CN117826770B - 轴承阀座铣销控制系统的异常监测方法及系统 - Google Patents
轴承阀座铣销控制系统的异常监测方法及系统 Download PDFInfo
- Publication number
- CN117826770B CN117826770B CN202410243658.9A CN202410243658A CN117826770B CN 117826770 B CN117826770 B CN 117826770B CN 202410243658 A CN202410243658 A CN 202410243658A CN 117826770 B CN117826770 B CN 117826770B
- Authority
- CN
- China
- Prior art keywords
- monitoring
- knowledge
- information
- control state
- state
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 685
- 238000000034 method Methods 0.000 title claims abstract description 113
- 238000003801 milling Methods 0.000 title claims abstract description 99
- 230000002159 abnormal effect Effects 0.000 title claims description 73
- 230000005856 abnormality Effects 0.000 claims abstract description 38
- 239000013598 vector Substances 0.000 claims description 187
- 230000002452 interceptive effect Effects 0.000 claims description 160
- 238000003745 diagnosis Methods 0.000 claims description 93
- 238000012545 processing Methods 0.000 claims description 46
- 238000013135 deep learning Methods 0.000 claims description 44
- 238000012512 characterization method Methods 0.000 claims description 34
- 238000001914 filtration Methods 0.000 claims description 30
- 230000008859 change Effects 0.000 claims description 25
- 230000003993 interaction Effects 0.000 claims description 22
- 238000013507 mapping Methods 0.000 claims description 20
- 238000005457 optimization Methods 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 10
- 230000002787 reinforcement Effects 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 49
- 230000008569 process Effects 0.000 description 32
- 238000004458 analytical method Methods 0.000 description 18
- 238000012423 maintenance Methods 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 11
- 239000000284 extract Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000001953 sensory effect Effects 0.000 description 7
- 238000013461 design Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000005299 abrasion Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000003754 machining Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000005728 strengthening Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000003416 augmentation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000026676 system process Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000004801 process automation Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000020347 spindle assembly Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请实施例涉及人工智能技术领域,具体涉及轴承阀座铣销控制系统的异常监测方法及系统,与传统的异常监测和故障诊断方法相比,本申请实施例充分利用了IOT技术的全面感知能力和AI技术的智能处理能力,实现了对轴承阀座铣销控制系统的高效、准确、实时的异常监测和故障诊断。同时,该方法还具有很好的灵活性和可扩展性,能够适应不同类型和规模的轴承阀座铣销控制系统。
Description
技术领域
本申请涉及人工智能技术领域,更具体地,涉及一种轴承阀座铣销控制系统的异常监测方法及系统。
背景技术
