设备的运行状态信息，往往包含了时序和空间上的相关性，卷积神经网络模型可以有效地捕捉到这些相关性，从而提取出有意义的特征。
具体地，在机械设备的智能管理系统100中，所述史设备运行特征提取模块130，用于：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递过程中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的池化处理以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的卷积神经网络模型的最后一层的输出为所述设备运行关联特征矩阵，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述二维输入矩阵。
在机械设备的智能管理系统100中，所述当前设备运行状态数据获取模块140，用于获取当前时间点的各个机械设备的运行状态信息。应可以理解，通过获取当前时间点的设备运行状态信息，可以获取到最新的设备状态数据，用于描述设备当前的运行情况。通过比较当前状态与历史数据中的设备状态模式和特征来检测当前设备的情况。如果当前状态和历史数据中的异常模式相匹配，意味着设备出现了故障。
在机械设备的智能管理系统100中，所述当前设备运行状态特征提取模块150，用于将所述当前时间点的各个机械设备的运行状态信息通过基于转换器的上下文编码器以得到当前状态特征向量。应可以理解，将所述当前时间点的各个机械设备的运行状态信息通过基于转换器的上下文编码器可以将运行状态信息转化为向量表示，可以统一不同设备的数据格式，方便后续处理。基于转换器的上下文编码器是指使用了Transformer(转换器)架构的神经网络模型，Transformer这种架构的关键特点是自注意力机制，它允许模型在处理一个元素时，同时考虑到其他所有元素的信息，使得模型能够捕捉到复杂的上下文关系。基于转换器的上下文编码器可以学习到当前状态信息中的关键特征，通过编码器的处理，可以提取出与设备运行状态相关的重要信息，忽略无关或者噪声的数据；通过上下文编码器，可以考虑到历史状态信息对当前状态的影响，捕捉到状态之间的关联和依赖关系，有助于更准确地判断设备的运行状态。
图3为根据本申请实施例的机械设备的智能管理系统中当前设备运行状态特征提取模块的框图。如图3所示，所述当前设备运行状态特征提取模块150，包括：分词单元151，用于对所述各个机械设备的运行状态信息进行分词处理以获得多个运行状态关键词；词嵌入单元152，用于将所述多个运行状态关键词通过嵌入层以将所述多个运行状态关键词中各个运行状态关键词转化为运行状态关键词嵌入向量以得到运行状态关键词嵌入向量的序列，其中，所述嵌入层使用可学习的嵌入矩阵对所述各个运行状态关键词进行嵌入编码；上下文语义编码单元153，用于将所述运行状态关键词嵌入向量的序列输入所述基于转换器的上下文编码器以得到多个运行状态关键特征向量；级联单元154，用于将所述多个运行状态关键特征向量进行级联以得到所述当前状态特征向量。
在机械设备的智能管理系统100中，所述设备运行状态匹配模块160，用于以所述当前状态特征向量作为查询向量与所述设备运行关联特征矩阵进行相乘以得到分类特征向量。应可以理解，通过将当前状态特征向量与设备关联特征矩阵相乘，可以将当前状态的信息与历史状态的关联特征进行融合，这样可以综合考虑当前状态与历史状态之间的关系。设备运行关联特征矩阵中的每个元素代表了历史状态的某种特征，而当前状态特征向量代表了当前状态的信息，通过相乘操作，可以对历史状态特征进行加权，使得与当前状态更相关的特征得到更高的权重，从而更准确地反映设备的运行状态。
具体地，在机械设备的智能管理系统100中，所述设备运行状态匹配模块160，用于：以如下查询公式计算所述当前状态特征向量作为查询向量与所述设备运行关联特征矩阵进行相乘以得到所述分类特征向量；其中，所述查询公式为：
其中V1表示所述分类特征向量，V2表示所述当前状态特征向量，M表示所述设备运行关联特征矩阵，表示矩阵相乘。
特别地，考虑到在直接将当前状态特征向量与设备运行关联特征矩阵相乘可能会导致分类特征向量的分布不一致性。这是因为设备运行关联特征矩阵是通过对多个预定时间点的运行状态信息进行编码得到的，而当前状态特征向量只是单个时间点的信息。为了解决这个问题，可以对当前状态特征向量和分类特征向量进行关联特征的概率密度一致化。这意味着将当前状态特征向量的分布调整为与分类特征向量的分布一致，以确保它们在特征空间中具有相似的分布特性。通过进行关联特征的概率密度一致化，可以提高分类特征向量的质量和一致性，从而改善分类任务的性能。
在机械设备的智能管理系统100中，所述优化模块170，用于对所述当前状态特征向量和所述分类特征向量进行关联特征的概率密度一致化以得到优化分类特征向量。
