CN117056734B - 基于数据驱动的设备故障诊断模型的构建方法及装置 - Google Patents

基于数据驱动的设备故障诊断模型的构建方法及装置 Download PDF

Info

Publication number
CN117056734B
CN117056734B CN202311316356.1A CN202311316356A CN117056734B CN 117056734 B CN117056734 B CN 117056734B CN 202311316356 A CN202311316356 A CN 202311316356A CN 117056734 B CN117056734 B CN 117056734B
Authority
CN
China
Prior art keywords
fault diagnosis
sample set
determining
classification
data
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
Application number
CN202311316356.1A
Other languages
English (en)
Other versions
CN117056734A (zh
Inventor
尹旭
马兵
续敏
王玉石
包明明
朱运恒
苏子康
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.)
Shandong Energy Shuzhiyun Technology Co ltd
Original Assignee
Shandong Energy Shuzhiyun Technology 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 Shandong Energy Shuzhiyun Technology Co ltd filed Critical Shandong Energy Shuzhiyun Technology Co ltd
Priority to CN202311316356.1A priority Critical patent/CN117056734B/zh
Publication of CN117056734A publication Critical patent/CN117056734A/zh
Application granted granted Critical
Publication of CN117056734B publication Critical patent/CN117056734B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明提供一种基于数据驱动的设备故障诊断模型的构建方法及装置，涉及设备故障诊断技术领域，包括：获取预先构建的训练样本集；训练样本集是通过对初始样本集插值处理得到的，可以解决数据不平衡问题；训练样本集包括样本标签；基于训练样本集对应的时间序列，对训练样本集进行特征提取，确定基于时间序列的目标特征参数，可以捕捉设备的状态具有的时间依赖性，保证故障诊断精度；将目标特征参数输入至预先设置的分类器中，对分类器进行分类训练，并将分类训练的结果满足预设的分类条件时的分类器确定为设备故障诊断模型；设备故障诊断模型用于对目标设备进行故障诊断，可以进行精准识别与分类。

