CN117056865A - 一种基于特征融合的机泵设备运行故障诊断方法及装置 - Google Patents
一种基于特征融合的机泵设备运行故障诊断方法及装置 Download PDFInfo
- Publication number
- CN117056865A CN117056865A CN202311315371.4A CN202311315371A CN117056865A CN 117056865 A CN117056865 A CN 117056865A CN 202311315371 A CN202311315371 A CN 202311315371A CN 117056865 A CN117056865 A CN 117056865A
- Authority
- CN
- China
- Prior art keywords
- model
- pump equipment
- fault diagnosis
- feature
- training
- 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.)
- Granted
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000003745 diagnosis Methods 0.000 claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000015654 memory Effects 0.000 description 14
- 239000013598 vector Substances 0.000 description 11
- 230000002457 bidirectional effect Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000007418 data mining Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012407 engineering method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B51/00—Testing machines, pumps, or pumping installations
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Abstract
本公开揭示了一种基于特征融合的机泵设备运行故障诊断方法及装置,其方法包括:采集待诊断机泵设备的运行数据;对所述运行数据预处理;构建机泵设备故障诊断模型并进行训练;将预处理后的运行数据输入训练好的机泵设备故障诊断模型进行特征提取以及特征融合,以对待诊断机泵设备进行故障诊断。本公开通过对所提取的机泵设备的多种特征进行逐步融合,能够提高机泵设备故障诊断的准确性和鲁棒性。
Description
技术领域
本公开属于设备故障检测领域,具体涉及一种基于特征融合的机泵设备运行故障诊断方法及装置。
背景技术
在机泵设备运行过程中,由于各种原因,机泵设备可能会出现各种故障,如振动异常、温度异常等,这些故障可能会对机泵设备的正常运行造成影响,甚至会导致机泵设备的损坏。
因此,如何准确地检测和诊断机泵设备故障,对保障机泵设备的正常运行至关重要。目前,机泵设备故障诊断的研究主要集中在数据挖掘和深度学习领域。其中,传统的数据挖掘方法包括特征工程方法和统计模型方法,特征工程方法需要人工设计和选择特征,存在主观性和局限性,难以捕捉复杂的非线性关系;统计模型方法依赖于先验假设和数据分布的准确性,对复杂的故障模式可能表现不佳。基于深度学习的方法引入了卷积神经网络(CNN)、循环神经网络(RNN)和长短时记忆网络(LSTM)。CNN适用于图像和信号处理领域,能够捕捉局部空间特征;传统的RNN存在长期依赖和梯度消失问题;而LSTM通过门控机制有效解决了这些问题,适用于时间序列故障诊断任务。
上述方法均存在一些不足之处,传统的数据挖掘方法方法过于依赖人工专业知识和先验假设,限制了其适应复杂故障模式的能力;基于深度学习的方法对大量标记数据和计算资源的需求较高,并且模型的解释性较差。
因此,对于设备故障诊断,需要进一步探索创新的方法,克服现有方法的局限性,提高准确性和效率,并兼顾模型的解释性和实际应用的可行性。
发明内容
针对现有技术中的不足,本公开的目的在于提供一种基于特征融合的机泵设备运行故障诊断方法,该方法基于特征融合能够提高机泵设备故障诊断的准确性和鲁棒性。
为实现上述目的,本公开提供以下技术方案:
一种基于特征融合的机泵设备运行故障诊断方法,包括以下步骤:
采集待诊断机泵设备的运行数据;
对所述运行数据预处理;
构建机泵设备故障诊断模型并对模型进行训练;其中,所述机泵设备故障诊断模型包括特征提取层和特征融合层,所述特征融合层通过堆叠多个LSTM模块,以对由特征提取层提取到的时序相关特征进行逐步融合;
将预处理后的运行数据输入训练好的机泵设备故障诊断模型进行特征提取以及特征融合,以对待诊断机泵设备进行故障诊断。
优选的,所述对运行数据预处理包括以下步骤:对运行数据进行去噪和缺失值填补。
优选的,所述设备故障诊断模型通过以下步骤进行训练:
构建数据集,对数据集标注后划分为训练集和测试集,对训练集和测试集进行预处理;
设置训练参数,利用预处理后的训练集对模型进行训练,在训练过程计算模型的交叉熵损失函数,利用随机梯度法对交叉熵损失函数进行损失优化,当损失函数收敛,模型训练完成;
利用测试集对训练后的模型进行测试,在测试过程中,采用准确率、召回率和F1分数指标对模型进行评估,当各指标均达到0.9或以上时,模型测试通过;否则调整训练参数重新对模型进行训练。
优选的,所述交叉熵损失函数表示为:
其中,ys表示样本标签的预测值,y表示样本标签的真实值,表示样本数量,表
示标签的维度,表示第个样本的第个标签的真实值,表示模型对第个样本的第
个标签的预测值。
本公开还提供一种基于特征融合的机泵设备运行故障诊断装置,包括:
采集模块,用于采集待诊断机泵设备的运行数据;
预处理模块,用于对所述运行数据预处理;
模型构建及训练模块,用于构建机泵设备故障诊断模型并对模型进行训练;其中,所述机泵设备故障诊断模型包括特征提取层和特征融合层,所述特征融合层通过堆叠多个LSTM模块,以对由特征提取层提取到的时序相关特征进行逐步融合;
诊断模块,用于将预处理后的运行数据输入训练好的机泵设备故障诊断模型进行特征提取以及特征融合,以对待诊断机泵设备进行故障诊断。
本公开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,其中,
所述处理器执行所述程序时实现如前任一所述的方法。
本公开还提供一种计算机存储介质,所述计算机存储介质存储有计算机可执行指令,所述计算机可执行指令用于执行如前任一所述的方法。
与现有技术相比,本公开带来的有益效果为:
1、本公开通过对所提取特征逐步融合,能够有效挖掘设备故障数据的高维特征表达;
2、本公开着重考虑了设备故障数据间的深度关系。
3、本公开能够提高机泵设备的故障诊断精度。
附图说明
图1是本公开一个实施例提供的一种基于特征融合的机泵设备运行故障诊断方法的流程图;
图2是本公开另一个实施例提供的机泵设备故障诊断模型的结构示意图。
具体实施方式
下面将参照附图详细地描述本公开的具体实施例。虽然附图中显示了本公开的具体实施例,然而应当理解,可以通过各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
需要说明的是,在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可以理解,技术人员可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名词的差异作为区分组件的方式,而是以组件在功能上的差异作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”或“包括”为一开放式用语,故应解释成“包含但不限定于”。说明书后续描述为实施本公开的较佳实施方式,然所述描述乃以说明书的一般原则为目的,并非用以限定本公开的范围。本公开的保护范围当视所附权利要求所界定者为准。
为便于对本公开实施例的理解,下面将结合附图以具体实施例为例做进一步的解释说明,且各个附图并不构成对本公开实施例的限定。
一个实施例中,如图1所示,本公开提出一种基于特征融合的机泵设备运行故障诊断方法,包括以下步骤:
采集待诊断机泵设备的运行数据,所述运行数据包括机泵设备的温度、压力、流量、电流和电压数据;
对所述运行数据预处理;
构建机泵设备故障诊断模型并对模型进行训练;
将预处理后的运行数据输入训练好的机泵设备故障诊断模型进行特征提取以及特征融合,以对待诊断机泵设备进行故障诊断。
另一个实施例中,所述对运行数据预处理包括以下步骤:对运行数据进行去噪和缺失值填补。
本实施例中,通过包括移动平均、加权平均、滑动窗口等平滑方法对采集到的机泵设备的运行数据进行平滑处理,以实现数据的去噪。此外,还通过使用线性插值等方法填补去噪后的运行数据中的缺失值,以保证运行数据的完整性。
另一个实施例中,如图2所示,所述机泵设备故障诊断模型包括:
输入层,用于输入机泵设备运行数据;
特征提取层,用于从由输入层输入的机泵设备运行数据中提取时序相关特征,时序相关特征具体包括统计特征(如平均值、标准差、最大值、最小值等)、时域特征(如波形因子、脉冲因子、裕度因子等)、频域特征(频谱图、功率谱密度和频域均值等)和时频域特征(如小波变换、短时傅里叶变换和瞬时频率等)。
特征融合层,用于对由特征提取层所提取的上述多种特征进行融合,以获得多尺度融合特征。特征融合层包括多个双向长短时记忆网络,每个双向长短时记忆网络(Bi-LSTM)由一个前向LSTM和一个后向LSTM组),且每个双向长短时记忆网络中的前向LSTM依次串联,每个双向长短时记忆网络中的后向LSTM依次串联,即形成多个双向长短时记忆网络之间并联,同时,并联的多个双向长短时记忆网络中的前向LSTM依次串联以及后向LSTM也依次串联的结构。时序相关特征中的每种特征分别进入一个的双向长短时记忆网络中,该特征经每个双向长短时记忆网络中的前向LSTM前向传播后依次进入下一个双向长短时记忆网络中的前向LSTM进行前向传播;同时,时序相关特征中的每种特征经每个双向长短时记忆网络中的后向LSTM后向传播后依次进入下一个后向LSTM进行后向传播。以上,通过利用多个堆叠的且同时具有并联和串联双属性的双向LSTM结构对时序相关特征进行训练和建模,相比单纯并联的双向LSTM结构,能够逐步深入的捕捉到时序相关特征中每种特征之间的前后依赖关系,使得每种特征之间不是孤立的,从而能够使得模型学习到更复杂的特征表示,进而能够最大化识别出机泵设备在运行过程中可能存在的潜在故障,以确保即使是细微的或隐性的故障也不会被遗漏,即能够进一步提高模型对于机泵设备的故障诊断性能和表达能力。
具体的,本实施例通过以下方法对上述多种特征进行融合:
首先,需要对上述多种特征进行编码以转换为数字形式,其中,对于上述多种特征中的离散特征使用One-hot独热编码,将每个取值转化为一个二进制向量,其中只有一个元素为1,表示该取值的存在,其他元素为0。对于上述多种特征中连续取值的数值特征则进行缩放,将其映射到特定的数值范围,如0到1之间或者标准正态分布。通过特征编码,能够取得以下两方面的效果:一是能够将原始的输入数据转换为机器学习算法能够理解和处理的形式,从而提取和表示数据中的关键信息,并消除冗余或不必要的信息;二是能够减少特征空间的维度,并提取出更有表达力的特征表示,从而改善模型的性能和效果。
其次,完成特征编码后,需要进一步提取特征向量,例如,以特征向量A表示统计特征,以特征向量B表示频域特征,以特征向量C表示时域特征,以特征向量D表示时频域特征。在获得特征向量A、B、C、D后,每个特征向量通过全连接层FC输出,并通过不同的组合方式(例如加法、减法、乘法、除法和幂运算等)进行融合,最终获得多尺度融合特征。
下面,本公开对上述特征融合进行示例性描述。假设现有频域特征F1、时域特征F2和时频域特征F3,并使用加权平均法对这三种特征进行融合:
首先,对频域特征F1、时域特征F2和时频域特征F3进行归一化处理,使它们具有相同的尺度和范围。
然后,为频域特征F1、时域特征F2和时频域特征F3分别选择一个权重,以反映频域特征F1、时域特征F2和时频域特征F3对最终融合特征的重要性,假设选择的权重为w1=0.4、w2=0.3和w3=0.3。
对于每个样本,将三种特征按照权重进行加权平均,得到多尺度融合特征E,表示为:
E=w1*F1+w2*F2+w3*F3
多尺度融合特征E包含了从不同特征中提取的信息,并考虑了各不同特征的重要性。
需要说明的是,在获得多尺度融合特征E后,需要对其进行归一化处理,以将特征值缩放到[0,1]的范围内,以防止不同特征尺度不一致的问题。
基于上述示例性描述,可以发现,本模型中的特征融合层相比其它检测网络中常用的特征融合层在结构上作出了以下改进:本模型中的特征融合层采用了多层级的特征融合结构,即通过既并联又串联的方式堆叠多个LSTM单元,以由前至深逐层融合的方式将特征进行逐步融合。这种多层级的融合结构能够充分利用每个特征之间的关联信息,以提高模型对于机泵设备故障的表达能力和准确性。
输出层,用于通过Softmax激活函数输出机泵设备的故障类别。
本模型基于某机泵设备的多种运行数据收集而来,并通过特征融合将所采集的多种运行数据综合成一个综合特征向量。该综合特征向量能够更全面地反映机泵设备的运行状态和故障特征,从而有利于进一步提高机泵设备故障诊断的准确性和鲁棒性(经检验,基于综合特征向量使得模型的检测准确率从原有的基于多种特征的87.1%提高到了95.3%,召回率从89.4%提高到了92.6%,均优于单纯基于多种特征的指标值)。