图4为根据本申请实施例的机械设备的智能管理系统中优化模块的框图。如图4所示，所述优化模块170，包括：协方差矩阵计算单元171，用于计算所述当前状态特征向量和所述分类特征向量之间的协方差矩阵；矩阵分解单元172，用于对所述协方差矩阵进行特征值的矩阵分解以得到多个特征值和与所述多个特征值对应的多个特征值向量；主成分特征向量选取单元173，用于从所述多个特征值向量中提取前两个最大特征值对应的特征值向量作为第一主成分特征向量和第二主成分特征向量；归一化处理单元174，用于对所述第一主成分特征向量和所述第二主成分特征向量进行归一化处理以得到归一化第一主成分特征向量和归一化第二主成分特征向量；关联矩阵构造单元175，用于构造所述归一化第一主成分特征向量和所述归一化第二主成分特征向量之间的关联矩阵作为共同变换矩阵；映射单元176，用于将所述当前状态特征向量和所述分类特征向量分别与所述共同变换矩阵进行矩阵相乘以得到映射后状态特征向量和映射后分类特征向量；概率密度一致化单元177，用于使用一致化法对所述映射后状态特征向量和所述映射后分类特征向量进行概率密度一致化以得到概率密度一致化状态特征向量和概率密度一致化分类特征向量；均值向量计算单元178，用于计算所述概率密度一致化状态特征向量和所述概率密度一致化分类特征向量之间的均值向量以得到所述优化分类特征向量。
应可以理解，在对当前状态特征向量和分类特征向量进行关联特征的概率密度一致化的过程中，首先对所述当前状态特征向量和所述分类特征向量进行基于协方差矩阵和矩阵分解的类正交变换以将所述当前状态特征向量和所述分类特征向量映射到一个新的特征空间中以得到特征维度相互独立的映射后状态特征向量和映射后分类特征向量，这样可以消除数据中的相关性和偏差，提取出数据中最重要的信息。进而通过对映射后状态特征向量和映射后分类特征向量进行关联特征的概率密度一致化，使得融合特征向量在状态特征向量和分类特征向量的两个特征方向上具有相同的重要性，并且更加紧凑和平滑。也就是，通过对所述当前状态特征向量和所述分类特征向量进行关联特征的概率密度一致化可以消除不同特征向量之间的相关性，使得每个特征向量都能独立地反映数据的某个方面，从而提高数据的信息量和表达能力，同时可以使得不同特征向量的分布更加均匀和平滑，避免出现极端值和异常值，从而减少数据的噪声和干扰，提高数据的稳定性和可靠性。
在机械设备的智能管理系统100中，所述设备运行状态判断模块180，用于将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的机械设备运行状态是否正常。应可以理解，基于所述分类结果，可以判断当前时间点的设备运行状态是否正常。如果设备运行状态有异常，可以及时采取相应的措施进行维修，避免设备故障的进一步扩大造成更大的损失。
图5为根据本申请实施例的机械设备的智能管理系统中设备运行状态判断模块的框图。如图5所示，所述设备运行状态判断模块180，包括：全连接编码单元181，用于使用所述分类器的全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；分类结果生成单元182，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上所述，基于本申请实施例的机械设备的智能管理系统100被阐明，其通过构建机械设备历史运行状态的数据库，再以当前时间点机械运行状态数据在高维空间中的状态特征作为查询特征来得出当前机械设备运行状态是否正常的结果。这样，实现了实时对机械设备运行状态进行监测，并且能捕捉到微小的机械设备运行状态变化，提高了机械设备状态监测的精度。
如上所述，根据本申请实施例的机械设备的智能管理系统100可以实现在各种终端设备中，例如用于机械设备的智能管理的服务器等。在一个示例中，根据本申请实施例的机械设备的智能管理系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该机械设备的智能管理系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该机械设备的智能管理系统100同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该机械设备的智能管理系统100与该终端设备也可以是分立的设备，并且该机械设备的智能管理系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性方法