Description

基于数据驱动的设备故障诊断模型的构建方法及装置
技术领域
本发明涉及设备故障诊断技术领域，尤其涉及一种基于数据驱动的设备故障诊断模型的构建方法及装置。
背景技术
设备故障是各个行业中常见的问题之一，其可能导致生产停滞、经济损失和安全隐患。传统的设备故障诊断方法通常依赖于经验丰富的技术人员进行手动分析，然而，这种方法存在主观性高、诊断效率低等问题。随着机器学习技术的快速发展，基于机器学习的故障诊断方法逐渐成为解决这一问题的有效途径。基于机器学习的故障诊断方法利用算法和模型来分析设备运行数据，实现自动化的故障诊断和预测。通过从大量的设备数据中学习，机器学习模型可以识别出不同的故障模式和异常行为，从而准确地诊断设备故障，帮助技术人员快速采取相应的维修措施。在基于机器学习的设备故障诊断方法中，设备运行数据可以通过传感器实时采集，然后对采集到的数据进行预处理，进一步通过特征提取和故障诊断分类。在整个过程中，对于数据的处理至关重要，数据的处理方式和效果直接影响设备故障诊断的精度，因此，研究基于数据驱动的设备故障诊断方法对于整个行业领域至关重要。
基于此，现有技术存在以下技术问题：（1）现有的许多方法难以对不平衡、小样本数据进行设备故障诊断与分类。（2）现有的许多方法难以对设备故障数据进行高效的特征选择与提取，导致算法难以进行精准识别与分类。（3）在实际设备故障识别应用现场中，故障数据采集困难，各故障类别数据通常不均衡，算法存在执行能力弱、适应性不强、稳定性差等问题。
发明内容
有鉴于此，本发明的目的在于提供一种基于数据驱动的设备故障诊断模型的构建方法及装置，可以解决样本不平衡的问题，并可以提高特征质量，保证故障诊断的识别精度。
第一方面，本发明实施例提供了一种基于数据驱动的设备故障诊断模型的构建方法，该构建方法包括：获取预先构建的训练样本集；训练样本集是通过对初始样本集插值处理得到的；训练样本集包括样本标签，样本标签包括设备的正常运行状态的标签和设备的多种异常运行状态的标签；基于训练样本集对应的时间序列，对训练样本集进行特征提取，确定基于时间序列的目标特征参数；将目标特征参数输入至预先设置的分类器中，对分类器进行分类训练，并将分类训练的结果满足预设的分类条件时的分类器确定为设备故障诊断模型；设备故障诊断模型用于对目标设备进行故障诊断。
结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，初始样本集中包括多个初始样本，对初始样本集插值处理的步骤，包括：针对初始样本集包括的每个初始样本，从初始样本集中确定多个待插值样本；基于多个待插值样本分别对应的样本标签、预设的插值比例和预先确定的噪声向量，对多个待插值样本插值处理，得到多个待插值样本对应的插值样本；插值比例根据确定的多个待插值样本之间的欧式距离确定；噪声向量根据确定的多个待插值样本之间的方差确定。
结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，基于训练样本集的时间序列，对训练样本集进行特征提取，确定基于时间序列的目标特征参数的步骤，包括：对训练样本集滑窗处理，得到多个连续向量；将多个连续向量输入至预设的自编码神经网络中，通过自编码神经网络对每个连续向量进行特征提取，得到多个潜在特征表示；通过嵌入空间聚类方式对多个潜在特征表示进行特征变换，得到每个潜在特征表示对应的聚类表示；基于聚类表示对应的时间点，确定聚类表示对应的时间点权重和时间嵌入表示；使用时间点权重对时间嵌入表示进行加权，并将加权的时间嵌入表示进行组合，得到基于时间序列的目标特征参数。
结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，自编码神经网络包括编码器和解码器；将多个连续向量输入至预设的自编码神经网络中，通过自编码神经网络对每个连续向量进行特征提取，得到多个潜在特征表示的步骤，包括：将多个连续向量输入至自编码神经网络中，通过自编码神经网络的编码器对每个连续向量进行编码操作，得到每个连续向量分别对应的正态分布参数；根据正态分布参数，确定编码器对应的KL散度；以及，从正态分布参数中采样，确定潜在特征；将潜在特征输入至自编码神经网络的解码器中，根据潜在特征对应的连续向量的注意力权重，确定连续向量的解码器输出；基于KL散度，以及预设的重构误差，确定解码器输出对应的损失值，并判断损失值是否满足预设的损失阈值；如果否，基于预先确定的连续向量的时间权重，更新重构误差，并执行确定解码器输出对应的损失值的步骤；如果是，将当前解码器输出确定为当前连续向量的潜在特征表示。
结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，基于聚类表示对应的时间点，确定聚类表示对应的时间点权重和时间嵌入表示的步骤，包括：根据聚类表示对应的时间点，确定每个时间点的时间嵌入表示；通过预设的打分函数，计算时间嵌入表示对应于预设的基准时间点的嵌入表示的分数值；根据分数值，以及预设的加权序列计算区间时长，确定每个时间点的时间点权重；时间点权重为时间嵌入表示对应的时间点的权重。
结合第一方面，本发明实施例提供了第一方面的第五种可能的实施方式，其中，目标特征参数包括多个样本，每个样本包括对应的输出标签；将目标特征参数输入至预先设置的分类器中，对分类器进行分类训练，并将分类训练的结果满足预设的分类条件时的分类器确定为设备故障诊断模型的步骤，包括：将目标特征参数输入至预先设置的分类器中，通过蚁群算法确定目标特征参数对应的最优输入权重和偏差；基于最优输入权重和偏差，确定目标特征参数对应的每个样本的隐藏层响应，以及，确定分类器的分类目标函数；分类目标函数中包括输出权重，输出权重根据最优输入权重和偏差确定；根据分类目标函数和隐藏层响应，确定目标特征参数对应的目标输出矩阵，并判断目标输出矩阵指示的分类结果是否满足输出标签指示的分类阈值；如果否，对蚁群算法迭代处理，更新最优输入权重和偏差，并执行确定分类器的分类目标函数的步骤；直到分类结果满足输出标签指示的分类阈值时，将包含当前分类目标函数的分类器确定为设备故障诊断模型。
结合第一方面，本发明实施例提供了第一方面的第六种可能的实施方式，其中，对蚁群算法迭代处理，更新最优输入权重和偏差的步骤，包括：根据迭代次数，更新蚁群算法对应的蚁群大小；将目标特征参数对应的解空间分为多个层次，并基于层次的信息素浓度，利用当前蚁群大小的蚁群搜索每个层次对应的解，以更新最优输入权重和偏差；其中，每个层次对应的解根据更新的信息素浓度确定；信息素浓度根据更新的挥发因子确定。
第二方面，本发明实施例提供了一种基于数据驱动的设备故障诊断方法，其中，该方法包括：获取目标设备的待测数据；将待测数据输入至预先构建的设备故障诊断模型中，通过设备故障诊断模型确定待测数据对应的分类类别；根据分类类别，对待测数据进行设备故障诊断；其中，设备故障诊断模型为基于上述基于数据驱动的设备故障诊断模型的构建方法构建得到的。
第三方面，本发明实施例提供了一种基于数据驱动的设备故障诊断模型的构建装置，该构建装置包括：样本获取模块，用于获取预先构建的训练样本集；训练样本集是通过对初始样本集插值处理得到的；训练样本集包括样本标签，样本标签包括设备的正常运行状态的标签和设备的多种异常运行状态的标签；特征提取模块，用于基于训练样本集对应的时间序列，对训练样本集进行特征提取，确定基于时间序列的目标特征参数；训练模块，用于将目标特征参数输入至预先设置的分类器中，对分类器进行分类训练，并将分类训练的结果满足预设的分类条件时的分类器确定为设备故障诊断模型；设备故障诊断模型用于对目标设备进行故障诊断。
第四方面，本发明实施例提供了一种基于数据驱动的设备故障诊断装置，该装置包括：数据获取模块，用于获取目标设备的待测数据；执行模块，用于将待测数据输入至预先构建的设备故障诊断模型中，通过设备故障诊断模型确定待测数据对应的分类类别；输出模块，用于根据分类类别，对待测数据进行设备故障诊断；其中，设备故障诊断模型为基于上述基于数据驱动的设备故障诊断模型的构建方法构建得到的。
本发明实施例带来了以下有益效果：本发明提供的一种基于数据驱动的设备故障诊断方法及装置，通过训练样本集进行分类器训练，构建设备故障诊断模型，其中，训练样本集通过对初始样本集插值处理得到的，插值后的样本集可以解决数据不平衡问题；此外，还基于训练样本集对应的时间序列，对训练样本集进行特征提取，捕捉设备的状态具有的时间依赖性，进而使训练的分类器学习时间序列中不同时间点的相对重要性，以保证构建的故障诊断模型的故障诊断精度。