另一个实施例中,所述设备故障诊断模型通过以下步骤进行训练:
采集机泵设备历史正常运行数据样本和故障数据样本并形成数据集,将数据集与处理后按照8:2划分为训练集和测试集;
设置训练批次大小为32,训练轮数为50,利用训练集对模型进行训练,在训练过程计算模型的交叉熵损失函数,利用Adam优化算法对损失函数进行损失优化,当损失函数收敛,模型训练完成;
利用测试集对训练后的模型进行测试,在测试过程中,采用准确率、召回率和F1分数指标对模型进行评估,当各指标均达到0.9或以上时,模型测试通过;否则调整训练参数重新对模型进行训练。
本实施例中,需要说明的是,在形成数据集的同时,需要对数据集中的数据进行标注,即对不同的数据样本的故障类别赋予不同的标签,例如:
样本1
传感器数据:[0.2,0.4,0.3,0.1,0.5]
故障类别标签:正常
样本2:
传感器数据:[0.9,0.7,0.8,0.6,0.5]
故障类别标签:故障类型A
样本3:
传感器数据:[0.4,0.6,0.2,0.3,0.1]
故障类别标签:故障类型B
模型通过学习后,即可具备识别机泵设备故障类别的能力,从而能够对待测机泵设备的故障类别进行检测。
另一个实施例中,所述交叉熵损失函数表示为:
其中,ys表示样本标签的预测值,y表示样本标签的真实值,表示样本数量,表
示标签的维度,表示第个样本的第个标签的真实值,表示模型对第个样本的第
个标签的预测值。
另一个实施例中,本公开提出一种基于特征融合的机泵设备运行故障诊断装置,包括:
采集模块,用于采集待诊断机泵设备的运行数据;
预处理模块,用于对所述运行数据预处理;
模型构建及训练模块,用于构建机泵设备故障诊断模型并对模型进行训练;
其中,所述机泵设备故障诊断模型包括特征提取层和特征融合层,所述特征融合层通过堆叠多个LSTM模块,以对由特征提取层提取到的时序相关特征进行逐步融合;
诊断模块,用于将预处理后的运行数据输入训练好的机泵设备故障诊断模型进行特征提取以及特征融合,以对待诊断机泵设备进行故障诊断。
另一个实施例中,本公开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,其中,
所述处理器执行所述程序时实现如前任一所述的方法。
另一个实施例中,本公开还提供一种计算机存储介质,所述计算机存储介质存储有计算机可执行指令,所述计算机可执行指令用于执行如前任一所述的方法。
本发明申请人结合说明书附图对本发明的实施方案进行了详细的描述,但是本领域的技术人员应该理解,以上实施方案仅为本发明优选的实施示例,并不仅仅局限于上述的具体实施方案。详尽的说明知识为了帮助读者更好地理解本发明精神,而并非对本发明保护范围的限制,相反,任何基于本发明的发明精神所作的任何改进或变动都应当包含在本发明的保护范围之中。
Claims (5)
1.一种基于特征融合的机泵设备运行故障诊断方法,其特征在于,所述方法包括以下步骤:
采集待诊断机泵设备的运行数据;
对所述运行数据预处理;
构建机泵设备故障诊断模型并对模型进行训练;其中,所述机泵设备故障诊断模型包括特征提取层和特征融合层,所述特征融合层通过堆叠多个LSTM模块,以对由特征提取层提取到的时序相关特征进行逐步融合;
将预处理后的运行数据输入训练好的机泵设备故障诊断模型进行特征提取以及特征融合,以对待诊断机泵设备进行故障诊断。
2.根据权利要求1所述的方法,其特征在于,所述对运行数据预处理包括以下步骤:对运行数据进行去噪和缺失值填补。
3.根据权利要求1所述的方法,其特征在于,所述设备故障诊断模型通过以下步骤进行训练:
获取机泵设备故障数据集,对数据集预处理后划分为训练集和测试集;
设置训练参数,利用训练集对模型进行训练,在训练过程计算模型的交叉熵损失函数,利用随机梯度法对交叉熵损失函数进行损失优化,当损失函数收敛,模型训练完成;
利用测试集对训练后的模型进行测试,在测试过程中,采用准确率、召回率和F1分数指标对模型进行评估,当各指标均达到0.9或以上时,模型测试通过;否则调整训练参数重新对模型进行训练。
4.根据权利要求3所述的方法,其特征在于,所述交叉熵损失函数表示为:
,
其中,ys表示样本标签的预测值,y表示样本标签的真实值,表示样本数量,/>表示标签的维度,/>表示第/>个样本的第/>个标签的真实值,/>表示模型对第/>个样本的第/>个标签的预测值。
5.一种基于特征融合的机泵设备运行故障诊断装置,其特征在于,所述装置包括:
采集模块,用于采集待诊断机泵设备的运行数据;
预处理模块,用于对所述运行数据预处理;
模型构建及训练模块,用于构建机泵设备故障诊断模型并对模型进行训练;其中,所述机泵设备故障诊断模型包括特征提取层和特征融合层,所述特征融合层通过堆叠多个LSTM模块,以对由特征提取层提取到的时序相关特征进行逐步融合;