随着工业自动化和智能制造技术的不断发展,轴承阀座铣销控制系统作为关键的设备之一,在工业生产中扮演着越来越重要的角色。然而,由于该类系统结构的复杂性和工作环境的恶劣性,其运行过程中时常会出现各种异常和故障,严重影响生产效率和产品质量。因此,实现对轴承阀座铣销控制系统的有效异常监测和故障诊断显得尤为重要。
传统的异常监测和故障诊断方法通常基于单一的传感器信号或人工经验判断,这些方法存在检测准确率低、实时性差、难以应对复杂故障模式等问题。
发明内容
为改善相关技术中存在的技术问题,本申请提供了一种轴承阀座铣销控制系统的异常监测方法及系统。
第一方面,本申请实施例提供了一种轴承阀座铣销控制系统的异常监测方法,应用于AI异常监测系统,所述方法包括:收集轴承阀座铣销控制系统对应的IOT联动传感监测信息;
依据所述IOT联动传感监测信息进行交互控制状态识别,得到每个传感监测任务通道分别对应的交互控制状态监测知识,其中,不同的交互控制状态监测知识的知识特征尺寸不同;
对若干个所述交互控制状态监测知识中最大知识特征尺寸的交互控制状态监测知识进行故障状态决策,得到故障状态决策表征,其中,所述故障状态决策表征与剩余交互控制状态监测知识的知识特征尺寸相同,所述剩余交互控制状态监测知识是若干个所述交互控制状态监测知识中除所述最大知识特征尺寸的交互控制状态监测知识以外的交互控制状态监测知识;
将所述故障状态决策表征与所述剩余交互控制状态监测知识进行知识碰撞,得到异常监测牵涉向量链;
依据所述异常监测牵涉向量链生成所述轴承阀座铣销控制系统的故障诊断结果。
结合第一方面,在第一方面的一种可能的实现方式中,所述IOT联动传感监测信息最少包含振动传感监测信息以及压力传感监测信息;所述依据所述IOT联动传感监测信息进行交互控制状态识别,得到每个传感监测任务通道分别对应的交互控制状态监测知识,包括:
对所述振动传感监测信息进行卷积操作,得到振动传感监测向量,将所述振动传感监测向量作为振动传感监测任务通道的交互控制状态监测知识;
对所述压力传感监测信息进行信息拆解,得到若干个第一压力传感监测字段;
对所述若干个第一压力传感监测字段进行语义提炼,得到压力传感监测信息的压力监测语义向量链,并将所述压力监测语义向量链作为压力传感监测任务通道的交互控制状态监测知识。
结合第一方面,在第一方面的一种可能的实现方式中,所述IOT联动传感监测信息包括温度传感监测信息以及压力传感监测信息;所述依据所述IOT联动传感监测信息进行交互控制状态识别,得到每个传感监测任务通道分别对应的交互控制状态监测知识,包括:
对所述温度传感监测信息进行时段采样,得到所述温度传感监测信息的每个阶段温度监测数据;
对每个所述阶段温度监测数据进行卷积操作,得到每个所述阶段温度监测数据的阶段温度变化向量,将所述阶段温度变化向量作为振动传感监测任务通道的交互控制状态监测知识;
对所述压力传感监测信息进行信息拆解,得到若干个第一压力传感监测字段;
对所述若干个第一压力传感监测字段进行语义提炼,得到压力传感监测信息的压力监测语义向量链,并将所述压力监测语义向量链作为压力传感监测任务通道的交互控制状态监测知识。
结合第一方面,在第一方面的一种可能的实现方式中,当所述IOT联动传感监测信息仅包括温度传感监测信息时,所述依据所述IOT联动传感监测信息进行交互控制状态识别,得到每个传感监测任务通道分别对应的交互控制状态监测知识,包括:
对所述温度传感监测信息进行时段采样,得到所述温度传感监测信息的每个阶段温度监测数据;
对每个所述阶段温度监测数据进行卷积操作,得到每个所述阶段温度监测数据的阶段温度变化向量,将所述阶段温度变化向量作为振动传感监测任务通道的交互控制状态监测知识;
对每个所述阶段温度监测数据进行传感滤波优化,得到每个所述阶段温度监测数据包含的第一阶段监测滤波结果,以及对所述温度传感监测信息的传感信号进行特征强化,得到所述温度传感监测信息的传感信号所包含的第二阶段监测滤波结果;
对所述第一阶段监测滤波结果与所述第二阶段监测滤波结果分别进行信息拆解,得到若干个第二压力传感监测字段;
对所述若干个第二压力传感监测字段进行语义提炼,得到压力传感监测信息的压力监测语义向量链,并将所述压力监测语义向量链作为压力传感监测任务通道的交互控制状态监测知识。
结合第一方面,在第一方面的一种可能的实现方式中,所述最大知识特征尺寸的交互控制状态监测知识是振动传感监测向量;所述对若干个所述交互控制状态监测知识中最大知识特征尺寸的交互控制状态监测知识进行故障状态决策,得到故障状态决策表征,包括:
获取预设的动态决策指示特征;
对所述最大知识特征尺寸的交互控制状态监测知识以及所述动态决策指示特征进行依据特征焦点化的映射操作,得到最少一个故障状态决策表征,其中,所述故障状态决策表征的个数与所述动态决策指示特征的知识特征尺寸数量一致,所述故障状态决策表征的知识特征尺寸与所述剩余交互控制状态监测知识的知识特征尺寸相同。
结合第一方面,在第一方面的一种可能的实现方式中,所述对所述最大知识特征尺寸的交互控制状态监测知识以及所述动态决策指示特征进行依据特征焦点化的映射操作,得到最少一个故障状态决策表征,包括:
依据所述最大知识特征尺寸的交互控制状态监测知识以及所述动态决策指示特征,确定基于局部聚焦策略的索引特征;
依据所述最大知识特征尺寸的交互控制状态监测知识确定基于全局聚焦策略的最少一个状态标识特征和最少一个状态属性特征;
依据所述索引特征以及所述最少一个状态标识特征生成局部聚焦状态向量关系网;
对所述局部聚焦状态向量关系网进行区间数值映射,并将所述区间数值映射的结果与每个所述状态属性特征之间的特征运算结果作为故障状态决策表征。
结合第一方面,在第一方面的一种可能的实现方式中,所述将所述故障状态决策表征与所述剩余交互控制状态监测知识进行知识碰撞,得到异常监测牵涉向量链,包括:
获取所述故障状态决策表征对应的第一监测任务周期特征元素以及第二监测任务周期特征元素;
将所述第一监测任务周期特征元素增设至所述故障状态决策表征的第一特征位置,将所述第二监测任务周期特征元素增设至所述故障状态决策表征的第二特征位置,以生成待融合交互控制状态监测知识;
将所述待融合交互控制状态监测知识与剩余交互控制状态监测知识依次进行级联,得到异常监测牵涉向量链,其中,所述异常监测牵涉向量链的第一特征位置存在第一向量链注释,所述异常监测牵涉向量链的第二特征位置存在第二向量链注释。
结合第一方面,在第一方面的一种可能的实现方式中,所述IOT联动传感监测信息包括振动传感监测信息和压力传感监测信息,所述故障诊断结果的种类为振动异常;则所述依据所述异常监测牵涉向量链生成所述轴承阀座铣销控制系统的故障诊断结果,包括:
对所述异常监测牵涉向量链进行预测操作,得到异常趋势预测观点;
对所述异常趋势预测观点进行判别操作,得到所述轴承阀座铣销控制系统的振动异常判别结果。