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，对于本领域普通技术人员来讲，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一种基于数据驱动的设备故障诊断模型的构建方法的流程图；
图2为本发明实施例提供的另一种基于数据驱动的设备故障诊断模型的构建方法的流程图；
图3为本发明实施例提供的一种基于数据驱动的设备故障诊断方法的流程图；
图4为本发明实施例提供的一种基于数据驱动的设备故障诊断模型的构建装置的结构示意图；
图5为本发明实施例提供的另一种基于数据驱动的设备故障诊断模型的构建装置的结构示意图；
图6为本发明实施例提供的一种基于数据驱动的设备故障诊断装置的结构示意图；
图7为本发明实施例提供的一种电子设备的结构示意图。
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，以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。
其中，本发明实施例提供的一种基于数据驱动的设备故障诊断模型的构建方法及装置，具体还包括基于数据驱动的设备故障诊断方法及装置，其中，本发明实施例可以解决样本不平衡的问题，并可以提高特征质量，保证故障诊断的识别精度。
为便于对本实施例进行理解，首先对本发明的实施例所公开的一种基于数据驱动的设备故障诊断模型的构建方法进行详细介绍，图1示出了本发明实施例提供的一种基于数据驱动的设备故障诊断模型的构建方法的流程图，如图1所示，该方法包括如下步骤：
步骤S102，获取预先构建的训练样本集。
步骤S104，基于训练样本集对应的时间序列，对训练样本集进行特征提取，确定基于时间序列的目标特征参数。
步骤S106，将目标特征参数输入至预先设置的分类器中，对分类器进行分类训练，并将分类训练的结果满足预设的分类条件时的分类器确定为设备故障诊断模型。
在具体实现时，本发明实施例利用训练样本集对分类器进行分类训练，其中，本发明实施例的训练样本集是通过对初始样本集插值处理得到的，插值后的样本集可以解决数据不平衡问题，而且，该训练样本集包括样本标签，样本标签包括设备的正常运行状态的标签和设备的多种异常运行状态的标签，以使分类器根据样本标签进行分类学习，构建设备故障诊断模型，该设备故障诊断模型用于对目标设备进行故障诊断。其中，本发明实施例的训练样本集的数据来源为设备对应的多个样本，该设备与待测的目标设备的性质相同，故，基于本发明实施例构建的设备故障诊断模型可以对目标设备进行故障诊断。
其中，进行分类器训练时，还需要对训练样本集进行特征提取，以提取有效特征，保证分类器的训练精度，以使构建的设备故障诊断模型可以得到准确的故障诊断结果。其中，训练样本集的包括多个特征参数，本发明实施例在于根据特征参数对应的时间序列，对特征参数进行提取，捕捉设备的状态具有的时间依赖性，让模型自动学习时间序列中不同时间点的相对重要性。对应的，本发明实施例还基于训练样本集对应的时间序列，对训练样本集进行特征提取，确定基于时间序列的目标特征参数，并将目标特征参数输入至预先设置的分类器中，对分类器进行分类训练。
本发明实施例提供的一种数据驱动的设备故障诊断模型的构建方法，通过训练样本集进行分类器训练，构建设备故障诊断模型，其中，训练样本集通过对初始样本集插值处理得到的，插值后的样本集可以解决数据不平衡问题；此外，还基于训练样本集对应的时间序列，对训练样本集进行特征提取，捕捉设备的状态具有的时间依赖性，进而使训练的分类器学习时间序列中不同时间点的相对重要性，以保证构建的故障诊断模型的故障诊断精度。
进一步的，本发明实施例还提供了另一种基于数据驱动的设备故障诊断模型的构建方法，具体的，图2示出了本发明实施例提供的另一种基于数据驱动的设备故障诊断模型的构建方法的流程图，如图2所示，该方法包括如下步骤：
步骤S202，获取预先构建的训练样本集。
本发明实施例通过预先构建的训练样本集训练分类器，进而构建故障诊断模型，其中，为了解决采集对样本不平衡的问题，本发明实施例通过对初始样本集进行插值处理，得到训练样本集。
其中，本发明实施例的训练样本集包括样本标签，样本标签包括设备的正常运行状态的标签和设备的多种异常运行状态的标签。具体的，本实施例所采用的数据集中的数据由传感器采集得到，包括多种数据，具体的，本发明选用的数据集可以由煤矿机械设备采煤机的历史故障数据组成，该数据集涵盖了采煤机的22种运行状态，即1种正常状态和21种常见的故障状态，每一种运行状态由唯一的标签标定。此外，在该数据集中，采煤机的每一种运行状态均包括个特征参数进行表示，包括设备输出电压、输出电流、输入电流、设备型号、设备购买日期等参数。采集到设备数据后，采用人工标注的方式进行数据标注，用于后续数据处理和模型训练。
进一步的，由于本实施例所采用的数据存在非结构化数据，因此本发明实施例还对数据进行向量化处理，具体采用word2vector算法对数据进行向量化处理，以满足数据能用于后续模型的输入格式要求。
之后，对这些数据对应对初始样本集进行插值操作，以解决样本不平衡问题。为解决样本的不平衡问题，本实施例中使用样本生成的方式进行数据均衡。在具体实现时，本发明提出一种自适应插值样本扩充算法，通过双线性插值方式在设备故障诊断数据的特征空间中生成新的样本，同时在样本生成过程中引入噪声注入和自适应权重调整机制，以提高样本多样性和鲁棒性。
其中，初始样本集中包括多个初始样本，先针对初始样本集包括的每个初始样本，从初始样本集中确定多个待插值样本。在本实施例中，设两个故障设备的特征向量为和，对应的标签为/>和/>，并将这两个特征向量作为待插值样本，对这两个向量进行双线性插值。
之后，基于多个待插值样本分别对应的样本标签、预设的插值比例和预先确定的噪声向量，对多个待插值样本插值处理，得到多个待插值样本对应的插值样本。具体的，假设插值的比例为，那么新生成的特征向量/>和标签/>可以使用以下公式表示：
其中，是插值的比例，/>是噪声向量。其中，插值比例/>根据确定的多个待插值样本之间的欧式距离确定；噪声向量根据确定的多个待插值样本之间的方差确定。
具体的，插值的比例决定新样本在/>和/>之间的位置，计算方式可以使用以下公式表示：
其中，是取值范围在/>之间的随机数。/>是自适应权重函数，计算方式可以使用以下公式表示：
其中，和/>是权重函数的参数，由人为设置。/>是/>和/>的欧氏距离，计算方式可以使用以下公式表示：
其中，表示求取欧氏距离的符号。
噪声向量是一个服从噪声分布的向量，可以使用以下公式表示：
其中，是一个噪声分布，/>是服从于分布的符号。/>是噪声方差，其确定方式通过对已知数据样本的方差进行估计。可以使用以下公式表示：
基于上述步骤对初始样本集进行插值处理后，得到训练样本集，之后，还需对训练样本集进行特征提取，根据每个特征参数分别对应的重要性，提取目标特征参数，可得到有效的目标特征参数。具体的，先对训练样本集进行预处理，再采用改进的自编码神经网络模型进行特征提取。
可以理解的是，实际任务中的数据往往是残缺的、有噪声的、不一致的。针对这种情况，本实施例通过以下数据处理方式，对传感器采集得到的数据及生成后的数据进行清洗和纠正：缺失值的处理。数据丢失是运行数据采集过程中最常见的问题。在设备数据采集过程中，会出现一些传感器测量点不能正常工作的情况，从而导致收集到的设备数据部分丢失。这时，需要根据数据的重要性采取不同的措施，如插值、删除等。异常数据的处理。由于采集到的设备数据的传感器故障或其他原因，上传数据中可能存在一些不合理的数据。本发明中对异常数据进行删除操作。数据的归一化。设备数据包括很多类型，由于收集的数据有不同的数值范围和取值范围，因此需要进行归一化操作，以更好地反映设备数据和故障诊断结果之间的关系，并减小不同的量级给设备故障诊断结果带来的影响。因此，本实施例采用极差标准化方法对数据进行归一化：
其中，、/>分别表示同一组数据样本中的最小值和最大值，/>表示输入的数据，/>表示归一化后的数据。
之后，将预处理后的数据进行特征提取，所采用特征提取模型为改进的自编码神经网络模型。具体地，利用改进的自编码神经网络模型进行特征提取的方法中，自编码神经网络由编码器和解码器两部分组成，编码器将输入数据编码为低维潜在特征，解码器将这些潜在特征解码为重建的输入数据。编码器和解码器的参数通过最小化重建误差来训练，可分为以下子步骤： 1-滑动窗口处理；2-利用自编码神经网络进行特征提取；3-通过嵌入空间聚类的方式进行特征变换；4-进行自注意力时间序列特征加权。具体参照下述步骤S204-S212确定目标特征参数。