诊断模块,用于将预处理后的运行数据输入训练好的机泵设备故障诊断模型进行特征提取以及特征融合,以对待诊断机泵设备进行故障诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311315371.4A CN117056865B (zh) | 2023-10-12 | 2023-10-12 | 一种基于特征融合的机泵设备运行故障诊断方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311315371.4A CN117056865B (zh) | 2023-10-12 | 2023-10-12 | 一种基于特征融合的机泵设备运行故障诊断方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117056865A true CN117056865A (zh) | 2023-11-14 |
CN117056865B CN117056865B (zh) | 2024-01-23 |
Family
ID=88664923
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311315371.4A Active CN117056865B (zh) | 2023-10-12 | 2023-10-12 | 一种基于特征融合的机泵设备运行故障诊断方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117056865B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117332342A (zh) * | 2023-11-29 | 2024-01-02 | 北京宝隆泓瑞科技有限公司 | 一种基于半监督学习的机泵设备运行故障分类方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180121799A1 (en) * | 2016-11-03 | 2018-05-03 | Salesforce.Com, Inc. | Training a Joint Many-Task Neural Network Model using Successive Regularization |
CN114970605A (zh) * | 2022-05-06 | 2022-08-30 | 大连理工大学 | 一种多模态特征融合神经网络的制冷设备故障诊断方法 |
CN115392333A (zh) * | 2022-02-24 | 2022-11-25 | 河北工业大学 | 一种基于改进端到端ResNet-BiLSTM双通道模型的设备故障诊断方法 |
CN116416486A (zh) * | 2022-01-04 | 2023-07-11 | 中移动信息技术有限公司 | 图像识别方法及系统 |
CN116776284A (zh) * | 2023-06-28 | 2023-09-19 | 深圳巨睿科技有限公司 | 用于机电设备的故障诊断方法、计算机设备及存储介质 |
-
2023
- 2023-10-12 CN CN202311315371.4A patent/CN117056865B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180121799A1 (en) * | 2016-11-03 | 2018-05-03 | Salesforce.Com, Inc. | Training a Joint Many-Task Neural Network Model using Successive Regularization |
CN116416486A (zh) * | 2022-01-04 | 2023-07-11 | 中移动信息技术有限公司 | 图像识别方法及系统 |
CN115392333A (zh) * | 2022-02-24 | 2022-11-25 | 河北工业大学 | 一种基于改进端到端ResNet-BiLSTM双通道模型的设备故障诊断方法 |
CN114970605A (zh) * | 2022-05-06 | 2022-08-30 | 大连理工大学 | 一种多模态特征融合神经网络的制冷设备故障诊断方法 |
CN116776284A (zh) * | 2023-06-28 | 2023-09-19 | 深圳巨睿科技有限公司 | 用于机电设备的故障诊断方法、计算机设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
