CN117196267A - 一种基于设备健康分析技术的智能巡检方法及系统 - Google Patents
一种基于设备健康分析技术的智能巡检方法及系统 Download PDFInfo
- Publication number
- CN117196267A CN117196267A CN202311468098.9A CN202311468098A CN117196267A CN 117196267 A CN117196267 A CN 117196267A CN 202311468098 A CN202311468098 A CN 202311468098A CN 117196267 A CN117196267 A CN 117196267A
- Authority
- CN
- China
- Prior art keywords
- layer
- winning
- nodes
- equipment
- weight
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 58
- 230000036541 health Effects 0.000 title claims abstract description 37
- 238000004458 analytical method Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000005516 engineering process Methods 0.000 title claims abstract description 22
- 239000013598 vector Substances 0.000 claims abstract description 49
- 238000013528 artificial neural network Methods 0.000 claims abstract description 31
- 238000013507 mapping Methods 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 238000013459 approach Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 47
- 210000002569 neuron Anatomy 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 17
- 210000004205 output neuron Anatomy 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 6
- 238000007726 management method Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 210000002364 input neuron Anatomy 0.000 claims description 4
- 238000009827 uniform distribution Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 239000000725 suspension Substances 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 230000002860 competitive effect Effects 0.000 claims description 2
- 230000003862 health status Effects 0.000 claims 2
- 238000012423 maintenance Methods 0.000 abstract description 13
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 238000011156 evaluation Methods 0.000 abstract description 2
- 238000001228 spectrum Methods 0.000 description 7
- 230000007547 defect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000007789 gas Substances 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 description 1
- 206010013642 Drooling Diseases 0.000 description 1
- 208000008630 Sialorrhea Diseases 0.000 description 1