结合第一方面,在第一方面的一种可能的实现方式中,所述IOT联动传感监测信息包括振动传感监测信息和压力传感监测信息,所述故障诊断结果的种类为压力异常;
所述依据所述异常监测牵涉向量链生成所述轴承阀座铣销控制系统的故障诊断结果,包括:
对所述异常监测牵涉向量链进行预测操作,得到压力风险预测观点;
对所述压力风险预测观点进行判别操作,得到所述轴承阀座铣销控制系统的异常压力风险标签。
结合第一方面,在第一方面的一种可能的实现方式中,所述方法通过深度学习网络实现,所述深度学习网络包括:状态特征嵌入子网、状态特征决策子网以及故障状态预测子网;
所述状态特征嵌入子网用于实现所述交互控制状态识别,所述状态特征决策子网用于实现所述故障状态决策以及所述知识碰撞,所述故障状态预测子网用于依据所述异常监测牵涉向量链生成所述轴承阀座铣销控制系统的故障诊断结果。
结合第一方面,在第一方面的一种可能的实现方式中,在所述收集轴承阀座铣销控制系统对应的IOT联动传感监测信息之前,所述方法还包括:
获取压力传感监测信息学习示例以及振动传感监测信息学习示例,其中,所述振动传感监测信息学习示例的知识特征尺寸高于所述压力传感监测信息学习示例;
依据所述压力传感监测信息学习示例以及所述振动传感监测信息学习示例调用所述深度学习网络进行协同调试操作,得到调试后的所述深度学习网络,其中,调试后的所述深度学习网络用于依据所输入的IOT联动传感监测信息生成至少一种传感监测任务通道的故障诊断结果。
结合第一方面,在第一方面的一种可能的实现方式中,所述协同调试操作的调试达标条件包括:所述深度学习网络用于对所述压力传感监测信息的交互控制状态监测知识进行故障诊断处理;所述深度学习网络用于依据所述异常监测牵涉向量链输出异常监测观点。
第二方面,本申请还提供了一种AI异常监测系统,包括:存储器,用于存储程序指令和数据;处理器,用于与存储器耦合,执行所述存储器中的指令,以实现如上述的方法。
第三方面,本申请还提供了一种计算机存储介质,包含指令,当所述指令在处理器上执行时,实现上述的方法。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并于说明书一起用于解释本申请的原理。
图1是本申请实施例提供的一种轴承阀座铣销控制系统的异常监测方法的流程示意图。
图2是本申请实施例提供的一种AI异常监测系统300的结构框图
具体实施方式
近年来,随着物联网(IOT)技术的发展,大量的传感器被应用于轴承阀座铣销控制系统中,实现了对系统运行状态的全面感知。同时,人工智能(AI)技术的快速发展也为异常监测和故障诊断提供了新的思路。
在此背景下,本申请实施例提出了一种基于AI和IOT技术的轴承阀座铣销控制系统异常监测与故障诊断方法。该方法首先通过收集系统的IOT联动传感监测信息,全面获取系统的运行状态;然后利用AI技术对传感监测信息进行交互控制状态识别,得到具有不同知识特征尺寸的交互控制状态监测知识;接着对最大知识特征尺寸的交互控制状态监测知识进行故障状态决策,得到故障状态决策表征;再将故障状态决策表征与剩余交互控制状态监测知识进行知识碰撞,得到异常监测牵涉向量链;最后依据异常监测牵涉向量链生成系统的故障诊断结果。
与传统的异常监测和故障诊断方法相比,本申请实施例充分利用了IOT技术的全面感知能力和AI技术的智能处理能力,实现了对轴承阀座铣销控制系统的高效、准确、实时的异常监测和故障诊断。同时,该方法还具有很好的灵活性和可扩展性,能够适应不同类型和规模的轴承阀座铣销控制系统。
下面将结合附图,对本申请中的技术方案进行描述。
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与本申请的一些方面相一致的装置和方法的例子。
需要说明的是,本申请的说明书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
本申请实施例所提供的方法实施例可以在AI异常监测系统、计算机设备或者类似的运算装置中执行。以运行在AI异常监测系统上为例,AI异常监测系统可以包括一个或多个处理器(处理器可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器,可选地,上述AI异常监测系统还可以包括用于通信功能的传输装置。本领域普通技术人员可以理解,上述结构仅为示意,其并不对上述AI异常监测系统的结构造成限定。例如,AI异常监测系统还可包括比上述所示更多或者更少的组件,或者具有与上述所示不同的配置。
存储器可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本申请实施例中的一种轴承阀座铣销控制系统的异常监测方法对应的计算机程序,处理器通过运行存储在存储器内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器可进一步包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至AI异常监测系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置用于经由一个网络接收或者发送数据。上述的网络具体实例可包括AI异常监测系统的通信供应商提供的无线网络。在一个实例中,传输装置包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
基于此,请参阅图1,图1是本申请实施例所提供的一种轴承阀座铣销控制系统的异常监测方法的流程示意图,该方法应用于AI异常监测系统,进一步可以包括步骤110-步骤150。
步骤110、AI异常监测系统收集轴承阀座铣销控制系统对应的IOT联动传感监测信息。
步骤120、AI异常监测系统依据所述IOT联动传感监测信息进行交互控制状态识别,得到每个传感监测任务通道分别对应的交互控制状态监测知识。
其中,不同的交互控制状态监测知识的知识特征尺寸不同。
步骤130、AI异常监测系统对若干个所述交互控制状态监测知识中最大知识特征尺寸的交互控制状态监测知识进行故障状态决策,得到故障状态决策表征。
其中,所述故障状态决策表征与剩余交互控制状态监测知识的知识特征尺寸相同,所述剩余交互控制状态监测知识是若干个所述交互控制状态监测知识中除所述最大知识特征尺寸的交互控制状态监测知识以外的交互控制状态监测知识。
步骤140、AI异常监测系统将所述故障状态决策表征与所述剩余交互控制状态监测知识进行知识碰撞,得到异常监测牵涉向量链。
步骤150、AI异常监测系统依据所述异常监测牵涉向量链生成所述轴承阀座铣销控制系统的故障诊断结果。