步骤S204，对训练样本集滑窗处理，得到多个连续向量。
在具体实现时，对训练样本集滑窗处理后，可以得到连续数据的向量。设预处理后的数据集是，利用滑动窗口方法来处理数据。具体的，设滑动窗口大小为/>，滑动步长为/>，数据集/>中包含数据的条数为/>，通过滑动窗口处理后得到新的数据集/>，其中每一个/>是一个含有/>个连续数据的向量，即，则/>的长度/>。
得到滑窗处理后的多个连续向量后，通过本发明实施例的自编码神经网络进行特征提取，其中，自编码神经网络由编码器和解码器两部分组成，编码器将输入数据编码为低维潜在特征，解码器将这些潜在特征解码为重建的输入数据。编码器和解码器的参数通过最小化重建误差来训练。
步骤S206，将多个连续向量输入至预设的自编码神经网络中，通过自编码神经网络对每个连续向量进行特征提取，得到多个潜在特征表示。
在具体实现时，将通过滑动窗口处理后得到的数据作为自编码神经网络的输入，通过训练得到的编码器将其编码为低维潜在特征/>，其中/>是/>的潜在特征表示。其中，先将多个连续向量输入至自编码神经网络中，通过自编码神经网络的编码器对每个连续向量进行编码操作，得到每个连续向量分别对应的正态分布参数。具体的，设/>为编码器，/>为解码器，/>和/>分别为编码器和解码器的参数。编码器输出的不是具体的潜在特征，而是潜在特征的分布参数，具体为正态分布。具体的，/>的编码操作/>可以使用以下公式表示：
其中是原始数据正态分布的数学期望，/>是原始数据正态分布的方差。
之后，根据正态分布参数，确定编码器对应的KL散度；以及，从正态分布参数中采样，确定潜在特征。其中，解码器的输入是从正态分布中采样的潜在特征，可以使用以下公式表示：
进一步地，设备的某些特征可能比其他特征更重要，故，本发明实施例引入注意力机制使得模型能够自动学习这些特征的重要性。
之后，将潜在特征输入至自编码神经网络的解码器中，根据潜在特征对应的连续向量的注意力权重，确定连续向量的解码器输出。具体的，设为第/>个特征的注意力权重，则解码器输出可以使用以下公式表示：
其中，是解码数据正态分布的数学期望，/>是解码数据正态分布的方差。注意力权重/>是通过一个小型神经网络（称为注意力网络）计算得到，设/>为注意力网络，则第/>个特征的注意力权重/>可以使用以下公式表示：
其中，为验证解码器输出是否满足要求，进而确定特征提取是否满足精度要求，本发明实施例还基于KL散度，以及预设的重构误差，确定解码器输出对应的损失值，并判断损失值是否满足预设的损失阈值。其中，本发明实施例通过最小化损失函数来训练自编码神经网络，损失函数可以使用以下公式表示：
其中，是关于重构误差的函数，/>是重构误差，/>是KL散度。
如果否，基于预先确定的连续向量的时间权重，更新重构误差，并执行确定解码器输出对应的损失值的步骤；如果是，将当前解码器输出确定为当前连续向量的潜在特征表示。具体的，的作用是调整重构误差对总损失的贡献，从而让模型更关注重构误差较大的数据，可以使用以下公式表示：
其中，是控制函数的斜率，/>是控制函数的偏移，/>和/>由人为设置。
当重构误差较大时，的值较大，即对总损失的贡献较大；当重构误差较小时，/>的值较小，即对总损失的贡献较小。故，模型通过动态调整重构误差对总损失的贡献，使得模型更关注重构误差较大的数据，从而提高特征提取效果，获得对于故障诊断分类更有作用的特征。
重构误差用于保证解码的数据尽可能接近原数据，解码器的输出是，故，重构误差/>可以使用以下公式表示：
其中，是时间权重。具体的，/>为第/>个数据点的权重，可以使用以下公式表示：
其中，是一个超参数，/>是滑动窗口大小，/>是数据点距离窗口结束的位置。时间权重满足/>，并且距离窗口结束越近的数据点权重越大。故，特征提取模型能给予近期的数据更高的权重，远期的数据较低的权重，更好地反映设备的当前状态，从而提高设备故障诊断的准确率。
KL散度用于保证学习到的潜在特征分布接近正态分布，KL散度可以使用以下公式表示：
故，通过训练得到的编码器将数据集编码为低维潜在特征/>，其中/>是/>的潜在特征表示。
步骤S208，通过嵌入空间聚类方式对多个潜在特征表示进行特征变换，得到每个潜在特征表示对应的聚类表示。
得到潜在特征表示后，还通过嵌入空间聚类的方式进行特征变换，其中，将得到的潜在特征表示设为，其为设备状态的低维嵌入表示/>，再将/>在其特征分布空间中进行聚类，以提取更高级别的特征。
具体的，将聚类后得到的每一个簇视为一种特定类型的设备状态，每一个簇中心点都代表该设备状态的典型样本。使用/>-means方法进行聚类，并得到/>个簇，计算每一个嵌入表示/>到每一个簇中心点/>的距离，可以使用以下公式表示：
将距离视为一个新的特征，表示设备状态相对于每一种典型状态的偏离程度。进一步地，为了使该特征更加稳定，引入一个软聚类的策略，即使用所有簇中心点对/>的影响的加权平均来表示/>。权重/>的计算方式可以使用以下公式表示：
其中，是一个超参数，由人为设置，用于调节聚类的硬度。
当时，/>将趋近于硬聚类；当/>时，/>将趋近于均等权重。进一步地，计算/>的聚类表示/>，可以使用以下公式表示：
故，将聚类表示作为设备状态的新的特征，组成变换后的特征：
。/>
步骤S210，基于聚类表示对应的时间点，确定聚类表示对应的时间点权重和时间嵌入表示。
步骤S212，使用时间点权重对时间嵌入表示进行加权，并将加权的时间嵌入表示进行组合，得到基于时间序列的目标特征参数。
在具体实现时，对于得到的聚类表示，本发明实施例还对其进行自注意力时间序列特征加权。可以预见的是，在实际设备故障诊断中，设备的状态通常具有复杂的时间依赖性。为了捕捉这种时间依赖性，本发明引入自注意力机制，让模型自动学习时间序列中不同时间点的相对重要性。具体的，先根据聚类表示对应的时间点，确定每个时间点的时间嵌入表示，再通过注意力机制计算每个时间点的权重/>。其中，通过预设的打分函数，计算时间嵌入表示对应于预设的基准时间点的嵌入表示的分数值，之后根据分数值，以及预设的加权序列计算区间时长，确定每个时间点的时间点权重。该时间点权重为时间嵌入表示对应的时间点的权重。
在具体实现时，通过下述步骤计算每个时间点的嵌入表示/>（也即时间嵌入表示），然后用自注意力机制计算每个时间点的权重/>，可以使用以下公式表示：
其中，是基准时间点的嵌入表示，且基准时间点由人为设置。/>是加权序列计算区间时长，由人为设置。/>是一个打分函数，用于计算两个时间点的相似性，具体计算可以使用以下公式表示：
进一步地，计算加权平均的时间序列表示，可以使用以下公式表示：
可以捕捉时间序列中的长期依赖性，从而提取更有价值的特征。
进一步地，将所有的区间时长组合，组成加权后的特征，也即基于时间序列的目标特征参数：。对应的，目标特征参数包括多个样本，每个样本包括对应的输出标签。之后，再通过这些目标特征参数进行分类器训练，以构建对应的设备故障诊断模型。在具体实现时，本发明实施例利用改进的极限学习机分类器进行分类训练，采用蚁群算法优化极限学习机算法，以找到最佳的隐藏层参数，优化分类性能；其中，还设计蚁群算法的优化策略，以提高找到最佳的隐藏层参数的速率。
步骤S214，将目标特征参数输入至预先设置的分类器中，通过蚁群算法确定目标特征参数对应的最优输入权重和偏差。
步骤S216，基于最优输入权重和偏差，确定目标特征参数对应的每个样本的隐藏层响应，以及，确定分类器的分类目标函数。
步骤S218，根据分类目标函数和隐藏层响应，确定目标特征参数对应的目标输出矩阵，并判断目标输出矩阵指示的分类结果是否满足输出标签指示的分类阈值。
步骤S220，如果否，对蚁群算法迭代处理，更新最优输入权重和偏差，并执行确定分类器的分类目标函数的步骤。
在具体实现时，本发明实施例利用分类器进行样本分类，预测设备故障诊断类型。其中，本实施例中将特征提取后的数据进行故障分类，所采用分类器为改进的极限学习机分类器。具体地，利用改进的极限学习机分类器进行样本分类的方法可分为以下子步骤：
1）设置极限学习机训练规则。具体的，在极限学习机算法中，只有输出权重需要调整，而输入权重和偏差是随机分配的。这种方法虽然简单，但有可能导致非最优的网络结构。故，本发明采用蚁群算法优化极限学习机算法，以找到最佳的隐藏层参数，优化分类性能。也即，先通过步骤S214确定目标特征参数对应的最优输入权重和偏差后，执行步骤S216-S218的操作，以确定训练分类结果是否满足要求，如果否，对蚁群算法迭代处理，再次执行步骤S214。