图6为根据本申请实施例的机械设备的智能管理方法的流程图。如图6所示，在机械设备的智能管理方法中，包括：S110，获取历史数据，所述历史数据为生产操作时各个机械设备在多个预定时间点的运行状态信息，其中，如果处于运行状态则以运行功率作为运行状态信息，如果处于非运行状态则以零作为运行状态信息；S120，将所述各个机械设备在多个预定时间点的运行状态信息按照时间维度和机械设备样本维度排列为二维输入矩阵；S130，使用作为特征提取器的卷积神经网络模型对所述二维输入矩阵进行编码以得到设备运行关联特征矩阵；S140，获取当前时间点的各个机械设备的运行状态信息；S150，将所述当前时间点的各个机械设备的运行状态信息通过基于转换器的上下文编码器以得到当前状态特征向量；S160，以所述当前状态特征向量作为查询向量与所述设备运行关联特征矩阵进行相乘以得到分类特征向量；S170,对所述当前状态特征向量和所述分类特征向量进行关联特征的概率密度一致化以得到优化分类特征向量；S180，将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的机械设备运行状态是否正常。
在一个示例中，在上述机械设备的智能管理方法中，所述使用作为特征提取器的卷积神经网络模型对所述二维输入矩阵进行编码以得到设备运行关联特征矩阵，包括：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递过程中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的池化处理以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的卷积神经网络模型的最后一层的输出为所述设备运行关联特征矩阵，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述二维输入矩阵。
在一个示例中，在上述机械设备的智能管理方法中，所述将所述当前时间点的各个机械设备的运行状态信息通过基于转换器的上下文编码器以得到当前状态特征向量，包括：对所述各个机械设备的运行状态信息进行分词处理以获得多个运行状态关键词；将所述多个运行状态关键词通过嵌入层以将所述多个运行状态关键词中各个运行状态关键词转化为运行状态关键词嵌入向量以得到运行状态关键词嵌入向量的序列，其中，所述嵌入层使用可学习的嵌入矩阵对所述各个运行状态关键词进行嵌入编码；将所述运行状态关键词嵌入向量的序列输入所述基于转换器的上下文编码器以得到多个运行状态关键特征向量；将所述多个运行状态关键特征向量进行级联以得到所述当前状态特征向量。
在一个示例中，在上述机械设备的智能管理方法中，所述以所述当前状态特征向量作为查询向量与所述设备运行关联特征矩阵进行相乘以得到分类特征向量，包括：以如下查询公式计算所述当前状态特征向量作为查询向量与所述设备运行关联特征矩阵进行相乘以得到所述分类特征向量；其中，所述查询公式为：
其中V1表示所述分类特征向量，V2表示所述当前状态特征向量，M表示所述设备运行关联特征矩阵，表示矩阵相乘。
在一个示例中，在上述机械设备的智能管理方法中，所述对所述当前状态特征向量和所述分类特征向量进行关联特征的概率密度一致化以得到优化分类特征向量,包括：计算所述当前状态特征向量和所述分类特征向量之间的协方差矩阵；对所述协方差矩阵进行特征值的矩阵分解以得到多个特征值和与所述多个特征值对应的多个特征值向量；从所述多个特征值向量中提取前两个最大特征值对应的特征值向量作为第一主成分特征向量和第二主成分特征向量；对所述第一主成分特征向量和所述第二主成分特征向量进行归一化处理以得到归一化第一主成分特征向量和归一化第二主成分特征向量；构造所述归一化第一主成分特征向量和所述归一化第二主成分特征向量之间的关联矩阵作为共同变换矩阵；将所述当前状态特征向量和所述分类特征向量分别与所述共同变换矩阵进行矩阵相乘以得到映射后状态特征向量和映射后分类特征向量；使用一致化法对所述映射后状态特征向量和所述映射后分类特征向量进行概率密度一致化以得到概率密度一致化状态特征向量和概率密度一致化分类特征向量；计算所述概率密度一致化状态特征向量和所述概率密度一致化分类特征向量之间的均值向量以得到所述优化分类特征向量。
在一个示例中，在上述机械设备的智能管理方法中，所述将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的机械设备运行状态是否正常，包括：使用所述分类器的全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上所述，基于本申请实施例的机械设备的智能管理方法被阐明，其通过构建机械设备历史运行状态的数据库，再以当前时间点机械运行状态数据在高维空间中的状态特征作为查询特征来得出当前机械设备运行状态是否正常的结果。这样，实现了实时对机械设备运行状态进行监测，并且能捕捉到微小的机械设备运行状态变化，提高了机械设备状态监测的精度。