为便于介绍本申请实施例的技术方案,首先对轴承阀座铣销控制系统进行介绍说明。轴承阀座铣销控制系统是一种专门用于轴承阀座铣削加工的自动化控制系统。该系统集成了机械、电气、液压、气动以及先进的控制算法等技术,旨在实现对轴承阀座铣削过程的高精度、高效率和高稳定性控制。
轴承阀座铣销控制系统通常由以下几个主要部分组成:
数控装置:作为系统的核心,数控装置负责接收操作人员输入的指令,并根据这些指令控制铣削工具的运动轨迹、速度和进给量等参数。数控装置通常采用高性能的计算机或专用控制器来实现;
进给伺服系统:进给伺服系统负责驱动铣削工具在轴承阀座上进行精确的直线或曲线运动。该系统通常由伺服电机、减速机构、位置传感器和反馈控制电路等组成,能够实现高速、高精度的进给运动;
主轴驱动系统:主轴驱动系统用于控制铣削工具的旋转速度和转向。主轴通常由高性能的电机驱动,并通过变速机构实现不同转速的切换。主轴驱动系统还需要具备足够的刚性和稳定性,以确保铣削过程的平稳进行;
刀具管理系统:刀具管理系统负责铣削工具的自动更换、磨损检测和补偿等功能。该系统能够实时监测刀具的使用状态,并根据需要更换或调整刀具,以确保加工质量和效率;
传感器与监测系统:传感器与监测系统用于实时采集轴承阀座铣削过程中的各种状态信息,如温度、压力、振动等。这些信息能够反映加工过程的稳定性和工具磨损情况,为系统的优化和控制提供数据支持;
人机交互界面:人机交互界面是操作人员与轴承阀座铣销控制系统进行交互的窗口。通过该界面,操作人员可以输入加工指令、调整参数、监控加工过程以及获取故障诊断等信息。
轴承阀座铣销控制系统的主要功能包括加工路径规划、刀具轨迹生成、进给与主轴速度控制、加工过程监控以及故障诊断与处理等。该系统能够广泛应用于汽车、航空航天、能源等领域的轴承阀座生产中,显著提高加工精度、生产效率和产品质量。
基于上述内容,在本申请实施例中,AI异常监测系统是一个高度智能化的系统,专门用于监测轴承阀座铣销控制系统的运行状态,并及时发现潜在故障。以下是AI异常监测系统在一个完整应用场景中实施技术方案的详细介绍。
在轴承阀座铣销控制系统的运行过程中,AI异常监测系统持续收集该系统对应的IOT联动传感监测信息。这些信息包括各种传感器实时采集的数据,如振动频率、温度变化、压力波动等,这些信息反映了轴承阀座铣销控制系统的实时运行状态。
AI异常监测系统对收集到的IOT联动传感监测信息进行深入分析。利用先进的算法,系统能够识别出每个传感监测任务通道的交互控制状态,并生成相应的交互控制状态监测知识。这些知识以不同的特征尺寸呈现,反映了不同传感器监测到的不同方面的系统状态。
在处理这些交互控制状态监测知识时,AI异常监测系统特别关注其中知识特征尺寸最大的部分。系统会对这部分知识进行故障状态决策,判断是否存在潜在的故障风险。决策的结果以故障状态决策表征的形式呈现,这个表征与剩余交互控制状态监测知识的特征尺寸保持一致,确保了后续处理的连贯性和准确性。
接下来,AI异常监测系统将故障状态决策表征与剩余交互控制状态监测知识进行知识碰撞。这是一种创新的信息融合技术,通过将不同尺寸和类型的知识进行碰撞比较,系统能够发现它们之间的关联和差异,进而生成异常监测牵涉向量链。这个向量链揭示了系统异常的根源和传播路径,为后续的故障诊断提供了有力支持。
最后,AI异常监测系统依据异常监测牵涉向量链生成轴承阀座铣销控制系统的故障诊断结果。这个结果准确指出了系统的故障部位和原因,为操作人员提供了明确的维修指导。通过这一系列的智能化处理,AI异常监测系统实现了对轴承阀座铣销控制系统的全面监测和精准诊断,有效保障了系统的稳定运行和高效生产。
在步骤110和步骤120中,IOT联动传感监测信息(多维IOT传感监测信息)指通过物联网(InternetofThings,IOT)技术连接的各种传感器实时采集并传输的,关于轴承阀座铣销控制系统运行状态和环境条件的多维度信息。这些信息可能包括温度、压力、振动、声音、电流、电压、位置等多种类型的数据。例如,在一个轴承阀座铣销控制系统中,IOT传感器可能监测到主轴的温度变化、刀具的振动频率、进给系统的压力波动等,并将这些信息实时传输到AI异常监测系统中进行分析。
交互控制状态识别指AI异常监测系统对收集到的IOT联动传感监测信息进行处理和分析,以识别轴承阀座铣销控制系统中各个组件或子系统之间的交互控制状态。这种识别旨在理解系统在不同操作条件下的行为模式。例如,系统可能通过分析主轴电机的电流变化和进给系统的位置反馈,来识别当前是处于正常铣削状态还是遇到了某种异常情况。
传感监测任务通道指AI异常监测系统中用于处理特定类型传感监测信息的独立通道。每个通道负责接收、处理和分析来自特定传感器或传感器组的数据,以生成相应的交互控制状态监测知识。例如,一个传感监测任务通道可能专门负责处理来自温度传感器的数据,另一个通道则可能负责处理振动传感器的数据。
交互控制状态监测知识指通过传感监测任务通道处理和分析后得到的,关于轴承阀座铣销控制系统交互控制状态的抽象描述或理解。这些知识可能包括状态的模式、趋势、异常指示等,用于支持后续的故障诊断和决策。例如,通过分析主轴的振动数据,系统可能生成一个交互控制状态监测知识,指出主轴在特定转速下存在不平衡或磨损的迹象。
知识特征尺寸指交互控制状态监测知识在表达或表示时所占据的特征空间大小。不同的监测知识可能因其复杂性和信息量而具有不同的特征尺寸,这反映了知识在描述系统状态时的详细程度和分辨率。例如,一个简单的温度监测知识可能只需要一个数值来表示当前温度,其特征尺寸较小;而一个复杂的振动分析知识可能需要多个频率分量、振幅和时间序列数据来表示,其特征尺寸较大。
在步骤130和步骤140中,故障状态决策指AI异常监测系统在分析交互控制状态监测知识后,对轴承阀座铣销控制系统是否存在故障或异常状态作出的判断或决策。这一过程通常基于预设的规则、模型或算法,并结合系统历史数据和当前运行状态进行。例如,系统监测到主轴振动频率异常升高,结合历史数据和模型分析,判断为主轴可能存在不平衡或磨损故障,并决定触发相应的预警或维护流程。
故障状态决策表征指AI异常监测系统在作出故障状态决策后,将决策结果以一定形式进行表示或编码,以便于后续处理或与其他知识进行融合。决策表征通常包含了决策的类型、严重程度、相关参数等信息。例如,对于上述主轴振动异常的决策,系统可能生成一个故障状态决策表征,包含故障类型(主轴不平衡或磨损)、严重程度(高、中、低)以及建议的维护措施等信息。