- YTAHJIFKAKIKAV-XNMGPUDCSA-N [(1R)-3-morpholin-4-yl-1-phenylpropyl] N-[(3S)-2-oxo-5-phenyl-1,3-dihydro-1,4-benzodiazepin-3-yl]carbamate Chemical compound O=C1[C@H](N=C(C2=C(N1)C=CC=C2)C1=CC=CC=C1)NC(O[C@H](CCN1CCOCC1)C1=CC=CC=C1)=O YTAHJIFKAKIKAV-XNMGPUDCSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002341 toxic gas Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于设备健康分析技术的智能巡检方法及系统，方法包括以下步骤：步骤1：神经网络初始化并建立初始优胜领域和学习速率；步骤2：归一化输入向量；步骤3：寻求获胜节点，利用第一预设公式计算映射层的权值向量和输入向量的欧式距离，优胜领域内的节点调整权值向获胜节点靠拢，然后逐步减小优胜领域范围,使神经网络收敛，改变优胜领域使神经网络不同区域的节点逐步自组织；通过本发明的实施，通过系统巡检降低了危险性，减少人工主观判断的依赖，提高巡检效率和准确性，避免了生产中断和高维护成本，能够对故障进行预测，并且通过闭环流程不断迭代优化AI算法,以提高设备健康评估和决策的准确性，起到了突出性的进步。
Description
技术领域
本发明涉及设备健康管理技术领域，尤其涉及一种基于设备健康分析技术的智能巡检方法及系统。
背景技术
设备巡检和维护在工业和生产领域至关重要，传统的巡检方法主要依赖于人工巡检和定期维护计划，这些传统方法以下缺点：
主观性巡检和依赖人工：传统巡检主要依赖于巡检人员的主观判断，巡检人员需要定期检查设备状态并记录数据，这种方法可能受主观因素和经验的影响，导致巡检结果不一致和不准确；
低效率：人工巡检需要大量的时间和人力资源，特别是对于大型设备和复杂系统，巡检周期可能较长，导致生产中断和高维护成本；
有限的覆盖范围：传统巡检受限于巡检人员的视野和接近程度，无法覆盖到难以访问的区域或高危区域，这可能导致一些潜在问题未被及时发现；
未能及时预警：传统巡检方法通常只能在问题已经出现时才能发现，难以实现预测性维护，提前预警设备问题；
高风险环境：传统巡检可能需要在高温、高压或有害气体环境中进行，存在安全风险；
综上所述，现有巡检方法在设备维护和管理方面存在效率低、成本高、危险性高以及主观性强以及缺乏强大的故障预测能力等缺点。
因此，需要一种基于设备健康分析技术的智能巡检方法及系统来解决现有技术中所存在的不足之处。
发明内容
针对现有技术的不足，本发明提供了一种基于设备健康分析技术的智能巡检方法及系统，旨在解决效率低、成本高、危险性高以及主观性强以及缺乏强大的故障预测能力的问题。
为实现上述目的，本发明提供如下技术方案：一种基于设备健康分析技术的智能巡检方法，包括以下步骤：
步骤1：神经网络初始化并建立初始优胜领域和学习速率，用随机数设定输入层和映射层之间权值的初始值，对m个输入神经元到输出神经元的连接权值赋予权值，[0, 0.1]或[0, 0.01]的均匀分布中随机取值，选取输出神经元j的邻接神经元的集合S_j，S_j(t)表示t时刻的邻接神经元的集合，区域S_j(t)随着时间的增长而不断缩小，S_j(0)表示t=0时刻的神经元j的邻接神经元的集合；
步骤2：归一化输入向量，输入向量为设备主要监测参数，输入向量X=(x_1,x_2,x_3,…,x_m)^T输入至输入层，T代表转置操作，将行向量转置为列向量；
步骤3：寻求获胜节点，利用第一预设公式计算映射层的权值向量和输入向量的欧式距离，优胜领域内的节点调整权值向获胜节点靠拢，然后逐步减小优胜领域范围,使神经网络收敛，改变优胜领域使神经网络不同区域的节点逐步自组织,形成与输入模式相匹配的拓扑结构分布；
步骤4：更新学习速率，利用第二预设公式计算输出神经元及其邻接神经元的权值；
步骤5：利用第三预设公式计算输出得到经训练后更新的权重矩阵，为下一轮训练做准备；
步骤6：判断终止条件是否达到训练要求，如达到要求则使用训练后的神经网络进行智能巡检，否则返回步骤2。通过系统巡检降低了危险性，减少人工主观判断的依赖，提高巡检效率和准确性，避免了生产中断和高维护成本，能够对故障进行预测，并且通过闭环流程不断迭代优化AI算法,以提高设备健康评估和决策的准确性。
进一步的，所述步骤3中，当一个新的输入模式进入网络时，通过计算它与每个竞争层节点的权值向量之间的距离或相似度，与之最匹配的节点为获胜节点，寻求到获胜节点后，更新其周围区域内其他节点的权值向量，该区域即为优胜领域，并且利用第一预设公式计算映射层的权值向量和输入向量的欧式距离，所述第一预设公式为：
；
其中，为输入层的i神经元和映射层的j神经元之间的权值。
进一步的，所述步骤4中，更新学习速率，利用第二预设公式计算输出神经元及其邻接神经元的权值，所述第二预设公式为：
；
其中，一个临近的节点，/>为权重，/>为节点i和j之间的距离，/>为邻域范围。
进一步的，所述步骤5中，利用第三预设公式计算输出得到经训练后更新的权重矩阵，所述第三预设公式为：
；
其中，为学习率，/>为权重，/>为随机抽取的第i个样本，/>为第i个样本对应的优胜领域内的第j个神经元节点权重。
进一步的，所述步骤5中，利用第三预设公式计算输出得到经训练后更新的权重矩阵，按照梯度下降法更新节点的参数，经过训练后计算输出更新的权重矩阵。
进一步的，所述步骤6中，中止条件包括训练次数达到预定次数、网络误差小于阈值、网络权重值变化小于阈值、获胜节点位置稳定。
一种基于设备健康分析技术的智能巡检系统，用于执行如前述的一种基于设备健康分析技术的智能巡检方法，包括设备层、网络层、云平台层和应用层，所述设备层用于在关键设备上部署传感器采集运行参数数据，所述设备层还用于通过网络层传输运行参数数据到云平台层，所述网络层用于实现设备层到云平台层的连接，所述云平台层用于实现设备连接管理、数据存储、设备数字孪生建模、AI模型训练及预测分析，所述应用层用于智能化高效巡检并持续改进和提升效果，所述设备层与网络层相连接，所述网络层与云平台层相连接，所述应用层与设备层相连接；
所述应用层执行以下步骤：
神经网络初始化并建立初始优胜领域和学习速率；
归一化输入向量；
寻求获胜节点，利用第一预设公式计算映射层的权值向量和输入向量的欧式距离，优胜领域内的节点调整权值向获胜节点靠拢，然后逐步减小优胜领域范围,使神经网络收敛，改变优胜领域使神经网络不同区域的节点逐步自组织，形成与输入模式相匹配的拓扑结构分布；
更新学习速率，利用第二预设公式计算输出神经元及其邻接神经元的权值；
利用第三预设公式计算输出得到经训练后更新的权重矩阵，为下一轮训练做准备；
判断终止条件是否达到训练要求，如达到要求则使用训练后的神经网络进行智能巡检，否则继续回到归一化输入向量的步骤重复执行。
进一步的，所述应用层包括设备健康评估模块、智能决策模块和移动应用模块，所述设备健康评估模块用于基于机器学习算法评估设备实时健康状态，所述智能决策模块用于根据健康状态优化生成巡检计划，所述移动应用模块用于分发巡检任务并收集反馈数据。
本发明的实质性效果：
本发明中，通过系统巡检降低了危险性，减少人工主观判断的依赖，提高巡检效率和准确性，避免了生产中断和高维护成本，能够对故障进行预测，并且通过闭环流程不断迭代优化AI算法,以提高设备健康评估和决策的准确性。
本发明中，通过对关键设备和关键部件进行重点监测与巡检,提高风险预控能力，在设备故障前得到预警，从而避免突发停机事故，智能化水平较高，实现巡检策略的优化和动态调整,使巡检更加高效和合理。
本发明中，应用移动互联网技术,实现巡检任务无缝推送和反馈，提高执行效率，建立闭环流程，持续优化设备健康评估和智能决策模型，使系统不断演进，丰富设备运行数据支撑，设备健康管理水平显著提高，利用数字孪生技术进行仿真，评估不同巡检策略的效果，辅助决策。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的一些实施例，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它的附图。
图1为实施例1的流程图。
图2为实施例1步骤4的神经网络辅助模型描述原理框图。
图3为实施例1的YOLO算法其中迭代计算原理框图。
图4为实施例2的阀门算法模型的原理框图。
图5为实施例2的阀数据辅助模型算法原理框图。
具体实施方式
除非另有定义，本说明书所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本说明书中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的，不是用于限制本发明。本说明书所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合
实施例1：
参考图1、图2、图3，一种基于设备健康分析技术的智能巡检方法，包括以下步骤：
步骤1：网络初始化并建立初始优胜领域和学习速率，用随机数设定输入层和映射层之间权值的初始值，对m个输入神经元到输出神经元的连接权值赋予权值（[0, 0.1]或[0, 0.01]的均匀分布中随机取值），选取输出神经元j的邻接神经元的集合S_j，S_j(t)表示t时刻的邻接神经元的集合，区域S_j(t)随着时间的增长而不断；
步骤2：归一化输入向量，输入向量为设备主要监测参数，主要监测参数包括温度、压力、液位、转速、震动、浓度等，输入向量X=(x_1,x_2,x_3,…,x_m)^T输入至输入层，T代表转置操作，将行向量转置为列向量，以符合矩阵运算的需求缩小，S_j(0)表示t=0时刻的神经元j的邻接神经元的集合，区域S_j(t)随着时间的增长而不断缩小；
步骤3：寻求获胜节点，利用第一预设公式计算映射层的权值向量和输入向量的欧式距离，优胜领域内的节点调整权值向获胜节点靠拢，与输入模式变得更加匹配，然后逐步减小优胜领域范围,使网络收敛，改变优胜领域使网络不同区域的节点逐步自组织,形成与输入模式相匹配的拓扑结构分布；
步骤4：更新学习速率，利用第二预设公式计算输出神经元及其邻接神经元的权值；
步骤5：利用第三预设公式计算输出得到经训练后更新的权重矩阵，为下一轮训练做准备；
步骤6：判断终止条件是否达到训练要求，如达到要求则使用训练后的神经网络进行智能巡检，否则返回步骤2。
步骤3中，当一个新的输入模式（输入模式是指由设备监测参数构成的一个输入样本数据X，它反映了某一时刻设备的状态特征；匹配输入模式为神经网络实现自组织的关键步骤）进入网络时，通过计算它与每个竞争层节点的权值向量之间的距离或相似度，与之最匹配的节点为获胜节点，寻求到获胜节点后，更新其周围区域内其他节点的权值向量，该区域即为优胜领域，并且利用第一预设公式计算映射层的权值向量和输入向量的欧式距离，假设输入时D维的，即，那么判别函数可以为欧几里得距离，即第一预设公式为：
；
其中，为D维的数组，/>为输入层的i神经元和映射层的j神经元之间的权值。
步骤3中，逐步自组织包括以下步骤：
初始化时，权值随机分布，神经网络无明确结构；
提供训练样本，寻找最匹配的获胜节点；
获胜节点附近的节点调整权值向获胜节点靠拢，重复多次训练迭代；
逐步形成与输入模式相匹配的节点聚类分布，呈现出可识别的网络结构；
通过调整学习速率和优胜领域范围，控制网络收敛，避免陷入局部最优解；
训练结束后，不同输入模式会激活网络中不同区域的节点，实现模式分类；
最终网络结构自组织反映出输入训练样本的特征分布。
步骤4中，更新学习速率，通过神经网络辅助模型（图2中，相似向量数据库检索为“Faiss”检索，Faiss全称Facebook Al Similarity Search，是Facebook Al团队开源的针对聚类和相似性搜索库）使摄像头定点识别跑冒滴漏算法学习，利用第二预设公式计算输出神经元及其邻接神经元的权值，第二预设公式为：
；
其中，一个临近的节点（给定输入x的获胜节点,与x最匹配的节点），/>为权重，/>为节点i和j之间的距离，/>为邻域范围；
找到激活节点之后，令/>表示节点i和j之间的距离，对于/>临近的节点，分配一个更新权重。
步骤5中，利用第三预设公式计算输出得到经训练后更新的权重矩阵，第三预设公式为：
；
其中，为学习率，/>为权重，/>为随机抽取的第i个样本，/>为第i个样本对应的优胜领域内的第j个神经元节点权重。
步骤5中，利用第三预设公式计算输出得到经训练后更新的权重矩阵，按照梯度下降法更新节点的参数，经过一轮训练后计算输出更新的权重矩阵，通过调整权重，让网络学会识别不同的输入状态模式，为最终的健康评估奠定了基础。
步骤6中，中止条件包括训练次数达到预定次数、网络误差小于阈值、网络权重值变化小于阈值、获胜节点位置稳定。
YOLO算法其中迭代计算如下:
步骤a：数据准备:收集大量图像数据，并随机遮挡图像的局部区域，得到遮挡后的训练数据；
步骤b：初始化网络:Context Encoder包含编码器和解码器两个部分，编码器采用卷积神经网络，解码器采用去卷积网络；
步骤c：前向传播:将遮挡后的图像输入编码器，输出语义特征，再输入解码器，输出补全结果；
步骤d：计算损失:计算网络输出图像和原始图像的重构损失，常用的有MSE、交叉熵等；
步骤e：反向传播:反向传播计算损失相对网络参数的梯度；
步骤f：权重更新:根据梯度下降法则更新网络参数,降低重构损失；
步骤g：循环迭代:重复步骤3-6,对每个batch的数据进行迭代优化，更新网络权重参数；
步骤h：训练模型:遍历训练集所有数据,进行多个epochs训练，直到网络收敛或达到预设迭代次数；
步骤i：测试效果:在测试集图像上评估图像补全的效果；
步骤j：保存模型:获得最终训练好的Context Encoder模型。
模型训练和构建方法包括以下步骤：
训练模型的数据需求，各种位置的正常和跑冒滴漏的图像数据足量，每个类型场景两种状态的图片各1000张以上；
模型构建，检测器：采用多目标检测框架来对单帧图像检测关键位置（含正常和正在跑冒滴漏的），实现关键位置的定位抠图，输入是单帧图像数据，输出是输入图像数据中关键位置的总数量、关键位置位置坐标、种类、置信度；分类器：构建一个二分类神经网络分类器，根据检测器检测出来的数据进行二分类，分析出是否有跑冒滴漏现象；
模型训练，基于图片数据对模型进行训练，训练好后导出模型；
模型部署，根据模型识别是否发生跑冒滴漏现象。
另一方面，本实施例提供了一种基于设备健康分析技术的智能巡检系统，用于执行如前述的方法，系统包括设备层、网络层、云平台层和应用层，设备层用于在关键设备上部署传感器采集运行参数数据，设备层还用于通过网络层传输运行参数数据到云平台层，网络层用于实现设备层到云平台层的连接，云平台层用于实现设备连接管理、数据存储、设备数字孪生建模、AI模型训练及预测分析，应用层用于智能化高效巡检并持续改进和提升效果，设备层与网络层相连接，网络层与云平台层相连接，应用层与设备层相连接；
应用层执行以下步骤：
网络初始化并建立初始优胜领域和学习速率，用随机数设定输入层和映射层之间权值的初始值，对m个输入神经元到输出神经元的连接权值赋予权值（[0, 0.1]或[0,0.01]的均匀分布中随机取值）；
归一化输入向量；
寻求获胜节点，利用第一预设公式计算映射层的权值向量和输入向量的欧式距离，优胜领域内的节点调整权值向获胜节点靠拢，与输入模式变得更加匹配，然后逐步减小优胜领域范围,使网络收敛，改变优胜领域使网络不同区域的节点逐步自组织,形成与输入模式相匹配的拓扑结构分布；
更新学习速率，利用第二预设公式计算输出神经元及其邻接神经元的权值；
利用第三预设公式计算输出得到经训练后更新的权重矩阵，为下一轮训练做准备；
判断终止条件是否达到训练要求，如达到要求则使用训练后的神经网络进行智能巡检，否则继续回到归一化输入向量的步骤重复执行。
应用层包括设备健康评估模块、智能决策模块和移动应用模块，设备健康评估模块用于基于机器学习算法评估设备实时健康状态，智能决策模块用于根据健康状态优化生成巡检计划，移动应用模块用于分发巡检任务并收集反馈数据。
实施例2:
参考图4、图5，一种基于设备健康分析技术的智能巡检方法，包括以下步骤：
步骤1：定期巡检，按照预定周期(如每周或每月)进行巡检，巡检计划和 路线较为固定，人工进行巡检或与自动监控系统配合；
步骤2：基于运行时间的维护保养，根据设备的累积运行时间制定保养计划，如每运行100小时进行一次保养，通过记录运行时间来触发保养工作；
步骤3：基于物联网的状态监测，在设备上安装传感器,采集运行参数，通过网络实时传输到监控平台，对参数异常进行预警,不深入分析；
步骤4：简单数据驱动分析，收集设备运行数据,进行简单的统计分析，如平均故障间隔时间、参数超标比例等，根据分析结果调整保养策略；
步骤5：人工经验制定方案，依据专家经验和历史统计提出巡检计划，如重点检查易损件,确定合理周期等；
步骤6：基于知识图谱的故障诊断与预测，构建设备故障知识图谱,表示故障关系和规律，进行基于知识图谱的故障推理，发现新的故障模式和关联；
步骤7：阀门算法模型，阀门算法模型对液体泄漏、阀门开度等数据进行检测，采用LS-SVM实现故障模式识别，判断属于何种故障。
基于知识图谱的故障诊断与预测方法包括以下步骤：
步骤A1：预处理，先滤波去噪：消除背景噪声,提炼有效光谱特征，接着光谱分割：将混合光谱分割为每个气体成分的子光谱；
步骤A2：特征提取，波峰法：检测光谱图中的吸收峰波数和强度作为特征；
顺序统计：计算光谱曲线统计特征,如均值、方差等；
步骤A3：模式识别，相关性分析：计算光谱曲线与标准光谱的相关系数
主成分分析：降维光谱数据,聚类识别不同气体
神经网络：训练网络模型对光谱进行分类；
步骤A4：结果后处理，概率输出：给出每个识别结果的置信概率
多帧融合：结合多个采样结果进行投票或平均。
阀门算法模型包括以下步骤：
步骤B1：采集数据，对数据进行预处理；
步骤B2：将获取到的数据通过规则模型进行处理，当数据量达到一定程度时，可以经过神经网络辅助模型进行辅助处理；
步骤B3：输出结果；
阀门算法模型还包括阀数据辅助模型，阀数据辅助模型包括以下步骤：
步骤C1：采集阀门运行数据；
步骤C2：通过特征信号提取特征；
步骤C3：通过算法训练得到故障分类器；
步骤C4：通过故障分类器判定故障类别。
通过选用合适的算法流程，可以提高光谱摄像仪对有毒气体成分探测的效果，同时，可以构建端到端的深度学习模型进行识别。
需要说明的是，本发明的说明书及其附图中给出了本发明的较佳的实施方式，但是，本发明可以通过许多不同的形式来实现，并不限于本说明书所描述的实施方式，这些实施方式不作为对本发明内容的额外限制，提供这些实施方式的目的是使对本发明的公开内容的理解更加透彻全面；并且，上述各技术特征继续相互组合，形成未在上面列举的各种实施方式，均视为本发明说明书记载的范围；进一步地，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (8)
1.一种基于设备健康分析技术的智能巡检方法，其特征在于，包括以下步骤：
步骤1：神经网络初始化并建立初始优胜领域和学习速率，用随机数设定输入层和映射层之间权值的初始值，对m个输入神经元到输出神经元的连接权值赋予权值，[0, 0.1]或[0, 0.01]的均匀分布中随机取值，选取输出神经元j的邻接神经元的集合S_j，S_j(t)表示t时刻的邻接神经元的集合，区域S_j(t)随着时间的增长而不断缩小，S_j(0)表示t=0时刻的神经元j的邻接神经元的集合；
步骤2：归一化输入向量，输入向量为设备主要监测参数，输入向量X=(x_1,x_2,x_3,…,x_m)^T输入至输入层，T代表转置操作，将行向量转置为列向量；
步骤3：寻求获胜节点，利用第一预设公式计算映射层的权值向量和输入向量的欧式距离，优胜领域内的节点调整权值向获胜节点靠拢，然后逐步减小优胜领域范围,使神经网络收敛，改变优胜领域使神经网络不同区域的节点逐步自组织，形成与输入模式相匹配的拓扑结构分布；
步骤4：更新学习速率，利用第二预设公式计算输出神经元及其邻接神经元的权值；
步骤5：利用第三预设公式计算输出得到经训练后更新的权重矩阵，为下一轮训练做准备；
步骤6：判断终止条件是否达到训练要求，如达到要求则使用训练后的神经网络进行智能巡检，否则返回步骤2。
2.根据权利要求1所述一种基于设备健康分析技术的智能巡检方法，其特征在于，所述步骤3中，当一个新的输入模式进入神经网络时，通过计算它与每个竞争层节点的权值向量之间的距离或相似度，与之最匹配的节点为获胜节点，寻求到获胜节点后，更新其周围区域内其他节点的权值向量，该区域即为优胜领域，并且利用第一预设公式计算映射层的权值向量和输入向量的欧式距离，所述第一预设公式为：
；
其中，为输入层的i神经元和映射层的j神经元之间的权值。
3.根据权利要求2所述一种基于设备健康分析技术的智能巡检方法，其特征在于，所述步骤4中，更新学习速率，利用第二预设公式计算输出神经元及其邻接神经元的权值，所述第二预设公式为：
；
其中，一个临近的节点，/>为权重，/>为节点i和j之间的距离，/>为邻域范围。
4.根据权利要求3所述一种基于设备健康分析技术的智能巡检方法，其特征在于，所述步骤5中，利用第三预设公式计算输出得到经训练后更新的权重矩阵，所述第三预设公式为：
；
其中，为学习率，/>为权重，/>为随机抽取的第i个样本，/>为第i个样本对应的优胜领域内的第j个神经元节点权重。
5.根据权利要求4所述一种基于设备健康分析技术的智能巡检方法，其特征在于，所述步骤5中，利用第三预设公式计算输出得到经训练后更新的权重矩阵，按照梯度下降法更新节点的参数，经过训练后计算输出更新的权重矩阵。
6.根据权利要求5所述一种基于设备健康分析技术的智能巡检方法，其特征在于，所述步骤6中，中止条件包括训练次数达到预定次数、神经网络误差小于阈值、神经网络权重值变化小于阈值、获胜节点位置稳定。
7.一种基于设备健康分析技术的智能巡检系统，其特征在于，包括设备层、网络层、云平台层和应用层，所述设备层用于在关键设备上部署传感器采集运行参数数据，所述设备层还用于通过网络层传输运行参数数据到云平台层，所述网络层用于实现设备层到云平台层的连接，所述云平台层用于实现设备连接管理、数据存储、设备数字孪生建模、AI模型训练及预测分析，所述应用层用于智能化高效巡检并持续改进和提升效果，所述设备层与网络层相连接，所述网络层与云平台层相连接，所述应用层与设备层相连接；
所述应用层执行以下步骤：
神经网络初始化并建立初始优胜领域和学习速率；
归一化输入向量；
寻求获胜节点，利用第一预设公式计算映射层的权值向量和输入向量的欧式距离，优胜领域内的节点调整权值向获胜节点靠拢，然后逐步减小优胜领域范围,使神经网络收敛，改变优胜领域使神经网络不同区域的节点逐步自组织，形成与输入模式相匹配的拓扑结构分布；
更新学习速率，利用第二预设公式计算输出神经元及其邻接神经元的权值；
利用第三预设公式计算输出得到经训练后更新的权重矩阵，为下一轮训练做准备；
判断终止条件是否达到训练要求，如达到要求则使用训练后的神经网络进行智能巡检，否则继续回到归一化输入向量的步骤重复执行。
8.根据权利要求7所述一种基于设备健康分析技术的智能巡检系统，其特征在于，所述应用层包括设备健康评估模块、智能决策模块和移动应用模块，所述设备健康评估模块用于基于机器学习算法评估设备实时健康状态，所述智能决策模块用于根据健康状态优化生成巡检计划，所述移动应用模块用于分发巡检任务并收集反馈数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311468098.9A CN117196267A (zh) | 2023-11-07 | 2023-11-07 | 一种基于设备健康分析技术的智能巡检方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311468098.9A CN117196267A (zh) | 2023-11-07 | 2023-11-07 | 一种基于设备健康分析技术的智能巡检方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117196267A true CN117196267A (zh) | 2023-12-08 |
Family
ID=88985402
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311468098.9A Pending CN117196267A (zh) | 2023-11-07 | 2023-11-07 | 一种基于设备健康分析技术的智能巡检方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117196267A (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105868916A (zh) * | 2016-04-05 | 2016-08-17 | 中山大学 | 基于相似日聚类的微电网光伏出力空间预测方法 |
| CN108170147A (zh) * | 2017-12-31 | 2018-06-15 | 南京邮电大学 | 一种基于自组织神经网络的无人机任务规划方法 |
| CN109165472A (zh) * | 2018-10-11 | 2019-01-08 | 北京航空航天大学 | 一种基于变拓扑自组织网络的电源健康评估方法 |
| CN111860818A (zh) * | 2020-07-23 | 2020-10-30 | 哈尔滨工业大学（威海） | 基于智能芯片的som神经网络算法处理方法 |
| CN113496061A (zh) * | 2021-03-03 | 2021-10-12 | 安徽大学 | 一种基于迁移学习和流形距离的som网络聚类机电设备轴承故障分析方法 |
| CN114154779A (zh) * | 2021-10-19 | 2022-03-08 | 北京电子工程总体研究所 | 一种基于emd-som的健康评估与故障诊断方法及系统 |
| CN115130514A (zh) * | 2022-06-30 | 2022-09-30 | 中国人民解放军火箭军工程大学 | 一种工程设备健康指标构建方法及系统 |
| US20230080545A1 (en) * | 2021-05-11 | 2023-03-16 | Strong Force Vcn Portfolio 2019, Llc | Distributed Additive Manufacturing Platform for Value Chain Networks |
| US20230222388A1 (en) * | 2021-11-23 | 2023-07-13 | Strong Force Ee Portfolio 2022, Llc | AI-Based Energy Edge Platform, Systems, and Methods Having Automated and Coordinated Governance of Resource Sets |
| CN116433218A (zh) * | 2023-03-21 | 2023-07-14 | 太原理工大学 | 基于自组织映射聚类的矿井机械设备在线健康评估方法 |
-
2023
- 2023-11-07 CN CN202311468098.9A patent/CN117196267A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105868916A (zh) * | 2016-04-05 | 2016-08-17 | 中山大学 | 基于相似日聚类的微电网光伏出力空间预测方法 |
| CN108170147A (zh) * | 2017-12-31 | 2018-06-15 | 南京邮电大学 | 一种基于自组织神经网络的无人机任务规划方法 |
| CN109165472A (zh) * | 2018-10-11 | 2019-01-08 | 北京航空航天大学 | 一种基于变拓扑自组织网络的电源健康评估方法 |
| CN111860818A (zh) * | 2020-07-23 | 2020-10-30 | 哈尔滨工业大学（威海） | 基于智能芯片的som神经网络算法处理方法 |
| CN113496061A (zh) * | 2021-03-03 | 2021-10-12 | 安徽大学 | 一种基于迁移学习和流形距离的som网络聚类机电设备轴承故障分析方法 |
| US20230080545A1 (en) * | 2021-05-11 | 2023-03-16 | Strong Force Vcn Portfolio 2019, Llc | Distributed Additive Manufacturing Platform for Value Chain Networks |
| CN114154779A (zh) * | 2021-10-19 | 2022-03-08 | 北京电子工程总体研究所 | 一种基于emd-som的健康评估与故障诊断方法及系统 |
| US20230222388A1 (en) * | 2021-11-23 | 2023-07-13 | Strong Force Ee Portfolio 2022, Llc | AI-Based Energy Edge Platform, Systems, and Methods Having Automated and Coordinated Governance of Resource Sets |
| CN115130514A (zh) * | 2022-06-30 | 2022-09-30 | 中国人民解放军火箭军工程大学 | 一种工程设备健康指标构建方法及系统 |
| CN116433218A (zh) * | 2023-03-21 | 2023-07-14 | 太原理工大学 | 基于自组织映射聚类的矿井机械设备在线健康评估方法 |
Non-Patent Citations (1)
| Title |
|---|