Claims (10)

1.一种机械设备的智能管理系统，其特征在于，包括：
历史设备运行状态数据获取模块，用于获取历史数据，所述历史数据为生产操作时各个机械设备在多个预定时间点的运行状态信息，其中，如果处于运行状态则以运行功率作为运行状态信息，如果处于非运行状态则以零作为运行状态信息；
历史设备运行状态数据结构化模块，用于将所述各个机械设备在多个预定时间点的运行状态信息按照时间维度和机械设备样本维度排列为二维输入矩阵；
历史设备运行特征提取模块，用于使用作为特征提取器的卷积神经网络模型对所述二维输入矩阵进行编码以得到设备运行关联特征矩阵；
当前设备运行状态数据获取模块，用于获取当前时间点的各个机械设备的运行状态信息；
当前设备运行状态特征提取模块，用于将所述当前时间点的各个机械设备的运行状态信息通过基于转换器的上下文编码器以得到当前状态特征向量；
设备运行状态匹配模块，用于以所述当前状态特征向量作为查询向量与所述设备运行关联特征矩阵进行相乘以得到分类特征向量；
优化模块，用于对所述当前状态特征向量和所述分类特征向量进行关联特征的概率密度一致化以得到优化分类特征向量；
设备运行状态判断模块，用于将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的机械设备运行状态是否正常。
2.根据权利要求1所述的机械设备的智能管理系统，其特征在于，所述历史设备运行特征提取模块，用于：
使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递过程中分别对输入数据进行：
对所述输入数据进行卷积处理以得到卷积特征图；
对所述卷积特征图进行沿通道维度的池化处理以得到池化特征图；
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述作为特征提取器的卷积神经网络模型的最后一层的输出为所述设备运行关联特征矩阵，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述二维输入矩阵。
3.根据权利要求2所述的机械设备的智能管理系统，其特征在于，所述当前设备运行状态特征提取模块，包括：
分词单元，用于对所述各个机械设备的运行状态信息进行分词处理以获得多个运行状态关键词；
词嵌入单元，用于将所述多个运行状态关键词通过嵌入层以将所述多个运行状态关键词中各个运行状态关键词转化为运行状态关键词嵌入向量以得到运行状态关键词嵌入向量的序列，其中，所述嵌入层使用可学习的嵌入矩阵对所述各个运行状态关键词进行嵌入编码；
上下文语义编码单元，用于将所述运行状态关键词嵌入向量的序列输入所述基于转换器的上下文编码器以得到多个运行状态关键特征向量；
级联单元，用于将所述多个运行状态关键特征向量进行级联以得到所述当前状态特征向量。
4.根据权利要求3所述的机械设备的智能管理系统，其特征在于，所述设备运行状态匹配模块，用于：以如下查询公式计算所述当前状态特征向量作为查询向量与所述设备运行关联特征矩阵进行相乘以得到所述分类特征向量；
其中，所述查询公式为：
其中V1表示所述分类特征向量，V2表示所述当前状态特征向量，M表示所述设备运行关联特征矩阵，表示矩阵相乘。
5.根据权利要求4所述的机械设备的智能管理系统，其特征在于，所述优化模块，包括：
协方差矩阵计算单元，用于计算所述当前状态特征向量和所述分类特征向量之间的协方差矩阵；
矩阵分解单元，用于对所述协方差矩阵进行特征值的矩阵分解以得到多个特征值和与所述多个特征值对应的多个特征值向量；
主成分特征向量选取单元，用于从所述多个特征值向量中提取前两个最大特征值对应的特征值向量作为第一主成分特征向量和第二主成分特征向量；
归一化处理单元，用于对所述第一主成分特征向量和所述第二主成分特征向量进行归一化处理以得到归一化第一主成分特征向量和归一化第二主成分特征向量；
关联矩阵构造单元，用于构造所述归一化第一主成分特征向量和所述归一化第二主成分特征向量之间的关联矩阵作为共同变换矩阵；
映射单元，用于将所述当前状态特征向量和所述分类特征向量分别与所述共同变换矩阵进行矩阵相乘以得到映射后状态特征向量和映射后分类特征向量；
概率密度一致化单元，用于使用一致化法对所述映射后状态特征向量和所述映射后分类特征向量进行概率密度一致化以得到概率密度一致化状态特征向量和概率密度一致化分类特征向量；
均值向量计算单元，用于计算所述概率密度一致化状态特征向量和所述概率密度一致化分类特征向量之间的均值向量以得到所述优化分类特征向量。