知识碰撞指AI异常监测系统中将不同来源、不同类型或不同特征尺寸的交互控制状态监测知识进行融合和比较的过程。通过知识碰撞,系统能够发现知识之间的关联、矛盾或新模式,从而增强对系统状态的全面理解和异常检测能力。例如,系统在进行知识碰撞时,将主轴振动异常的决策表征与进给系统压力波动的监测知识进行融合比较。通过碰撞分析,系统可能发现两者之间存在某种关联模式,指示了轴承阀座铣销控制系统在特定操作条件下的一种复合故障状态。
异常监测牵涉向量链指AI异常监测系统在知识碰撞过程中生成的一种数据结构或表示方法,用于描述和跟踪异常状态在轴承阀座铣销控制系统中的传播路径和影响范围。向量链通常由一系列相互关联的向量组成,每个向量代表了系统中某个组件或子系统的异常状态及其与其他组件的关联性。例如,在上述复合故障状态的情况下,系统可能生成一个异常监测牵涉向量链,包含了主轴振动异常、进给系统压力波动以及它们之间的关联性信息。这个向量链可以帮助操作人员快速定位故障根源,并理解异常状态对整个系统的影响。
在步骤150中,故障诊断结果是指AI异常监测系统通过对轴承阀座铣销控制系统的多维IOT传感监测信息进行分析、处理,并经过交互控制状态识别、故障状态决策、知识碰撞等一系列智能化流程后,最终生成的关于系统故障或异常情况的明确、具体的结论或报告。这个结果通常包含了故障的类型、位置、严重程度以及可能的原因等信息,为操作人员提供了维修或维护的直接指导。例如,在一个具体的故障诊断场景中,AI异常监测系统可能生成如下的故障诊断结果:“经过对轴承阀座铣销控制系统的多维IOT传感监测信息的分析,发现主轴部分存在振动异常,经进一步诊断确定为主轴轴承磨损故障。故障严重程度为中级,建议立即停机进行轴承更换维修,以避免进一步的损害和影响生产效率。”这样的故障诊断结果不仅准确指出了故障的具体位置和类型,还给出了相应的处理建议,为操作人员的后续行动提供了明确的指导。
在另一些示例中,交互控制状态监测知识是AI异常监测系统对多维IOT传感监测信息进行处理后得到的关于系统状态的知识。这些知识通常以数值特征向量的形式表示,每个特征向量包含了描述系统状态的一组关键参数值。
考虑一个示例,其中交互控制状态监测知识由三个关键参数表示:主轴温度(℃)、主轴振动频率(Hz)和进给压力(MPa)。对于某个特定时刻的系统状态,其交互控制状态监测知识可以表示为以下的数值特征向量:
[主轴温度,主轴振动频率,进给压力]=[65,420,5.2]
在这个例子中,数值特征向量指示了当前主轴温度为65℃,主轴振动频率为420Hz,进给压力为5.2MPa。这些具体数值可以帮助系统理解当前的运行状态,并将其与正常或异常状态的阈值进行比较。
故障状态决策表征是AI异常监测系统在作出故障判断后生成的关于故障类型、严重程度等信息的表示。它通常也是以数值特征向量的形式出现,但可能包含了与故障直接相关的附加信息。
例如系统根据交互控制状态监测知识判断发生了主轴轴承磨损故障,其故障状态决策表征可以如下:
[故障类型编码,严重程度编码]=[002,01]
在这个例子中,故障类型编码“002”可能代表主轴轴承磨损,而严重程度编码“01”可能表示这是一个中度故障。这些编码值是基于预设的故障分类和严重程度标准来确定的。
异常监测牵涉向量链描述了异常或故障在系统中的传播路径和影响范围。它是一系列相互关联的数值特征向量,每个向量代表了系统中某个组件或子系统的异常状态及其与其他组件的关联性。
考虑一个场景,其中主轴轴承磨损故障导致了进给系统的压力波动。在这种情况下,异常监测牵涉向量链可能包括两个主要组件的数值特征向量:
主轴组件:[主轴温度,主轴振动频率,故障类型编码,严重程度编码]=[65,420,002,01];
进给系统组件:[进给压力,进给速度,受影响程度编码]=[5.2,200,02]。
这里,主轴组件的数值特征向量表示了主轴的当前状态及其故障信息,进给系统组件的数值特征向量则包含了进给系统的当前状态以及它受到主轴故障影响的程度(受影响程度编码“02”可能表示中度受影响)。这些向量链在一起,形成了描述整个系统故障传播和影响的完整画面。
在上述内容的基础上,在轴承阀座铣销控制系统中,AI异常监测系统扮演着至关重要的角色。其中,知识碰撞和异常监测牵涉向量链的生成是系统实现精准故障诊断的关键步骤。
知识碰撞:当AI异常监测系统作出故障状态决策表征后,它不会止步于此,而是将这一表征与剩余的交互控制状态监测知识进行“知识碰撞”。这一过程类似于科学领域的交叉验证,旨在通过对比和分析,发现不同知识之间的关联、矛盾或新模式。
知识碰撞的具体操作可能包括数据对比、模式匹配、趋势分析等。例如,系统可能会将故障状态决策表征中的故障类型编码与历史数据库中的类似故障案例进行匹配,以寻找潜在的关联因素或故障传播路径。
通过知识碰撞,系统能够更全面地理解当前故障状态与系统中其他组件状态之间的关系,从而为后续的故障诊断提供更丰富、更准确的线索。
异常监测牵涉向量链的生成:异常监测牵涉向量链是知识碰撞的一个重要输出。它是一条由多个相互关联的数值特征向量组成的数据链,每个向量代表了系统中某个组件或子系统的异常状态及其与其他组件的关联性。
生成异常监测牵涉向量链的过程类似于在复杂网络中追踪信息传播路径。系统会从故障状态决策表征出发,沿着与故障相关的各种状态参数和影响因素,逐步构建出一个包含多个关联向量的链条。
这个链条不仅揭示了故障在系统中的传播路径,还反映了不同组件之间的相互影响程度。因此,它为操作人员提供了一个清晰、直观的故障分析视图,有助于快速定位故障根源并制定维修计划。
故障诊断结果的生成:基于异常监测牵涉向量链,AI异常监测系统能够生成最终的故障诊断结果。这个结果是对向量链中各个组件异常状态的综合分析和判断。
系统可能会利用预设的故障诊断模型或算法,对向量链中的每个向量进行评估和分类,从而确定故障的具体类型、位置和严重程度。
最终,系统会将所有相关信息整合成一个全面、详细的故障诊断报告,包括故障描述、原因分析、影响评估以及维修建议等内容。这个报告为操作人员提供了宝贵的决策支持,有助于实现快速、有效的故障处理。
综上,本申请实施例提供了一种基于AI的轴承阀座铣销控制系统异常监测与故障诊断方法,其有益效果主要体现在以下几个方面:
全面性与准确性:通过收集轴承阀座铣销控制系统的IOT联动传感监测信息,本申请实施例能够全面获取系统的运行状态。利用这些信息,AI异常监测系统能够准确识别每个传感监测任务通道的交互控制状态,从而得到具有不同知识特征尺寸的交互控制状态监测知识。这种方法确保了故障诊断的全面性和准确性;
高效性与智能性:本申请实施例通过对最大知识特征尺寸的交互控制状态监测知识进行故障状态决策,能够快速、有效地确定系统的故障状态。此外,将故障状态决策表征与剩余交互控制状态监测知识进行知识碰撞,能够智能地发现知识之间的关联和矛盾,进一步提高了故障诊断的效率和智能化水平;