具体的，目标特征参数为，由M个样本构成，每个样本由一个输入向量xv和一个输出标签tv组成。设极限学习机的隐藏层参数为wv和bv，输出权重为βv。蚁群寻找最优的隐藏层参数（wv、bv）和/>（激活函数的参数），以最小化目标函数：/>，分类目标函数中包括输出权重/>，本发明实施例中，输出权重根据最优输入权重和偏差（和/>）确定；目标函数可以使用以下公式表示：
其中，H是隐藏层的输出矩阵，是目标输出矩阵，/>是输出权重。其中，在对极限学习机算法进行训练时，首先，使用蚁群算法找到的最优输入权重和偏差（也即步骤S214），再计算隐藏层的输出矩阵H，该输出矩阵也即目标特征参数的输出矩阵。然后，使用最小二乘法计算输出权重/>：
上述公式中，是H的伪逆矩阵，/>是目标输出矩阵。在标准的极限学习机中，常用的激活函数如Sigmoid、Tanh等具有固定的形状，可能无法适应复杂的分类问题。故，本发明提出参数化的激活函数，可以在学习过程中调整其形状。具体的，设/>是一个参数化的激活函数，其中/>是输入，参数由向量/>表示。在隐藏层中，神经元/>对输入/>的响应可以表示为：
/>
其中，和/>是输入权重和偏差。/>是激活函数的参数，由人为设置。
本发明实施例中，基于神经元对输入/>的响应/>为上述隐藏层响应，其与分类目标函数结合，计算隐藏层的输出矩阵H，进而得到目标输出矩阵指示的分类结果。其中，用于计算目标输出矩阵的输入权重和偏差（/>和/>）通过蚁群算法找到，故，本发明实施例还判断目标输出矩阵指示的分类结果是否满足输出标签指示的分类阈值，也即，分类训练是否准确，如果否，则对蚁群算法迭代处理，也即，执行步骤S214（通过蚁群算法确定目标特征参数对应的最优输入权重和偏差）。
对应的，本发明实施例对步骤1）使用的蚁群算法进行优化，进而进一步优化极限学习机算法，以找到最佳的隐藏层参数，优化分类性能。其中包括：2）设置蚁群算法的优化策略。其中，蚁群算法是一种模拟自然界蚂蚁寻找食物行为的优化算法，其利用蚂蚁之间的信息共享和正反馈机制搜索最优解。在蚁群算法的优化策略中，蚁群算法用于在参数空间中搜索最佳的输入权重和偏差。
其中，蚁群算法的优化策略中，根据迭代次数，更新蚁群算法对应的蚁群大小，再将目标特征参数对应的解空间分为多个层次，并基于层次的信息素浓度（信息素浓度根据更新的挥发因子确定），利用当前蚁群大小的蚁群搜索每个层次对应的解（每个层次对应的解根据更新的信息素浓度确定），以更新最优输入权重和偏差。在蚁群搜索过程结束后，得到的最优的输入权重、偏差和激活函数参数被用于训练极限学习机。进一步地，使用最优的输入权重、偏差和激活函数参数，以及计算出的输出权重进行设备故障分类。
在具体实现时，对蚁群算法进行初始化。其中，设定蚂蚁的数量mq，信息素的蒸发系数ρq，蚁群的大小，最大迭代次数max_iter。生成mq个蚂蚁，并随机分配它们的位置和方向。在传统的蚁群算法中，蚁群的大小通常是固定的，但可能在搜索过程的初期，由于蚁群数量过多，导致搜索过于分散，无法快速找到较好的参数组合。反之，搜索过程的后期，由于蚁群数量较少，无法进行细致的局部搜索。故，本发明引入自适应蚁群大小策略，即在搜索过程中动态调整蚁群的大小。设初始的蚁群大小为/>，在每次迭代中，根据以下公式更新蚁群的大小：
其中，是当前的迭代次数，/>是最大迭代次数，/>是超参数，由人为设置。在迭代过程开始时，/>的值接近于/>，有利于全局搜索。随着迭代次数的增加，/>的值逐渐减小，增强了局部搜索的强度。
之后，划分解空间层次。在传统的蚁群算法中，蚂蚁通常同时搜索所有的解空间。然而在设备故障诊断任务中，单条样本数据量较大，传统的搜索策略效率较低。故，本发明实施例提出层次型搜索策略，即分层次地搜索解空间，从而提高搜索效率。具体的，设解空间被分为个层次，第/>个层次包含/>个解。在每次迭代中，蚂蚁先选择一个层次，然后在该层次中搜索解。选择层次的概率/>由以下公式计算：/>
其中，是蚂蚁所在的第/>个层次的信息素浓度，由当前层次中所有蚂蚁的信息素浓度取平均得到。/>是蚂蚁所在的第/>个层次的启发式信息，由所有蚂蚁两两之间的曼哈顿距离取平均得到。/>和/>是控制信息素重要性和启发式信息重参数，由人为设置。
之后，构造解：每只蚂蚁根据当前的信息素浓度选择下一个搜索位置，并更新其位置。进一步的，更新信息素：所有蚂蚁在搜索过程中会释放信息素，信息素的数量与目标函数的值有关。同时，原有的信息素会按照蒸发系数ρq进行衰减。进一步地，为了避免蚁群算法在搜索过程中过早收敛到局部最优解，引入动态信息素更新策略。该策略依赖于挥发因子参数，即挥发因子参数影响信息素的更新速度。具体的，设定挥发因子为，信息素的更新公式可以使用以下公式表示：
其中，表示在时间/>时路径/>上的信息素浓度，/>是蚁群在时间/>释放的信息素总量。挥发因子/>控制信息素的挥发速度，其取值范围为/>。/>越大，信息素挥发得越快，搜索的随机性越强，有助于跳出局部最优解。
进一步地，如果的值固定不变，算法可能在全局搜索和局部搜索之间达不到好的平衡。故，本发明提出动态调整/>的方法以便在搜索过程中自适应地调整全局搜索和局部搜索的强度。设初始的挥发因子为/>，在每次迭代中，根据以下公式更新/>的值：
其中，是当前的迭代次数，mq是蚂蚁的数量，/>是最大迭代次数。/>是一个正的常数，由人为设置。在迭代过程开始时，/>的值接近于/>，有助于全局搜索。随着迭代次数的增加，/>的值逐渐减小，增强了局部搜索的强度。
步骤S222，直到分类结果满足输出标签指示的分类阈值时，将包含当前分类目标函数的分类器确定为设备故障诊断模型。
在具体实现时，本发明实施例通过设置终止条件停止对蚁群算法的迭代，其中，如果对蚁群算法的迭代达到最大迭代次数，则算法结束。否则，返回构造解步骤。在蚁群搜索过程结束后，得到的最优的输入权重和偏差被用于极限学习机的隐藏层参数。最优的输入权重和偏差判断依据是根据最后一轮迭代中，所有蚂蚁所对应的隐藏层参数wv和bv、输出权重βv使得目标函数值最大的蚂蚁个体。/>
基于此，本发明实施例利用蚁群算法确定极限学习机的最优的输入权重和偏差，进而构造设备故障诊断模型，该设备故障诊断模型可以用于对设备进行故障诊断。
本发明实施例提供的另一种基于数据驱动的设备故障诊断模型的构建方法，包括改进的样本扩充算法、特征提取方法及改进的分类器，不仅可以提高样本的多样性、鲁棒性，还可以提取到有效的目标特征参数，保证构建的设备故障诊断模型能够对目标设备的待测数据进行准确分类，提高故障诊断的精度。
其中，对初始训练集的样本插值方法进行设计，提出一种自适应插值样本扩充算法，通过双线性插值方式在设备故障诊断数据的特征空间中生成新的样本，同时在样本生成过程中引入噪声注入和自适应权重调整机制，以提高样本多样性和鲁棒性。此外，还对特征提取的步骤进行设计，其中，通过利用改进的自编码神经网络模型进行特征提取，编码器和解码器的参数通过最小化重建误差来训练，添加注意力权重，并调整重构误差对模型的总损失的贡献，从而让模型更关注重构误差较大的数据，提高特征提取效果，获得对于故障诊断分类更有作用的特征。此外，还引入自注意力机制，进行自注意力时间序列特征加权，让模型自动学习时间序列中不同时间点的相对重要性，捕捉设备的状态对应的时间依赖性，确保提取到准确的目标特征参数。
此外，利用改进的极限学习机分类器进行分类训练，采用蚁群算法优化极限学习机算法，以找到最佳的隐藏层参数，优化分类性能，并设计蚁群算法的优化策略，引入自适应蚁群大小策略，在搜索过程中动态调整蚁群的大小；以及，提出层次型搜索策略，即分层次地搜索解空间，从而提高搜索效率。还引入动态信息素更新策略，避免蚁群算法在搜索过程中过早收敛到局部最优解， 其中，该策略依赖于挥发因子参数，即挥发因子参数影响信息素的更新速度，对应的，本发明实施例还提出动态调整挥发因子参数的方法，以便在搜索过程中自适应地调整全局搜索和局部搜索的强度。基于上述改进测量，可以优化分类器的分类性能。
进一步的，在上述方法实施例的基础上，本发明实施例还提供一种基于数据驱动的设备故障诊断方法，图3示出了本发明实施例提供的一种基于数据驱动的设备故障诊断方法的流程图，如图3所示，该方法包括以下步骤：
步骤S10，获取目标设备的待测数据。
步骤S20，将待测数据输入至预先构建的设备故障诊断模型中，通过设备故障诊断模型确定待测数据对应的分类类别。
步骤S30，根据分类类别，对待测数据进行设备故障诊断。
其中，本发明实施例使用的设备故障诊断模型为通过上述基于数据驱动的设备故障诊断模型的构建方法构建得到的。该设备故障诊断模型基于步骤S214-S222对极限学习机分类器训练后构建，包括最佳的隐藏层参数，故，本发明实施例获取待测数据后，可根据确定的目标特征参数确定对应的待测参数，之后，使用设备故障诊断模型对待测参数进行故障诊断，得到的输出类别即设备故障诊断的诊断结果。
本发明实施例提供的一种基于数据驱动的设备故障诊断方法，与上述实施例提供的一种基于数据驱动的设备故障诊断模型的构建方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。
进一步地，在上述方法实施例的基础上，本发明实施例还提供一种基于数据驱动的设备故障诊断模型的构建装置，图4示出了本发明实施例提供的一种基于数据驱动的设备故障诊断模型的构建装置的结构示意图，如图4所示，该构建装置包括：
样本获取模块10，用于获取预先构建的训练样本集；训练样本集是通过对初始样本集插值处理得到的；训练样本集包括样本标签，样本标签包括设备的正常运行状态的标签和设备的多种异常运行状态的标签。特征提取模块20，用于基于训练样本集对应的时间序列，对训练样本集进行特征提取，确定基于时间序列的目标特征参数。训练模块30，用于将目标特征参数输入至预先设置的分类器中，对分类器进行分类训练，并将分类训练的结果满足预设的分类条件时的分类器确定为设备故障诊断模型；设备故障诊断模型用于对目标设备进行故障诊断。
本发明实施例提供的一种基于数据驱动的设备故障诊断模型的构建装置，与上述实施例提供的一种基于数据驱动的设备故障诊断模型的构建方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。
进一步的，在上述方法实施例的基础上，本发明实施例还提供另一种基于数据驱动的设备故障诊断模型的构建装置，其中，初始样本集中包括多个初始样本，图5示出了本发明实施例提供的另一种基于数据驱动的设备故障诊断模型的构建装置的结构示意图，如图5所示，该装置还包括样本预处理模块40，用于对初始样本集插值处理，其中包括：针对初始样本集包括的每个初始样本，从初始样本集中确定多个待插值样本；基于多个待插值样本分别对应的样本标签、预设的插值比例和预先确定的噪声向量，对多个待插值样本插值处理，得到多个待插值样本对应的插值样本；插值比例根据确定的多个待插值样本之间的欧式距离确定；噪声向量根据确定的多个待插值样本之间的方差确定。
上述特征提取模块20，还用于对训练样本集滑窗处理，得到多个连续向量；将多个连续向量输入至预设的自编码神经网络中，通过自编码神经网络对每个连续向量进行特征提取，得到多个潜在特征表示；通过嵌入空间聚类方式对多个潜在特征表示进行特征变换，得到每个潜在特征表示对应的聚类表示；基于聚类表示对应的时间点，确定聚类表示对应的时间点权重和时间嵌入表示；使用时间点权重对时间嵌入表示进行加权，并将加权的时间嵌入表示进行组合，得到基于时间序列的目标特征参数。
其中，自编码神经网络包括编码器和解码器；上述特征提取模块20，还用于将多个连续向量输入至自编码神经网络中，通过自编码神经网络的编码器对每个连续向量进行编码操作，得到每个连续向量分别对应的正态分布参数；根据正态分布参数，确定编码器对应的KL散度；以及，从正态分布参数中采样，确定潜在特征；将潜在特征输入至自编码神经网络的解码器中，根据潜在特征对应的连续向量的注意力权重，确定连续向量的解码器输出；基于KL散度，以及预设的重构误差，确定解码器输出对应的损失值，并判断损失值是否满足预设的损失阈值；如果否，基于预先确定的连续向量的时间权重，更新重构误差，并执行确定解码器输出对应的损失值的步骤；如果是，将当前解码器输出确定为当前连续向量的潜在特征表示。
上述特征提取模块20，还用于根据聚类表示对应的时间点，确定每个时间点的时间嵌入表示；通过预设的打分函数，计算时间嵌入表示对应于预设的基准时间点的嵌入表示的分数值；根据分数值，以及预设的加权序列计算区间时长，确定每个时间点的时间点权重；时间点权重为时间嵌入表示对应的时间点的权重。
进一步的，目标特征参数包括多个样本，每个样本包括对应的输出标签；上述训练模块30，还用于将目标特征参数输入至预先设置的分类器中，通过蚁群算法确定目标特征参数对应的最优输入权重和偏差；基于最优输入权重和偏差，确定目标特征参数对应的每个样本的隐藏层响应，以及，确定分类器的分类目标函数；分类目标函数中包括输出权重，输出权重根据最优输入权重和偏差确定；根据分类目标函数和隐藏层响应，确定目标特征参数对应的目标输出矩阵，并判断目标输出矩阵指示的分类结果是否满足输出标签指示的分类阈值；如果否，对蚁群算法迭代处理，更新最优输入权重和偏差，并执行确定分类器的分类目标函数的步骤；直到分类结果满足输出标签指示的分类阈值时，将包含当前分类目标函数的分类器确定为设备故障诊断模型。
进一步的，上述训练模块30，还用于根据迭代次数，更新蚁群算法对应的蚁群大小；将目标特征参数对应的解空间分为多个层次，并基于层次的信息素浓度，利用当前蚁群大小的蚁群搜索每个层次对应的解，以更新最优输入权重和偏差；其中，每个层次对应的解根据更新的信息素浓度确定；信息素浓度根据更新的挥发因子确定。
进一步地，在上述方法实施例的基础上，本发明实施例还提供一种基于数据驱动的设备故障诊断装置，图6示出了本发明实施例提供的一种基于数据驱动的设备故障诊断装置的结构示意图，如图6所示，该装置包括：
数据获取模块100，用于获取目标设备的待测数据。执行模块200，用于将待测数据输入至预先构建的设备故障诊断模型中，通过设备故障诊断模型确定待测数据对应的分类类别。输出模块300，用于根据分类类别，对待测数据进行设备故障诊断；其中，设备故障诊断模型为基于上述基于数据驱动的设备故障诊断模型的构建方法构建得到的。
本发明实施例提供的一种基于数据驱动的设备故障诊断装置，与上述实施例提供的一种基于数据驱动的设备故障诊断模型的构建方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。
本发明实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述图1至图3所示的方法的步骤。本发明实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述图1至图3所示的方法的步骤。本发明实施例还提供了一种电子设备的结构示意图，如图7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71和存储器70，该存储器70存储有能够被该处理器71执行的计算机可执行指令，该处理器71执行该计算机可执行指令以实现上述图1至图3所示的方法。
在图7示出的实施方式中，该电子设备还包括总线72和通信接口73，其中，处理器71、通信接口73和存储器70通过总线72连接。
其中，存储器70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73（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72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72可以分为地址总线、数据总线、控制总线等。为便于表示，图7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71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71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71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71读取存储器中的信息，结合其硬件完成前述图1至图3任一所示的方法。
本发明实施例所提供的一种基于数据驱动的设备故障诊断模型的构建方法及装置的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。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 (9)