| LEAVINGSEASON: "Self Organizing Maps(SOM):一种基于神经网络的聚类算法", 《博客园》, pages 186 - 188 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20190285517A1 (en) | Method for evaluating health status of mechanical equipment | |
| CN102098180B (zh) | 一种网络安全态势感知方法 | |
| US7567878B2 (en) | Evaluating anomaly for one class classifiers in machine condition monitoring | |
| CN109766583A (zh) | 基于无标签、不均衡、初值不确定数据的航空发动机寿命预测方法 | |
| CN113240688A (zh) | 一种一体化洪涝灾害精准监测预警方法 | |
| KR101210729B1 (ko) | 지능형 위험전조 패턴 분석모델을 이용한 에너지 플랜트의 실시간 위험전조 예측방법 및 예측시스템 | |
| CN112016251B (zh) | 一种核动力装置故障的诊断方法及系统 | |
| CN115169479A (zh) | 污水处理过程远程监控方法、系统及存储介质 | |
| Kosek et al. | Ensemble regression model-based anomaly detection for cyber-physical intrusion detection in smart grids | |
| CN114023399A (zh) | 一种基于人工智能的空气颗粒物分析预警方法和装置 | |
| CN112733440A (zh) | 海上油气水井智能故障诊断方法、系统、存储介质、设备 | |
| CN115220133A (zh) | 一种多气象要素降雨预测方法、装置、设备及存储介质 | |
| Song et al. | Deformable YOLOX: detection and rust warning method of transmission line connection fittings based on image processing technology | |
| CN111126477A (zh) | 一种混合贝叶斯网络的学习与推理方法 | |
| Dang et al. | seq2graph: Discovering dynamic non-linear dependencies from multivariate time series | |
| CN115964503B (zh) | 基于社区设备设施的安全风险预测方法及系统 | |
| CN117009900A (zh) | 一种基于图神经网络的物联网信号异常检测方法和系统 | |
| CN117196267A (zh) | 一种基于设备健康分析技术的智能巡检方法及系统 | |
| Gai et al. | Research on water quality spatiotemporal forecasting model based on ST-BIGRU-SVR neural network | |
| Nguyen et al. | Deep learning for construction emission monitoring with low-cost sensor network | |
| Aftabi et al. | A variational autoencoder framework for robust, physics-informed cyberattack recognition in industrial cyber-physical systems | |
| Hong et al. | Drainage network flow anomaly classification based on XGBoost | |
| CN117688464B (zh) | 一种基于多源传感器数据的隐患分析方法及系统 | |
| Cabaneros | Spatiotemporal and temporal forecasting of ambient air pollution levels through data-intensive hybrid artificial neural network models | |
| Yan et al. | A New Method for Anomaly Detection and Diagnosis of Ocean Observation System based on Deep Learning |
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 |