灵活性与可扩展性:由于本申请实施例采用了基于AI的方法,因此具有很强的灵活性和可扩展性。无论是对于不同类型的轴承阀座铣销控制系统,还是对于系统中新增的传感监测任务通道,本申请实施例都能够快速适应并进行有效的故障诊断;
可视化与易操作性:通过生成异常监测牵涉向量链,本申请实施例能够将故障诊断结果以直观、易懂的方式呈现给操作人员。这不仅方便了操作人员对故障的理解和定位,还有助于他们快速制定维修计划并采取相应的维修措施。
综上所述,本申请实施例的基于AI的轴承阀座铣销控制系统异常监测与故障诊断方法具有全面、准确、高效、智能、灵活、可扩展以及可视化、易操作等诸多优点,为轴承阀座铣销控制系统的稳定运行和高效维护提供了有力保障。
在一些可能的实施例中,所述IOT联动传感监测信息最少包含振动传感监测信息以及压力传感监测信息;所述依据所述IOT联动传感监测信息进行交互控制状态识别,得到每个传感监测任务通道分别对应的交互控制状态监测知识,包括:对所述振动传感监测信息进行卷积操作,得到振动传感监测向量,将所述振动传感监测向量作为振动传感监测任务通道的交互控制状态监测知识;对所述压力传感监测信息进行信息拆解,得到若干个第一压力传感监测字段;对所述若干个第一压力传感监测字段进行语义提炼,得到压力传感监测信息的压力监测语义向量链,并将所述压力监测语义向量链作为压力传感监测任务通道的交互控制状态监测知识。
在一些实施例中,轴承阀座铣销控制系统的IOT联动传感监测信息被配置为至少包含振动传感监测信息和压力传感监测信息。这两种信息类型对于系统的稳定运行和性能评估至关重要。
首先,关于振动传感监测信息的处理:系统会对此类信息进行卷积操作。卷积操作是一种在信号处理中常用的技术,它通过特定的数学运算来提取信号中的特征。在本例中,系统对振动传感监测信息执行卷积操作后,会生成一个振动传感监测向量。这个向量包含了从原始振动数据中提取出的关键特征,能够有效地表示系统在振动方面的状态。系统将生成的振动传感监测向量指定为振动传感监测任务通道的交互控制状态监测知识。
接下来,系统处理压力传感监测信息:这一过程相对复杂,涉及信息拆解和语义提炼两个步骤。首先,系统对压力传感监测信息进行信息拆解,将其分解为若干个第一压力传感监测字段。这些字段是原始压力数据中的组成部分,每个字段都可能包含有关系统状态的重要信息。然后,系统对这些第一压力传感监测字段进行语义提炼。语义提炼是一种处理技术,旨在从原始数据中提取出有意义的信息,并将其转化为更易于理解和分析的形式。在本例中,系统通过语义提炼生成了压力传感监测信息的压力监测语义向量链。这个向量链不仅包含了从各个字段中提取出的关键信息,还保持了这些信息之间的关联性。最后,系统将生成的压力监测语义向量链指定为压力传感监测任务通道的交互控制状态监测知识。
通过上述过程,系统能够依据IOT联动传感监测信息,针对每个传感监测任务通道生成相应的交互控制状态监测知识。这些知识以向量的形式表示,不仅包含了丰富的系统状态信息,还具有良好的可解释性和可操作性,为后续的故障诊断提供了有力的支持。
在另一些可能的实施例中,所述IOT联动传感监测信息包括温度传感监测信息以及压力传感监测信息;所述依据所述IOT联动传感监测信息进行交互控制状态识别,得到每个传感监测任务通道分别对应的交互控制状态监测知识,包括:对所述温度传感监测信息进行时段采样,得到所述温度传感监测信息的每个阶段温度监测数据;对每个所述阶段温度监测数据进行卷积操作,得到每个所述阶段温度监测数据的阶段温度变化向量,将所述阶段温度变化向量作为振动传感监测任务通道的交互控制状态监测知识;对所述压力传感监测信息进行信息拆解,得到若干个第一压力传感监测字段;对所述若干个第一压力传感监测字段进行语义提炼,得到压力传感监测信息的压力监测语义向量链,并将所述压力监测语义向量链作为压力传感监测任务通道的交互控制状态监测知识。
在另一些实施例中,轴承阀座铣销控制系统的IOT联动传感监测信息配置了温度传感监测信息和压力传感监测信息,这两种类型的信息共同构成了系统状态评估的基础。
对于温度传感监测信息的处理,系统首先进行了时段采样。时段采样是一种数据收集技术,它按照预设的时间间隔从连续的数据流中截取数据片段。在本例中,系统对温度传感监测信息进行时段采样,得到了每个阶段的温度监测数据。这些阶段数据代表了在不同时间点上系统的温度状态。
接下来,系统对每个阶段温度监测数据执行了卷积操作。卷积操作在这里的作用是提取每个阶段数据中的特征,并将这些特征转化为向量的形式。系统通过卷积操作生成了每个阶段温度监测数据的阶段温度变化向量。这个向量不仅包含了该阶段内温度的变化趋势,还反映了这些变化与系统运行状态之间的潜在关系。系统将生成的阶段温度变化向量指定为温度传感监测任务通道的交互控制状态监测知识。
对于压力传感监测信息的处理,系统采用了与信息拆解和语义提炼相结合的方法。首先,系统对压力传感监测信息进行了信息拆解,将其分解为若干个第一压力传感监测字段。这些字段是原始压力数据中的组成部分,每个字段都可能包含有关系统状态的重要信息。
然后,系统对这些第一压力传感监测字段进行了语义提炼。语义提炼是一种处理技术,它能够从原始数据中提取出有意义的信息,并将其转化为更易于理解和分析的形式。在本例中,系统通过语义提炼生成了压力传感监测信息的压力监测语义向量链。这个向量链不仅包含了从各个字段中提取出的关键信息,还保持了这些信息之间的关联性。系统将生成的压力监测语义向量链指定为压力传感监测任务通道的交互控制状态监测知识。
综上所述,系统通过对温度传感监测信息和压力传感监测信息的处理,生成了每个传感监测任务通道对应的交互控制状态监测知识。这些知识以向量的形式表示,包含了丰富的系统状态信息,并且具有良好的可解释性和可操作性。它们为后续的故障诊断提供了有力的支持,帮助系统实现了对轴承阀座铣销控制系统的高效、准确、实时的异常监测和故障诊断。
在一些优选的实施例中,当所述IOT联动传感监测信息仅包括温度传感监测信息时,所述依据所述IOT联动传感监测信息进行交互控制状态识别,得到每个传感监测任务通道分别对应的交互控制状态监测知识,包括:对所述温度传感监测信息进行时段采样,得到所述温度传感监测信息的每个阶段温度监测数据;对每个所述阶段温度监测数据进行卷积操作,得到每个所述阶段温度监测数据的阶段温度变化向量,将所述阶段温度变化向量作为振动传感监测任务通道的交互控制状态监测知识;对每个所述阶段温度监测数据进行传感滤波优化,得到每个所述阶段温度监测数据包含的第一阶段监测滤波结果,以及对所述温度传感监测信息的传感信号进行特征强化,得到所述温度传感监测信息的传感信号所包含的第二阶段监测滤波结果;对所述第一阶段监测滤波结果与所述第二阶段监测滤波结果分别进行信息拆解,得到若干个第二压力传感监测字段;对所述若干个第二压力传感监测字段进行语义提炼,得到压力传感监测信息的压力监测语义向量链,并将所述压力监测语义向量链作为压力传感监测任务通道的交互控制状态监测知识。
在一些优选的实施例中,当轴承阀座铣销控制系统的IOT联动传感监测信息仅包含温度传感监测信息时,系统会通过一系列的处理步骤来获取交互控制状态监测知识。这些步骤旨在从单一的温度传感数据中提取出尽可能多的有用信息,以支持后续的故障诊断和异常监测。
首先,系统对温度传感监测信息进行时段采样。时段采样是一种数据收集技术,它按照预设的时间间隔从连续的数据流中截取数据片段。通过这种方式,系统能够获取到温度在不同时间阶段的变化情况,每个阶段的温度监测数据都代表了该时间段内系统的温度状态。
接下来,系统对每个阶段温度监测数据进行卷积操作。卷积操作是一种数学运算,它能够提取数据中的特征并将其转化为易于处理的格式。在这里,卷积操作被用于提取每个阶段温度监测数据中的特征,生成阶段温度变化向量。这个向量不仅包含了该阶段内温度的变化趋势,还反映了这些变化与系统运行状态之间的潜在关系。系统随后将生成的阶段温度变化向量指定为温度传感监测任务通道的交互控制状态监测知识。
此外,系统还对每个阶段温度监测数据进行了传感滤波优化。传感滤波是一种信号处理技术,它能够去除数据中的噪声和干扰,提高数据的质量和准确性。通过传感滤波优化,系统得到了每个阶段温度监测数据包含的第一阶段监测滤波结果。这些结果更加清晰地反映了系统的真实温度状态。
同时,系统还对温度传感监测信息的传感信号进行了特征强化。特征强化是一种突出数据中特定特征的技术,它能够帮助系统在后续的处理中更加准确地识别和利用这些特征。经过特征强化处理后,系统得到了温度传感监测信息的传感信号所包含的第二阶段监测滤波结果。
然后,系统对第一阶段监测滤波结果与第二阶段监测滤波结果分别进行信息拆解。信息拆解是一种将复杂数据分解为更简单、更易处理的部分的技术。通过信息拆解,系统从滤波结果中提取出了若干个第二压力传感监测字段。
最后,系统对这些第二压力传感监测字段进行语义提炼。语义提炼是一种从数据中提取有意义信息的技术,它能够帮助系统将原始数据转化为更易于理解和分析的形式。通过语义提炼,系统生成了压力传感监测信息的压力监测语义向量链。这个向量链包含了从各个字段中提取出的关键信息,并且保持了这些信息之间的关联性。系统随后将生成的语义向量链指定为压力传感监测任务通道的交互控制状态监测知识(这里应该是温度传感监测任务通道的交互控制状态监测知识)。
在另外的发明构思下,压力监测和温度监测在工业控制系统中通常是相互关联的,因为它们都是反映系统运行状态的重要参数。当系统仅依赖温度传感监测信息时,可以通过处理这些温度数据来间接地获取与压力状态有关的信息,这在一定程度上体现了两者之间的互通性。以下是从这个角度出发,对技术方案进行的详细介绍。
在一些优选的实施例中,当轴承阀座铣销控制系统的IOT联动传感监测信息仅包括温度传感监测信息时,系统会利用一系列先进的数据处理技术来从温度数据中提取有价值的状态信息,这些信息不仅可以用于温度状态的监测,还可以间接地反映系统的压力状态。
首先,系统对温度传感监测信息进行时段采样,这意味着系统会在不同的时间点上收集温度数据。这样做可以帮助系统捕捉到温度随时间的变化情况,进而了解系统在不同运行阶段的状态。每个阶段收集到的温度数据都构成了该阶段系统的状态快照。
接下来,系统对每个阶段收集到的温度监测数据进行卷积操作。卷积操作在这里的作用是提取每个阶段温度数据中的特征,并将这些特征转化为数学上的向量表示。这样,每个阶段的温度变化就被量化为一个向量,这个向量被称为阶段温度变化向量。系统将这个向量作为振动传感监测任务通道(振动传感监测通常与温度传感监测是分开的,但可以理解为这是系统内部对数据处理任务的一种划分)的交互控制状态监测知识,用于后续的状态分析和故障诊断。
此外,系统还会对每个阶段的温度监测数据进行传感滤波优化。滤波优化的目的是去除数据中的噪声和干扰,使得数据更加清晰和准确。经过滤波优化后,系统得到了每个阶段温度监测数据的第一阶段监测滤波结果,这些结果更加真实地反映了系统的温度状态。
同时,系统还会对原始的温度传感监测信息的传感信号进行特征强化处理。特征强化的目的是突出数据中的某些重要特征,使得这些特征在后续的分析中更容易被识别和利用。经过特征强化处理后,系统得到了第二阶段监测滤波结果,这个结果包含了更多有关系统状态的有用信息。
然后,系统对第一阶段和第二阶段的监测滤波结果分别进行信息拆解。信息拆解的过程是将复杂的数据分解为更简单的部分,便于后续的处理和分析。在这个步骤中,系统从滤波结果中提取出了若干个与压力状态相关的字段(尽管这些字段最初是从温度数据中得到的),这些字段被称为第二压力传感监测字段。
最后,系统对这些第二压力传感监测字段进行语义提炼。语义提炼的过程是从数据中提取有意义的信息,并将其转化为系统可以理解和利用的格式。在这个步骤中,系统生成了一个压力监测语义向量链,这个向量链包含了从温度数据中提取出的与压力状态相关的信息。尽管这些信息是间接得到的,但它们仍然为系统提供了一种了解压力状态的手段。系统将这个压力监测语义向量链作为压力传感监测任务通道的交互控制状态监测知识,用于后续的状态监测和故障诊断。
通过以上步骤,系统成功地利用温度传感监测信息得到了与温度和压力状态都有关的交互控制状态监测知识。这些知识为系统的稳定运行提供了重要保障,并帮助操作人员在第一时间发现并处理可能存在的故障和异常。
在一些可替换的设计思路下,所述最大知识特征尺寸的交互控制状态监测知识是振动传感监测向量;所述对若干个所述交互控制状态监测知识中最大知识特征尺寸的交互控制状态监测知识进行故障状态决策,得到故障状态决策表征,包括:获取预设的动态决策指示特征;对所述最大知识特征尺寸的交互控制状态监测知识以及所述动态决策指示特征进行依据特征焦点化的映射操作,得到最少一个故障状态决策表征,其中,所述故障状态决策表征的个数与所述动态决策指示特征的知识特征尺寸数量一致,所述故障状态决策表征的知识特征尺寸与所述剩余交互控制状态监测知识的知识特征尺寸相同。
在一些可替换的设计思路下,轴承阀座铣销控制系统的最大知识特征尺寸的交互控制状态监测知识设定为振动传感监测向量。这意味着在处理振动传感监测信息时,系统会特别关注其生成的向量,因为这个向量包含了最大知识特征尺寸,即最关键的状态信息。
当系统需要对若干个交互控制状态监测知识中最大知识特征尺寸的交互控制状态监测知识进行故障状态决策时,它会遵循一系列步骤来获取故障状态决策表征。这个表征能够反映系统当前的故障状态,是后续故障诊断和处理的重要依据。