1.一种基于数据驱动的设备故障诊断模型的构建方法，其特征在于，所述构建方法包括：
获取预先构建的训练样本集；所述训练样本集是通过对初始样本集插值处理得到的；所述训练样本集包括样本标签，所述样本标签包括设备的正常运行状态的标签和设备的多种异常运行状态的标签；
基于所述训练样本集对应的时间序列，对所述训练样本集进行特征提取，确定基于时间序列的目标特征参数；
将所述目标特征参数输入至预先设置的分类器中，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的分类条件时的分类器确定为设备故障诊断模型；所述设备故障诊断模型用于对目标设备进行故障诊断；
所述基于所述训练样本集的时间序列，对所述训练样本集进行特征提取，确定基于时间序列的目标特征参数的步骤，包括：
对所述训练样本集滑窗处理，得到多个连续向量；
将多个所述连续向量输入至预设的自编码神经网络中，通过所述自编码神经网络对每个所述连续向量进行特征提取，得到多个潜在特征表示；
通过嵌入空间聚类方式对多个所述潜在特征表示进行特征变换，得到每个所述潜在特征表示对应的聚类表示；
基于所述聚类表示对应的时间点，确定所述聚类表示对应的时间点权重和时间嵌入表示；
使用所述时间点权重对所述时间嵌入表示进行加权，并将加权的时间嵌入表示进行组合，得到基于时间序列的目标特征参数。
2.根据权利要求1所述的方法，其特征在于，初始样本集中包括多个初始样本，对初始样本集插值处理的步骤，包括：
针对所述初始样本集包括的每个初始样本，从所述初始样本集中确定多个待插值样本；
基于多个待插值样本分别对应的样本标签、预设的插值比例和预先确定的噪声向量，对多个所述待插值样本插值处理，得到多个所述待插值样本对应的插值样本；
所述插值比例根据确定的多个待插值样本之间的欧式距离确定；所述噪声向量根据确定的多个待插值样本之间的方差确定。
3.根据权利要求1所述的方法，其特征在于，所述自编码神经网络包括编码器和解码器；
将多个所述连续向量输入至预设的自编码神经网络中，通过所述自编码神经网络对每个所述连续向量进行特征提取，得到多个潜在特征表示的步骤，包括：
将多个所述连续向量输入至自编码神经网络中，通过自编码神经网络的编码器对每个所述连续向量进行编码操作，得到每个连续向量分别对应的正态分布参数；
根据所述正态分布参数，确定编码器对应的KL散度；以及，从所述正态分布参数中采样，确定潜在特征；
将所述潜在特征输入至自编码神经网络的解码器中，根据所述潜在特征对应的连续向量的注意力权重，确定所述连续向量的解码器输出；
基于所述KL散度，以及预设的重构误差，确定所述解码器输出对应的损失值，并判断所述损失值是否满足预设的损失阈值；
如果否，基于预先确定的连续向量的时间权重，更新所述重构误差，并执行确定所述解码器输出对应的损失值的步骤；
如果是，将当前解码器输出确定为当前连续向量的潜在特征表示。
4.根据权利要求1所述的方法，其特征在于，基于所述聚类表示对应的时间点，确定所述聚类表示对应的时间点权重和时间嵌入表示的步骤，包括：
根据所述聚类表示对应的时间点，确定每个时间点的时间嵌入表示；
通过预设的打分函数，计算所述时间嵌入表示对应于预设的基准时间点的嵌入表示的分数值；
根据所述分数值，以及预设的加权序列计算区间时长，确定每个时间点的时间点权重；所述时间点权重为所述时间嵌入表示对应的时间点的权重。
5.根据权利要求1所述的方法，其特征在于，所述目标特征参数包括多个样本，每个样本包括对应的输出标签；
将所述目标特征参数输入至预先设置的分类器中，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的分类条件时的分类器确定为设备故障诊断模型的步骤，包括：
将所述目标特征参数输入至预先设置的分类器中，通过蚁群算法确定所述目标特征参数对应的最优输入权重和偏差；
基于所述最优输入权重和偏差，确定所述目标特征参数对应的每个样本的隐藏层响应，以及，确定所述分类器的分类目标函数；所述分类目标函数中包括输出权重，所述输出权重根据所述最优输入权重和偏差确定；
根据所述分类目标函数和所述隐藏层响应，确定所述目标特征参数对应的目标输出矩阵，并判断所述目标输出矩阵指示的分类结果是否满足所述输出标签指示的分类阈值；
如果否，对所述蚁群算法迭代处理，更新所述最优输入权重和偏差，并执行确定分类器的分类目标函数的步骤；
直到所述分类结果满足所述输出标签指示的分类阈值时，将包含当前分类目标函数的分类器确定为所述设备故障诊断模型。
6.根据权利要求5所述的方法，其特征在于，对所述蚁群算法迭代处理，更新所述最优输入权重和偏差的步骤，包括：
根据迭代次数，更新蚁群算法对应的蚁群大小；
将目标特征参数对应的解空间分为多个层次，并基于所述层次的信息素浓度，利用当前蚁群大小的蚁群搜索每个层次对应的解，以更新所述最优输入权重和偏差；
其中，每个层次对应的解根据更新的信息素浓度确定；所述信息素浓度根据更新的挥发因子确定。
7.一种基于数据驱动的设备故障诊断方法，其特征在于，所述方法包括：
获取目标设备的待测数据；
将所述待测数据输入至预先构建的设备故障诊断模型中，通过所述设备故障诊断模型确定所述待测数据对应的分类类别；
根据所述分类类别，对所述待测数据进行设备故障诊断；
其中，所述设备故障诊断模型为基于权利要求1~6任一项所述的基于数据驱动的设备故障诊断模型的构建方法构建得到的。
8.一种基于数据驱动的设备故障诊断模型的构建装置，其特征在于，所述构建装置包括：
样本获取模块，用于获取预先构建的训练样本集；所述训练样本集是通过对初始样本集插值处理得到的；所述训练样本集包括样本标签，所述样本标签包括设备的正常运行状态的标签和设备的多种异常运行状态的标签；
特征提取模块，用于基于所述训练样本集对应的时间序列，对所述训练样本集进行特征提取，确定基于时间序列的目标特征参数；
训练模块，用于将所述目标特征参数输入至预先设置的分类器中，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的分类条件时的分类器确定为设备故障诊断模型；所述设备故障诊断模型用于对目标设备进行故障诊断；
所述特征提取模块，还用于对所述训练样本集滑窗处理，得到多个连续向量；将多个所述连续向量输入至预设的自编码神经网络中，通过所述自编码神经网络对每个所述连续向量进行特征提取，得到多个潜在特征表示；通过嵌入空间聚类方式对多个所述潜在特征表示进行特征变换，得到每个所述潜在特征表示对应的聚类表示；基于所述聚类表示对应的时间点，确定所述聚类表示对应的时间点权重和时间嵌入表示；使用所述时间点权重对所述时间嵌入表示进行加权，并将加权的时间嵌入表示进行组合，得到基于时间序列的目标特征参数。
9.一种基于数据驱动的设备故障诊断装置，其特征在于，所述装置包括：
数据获取模块，用于获取目标设备的待测数据；
执行模块，用于将所述待测数据输入至预先构建的设备故障诊断模型中，通过所述设备故障诊断模型确定所述待测数据对应的分类类别；
输出模块，用于根据所述分类类别，对所述待测数据进行设备故障诊断；
其中，所述设备故障诊断模型为基于权利要求1~6任一项所述的基于数据驱动的设备故障诊断模型的构建方法构建得到的。
CN202311316356.1A 2023-10-12 2023-10-12 基于数据驱动的设备故障诊断模型的构建方法及装置 Active CN117056734B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311316356.1A CN117056734B (zh) 2023-10-12 2023-10-12 基于数据驱动的设备故障诊断模型的构建方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311316356.1A CN117056734B (zh) 2023-10-12 2023-10-12 基于数据驱动的设备故障诊断模型的构建方法及装置