ALESSIO STAFFINI: "A CNN–BiLSTM Architecture for Macroeconomic Time Series Forecasting", 《ENGINEERING PROCEEDINGS》, pages 1 - 15 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117332342A (zh) * | 2023-11-29 | 2024-01-02 | 北京宝隆泓瑞科技有限公司 | 一种基于半监督学习的机泵设备运行故障分类方法及装置 |
CN117332342B (zh) * | 2023-11-29 | 2024-02-27 | 北京宝隆泓瑞科技有限公司 | 一种基于半监督学习的机泵设备运行故障分类方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN117056865B (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109614981B (zh) | 基于斯皮尔曼等级相关的卷积神经网络的电力系统智能故障检测方法及系统 | |
CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
CN111650453B (zh) | 基于加窗特征希尔伯特图像化的电力设备诊断方法及系统 | |
CN117056865B (zh) | 一种基于特征融合的机泵设备运行故障诊断方法及装置 | |
CN110596506A (zh) | 基于时间卷积网络的变换器故障诊断方法 | |
CN113096088B (zh) | 一种基于深度学习的混凝土结构检测方法 | |
CN112305388B (zh) | 一种发电机定子绕组绝缘局部放电故障在线监测诊断方法 | |
CN113688665A (zh) | 一种基于半监督迭代学习的遥感影像目标检测方法及系统 | |
CN110726898A (zh) | 一种配电网故障类型识别方法 | |
Shajihan et al. | CNN based data anomaly detection using multi-channel imagery for structural health monitoring | |
CN115758151A (zh) | 联合诊断模型建立方法、光伏组件故障诊断方法 | |
CN113092044B (zh) | 一种基于加权水平可见图的旋转机械故障诊断方法 | |
CN115184054B (zh) | 机械设备半监督故障检测分析方法、装置、终端及介质 | |
CN116503354A (zh) | 基于多模态融合的光伏电池热斑检测及评估方法与装置 | |
CN113705405B (zh) | 一种核管道故障诊断方法 | |
CN115017828A (zh) | 基于双向长短时记忆网络的电力电缆故障识别方法及系统 | |
CN115452376A (zh) | 基于改进轻量级深度卷积神经网络的轴承故障诊断方法 | |
CN111310907A (zh) | 一种微波组件故障诊断方法、装置及设备 | |
Wang et al. | A Deep Double-Convolutional Neural Network-Based Fault Detection | |
CN117743939A (zh) | 一种风电设备剩余使用寿命预测方法、系统及电子设备 | |
CN117907706A (zh) | 智能电网故障判断方法、装置、电子设备及存储介质 | |
CN117272102A (zh) | 一种基于双注意力机制的变压器故障诊断方法 | |
Lu et al. | Intelligent Detection System for Electrical Equipment based on Deep Learning and Infrared Image Processing Technology | |
Zhu et al. | Bidirectional Current WP and CBAR Neural Network Model Based Bearing Fault Diagnosis | |
CN114487568A (zh) | 基于1D V-net深度学习模型的电压暂降分析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |