CN117390571B - 一种基于工业设备的故障排除方法及系统 - Google Patents
一种基于工业设备的故障排除方法及系统 Download PDFInfo
- Publication number
- CN117390571B CN117390571B CN202311689028.6A CN202311689028A CN117390571B CN 117390571 B CN117390571 B CN 117390571B CN 202311689028 A CN202311689028 A CN 202311689028A CN 117390571 B CN117390571 B CN 117390571B
- Authority
- CN
- China
- Prior art keywords
- equipment
- fault
- operation state
- industrial
- state signal
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012549 training Methods 0.000 claims description 47
- 238000012360 testing method Methods 0.000 claims description 38
- 238000012545 processing Methods 0.000 claims description 16
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 238000013024 troubleshooting Methods 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 claims description 5
- 230000000737 periodic effect Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000013140 knowledge distillation Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 4
- 230000008901 benefit Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000005299 abrasion Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- G06N3/0464—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)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及设备故障检测领域,特别是一种基于工业设备的故障排除方法及系统。通过建立目标ResNet设备故障识别模型;通过设备传感器获取工业设备的第一设备运行状态信号,将所述第一设备运行状态信号输入目标ResNet设备故障识别模型中进行识别,得到工业设备实时运行状态;根据所述工业设备实时运行状态对工业设备的故障进行判断,若工业设备判断为硬件故障状态,则对工业设备的硬件运行状态进行评估;若所述工业设备判断为硬件正常状态,则获取所述工业设备的第二设备运行状态信号,将所述第二设备运行状态信号输入所述目标ResNet设备故障识别模型中进行识别。可以更加准确的对工业设备的硬件故障、软件故障进行诊断排除,提升工业设备故障排除效率。
Description
技术领域
本发明涉及设备故障检测领域,特别是一种基于工业设备的故障排除方法及系统。
背景技术
随着科技的快速发展以及生产实际的要求提升,各种工业设备的结构变得越发复杂以适应各种复杂恶劣工况。工业设备的机械系统关键零部件、软硬件结合的设备、网络接口由于各种自身磨损等因素或者高温高压、超大载荷、外部冲击等因素的共同作用下,其性能以及健康状态会逐渐发生退化,甚至最终完全失效。现阶段对工业设备故障的检测通常集中在员工对数据或者机械声音进行判断,从而诊断出工业设备的故障,但是人为检测或者查看较为复杂的工业设备时存在遗漏,检测和排查不准的情况,因此如何提升工业设备的故障排除效率和准确度是现阶段丞待解决的技术问题。
发明内容
本发明的目的是为了解决上述问题,设计了一种基于工业设备的故障排除方法及系统。
实现上述目的本发明的技术方案为,进一步,在上述一种基于工业设备的故障排除方法中,所述所述故障排除方法包括以下步骤:
获取服务器中工业设备的历史设备运行状态信号,对所述历史设备运行状态信号进行数据处理,得到训练设备运行状态信号和测试设备运行状态信号;
建立ResNet设备故障识别模型,在所述ResNet设备故障识别模型中引入非对称卷积神经网络ACNet,利用GhostNet幽灵网络优化所述ResNet设备故障识别模型的卷积层,得到初始ResNet设备故障识别模型;
将所述训练设备运行状态信号输入至所述初始ResNet设备故障识别模型中进行训练,更新所述初始ResNet设备故障识别模型中的参数,将所述测试设备运行状态信号输入至所述初始ResNet设备故障识别模型进行测试,得到目标ResNet设备故障识别模型;
通过设备传感器获取工业设备的第一设备运行状态信号,将所述第一设备运行状态信号输入所述目标ResNet设备故障识别模型中进行识别,得到工业设备实时运行状态;
根据所述工业设备实时运行状态对所述工业设备的故障进行判断,若所述工业设备判断为硬件故障状态,则对所述工业设备的硬件运行状态进行评估;
若所述工业设备判断为硬件正常状态,则获取所述工业设备的第二设备运行状态信号,将所述第二设备运行状态信号输入所述目标ResNet设备故障识别模型中进行识别。
进一步,在上述故障排除方法中,所述通过图像采集装置获取工程建筑物的建筑物表面图像数据,所述获取服务器中工业设备的历史设备运行状态信号,对所述历史设备运行状态信号进行数据处理,得到训练设备运行状态信号和测试设备运行状态信号,包括:
获取服务器中工业设备的历史设备运行状态信号,所述历史设备运行状态信号至少包括设备硬件实时运行状态,设备软件实时运行状态和设备网络实时运行状态;
对历史设备运行状态信号中的缺失值、重复值、异常值进行处理,得到完整设备运行状态信号;
将完整设备运行状态信号中多个工业设备部件的监测数据按时间对齐并合并,加入周期变量,得到设备运行状态信号序列;
利用均值对所述设备运行状态信号序列进行标准化,得到设备运行状态信号集;
随机抽取所述设备运行状态信号集中69%的数据,得到训练设备运行状态信号,剩余31%为测试设备运行状态信号。
进一步,在上述故障排除方法中,所述建立ResNet设备故障识别模型,在所述ResNet设备故障识别模型中引入非对称卷积神经网络ACNet,利用GhostNet幽灵网络优化所述ResNet设备故障识别模型的卷积层,得到初始ResNet设备故障识别模型,包括:
建立ResNet设备故障识别模型,在所述ResNet设备故障识别模型中引入非对称卷积神经网络ACNet;
利用Ghost模块构建新的主干网络,得到新主干网络,对所述新主干网络的参数进行训练,得到收敛主干网络;
在所述收敛主干网络中,利用激活的映射函数将三维激活张量转变为二维张量;
利用GhostNet幽灵网络与注意力知识蒸馏方法相融合,得到初始ResNet设备故障识别模型。
进一步,在上述故障排除方法中,所述将所述训练设备运行状态信号输入至所述初始ResNet设备故障识别模型中进行训练,更新所述初始ResNet设备故障识别模型中的参数,将所述测试设备运行状态信号输入至所述初始ResNet设备故障识别模型进行测试,得到目标ResNet设备故障识别模型,包括:
将所述训练设备运行状态信号输入至所述初始ResNet设备故障识别模型中进行训练,设置学习率=0.1,迭代训练次数=200次,更新所述初始ResNet设备故障识别模型中的参数;
将所述测试设备运行状态信号输入至所述初始ResNet设备故障识别模型进行测试,得到目标ResNet设备故障识别模型。
进一步,在上述故障排除方法中,所述通过设备传感器获取工业设备的第一设备运行状态信号,将所述第一设备运行状态信号输入所述目标ResNet设备故障识别模型中进行识别,得到工业设备实时运行状态,包括:
通过设备传感器获取工业设备的第一设备运行状态信号,所述传感器至少包括震动传感器、声波传感器;
对所述第一设备运行状态信号进行数据预处理,将处理后的第一设备运行状态信号输入所述目标ResNet设备故障识别模型中进行识别,得到工业设备实时运行状态;
所述工业设备实时运行状态至少包括硬件故障状态和硬件正常状态。
进一步,在上述故障排除方法中,所述根据所述工业设备实时运行状态对所述工业设备的故障进行判断,若所述工业设备判断为硬件故障状态,则对所述工业设备的硬件运行状态进行评估,包括:
根据所述工业设备实时运行状态对所述工业设备的故障进行判断,若所述工业设备判断为硬件故障状态;
则通过震动传感器、声波传感器获取工业设备的各类硬件的设备震动信号和设备声波信号;
对所述设备震动信号和设备声波信号异常的设备硬件进行标记,得到第一标记设备硬件;
将所述第一标记设备硬件的设备震动信号和设备声波信号传输至服务器中进行预警。
进一步,在上述故障排除方法中,所述若所述工业设备判断为硬件正常状态,则获取所述工业设备的第二设备运行状态信号,将所述第二设备运行状态信号输入所述目标ResNet设备故障识别模型中进行识别,包括:
若所述工业设备判断为硬件正常状态,则获取所述工业设备的第二设备运行状态信号;
所述第二设备运行状态信号至少包括工业设备中各类设备软件实时运行状态、设备网络实时运行状态;
将所述第二设备运行状态信号输入所述目标ResNet设备故障识别模型中进行识别,得到设备软件运行状态;
对有设备中设备软件运行状态异常的设备进行标记,得到第二标记设备硬件;
将所述第二标记设备硬件的设备软件运行状态传输至服务器中进行预警。
实现上述目的本发明的技术方案为,进一步,在上述一种故障排除系统中,所述故障排除系统,包括:
数据获取模块,用于获取服务器中工业设备的历史设备运行状态信号,对所述历史设备运行状态信号进行数据处理,得到训练设备运行状态信号和测试设备运行状态信号;
模型建立模块,用于建立ResNet设备故障识别模型,在所述ResNet设备故障识别模型中引入非对称卷积神经网络ACNet,利用GhostNet幽灵网络优化所述ResNet设备故障识别模型的卷积层,得到初始ResNet设备故障识别模型;
模型训练模块,用于将所述训练设备运行状态信号输入至所述初始ResNet设备故障识别模型中进行训练,更新所述初始ResNet设备故障识别模型中的参数,将所述测试设备运行状态信号输入至所述初始ResNet设备故障识别模型进行测试,得到目标ResNet设备故障识别模型;
故障识别模块,用于通过设备传感器获取工业设备的第一设备运行状态信号,将所述第一设备运行状态信号输入所述目标ResNet设备故障识别模型中进行识别,得到工业设备实时运行状态;
第一故障排除模块,用于根据所述工业设备实时运行状态对所述工业设备的故障进行判断,若所述工业设备判断为硬件故障状态,则对所述工业设备的硬件运行状态进行评估;
第二故障排除模块,用于若所述工业设备判断为硬件正常状态,则获取所述工业设备的第二设备运行状态信号,将所述第二设备运行状态信号输入所述目标ResNet设备故障识别模型中进行识别。
进一步,在上述一种故障排除系统中,所述数据获取模块包括以下子模块:
数据获取子模块,用于获取服务器中工业设备的历史设备运行状态信号,所述历史设备运行状态信号至少包括设备硬件实时运行状态,设备软件实时运行状态和设备网络实时运行状态;
数据处理子模块,用于对历史设备运行状态信号中的缺失值、重复值、异常值进行处理,得到完整设备运行状态信号;
数据合并子模块,用于将完整设备运行状态信号中多个工业设备部件的监测数据按时间对齐并合并,加入周期变量,得到设备运行状态信号序列;
标准化子模块,用于利用均值对所述设备运行状态信号序列进行标准化,得到设备运行状态信号集;
随机子模块,用于随机抽取所述设备运行状态信号集中69%的数据,得到训练设备运行状态信号,剩余31%为测试设备运行状态信号。
进一步,在上述一种故障排除系统中,所述第一故障排除模块包括以下子模块:
判断子模块,用于根据所述工业设备实时运行状态对所述工业设备的故障进行判断,若所述工业设备判断为硬件故障状态;
获取子模块,用于则通过震动传感器、声波传感器获取工业设备的各类硬件的设备震动信号和设备声波信号;
标记子模块,用于对所述设备震动信号和设备声波信号异常的设备硬件进行标记,得到标记设备硬件;
预警子模块,用于将所述标记设备硬件的设备震动信号和设备声波信号传输至服务器中进行预警。
其有益效果在于,通过获取服务器中工业设备的历史设备运行状态信号,对所述历史设备运行状态信号进行数据处理,得到训练设备运行状态信号和测试设备运行状态信号;建立ResNet设备故障识别模型,在所述ResNet设备故障识别模型中引入非对称卷积神经网络ACNet,利用GhostNet幽灵网络优化所述ResNet设备故障识别模型的卷积层,得到初始ResNet设备故障识别模型;将所述训练设备运行状态信号输入至所述初始ResNet设备故障识别模型中进行训练,更新所述初始ResNet设备故障识别模型中的参数,将所述测试设备运行状态信号输入至所述初始ResNet设备故障识别模型进行测试,得到目标ResNet设备故障识别模型;通过设备传感器获取工业设备的第一设备运行状态信号,将所述第一设备运行状态信号输入所述目标ResNet设备故障识别模型中进行识别,得到工业设备实时运行状态;根据所述工业设备实时运行状态对所述工业设备的故障进行判断,若所述工业设备判断为硬件故障状态,则对所述工业设备的硬件运行状态进行评估;若所述工业设备判断为硬件正常状态,则获取所述工业设备的第二设备运行状态信号,将所述第二设备运行状态信号输入所述目标ResNet设备故障识别模型中进行识别。可以实时对工业设备的工作状态进行监控,更加准确的对工业设备的硬件故障、软件故障进行诊断排除,提升工业设备故障排除效率。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。
图1为本发明实施例中一种基于工业设备的故障排除方法的第一个实施例示意图;
图2为本发明实施例中一种基于工业设备的故障排除方法的第二个实施例示意图;
图3为本发明实施例中一种基于工业设备的故障排除方法的第三个实施例示意图;
图4为本发明实施例中一种基于工业设备的故障排除系统的第一个实施例示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”“所述”也可包括复数形式。应所述进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。
下面结合附图对本发明进行具体描述,如图1所示,一种基于工业设备的故障排除方法,所述故障排除方法包括以下步骤:
步骤101、获取服务器中工业设备的历史设备运行状态信号,对历史设备运行状态信号进行数据处理,得到训练设备运行状态信号和测试设备运行状态信号;
具体的,本实施例中获取服务器中工业设备的历史设备运行状态信号,历史设备运行状态信号至少包括设备硬件实时运行状态,设备软件实时运行状态和设备网络实时运行状态;对历史设备运行状态信号中的缺失值、重复值、异常值进行处理,得到完整设备运行状态信号;将完整设备运行状态信号中多个工业设备部件的监测数据按时间对齐并合并,加入周期变量,得到设备运行状态信号序列;利用均值对设备运行状态信号序列进行标准化,得到设备运行状态信号集;随机抽取设备运行状态信号集中69%的数据,得到训练设备运行状态信号,剩余31%为测试设备运行状态信号。
步骤102、建立ResNet设备故障识别模型,在ResNet设备故障识别模型中引入非对称卷积神经网络ACNet,利用GhostNet幽灵网络优化ResNet设备故障识别模型的卷积层,得到初始ResNet设备故障识别模型;
具体的,本实施例中建立ResNet设备故障识别模型,在ResNet设备故障识别模型中引入非对称卷积神经网络ACNet;利用Ghost模块构建新的主干网络,得到新主干网络,对新主干网络的参数进行训练,得到收敛主干网络;在收敛主干网络中,利用激活的映射函数将三维激活张量转变为二维张量;利用GhostNet幽灵网络与注意力知识蒸馏方法相融合,得到初始ResNet设备故障识别模型。
步骤103、将训练设备运行状态信号输入至初始ResNet设备故障识别模型中进行训练,更新初始ResNet设备故障识别模型中的参数,将测试设备运行状态信号输入至初始ResNet设备故障识别模型进行测试,得到目标ResNet设备故障识别模型;
具体的,本实施例中将训练设备运行状态信号输入至初始ResNet设备故障识别模型中进行训练,设置学习率=0.1,迭代训练次数=200次,更新初始ResNet设备故障识别模型中的参数;将测试设备运行状态信号输入至初始ResNet设备故障识别模型进行测试,得到目标ResNet设备故障识别模型。
步骤104、通过设备传感器获取工业设备的第一设备运行状态信号,将第一设备运行状态信号输入目标ResNet设备故障识别模型中进行识别,得到工业设备实时运行状态;
具体的,本实施例中通过设备传感器获取工业设备的第一设备运行状态信号,传感器至少包括震动传感器、声波传感器;对第一设备运行状态信号进行数据预处理,将处理后的第一设备运行状态信号输入目标ResNet设备故障识别模型中进行识别,得到工业设备实时运行状态;工业设备实时运行状态至少包括硬件故障状态和硬件正常状态。