Publications (2)

Publication Number Publication Date
CN117056734A CN117056734A (zh) 2023-11-14
CN117056734B true CN117056734B (zh) 2024-02-06

Family

ID=88653917

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311316356.1A Active CN117056734B (zh) 2023-10-12 2023-10-12 基于数据驱动的设备故障诊断模型的构建方法及装置

Country Status (1)

Country Link
CN (1) CN117056734B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117290732B (zh) * 2023-11-24 2024-03-01 山东理工昊明新能源有限公司 故障分类模型的构建方法、风电设备故障分类方法及装置
CN117312863B (zh) * 2023-11-29 2024-02-02 山东理工昊明新能源有限公司 故障检测模型的构建方法、电力设备故障检测方法及装置
CN117407797B (zh) * 2023-12-15 2024-03-29 山东能源数智云科技有限公司 基于增量学习的设备故障诊断方法及模型的构建方法
CN117892182B (zh) * 2024-03-14 2024-06-07 山东神力索具有限公司 基于人工智能的索具耐用性测试方法及装置

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108875783A (zh) * 2018-05-09 2018-11-23 西安工程大学 一种面向不平衡数据集的极限学习机变压器故障诊断方法
CN108898180A (zh) * 2018-06-28 2018-11-27 中国人民解放军国防科技大学 一种面向单颗粒冷冻电镜图像的深度聚类方法
CN110849626A (zh) * 2019-11-18 2020-02-28 东南大学 一种自适应稀疏压缩自编码的滚动轴承故障诊断系统
CN111078911A (zh) * 2019-12-13 2020-04-28 宁波大学 一种基于自编码器的无监督哈希方法
CN111914253A (zh) * 2020-08-10 2020-11-10 中国海洋大学 一种入侵检测的方法、系统、设备及可读存储介质
CN111967618A (zh) * 2019-05-20 2020-11-20 武汉剑心科技有限公司 一种基于深度学习的调压器在线诊断方法
CN111967520A (zh) * 2020-08-18 2020-11-20 黑龙江大学 一种基于改进的smote算法的不平衡数据处理方法
CN112327219A (zh) * 2020-10-29 2021-02-05 国网福建省电力有限公司南平供电公司 特征自动挖掘和参数自动寻优的配电变压器故障诊断方法
CN112327149A (zh) * 2020-10-19 2021-02-05 西安工程大学 基于ssd-srae的高压断路器故障诊断方法
CN113255437A (zh) * 2021-04-12 2021-08-13 中国民航大学 滚动轴承深度卷积稀疏自动编码器故障诊断方法
CN114065636A (zh) * 2021-11-23 2022-02-18 江苏科技大学 一种基于数据驱动的船用绞机刹车机构故障诊断方法
CN115062678A (zh) * 2022-08-19 2022-09-16 山东能源数智云科技有限公司 设备故障检测模型的训练方法、故障检测方法及装置
CN115310554A (zh) * 2022-08-24 2022-11-08 江苏至信信用评估咨询有限公司 基于深度聚类的品项分配策略、系统、存储介质和设备
CN115435892A (zh) * 2022-08-31 2022-12-06 长春工业大学 一种复杂机电装备的智能故障诊断方法
WO2023044979A1 (zh) * 2021-09-27 2023-03-30 苏州大学 类不平衡数据集下的机械故障智能诊断方法
WO2023045278A1 (zh) * 2021-09-27 2023-03-30 西安交通大学 数据双驱动的台风灾害下电网故障预测方法、装置和设备
CN116150676A (zh) * 2023-04-19 2023-05-23 山东能源数智云科技有限公司 基于人工智能的设备故障诊断与识别方法及装置
CN116432091A (zh) * 2023-06-15 2023-07-14 山东能源数智云科技有限公司 基于小样本的设备故障诊断方法、模型的构建方法及装置
CN116561641A (zh) * 2023-05-25 2023-08-08 哈尔滨工业大学 一种基于多视图生成算法的工业设备故障诊断方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3081150A1 (en) * 2019-05-21 2020-11-21 Royal Bank Of Canada System and method for machine learning architecture with variational autoencoder pooling

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108875783A (zh) * 2018-05-09 2018-11-23 西安工程大学 一种面向不平衡数据集的极限学习机变压器故障诊断方法
CN108898180A (zh) * 2018-06-28 2018-11-27 中国人民解放军国防科技大学 一种面向单颗粒冷冻电镜图像的深度聚类方法
CN111967618A (zh) * 2019-05-20 2020-11-20 武汉剑心科技有限公司 一种基于深度学习的调压器在线诊断方法
CN110849626A (zh) * 2019-11-18 2020-02-28 东南大学 一种自适应稀疏压缩自编码的滚动轴承故障诊断系统
CN111078911A (zh) * 2019-12-13 2020-04-28 宁波大学 一种基于自编码器的无监督哈希方法
CN111914253A (zh) * 2020-08-10 2020-11-10 中国海洋大学 一种入侵检测的方法、系统、设备及可读存储介质
CN111967520A (zh) * 2020-08-18 2020-11-20 黑龙江大学 一种基于改进的smote算法的不平衡数据处理方法
CN112327149A (zh) * 2020-10-19 2021-02-05 西安工程大学 基于ssd-srae的高压断路器故障诊断方法
CN112327219A (zh) * 2020-10-29 2021-02-05 国网福建省电力有限公司南平供电公司 特征自动挖掘和参数自动寻优的配电变压器故障诊断方法
CN113255437A (zh) * 2021-04-12 2021-08-13 中国民航大学 滚动轴承深度卷积稀疏自动编码器故障诊断方法
WO2023044979A1 (zh) * 2021-09-27 2023-03-30 苏州大学 类不平衡数据集下的机械故障智能诊断方法
WO2023045278A1 (zh) * 2021-09-27 2023-03-30 西安交通大学 数据双驱动的台风灾害下电网故障预测方法、装置和设备
CN114065636A (zh) * 2021-11-23 2022-02-18 江苏科技大学 一种基于数据驱动的船用绞机刹车机构故障诊断方法
CN115062678A (zh) * 2022-08-19 2022-09-16 山东能源数智云科技有限公司 设备故障检测模型的训练方法、故障检测方法及装置
CN115310554A (zh) * 2022-08-24 2022-11-08 江苏至信信用评估咨询有限公司 基于深度聚类的品项分配策略、系统、存储介质和设备
CN115435892A (zh) * 2022-08-31 2022-12-06 长春工业大学 一种复杂机电装备的智能故障诊断方法
CN116150676A (zh) * 2023-04-19 2023-05-23 山东能源数智云科技有限公司 基于人工智能的设备故障诊断与识别方法及装置
CN116561641A (zh) * 2023-05-25 2023-08-08 哈尔滨工业大学 一种基于多视图生成算法的工业设备故障诊断方法及系统
CN116432091A (zh) * 2023-06-15 2023-07-14 山东能源数智云科技有限公司 基于小样本的设备故障诊断方法、模型的构建方法及装置

Also Published As

Publication number Publication date
CN117056734A (zh) 2023-11-14

Similar Documents

Publication Publication Date Title
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
CN116150676B (zh) 基于人工智能的设备故障诊断与识别方法及装置
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
CN110335168B (zh) 基于gru优化用电信息采集终端故障预测模型的方法及系统
CN116881832B (zh) 旋转机械设备故障诊断模型的构建方法及装置
CN115994327B (zh) 基于边缘计算的设备故障诊断方法及装置
JP6897749B2 (ja) 学習方法、学習システム、および学習プログラム
CN111046961B (zh) 基于双向长短时记忆单元和胶囊网络的故障分类方法
CN110969632B (zh) 一种深度学习模型的训练方法、图像处理方法及装置
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
CN116595463A (zh) 窃电识别模型的构建方法、窃电行为识别方法及装置
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
CN112149909A (zh) 船舶油耗预测方法、装置、计算机设备和存储介质
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
CN117892182B (zh) 基于人工智能的索具耐用性测试方法及装置
CN115983087A (zh) 一种注意力机制与lstm结合检测时序数据异常方法及终端机
CN107644268B (zh) 一种基于多特征的开源软件项目孵化状态预测方法
CN117407781A (zh) 基于联邦学习的设备故障诊断方法及装置
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
CN113221995B (zh) 基于半监督深度分类算法的数据分类方法、设备及装置
CN109829500B (zh) 一种职位构图和自动聚类方法
CN116429406B (zh) 大型机械设备故障诊断模型的构建方法及装置
CN110728615B (zh) 基于序贯假设检验的隐写分析方法、终端设备及存储介质
CN117454154A (zh) 一种面向偏标记数据的鲁棒特征选择方法
CN118070682A (zh) 基于人工智能的螺旋栓吊环受损评估方法及装置

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Xu Min

Inventor after: Ma Bing

Inventor after: Yin Xu

Inventor after: Wang Yushi

Inventor after: Bao Mingming

Inventor after: Zhu Yunheng

Inventor after: Su Zikang

Inventor before: Yin Xu

Inventor before: Ma Bing

Inventor before: Xu Min

Inventor before: Wang Yushi

Inventor before: Bao Mingming

Inventor before: Zhu Yunheng

Inventor before: Su Zikang