6.根据权利要求5所述的机械设备的智能管理系统，其特征在于，所述设备运行状态判断模块，包括：
全连接编码单元，用于使用所述分类器的全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；
分类结果生成单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
7.一种机械设备的智能管理方法，其特征在于，包括：
获取历史数据，所述历史数据为生产操作时各个机械设备在多个预定时间点的运行状态信息，其中，如果处于运行状态则以运行功率作为运行状态信息，如果处于非运行状态则以零作为运行状态信息；
将所述各个机械设备在多个预定时间点的运行状态信息按照时间维度和机械设备样本维度排列为二维输入矩阵；
使用作为特征提取器的卷积神经网络模型对所述二维输入矩阵进行编码以得到设备运行关联特征矩阵；
获取当前时间点的各个机械设备的运行状态信息；
将所述当前时间点的各个机械设备的运行状态信息通过基于转换器的上下文编码器以得到当前状态特征向量；
以所述当前状态特征向量作为查询向量与所述设备运行关联特征矩阵进行相乘以得到分类特征向量；
将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的机械设备运行状态是否正常。
8.根据权利要求7所述的机械设备的智能管理方法，其特征在于，使用作为特征提取器的卷积神经网络模型对所述二维输入矩阵进行编码以得到设备运行关联特征矩阵，包括：
使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递过程中分别对输入数据进行：
对所述输入数据进行卷积处理以得到卷积特征图；
对所述卷积特征图进行沿通道维度的池化处理以得到池化特征图；
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述作为特征提取器的卷积神经网络模型的最后一层的输出为所述设备运行关联特征矩阵，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述二维输入矩阵。
9.根据权利要求8所述的机械设备的智能管理方法，其特征在于，以所述当前状态特征向量作为查询向量与所述设备运行关联特征矩阵进行相乘以得到分类特征向量，包括：以如下查询公式计算所述当前状态特征向量作为查询向量与所述设备运行关联特征矩阵进行相乘以得到所述分类特征向量；
其中，所述查询公式为：
其中V1表示所述分类特征向量，V2表示所述当前状态特征向量，M表示所述设备运行关联特征矩阵，表示矩阵相乘。
10.根据权利要求9所述的机械设备的智能管理方法，其特征在于，对所述当前状态特征向量和所述分类特征向量进行关联特征的概率密度一致化以得到优化分类特征向量，包括：
计算所述当前状态特征向量和所述分类特征向量之间的协方差矩阵；
对所述协方差矩阵进行特征值的矩阵分解以得到多个特征值和与所述多个特征值对应的多个特征值向量；
从所述多个特征值向量中提取前两个最大特征值对应的特征值向量作为第一主成分特征向量和第二主成分特征向量；
对所述第一主成分特征向量和所述第二主成分特征向量进行归一化处理以得到归一化第一主成分特征向量和归一化第二主成分特征向量；
构造所述归一化第一主成分特征向量和所述归一化第二主成分特征向量之间的关联矩阵作为共同变换矩阵；
将所述当前状态特征向量和所述分类特征向量分别与所述共同变换矩阵进行矩阵相乘以得到映射后状态特征向量和映射后分类特征向量；
使用一致化法对所述映射后状态特征向量和所述映射后分类特征向量进行概率密度一致化以得到概率密度一致化状态特征向量和概率密度一致化分类特征向量；
计算所述概率密度一致化状态特征向量和所述概率密度一致化分类特征向量之间的均值向量以得到所述优化分类特征向量。
CN202311042278.0A 2023-08-17 2023-08-17 机械设备的智能管理系统及其方法 Withdrawn CN117056400A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311042278.0A CN117056400A (zh) 2023-08-17 2023-08-17 机械设备的智能管理系统及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311042278.0A CN117056400A (zh) 2023-08-17 2023-08-17 机械设备的智能管理系统及其方法