步骤105、根据工业设备实时运行状态对工业设备的故障进行判断,若工业设备判断为硬件故障状态,则对工业设备的硬件运行状态进行评估;
具体的,本实施例中根据工业设备实时运行状态对工业设备的故障进行判断,若工业设备判断为硬件故障状态;则通过震动传感器、声波传感器获取工业设备的各类硬件的设备震动信号和设备声波信号;对设备震动信号和设备声波信号异常的设备硬件进行标记,得到第一标记设备硬件;将第一标记设备硬件的设备震动信号和设备声波信号传输至服务器中进行预警。
步骤106、若工业设备判断为硬件正常状态,则获取工业设备的第二设备运行状态信号,将第二设备运行状态信号输入目标ResNet设备故障识别模型中进行识别。
具体的,本实施例中若工业设备判断为硬件正常状态,则获取工业设备的第二设备运行状态信号;第二设备运行状态信号至少包括工业设备中各类设备软件实时运行状态、设备网络实时运行状态;将第二设备运行状态信号输入目标ResNet设备故障识别模型中进行识别,得到设备软件运行状态;对有设备中设备软件运行状态异常的设备进行标记,得到第二标记设备硬件;将第二标记设备硬件的设备软件运行状态传输至服务器中进行预警。
其有益效果在于,通过获取服务器中工业设备的历史设备运行状态信号,对历史设备运行状态信号进行数据处理,得到训练设备运行状态信号和测试设备运行状态信号;建立ResNet设备故障识别模型,在ResNet设备故障识别模型中引入非对称卷积神经网络ACNet,利用GhostNet幽灵网络优化ResNet设备故障识别模型的卷积层,得到初始ResNet设备故障识别模型;将训练设备运行状态信号输入至初始ResNet设备故障识别模型中进行训练,更新初始ResNet设备故障识别模型中的参数,将测试设备运行状态信号输入至初始ResNet设备故障识别模型进行测试,得到目标ResNet设备故障识别模型;通过设备传感器获取工业设备的第一设备运行状态信号,将第一设备运行状态信号输入目标ResNet设备故障识别模型中进行识别,得到工业设备实时运行状态;根据工业设备实时运行状态对工业设备的故障进行判断,若工业设备判断为硬件故障状态,则对工业设备的硬件运行状态进行评估;若工业设备判断为硬件正常状态,则获取工业设备的第二设备运行状态信号,将第二设备运行状态信号输入目标ResNet设备故障识别模型中进行识别。可以实时对工业设备的工作状态进行监控,更加准确的对工业设备的硬件故障、软件故障进行诊断排除,提升工业设备故障排除效率。
本实施例中,请参阅图2,本发明实施例中一种基于工业设备的故障排除方法的第二个实施例,获取服务器中工业设备的历史设备运行状态信号,对历史设备运行状态信号进行数据处理,得到训练设备运行状态信号和测试设备运行状态信号包括以下步骤:
步骤201、获取服务器中工业设备的历史设备运行状态信号,历史设备运行状态信号至少包括设备硬件实时运行状态,设备软件实时运行状态和设备网络实时运行状态;
步骤202、对历史设备运行状态信号中的缺失值、重复值、异常值进行处理,得到完整设备运行状态信号;
步骤203、将完整设备运行状态信号中多个工业设备部件的监测数据按时间对齐并合并,加入周期变量,得到设备运行状态信号序列;
步骤204、利用均值对设备运行状态信号序列进行标准化,得到设备运行状态信号集;
步骤205、随机抽取设备运行状态信号集中69%的数据,得到训练设备运行状态信号,剩余31%为测试设备运行状态信号。
本实施例中,请参阅图3,本发明实施例中一种基于工业设备的故障排除方法及系统的第三个实施例,若工业设备判断为硬件正常状态,则获取工业设备的第二设备运行状态信号,将第二设备运行状态信号输入目标ResNet设备故障识别模型中进行识别包括以下步骤:
步骤301、若工业设备判断为硬件正常状态,则获取工业设备的第二设备运行状态信号;
步骤302、第二设备运行状态信号至少包括工业设备中各类设备软件实时运行状态、设备网络实时运行状态;
步骤303、将第二设备运行状态信号输入目标ResNet设备故障识别模型中进行识别,得到设备软件运行状态;
步骤304、对有设备中设备软件运行状态异常的设备进行标记,得到第二标记设备硬件;
步骤305、将第二标记设备硬件的设备软件运行状态传输至服务器中进行预警。
面对本发明实施例提供的一种基于工业设备的故障排除方法进行了描述,下面对本发明实施例的一种基于工业设备的故障排除系统进行描述,请参阅图4,本发明实施例中故障排除系统一个实施例包括:
数据获取模块,用于获取服务器中工业设备的历史设备运行状态信号,对历史设备运行状态信号进行数据处理,得到训练设备运行状态信号和测试设备运行状态信号;
