CN117668537A - 一种用于设备故障排查的检测系统及其检测方法 - Google Patents
一种用于设备故障排查的检测系统及其检测方法 Download PDFInfo
- Publication number
- CN117668537A CN117668537A CN202311542776.1A CN202311542776A CN117668537A CN 117668537 A CN117668537 A CN 117668537A CN 202311542776 A CN202311542776 A CN 202311542776A CN 117668537 A CN117668537 A CN 117668537A
- Authority
- CN
- China
- Prior art keywords
- module
- data
- sub
- fault
- equipment
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 30
- 238000011835 investigation Methods 0.000 title claims abstract description 8
- 238000000034 method Methods 0.000 claims abstract description 37
- 230000001364 causal effect Effects 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000010801 machine learning Methods 0.000 claims abstract description 22
- 238000005516 engineering process Methods 0.000 claims abstract description 19
- 238000003745 diagnosis Methods 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 238000012800 visualization Methods 0.000 claims abstract description 13
- 238000013526 transfer learning Methods 0.000 claims abstract description 12
- 230000009466 transformation Effects 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims abstract description 8
- 230000007246 mechanism Effects 0.000 claims abstract description 7
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000013024 troubleshooting Methods 0.000 claims description 9
- 238000013508 migration Methods 0.000 claims description 6
- 230000005012 migration Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000011982 device technology Methods 0.000 claims description 3
- 238000013459 approach Methods 0.000 abstract description 2
- 238000007477 logistic regression Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000012417 linear regression Methods 0.000 description 6
- 238000003066 decision tree Methods 0.000 description 5
- 238000011176 pooling Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 125000002015 acyclic group Chemical group 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于设备故障排查技术领域,且公开一种用于设备故障排查的检测系统,包括数据采集模块、数据增强模块、迁移学习模块、集成学习模块、可解释性机器学习模块、分类器或展类器模块和因果推断模块,本发明通过对数据质量和量的要求:利用数据增强的技术,通过对原始数据进行变换、插值、噪声添加等操作,来增加数据的多样性和鲁棒性,从而提高故障诊断的性能。另一种方法通过利用其他领域或任务的预训练模型,来减少数据的需求和模型的训练时间,从而提高故障诊断的效率,通过结合多个不同的模型或算法,来提高故障诊断的准确性和稳定性,通过使用可视化、注意力机制、对抗样本等手段,来揭示模型的内部逻辑和决策过程。