Publications (1)

Publication Number Publication Date
CN117056400A true CN117056400A (zh) 2023-11-14

Family

ID=88662270

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311042278.0A Withdrawn CN117056400A (zh) 2023-08-17 2023-08-17 机械设备的智能管理系统及其方法

Country Status (1)

Country Link
CN (1) CN117056400A (zh)

Similar Documents

Publication Publication Date Title
CN115564203A (zh) 基于多维数据协同的设备实时性能评估系统及其方法
CN116929815A (zh) 基于物联网的设备工作状态监测系统及其方法
CN117034123B (zh) 健身器材的故障监控系统及其方法
CN115586757A (zh) 机械设备的智能控制系统及其方法
CN116795886B (zh) 用于销售数据的数据分析引擎及方法
CN115410069A (zh) 基于多重注意力机制的故障检测方法及其系统
CN117289668B (zh) 分布式减速机网络协同控制方法、装置、设备及存储介质
CN117079031A (zh) 铁氟龙线路板钻孔加工系统及其方法
CN115324843A (zh) 基于监测数据的风力发电机组的故障诊断系统及其方法
CN117056902A (zh) 物联网密码管理方法及系统
CN112580798A (zh) 基于多输入多输出ResNet的设备智能预警方法
CN113343581A (zh) 基于图马尔可夫神经网络的变压器故障的诊断方法
CN116643949A (zh) 基于VaDE聚类的多模型边缘云负载预测方法及装置
CN114881083A (zh) 监测系统的故障诊断方法、系统和电子设备
CN117495421A (zh) 基于电力通信网建设的电网通信工程造价预测方法
CN117330890B (zh) 输电线路故障诊断系统及方法
CN117951646A (zh) 一种基于边缘云的数据融合方法及系统
CN116402777B (zh) 基于机器视觉的电力设备检测方法及系统
CN117560201A (zh) 计算机网络信息安全防护系统及方法
CN117349768A (zh) 服装生产线异常检测模型的训练方法、异常检测方法
CN117056400A (zh) 机械设备的智能管理系统及其方法
CN116738169A (zh) 一种数据降维的计算机参数异常预测方法及系统
CN116124448A (zh) 用于风电齿轮箱的故障诊断系统及其方法
CN118504585B (zh) 基于数据处理的设备控制方法
CN117199029B (zh) 一种功率电源管理芯片及功率电源管理方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20231114

WW01 Invention patent application withdrawn after publication