模型建立模块,用于建立ResNet设备故障识别模型,在ResNet设备故障识别模型中引入非对称卷积神经网络ACNet,利用GhostNet幽灵网络优化ResNet设备故障识别模型的卷积层,得到初始ResNet设备故障识别模型;
模型训练模块,用于将训练设备运行状态信号输入至初始ResNet设备故障识别模型中进行训练,更新初始ResNet设备故障识别模型中的参数,将测试设备运行状态信号输入至初始ResNet设备故障识别模型进行测试,得到目标ResNet设备故障识别模型;
故障识别模块,用于通过设备传感器获取工业设备的第一设备运行状态信号,将第一设备运行状态信号输入目标ResNet设备故障识别模型中进行识别,得到工业设备实时运行状态;
第一故障排除模块,用于根据工业设备实时运行状态对工业设备的故障进行判断,若工业设备判断为硬件故障状态,则对工业设备的硬件运行状态进行评估;
第二故障排除模块,用于若工业设备判断为硬件正常状态,则获取工业设备的第二设备运行状态信号,将第二设备运行状态信号输入目标ResNet设备故障识别模型中进行识别。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应所述了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的仅为本发明的优选例,并不用来限制本发明,在不脱离本发明精神和范围的前提下,本发明还会有各种变和改进,这些变和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (1)
1.一种基于工业设备的故障排除系统,其特征在于,所述故障排除系统包括以下模块:
数据获取模块,用于获取服务器中工业设备的历史设备运行状态信号,对所述历史设备运行状态信号进行数据处理,得到训练设备运行状态信号和测试设备运行状态信号;
模型建立模块,用于建立ResNet设备故障识别模型,在所述ResNet设备故障识别模型中引入非对称卷积神经网络ACNet,利用GhostNet幽灵网络优化所述ResNet设备故障识别模型的卷积层,得到初始ResNet设备故障识别模型,其中,所述建立ResNet设备故障识别模型,在所述ResNet设备故障识别模型中引入非对称卷积神经网络ACNet,利用GhostNet幽灵网络优化所述ResNet设备故障识别模型的卷积层,得到初始ResNet设备故障识别模型,包括:建立ResNet设备故障识别模型,在所述ResNet设备故障识别模型中引入非对称卷积神经网络ACNet;利用Ghost模块构建新的主干网络,得到新主干网络,对所述新主干网络的参数进行训练,得到收敛主干网络;在所述收敛主干网络中,利用激活的映射函数将三维激活张量转变为二维张量;利用GhostNet幽灵网络与注意力知识蒸馏方法相融合,得到初始ResNet设备故障识别模型;
模型训练模块,用于将所述训练设备运行状态信号输入至所述初始ResNet设备故障识别模型中进行训练,更新所述初始ResNet设备故障识别模型中的参数,将所述测试设备运行状态信号输入至所述初始ResNet设备故障识别模型进行测试,得到目标ResNet设备故障识别模型,其中,所述将所述训练设备运行状态信号输入至所述初始ResNet设备故障识别模型中进行训练,更新所述初始ResNet设备故障识别模型中的参数,将所述测试设备运行状态信号输入至所述初始ResNet设备故障识别模型进行测试,得到目标ResNet设备故障识别模型,包括:将所述训练设备运行状态信号输入至所述初始ResNet设备故障识别模型中进行训练,设置学习率=0.1,迭代训练次数=200次,更新所述初始ResNet设备故障识别模型中的参数;将所述测试设备运行状态信号输入至所述初始ResNet设备故障识别模型进行测试,得到目标ResNet设备故障识别模型;
故障识别模块,用于通过设备传感器获取工业设备的第一设备运行状态信号,将所述第一设备运行状态信号输入所述目标ResNet设备故障识别模型中进行识别,得到工业设备实时运行状态,其中,所述通过设备传感器获取工业设备的第一设备运行状态信号,将所述第一设备运行状态信号输入所述目标ResNet设备故障识别模型中进行识别,得到工业设备实时运行状态,包括:通过设备传感器获取工业设备的第一设备运行状态信号,所述传感器至少包括震动传感器、声波传感器;对所述第一设备运行状态信号进行数据预处理,将处理后的第一设备运行状态信号输入所述目标ResNet设备故障识别模型中进行识别,得到工业设备实时运行状态;所述工业设备实时运行状态至少包括硬件故障状态和硬件正常状态;
第一故障排除模块,用于根据所述工业设备实时运行状态对所述工业设备的故障进行判断,若所述工业设备判断为硬件故障状态,则对所述工业设备的硬件运行状态进行评估;
第二故障排除模块,用于若所述工业设备判断为硬件正常状态,则获取所述工业设备的第二设备运行状态信号,将所述第二设备运行状态信号输入所述目标ResNet设备故障识别模型中进行识别,其中,所述若所述工业设备判断为硬件正常状态,则获取所述工业设备的第二设备运行状态信号,将所述第二设备运行状态信号输入所述目标ResNet设备故障识别模型中进行识别,包括:若所述工业设备判断为硬件正常状态,则获取所述工业设备的第二设备运行状态信号;所述第二设备运行状态信号至少包括工业设备中各类设备软件实时运行状态、设备网络实时运行状态;将所述第二设备运行状态信号输入所述目标ResNet设备故障识别模型中进行识别,得到设备软件运行状态;对有设备中设备软件运行状态异常的设备进行标记,得到第二标记设备硬件;将所述第二标记设备硬件的设备软件运行状态传输至服务器中进行预警;
所述数据获取模块包括以下子模块:
数据获取子模块,用于获取服务器中工业设备的历史设备运行状态信号,所述历史设备运行状态信号至少包括设备硬件实时运行状态,设备软件实时运行状态和设备网络实时运行状态;
数据处理子模块,用于对历史设备运行状态信号中的缺失值、重复值、异常值进行处理,得到完整设备运行状态信号;
数据合并子模块,用于将完整设备运行状态信号中多个工业设备部件的监测数据按时间对齐并合并,加入周期变量,得到设备运行状态信号序列;
标准化子模块,用于利用均值对所述设备运行状态信号序列进行标准化,得到设备运行状态信号集;
随机子模块,用于随机抽取所述设备运行状态信号集中69%的数据,得到训练设备运行状态信号,剩余31%为测试设备运行状态信号;
所述第一故障排除模块包括以下子模块:
判断子模块,用于根据所述工业设备实时运行状态对所述工业设备的故障进行判断,若所述工业设备判断为硬件故障状态;
获取子模块,用于则通过震动传感器、声波传感器获取工业设备的各类硬件的设备震动信号和设备声波信号;
标记子模块,用于对所述设备震动信号和设备声波信号异常的设备硬件进行标记,得到标记设备硬件;
预警子模块,用于将所述标记设备硬件的设备震动信号和设备声波信号传输至服务器中进行预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311689028.6A CN117390571B (zh) | 2023-12-11 | 2023-12-11 | 一种基于工业设备的故障排除方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311689028.6A CN117390571B (zh) | 2023-12-11 | 2023-12-11 | 一种基于工业设备的故障排除方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117390571A CN117390571A (zh) | 2024-01-12 |
CN117390571B true CN117390571B (zh) | 2024-03-29 |
Family
ID=89467016
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311689028.6A Active CN117390571B (zh) | 2023-12-11 | 2023-12-11 | 一种基于工业设备的故障排除方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117390571B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115674272A (zh) * | 2022-11-03 | 2023-02-03 | 中国科学技术大学先进技术研究院 | 机器人故障诊断方法、装置、设备以及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114282579A (zh) * | 2021-12-30 | 2022-04-05 | 浙大城市学院 | 基于变分模态分解和残差网络的航空轴承故障诊断方法 |
-
2023
- 2023-12-11 CN CN202311689028.6A patent/CN117390571B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115674272A (zh) * | 2022-11-03 | 2023-02-03 | 中国科学技术大学先进技术研究院 | 机器人故障诊断方法、装置、设备以及存储介质 |
Non-Patent Citations (3)
Title |
---|
SZEGEDY C et al.Inception-v4,inception-resnet and the impact of residual connections on learning.Thirty-First AAAIConference on Artificial Intelligence.2017,第1-10页. * |
基于深度神经网络的弱监督信息细粒度图像识别;朱阳光 等;电子测量与仪器学报;20200215(第2期);第120-127页 * |
基于知识蒸馏的ResNet模型优化研究;吕颖;《万方数据库》;20230607;第11-13、21-38页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117390571A (zh) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108731923B (zh) | 一种旋转机械设备的故障检测方法及装置 | |
CN109489977B (zh) | 基于KNN-AdaBoost的轴承故障诊断方法 | |
CN110823576B (zh) | 基于生成对抗网络的机械异常检测方法 | |
CN111946559B (zh) | 一种风机基础和塔架结构检测方法 | |
CN112347571B (zh) | 考虑模型和数据不确定性的滚动轴承剩余寿命预测方法 | |
CN110132358B (zh) | 一种基于云计算的污水处理设备故障监测系统 | |
CN111737909A (zh) | 基于时空图卷积网络的结构健康监测数据异常识别方法 | |
CN114266197A (zh) | 一种水电站设备故障诊断方法 | |
CN114738205B (zh) | 一种浮式风机基础的状态监测方法、装置、设备和介质 | |
CN110375983A (zh) | 基于时间序列分析的阀门故障实时诊断系统及诊断方法 | |
CN110990788A (zh) | 一种基于三元维纳过程的轴承剩余寿命预测方法 | |
CN115437358A (zh) | 工业机器人智能状态监测与故障诊断系统及故障诊断方法 | |
JP2020191050A (ja) | 異常検知装置及び異常検知方法 | |
CN116625683A (zh) | 一种风电机组轴承故障识别方法、系统、装置及电子设备 | |
KR102545672B1 (ko) | 기계고장 진단 방법 및 장치 | |
KR102289212B1 (ko) | 인공지능 기반 고장 진단 장치 및 방법 | |
CN115456088A (zh) | 基于自编码器特征升维和多传感融合的电机故障分类方法 | |
CN117390571B (zh) | 一种基于工业设备的故障排除方法及系统 | |
CN116374645A (zh) | 用于斗轮机的运行状态监控系统及其方法 | |
CN115293188A (zh) | 一种用于往复机械设备的故障诊断方法和装置 | |
US11308408B2 (en) | Fault signal recovery system and method | |
CN113670611A (zh) | 一种轴承早期退化评估方法、系统、介质及电子设备 | |
CN117759491A (zh) | 一种风电机组螺栓故障监测方法 | |
CN111934903A (zh) | 一种基于时序演化基因的Docker容器故障智能预测方法 | |
CN111456915A (zh) | 风机机舱内部部件的故障诊断装置及方法 |
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 |