Description
技术领域
本发明属于设备故障排查技术领域,具体为一种用于设备故障排查的检测系统及其检测方法。
背景技术
一种用于设备故障排查的检测系统及其检测方法现有技术有以下几种内容:
专家系统:这是一种基于人工智能的方法,利用专家的知识和经验来构建故障诊断规则,通过逻辑推理来判断设备的故障类型和原因。
多元统计分析:这是一种基于数学统计的方法,利用主成分分析等技术来降低数据的维度然后通过马氏距离等指标来判断数据点是否为异常,从而识别设备的故障。
人工神经网络:这是一种基于机器学习的方法,利用自动编码器等深度学习模型来学习数据的特征表示,然后通过重构误差等指标来判断数据点是否为异常,从而识别设备的故障。
这些现有技术各有优缺点,但也存在一些共同的问题,例如:
数据质量和量的要求:这些方法都需要大量目高质量的数据来进行训练或建模,如果数据不足或存在噪声、缺失值等问题,会影响故障诊断的准确性和可靠性。
模型复杂度和可解释性的权衡:这些方法都涉及到复杂的算法或模型,如果模型过于简单,可能无法捕捉到数据中的故障特征,如果模型过于复杂,可能导致过拟合或难以理解模型的内部逻辑。
故障类型和原因的确定:这些方法都只能根据数据点是否为异常来判断设备是否存在故障,但不能直接给出故障的具体类型和原因,需要结合专家知识或其他辅助信息来进行进一步分析。
发明内容
本发明的目的在于提供一种用于设备故障排查的检测系统及其检测方法,以解决上述背景技术中提出的问题。
为了实现上述目的,本发明提供如下技术方案:一种用于设备故障排查的检测系统,包括数据采集模块、数据增强模块、迁移学习模块、集成学习模块、可解释性机器学习模块、分类器或展类器模块和因果推断模块,其特征在于:所述数据采集模块用于从设备中采集运行数据;所述数据增强模块用于对采集的数据进行变换、插值、噪声添加等操作,以增加数据的多样性,所述迁移学习模块用于利用其他领域或任务的预训练模型,以减少数据的需求和模型的训练时间;所述集成学习模块用于结合多个不同的模型或算法,以提高故障诊断的准确性和稳定性;所述可解释性机器学习模块用于使用可视化、注意力机制、对抗样本等手段,以揭示模型的内部逻辑和决策过程,所述分类器或聚类器模块用于对异常数据点进行标记或分组,以区分不同类型或原因的故障;所述因果推断模块用于建立数据之间的因果关系,以推断故障发生的根本原因和影响因素。
作为本发明进一步的技术方案,所述数据增强模块包括一个变换子模块、一个插值子模块和一个噪声添加子模块。
作为本发明进一步的技术方案,所述迁移学习模块包括一个预训练模型库和一个微调子模块。
作为本发明进一步的技术方案,所述集成学习模块包括一个基础学习器生成子模块和一个元学习器组合子模块。
作为本发明进一步的技术方案,所述可解释性机器学习模块包括一个可视化子模块、一个注意力机制子模块和一个对抗样本子模块。
作为本发明进一步的技术方案,所述分类器或聚举器模块包括一个监督学习子模块和一个非监督学习子模块。
作为本发明进一步的技术方案,所述因果推断模块包括一个因果图构建子模块和一个因果效应估计子模块。
作为本发明进一步的技术方案,所述数据采集模块、数据增强模块、迁移学习模块、集成学习模块、可解释性机器学习模块、分类器或聚举器模块和因果推断模块之间通过数据总线成网络接口进行数据传输和指令控制。
作为本发明进一步的技术方案,所述系统还包括一个用户交互界面,用于显示系统的运行状态、故障诊断结果、故障分析报告等信息,并接收用户的输入或反馈。
一种用于设备故障排查的检测方法,包括以下步骤:
S1、从设备中采集运行数据;
S2、对采集的数据进行数据增强操作;
S3、利用迁移学习技术进行模型训练或调整;
S4、利用集成学习技术进行故障诊断;
S5、利用可解释性机器学习技术进行故障分析;
S6、利用分类器或聚类器技术进行故障分类或聚类;
S7、利用因果推断技术进行故障原因推断。
本发明的有益效果如下:
1、本发明通过对数据质量和量的要求:利用数据增强的技术,通过对原始数据进行变换、插值、噪声添加等操作,来增加数据的多样性和鲁棒性,从而提高故障诊断的性能。另一种可能的方法是利用迁移学习的技术,通过利用其他领域或任务的预训练模型,来减少数据的需求和模型的训练时间,从而提高故障诊断的效率。
2、本发明通过对模型复杂度和可解释性的权衡:利用集成学习的技术,通过结合多个不同的模型或算法,来提高故障诊断的准确性和稳定性,同时利用可解释性机器学习的技术,通过使用可视化、注意力机制、对抗样本等手段,来揭示模型的内部逻辑和决策过程,从而提高故障诊断的可信度和可理解性。
3、本发明通过针对故障类型和原因的确定:利用分类器或聚类器的技术通过对异常数据点进行标记或分组,来区分不同类型或原因的故障;同时利用因果推断的技术,通过建立数据之间的因果关系,来推断故障发生的根本原因和影响因素。
附图说明
图1为本发明故障排查监测系统图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明实施例中,一种用于设备故障排查的检测系统,包括数据采集模块、数据增强模块、迁移学习模块、集成学习模块、可解释性机器学习模块、分类器或展类器模块和因果推断模块,其特征在于:数据采集模块用于监测设备运行状态并采集相关数据,主要通过各传感器网络来实时设备状态参数的监测作业,如振动、电流、温度信号等,信号经过采样、滤波和放大等预处理步骤后,通过数据总线成网络传输至数据增强模块;数据增强模块用于对采集的数据进行变换、插值、噪声添加等操作,以增加数据的多样性,迁移学习模块用于利用其他领域或任务的预训练模型,以减少数据的需求和模型的训练时间;集成学习模块用于结合多个不同的模型或算法,以提高故障诊断的准确性和稳定性;可解释性机器学习模块用于使用可视化、注意力机制、对抗样本等手段,以揭示模型的内部逻辑和决策过程,分类器或聚类器模块用于对异常数据点进行标记或分组,以区分不同类型或原因的故障;因果推断模块用于建立数据之间的因果关系,以推断故障发生的根本原因和影响因素,确定设备的故障类型和严重程度,并提出维护建议,在具体的设备故障因果推断中,因果推断模块可详细记录设备在故障发生时,数据采集模块的采集参数,包括异常的振动、电流、温度等,这些信息将有助于后续的因果推断,因果推断模块内置有各设备的结构和运行原理模型,用以自了解各个部件的功能和相互关系有助于理解故障发生的可能原因,并根据故障现象和设备运行原理,初步分析故障的可能原因,通过进一步判断,推断出故障原因与故障现象之间的因果关系,如判断设备零部件磨损是否导致故障时,需要排除其他因素如电压、电流等的影响,并根据推断出的因果关系,判断后续修复措施,如判定是零部件磨损导致的故障,则判定为需要更换零部件或者进行维修,而在实际修复完成后,进一步接收维修反馈,以验证设备是否正常运行,故障是否得到解决,保证学习数据的可靠性,数据增强模块包括一个变换子模块、一个插值子模块和一个噪声添加子模块。
其中变换子模块用于对数据进行旋转、缩放、平移等几何变换,插值子模块用于对数据进行线性插值、三次样条插值等数值插值;噪声添加子模块用于对数据添加高斯噪声、泊松噪声等随机噪声。
线性插值是指插值函数为一次多项式的插值方式,其在插值节点上的插值误差为零。线性插值相比其他插值方式,如抛物线插值,具有简单、方便的特点。线性插值的几何意义即为概述图中利用过A点和B点的直线来近似表示原函数,线性插值在一定允许误差下,可以近似代替原来函数,在查询各种数值表时,可通过线性插值来得到表中没有的数值,在机器学习中,噪声是指在数据中引入的不想要的信号。噪声可以是来自传感器或采集设备的错误数据,也可以是由于数据收集过程中的干扰或噪声源的多样性引起的不精确或不准确的测量,添加噪声可以帮助模型更好地学习数据的真实性质,并提高其准确性。在PyTorch中,添加噪声是非常简单的,而噪声的类型取决于问题的类型和解决方法。
迁移学习模块包括一个预训练模型库和一个微调子模块。
其中预训练模型库存储了多个来自不同领域或任务的预训练模型,如自动编码器、卷积神经网络等;微调子模块用于根据设备运行数据的特点,选择合适的预训练模型,并对其进行参数调整或层次修改。
卷积神经网络的工作原理如下:网络由多层卷积层和池化层组成,其中卷积层主要用于提取图像的特征,池化层主要用于压缩特征图的大小,减少计算量。卷积层使用卷积核对输入的图像进行卷积运算,得到卷积结果,其中卷积核的参数由网络自动学习得到。池化层通过对特征图进行最大池化或平均池化等操作来减小特征图的尺寸,降低计算复杂度。同时,卷积神经网络还包含全连接层,用于对特征进行分类;自编码器是一种无监督学习技术,利用反向传播算法使得输出值(输入数据的高效表示)等于输入值的人工神经网络,它先将输入压缩成潜在空间表征,然后通过这种表征来重构输出。
集成学习模块包括一个基础学习器生成子模块和一个元学习器组合子模块
其中基础学习器生成子模块用于利用不同的算法或参数生成多个基础学习器,如决策树、支持向量机等;元学习器组合子模块用于利用不同的策略或规则组合多个基础学习器的输出,如投票法、堆叠法等;
其中,元学习器投票法是一种通过多个学习器的组合来提高预测准确性的方法,在这种方法中,多个学习器对训练数据进行训练并生成预测结果,然后这些预测结果通过投票法进行结合,得票最多的标记作为最终的预测结果,如果多个标记获得了相同的票数,则通常会随机选取一个作为最终的预测结果,这种方法的目标是通过结合多个学习器的预测结果来提高整体预测的准确性;
而元学习器堆叠法则是一种用于提高模型泛化能力的集成学习技术,在堆叠法中,多个不同的个体学习器被训练,并且每个学习器的预测结果被用作元学习器的输入特征,之后元学习器使用这些特征进行训练并产生最终的预测结果,具体来说,元学习器堆叠法在训练过程中分为两个阶段,在第一个阶段,每个个体学习器都在原始数据集上进行训练和预测,然后将预测结果作为新的特征矩阵中的一行,这个特征矩阵包含原始数据集中的样本作为行,而每个个体学习器的预测结果作为列,然后,这个特征矩阵被用来训练元学习器;在第二个阶段,元学习器使用训练好的个体学习器对验证集进行预测,然后将这些预测结果作为元学习器的输入特征,最终得到元学习器的预测结果。
支持向量机在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势,并能够推广应用到函数拟合等其他机器学习问题中;决策树将N维空间便被划分成了若干个小区域,用树型结构图的形式展现决策树,它往往向人们展示的是各因素之间的交互作用,根据人们的需求去设置两种基础学习器的生成。
可解释性机器学习模块包括一个可视化子模块、一个注意力机制子模块和一个对抗样本子模块。
其中可视化子模块用于利用图形、图表、热力图等方式展示模型的输入、输出、中间层等信息;注意力机制子模块用于利用权重、梯度、激活值等指标衡量模型的关注点和重要性;对抗样本子模块用于利用扰动、变异、攻击等手段测试模型的敏感性。
可视化主要旨在借助于图形化手段,清晰有效地传达与沟通信息。为了有效地传达思想概念,美学形式与功能需要齐头并进,通过直观地传达关键的方面与特征,从而实现对于相当稀疏而又复杂的数据集的深入洞察,而且可视化也可以使数据变得更容易理解,数据可视化软件正帮助越来越多的企业从浩如烟海的复杂数据中理出头绪,化繁为简;权重是指给定的数据每个属性的重要性程度,一般用来衡量每个输入对计算结果的影响程度,从而决定各个输入数据的权重大小,用来衡量模型的准确性,根据可视化子模块、注意力机制子模块以及对抗样本子模块可以更加简单快速的将需要的模型进行展示,方便人员进行观察。
分类器或聚举器模块包括一个监督学习子模块和一个非监督学习子模块。
其中监督学习子模块用于利用已知标签的数据进行分类器的训练和测试,如逻辑回归、随机森林等;非监督学习子模块用于利用无标签的数据进行聚类器的训练和测试,如K-均值、谱聚类等。
逻辑回归模型是针对线性可分问题的一种易于实现而且性能优异的分类模型,它假设数据服从伯努利分布,通过极大化似然函数的方法,运用梯度下降法来求解参数,来达到将数据二分类的目的,线性回归和逻辑回归是两种常用的机器学习算法,它们都属于广义线性模型的特例,但也有很多区别。下面是一些主要的区别:
线性回归用于回归问题,逻辑回归用于分类问题;
线性回归的输出变量是连续的,逻辑回归的输出变量是离散的;
线性回归要求自变量和因变量呈线性关系,逻辑回归不要求自变量和因变量呈线性关系;
线性回归要求变量服从正态分布,逻辑回归对变量分布没有要求;
线性回归使用最小二乘法作为参数估计方法,逻辑回归使用极大似然法作为参数估计方法;
随机森林则采用Bagging的思想,即每次有放回地从训练集中取出n个训练样本,组成新的训练集,并利用新的训练集,训练得到M个子模型,构建单棵决策树是随机森林的多棵决策树的集成,其既可以胜任分类任务又可以胜任回归任务,其中分类任务是对离散值进行预测(比如将一景图像中的故障类型分类);回归任务是对连续值进行预测(比如根据已有的数据预测可能发生的故障类型);
上述区别就导致了逻辑回归可以更适用于针对已知标签的数据进行分类器的训练和测试;
k均值聚类算法是一种迭代求解的聚类分析算法,其步骤是,预将数据分为K组,则随机选取K个对象作为初始的聚类中心,然后计算每个对象与各个种子聚类中心之间的距离,把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本,聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有(或最小数目)对象被重新分配给不同的聚类,没有(或最小数目)聚类中心再发生变化,误差平方和局部最小;
谱聚类由给定的样本数据集定义一个数据点对相似度的矩阵,并计算相关矩阵的特征值和特征向量,选择合适的特征向量来聚类不同的数据点的方法;
上述两种方法更适合利用无标签的数据进行聚类器的训练和测试;
总结上述两种监督学习子模块以及非监督学习子模块,可以将有标签以及无标签两种方式进行分类器的训练和测试,使得装置的使用更加的全面。
因果推断模块包括一个因果图构建子模块和一个因果效应估计子模块。
其中因果图构建子模块用于利用专家知识或数据分析来建立数据之间的因果关系,如有向无环图、贝叶斯网络等;因果效应估计子模块用于利用不同的方法或假设来估计因果关系的强度和方向,如匹配法、工具变量法等。
在数学,特别是图论和计算机科学中,有向无环图指的是一个无回路的有向图。如果有一个非有向无环图,且A点出发向B经C可回到A,形成一个环。将从C到A的边方向改为从A到C,则变成有向无环图。有向无环图的生成树个数等于入度非零的节点的入度积,在此基础中存在非常多的因果关系,此时使用工具变量法改变其内生问题,某一个变量与模型中随机解释变量高度相关,但却不与随机误差项相关,那么就可以用此变量与模型中相应回归系数得到一个一致估计量,工作人员根据此估计值得出是否为故障值。
数据采集模块、数据增强模块、迁移学习模块、集成学习模块、可解释性机器学习模块、分类器或聚举器模块和因果推断模块之间通过数据总线成网络接口进行数据传输和指令控制,系统还包括一个用户交互界面,用于显示系统的运行状态、故障诊断结果、故障分析报告等信息,并接收用户的输入或反馈。
一种用于设备故障排查的检测方法,包括以下步骤:
S1、基于数据采集模块从设备中采集各各传感器监测到的振动、电流、温度信号等运行数据;
S2、对采集的数据进行数据增强操作,增强操作具体为变换、插值、噪声添加等;
S3、利用迁移学习技术从其他领域或任务调整预训练模型,以减少数据的需求和模型的训练时间;
S4、利用集成学习技术结合多个不同的模型或算法,全面进行设备故障的诊断工作;
S5、利用可解释性机器学习技术使用可视化、注意力机制、对抗样本等手段,以揭示模型的内部逻辑和决策过程;
S6、基于分类器或聚类器模块对异常数据点进行标记或分组,以区分不同类型或原因的故障,进一步进行故障分析;
S7、利用因果推断技术详细记录设备在故障发生时,数据采集模块的采集参数,因果推断模块内置有各设备的结构和运行原理模型,用以自了解各个部件的功能和相互关系有助于理解故障发生的可能原因,并根据故障现象和设备运行原理,初步分析故障的可能原因,通过进一步判断,推断出故障原因与故障现象之间的因果关系,进行故障原因推断。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种用于设备故障排查的检测系统,包括数据采集模块、数据增强模块、迁移学习模块、集成学习模块、可解释性机器学习模块、分类器或展类器模块和因果推断模块,其特征在于:所述数据采集模块用于从设备中采集运行数据;所述数据增强模块用于对采集的数据进行变换、插值、噪声添加等操作,以增加数据的多样性,所述迁移学习模块用于利用其他领域或任务的预训练模型,以减少数据的需求和模型的训练时间;所述集成学习模块用于结合多个不同的模型或算法,以提高故障诊断的准确性和稳定性;所述可解释性机器学习模块用于使用可视化、注意力机制、对抗样本等手段,以揭示模型的内部逻辑和决策过程,所述分类器或聚类器模块用于对异常数据点进行标记或分组,以区分不同类型或原因的故障;所述因果推断模块用于建立数据之间的因果关系,以推断故障发生的根本原因和影响因素。
2.根据权利要求1所述的一种用于设备故障排查的检测系统,其特征在于:所述数据增强模块包括一个变换子模块、一个插值子模块和一个噪声添加子模块。
3.根据权利要求1所述的一种用于设备故障排查的检测系统,其特征在于:所述迁移学习模块包括一个预训练模型库和一个微调子模块。
4.根据权利要求1所述的一种用于设备故障排查的检测系统,其特征在于:所述集成学习模块包括一个基础学习器生成子模块和一个元学习器组合子模块。
5.根据权利要求1所述的一种用于设备故障排查的检测系统,其特征在于:所述可解释性机器学习模块包括一个可视化子模块、一个注意力机制子模块和一个对抗样本子模块。
6.根据权利要求1所述的一种用于设备故障排查的检测系统,其特征在于:所述分类器或聚举器模块包括一个监督学习子模块和一个非监督学习子模块。
7.根据权利要求1所述的一种用于设备故障排查的检测系统,其特征在于:所述因果推断模块包括一个因果图构建子模块和一个因果效应估计子模块。
8.根据权利要求1所述的一种用于设备故障排查的检测系统,其特征在于:所述数据采集模块、数据增强模块、迁移学习模块、集成学习模块、可解释性机器学习模块、分类器或聚举器模块和因果推断模块之间通过数据总线成网络接口进行数据传输和指令控制。
9.根据权利要求1所述的一种用于设备故障排查的检测系统,其特征在于:所述系统还包括一个用户交互界面,用于显示系统的运行状态、故障诊断结果、故障分析报告等信息,并接收用户的输入或反馈。
10.一种用于设备故障排查的检测方法,其特征在于:包括以下步骤:
S1、从设备中采集运行数据;
S2、对采集的数据进行数据增强操作;
S3、利用迁移学习技术进行模型训练或调整;
S4、利用集成学习技术进行故障诊断;
S5、利用可解释性机器学习技术进行故障分析;
S6、利用分类器或聚类器技术进行故障分类或聚类;
S7、利用因果推断技术进行故障原因推断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311542776.1A CN117668537A (zh) | 2023-11-20 | 2023-11-20 | 一种用于设备故障排查的检测系统及其检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311542776.1A CN117668537A (zh) | 2023-11-20 | 2023-11-20 | 一种用于设备故障排查的检测系统及其检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117668537A true CN117668537A (zh) | 2024-03-08 |
Family
ID=90085526
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311542776.1A Pending CN117668537A (zh) | 2023-11-20 | 2023-11-20 | 一种用于设备故障排查的检测系统及其检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117668537A (zh) |
-
2023
- 2023-11-20 CN CN202311542776.1A patent/CN117668537A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hsieh et al. | Unsupervised online anomaly detection on multivariate sensing time series data for smart manufacturing | |
Han et al. | An adaptive spatiotemporal feature learning approach for fault diagnosis in complex systems | |
EP3776113B1 (en) | Apparatus and method for controlling system | |
CN102112933B (zh) | 异常检测方法及系统 | |
WO2024021246A1 (zh) | 基于持续学习的跨设备增量轴承故障诊断方法 | |
Wu et al. | A weighted deep domain adaptation method for industrial fault prognostics according to prior distribution of complex working conditions | |
Chadha et al. | Time series based fault detection in industrial processes using convolutional neural networks | |
US20220004163A1 (en) | Apparatus for predicting equipment damage | |
Maniak et al. | Hierarchical spatial-temporal state machine for vehicle instrument cluster manufacturing | |
van den Hoogen et al. | An improved wide-kernel cnn for classifying multivariate signals in fault diagnosis | |
CN111079348B (zh) | 一种缓变信号检测方法和装置 | |
Chou et al. | SHM data anomaly classification using machine learning strategies: A comparative study | |
Sepe et al. | A physics-informed machine learning framework for predictive maintenance applied to turbomachinery assets | |
Wang et al. | A spatiotemporal feature learning-based RUL estimation method for predictive maintenance | |
Martins et al. | Prediction maintenance based on vibration analysis and deep learning–A case study of a drying press supported on a hidden Markov model | |
Song et al. | Fault diagnosis and process monitoring using a statistical pattern framework based on a self-organizing map | |
Bhoomika et al. | Time series forecasting and point anomaly detection of sensor signals using lstm neural network architectures | |
CN117668537A (zh) | 一种用于设备故障排查的检测系统及其检测方法 | |
Arellano–Espitia et al. | Anomaly detection in electromechanical systems by means of deep-autoencoder | |
Punnoose et al. | Data-driven quality estimation for production processes with lot-level quality control | |
Maleki et al. | Robust hierarchical clustering for novelty identification in sensor networks: With applications to industrial systems | |
Andersson et al. | Sample size prediction for anomaly detection in locks | |
Sina et al. | Intelligent fault diagnosis of manufacturing processes using extra tree classification algorithm and feature selection strategies | |
Sharmila et al. | A two-step unsupervised learning approach to diagnose machine fault using big data | |
Singh et al. | Predicting the remaining useful life of ball bearing under dynamic loading using supervised 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 |