首先,系统会获取预设的动态决策指示特征。动态决策指示特征是一组预先设定的特征值或特征向量,它们用于指导系统在决策过程中的行为。这些特征可能基于历史数据、专家经验或机器学习算法得出,能够反映不同故障状态下的系统行为模式。
接下来,系统会对最大知识特征尺寸的交互控制状态监测知识(即振动传感监测向量)以及动态决策指示特征进行依据特征焦点化的映射操作。特征焦点化是一种处理技术,它能够将数据的注意力集中在最相关的特征上,从而提高决策的准确性和效率。在这个过程中,系统会根据动态决策指示特征的引导,将振动传感监测向量中的关键信息与决策过程相关联。
映射操作的结果是最少生成一个故障状态决策表征。这个表征以向量的形式表示,包含了系统当前故障状态的关键信息。值得注意的是,故障状态决策表征的个数与动态决策指示特征的知识特征尺寸数量一致。这意味着如果动态决策指示特征包含了多个特征尺寸,系统就会生成相应数量的故障状态决策表征,每个表征都对应一个特定的故障状态。
此外,故障状态决策表征的知识特征尺寸与剩余交互控制状态监测知识的知识特征尺寸相同。这确保了决策表征能够与其他状态监测知识无缝对接,便于后续的综合分析和处理。
综上所述,通过获取预设的动态决策指示特征、对最大知识特征尺寸的交互控制状态监测知识和动态决策指示特征进行依据特征焦点化的映射操作,系统能够生成准确反映当前故障状态的决策表征。这些表征为后续的故障诊断和处理提供了重要依据。
在另一些示例性实施例中,所述对所述最大知识特征尺寸的交互控制状态监测知识以及所述动态决策指示特征进行依据特征焦点化的映射操作,得到最少一个故障状态决策表征,包括:依据所述最大知识特征尺寸的交互控制状态监测知识以及所述动态决策指示特征,确定基于局部聚焦策略的索引特征;依据所述最大知识特征尺寸的交互控制状态监测知识确定基于全局聚焦策略的最少一个状态标识特征和最少一个状态属性特征;依据所述索引特征以及所述最少一个状态标识特征生成局部聚焦状态向量关系网;对所述局部聚焦状态向量关系网进行区间数值映射,并将所述区间数值映射的结果与每个所述状态属性特征之间的特征运算结果作为故障状态决策表征。
在另一些示例性实施例中,当轴承阀座铣销控制系统需要对最大知识特征尺寸的交互控制状态监测知识和动态决策指示特征进行处理以得到故障状态决策表征时,它会遵循一系列精细设计的步骤。这些步骤确保了系统能够准确地识别并表征各种潜在的故障状态。
首先,系统依据最大知识特征尺寸的交互控制状态监测知识和动态决策指示特征,确定基于局部聚焦策略的索引特征。局部聚焦策略是一种数据处理方法,它侧重于从大量信息中提取最关键、最直接相关的特征。索引特征在这里起到的是一个引导的作用,帮助系统在众多数据中快速定位到与当前故障状态最相关的部分。
接下来,系统再次依据最大知识特征尺寸的交互控制状态监测知识,确定基于全局聚焦策略的最少一个状态标识特征和最少一个状态属性特征。全局聚焦策略与局部聚焦策略不同,它更注重从整体上把握数据的特征和规律。状态标识特征用于唯一地标识每一种故障状态,而状态属性特征则描述了这些故障状态的具体性质和特点。
然后,系统依据之前确定的索引特征以及状态标识特征,生成局部聚焦状态向量关系网。这个关系网实际上是一个复杂的数据结构,它将各种故障状态及其相关特征以向量的形式表示,并通过一定的关系连接起来。这种表示方法不仅保留了数据的原始特征,还揭示了不同故障状态之间的内在联系。
接下来,系统对局部聚焦状态向量关系网进行区间数值映射。区间数值映射是一种将抽象的数据特征转化为具体数值的方法,它使得系统能够更加方便地对这些特征进行量化和比较。映射的结果是一组数值,这些数值直接反映了各种故障状态的特征和严重程度。
最后,系统将区间数值映射的结果与每个状态属性特征之间的特征运算结果相结合,作为故障状态决策表征。特征运算是一种数据处理技术,它通过对不同特征进行组合、变换或比较等操作,提取出更有用的信息。故障状态决策表征是这一系列处理步骤的最终结果,它以数值或向量的形式表示了当前系统的故障状态,为后续的故障诊断和处理提供了重要依据。
在又一些示例性实施例中,所述将所述故障状态决策表征与所述剩余交互控制状态监测知识进行知识碰撞,得到异常监测牵涉向量链,包括:获取所述故障状态决策表征对应的第一监测任务周期特征元素以及第二监测任务周期特征元素;将所述第一监测任务周期特征元素增设至所述故障状态决策表征的第一特征位置,将所述第二监测任务周期特征元素增设至所述故障状态决策表征的第二特征位置,以生成待融合交互控制状态监测知识;将所述待融合交互控制状态监测知识与剩余交互控制状态监测知识依次进行级联,得到异常监测牵涉向量链,其中,所述异常监测牵涉向量链的第一特征位置存在第一向量链注释,所述异常监测牵涉向量链的第二特征位置存在第二向量链注释。
在又一些示例性实施例中,当轴承阀座铣销控制系统需要将故障状态决策表征与剩余交互控制状态监测知识进行知识碰撞,以得到异常监测牵涉向量链时,系统会执行以下步骤:
首先,系统会获取故障状态决策表征对应的第一监测任务周期特征元素和第二监测任务周期特征元素。这两个特征元素是故障状态决策表征的重要组成部分,它们分别代表了在不同监测任务周期内系统的状态信息。第一监测任务周期特征元素可能包含了系统在较短时间内的状态变化信息,而第二监测任务周期特征元素则可能反映了系统在较长时间段内的状态趋势。
接着,系统会将第一监测任务周期特征元素增设至故障状态决策表征的第一特征位置,将第二监测任务周期特征元素增设至故障状态决策表征的第二特征位置。这样,系统就生成了一个待融合交互控制状态监测知识,这个知识包含了故障状态决策表征以及与之相关的周期特征元素。
然后,系统会将待融合交互控制状态监测知识与剩余交互控制状态监测知识依次进行级联。级联是一种数据处理方法,它可以将多个数据元素按照一定的顺序连接起来,形成一个更长的数据序列。在这个过程中,系统会将待融合交互控制状态监测知识与剩余交互控制状态监测知识中的每个元素进行匹配和连接,以生成一个完整的异常监测牵涉向量链。
这个异常监测牵涉向量链不仅包含了故障状态决策表征的信息,还融入了剩余交互控制状态监测知识的内容。因此,它能够更全面地反映系统的状态信息,并揭示不同状态之间的内在联系。同时,由于级联操作保留了每个元素的特征位置信息,所以异常监测牵涉向量链的第一特征位置和第二特征位置分别存在第一向量链注释和第二向量链注释。这些注释提供了关于向量链中特定位置元素的额外信息,有助于系统更准确地理解和解释向量链的含义。
总的来说,通过上述步骤,系统成功地将故障状态决策表征与剩余交互控制状态监测知识进行了知识碰撞,生成了包含丰富状态信息的异常监测牵涉向量链。这个向量链为系统的故障诊断和异常监测提供了有力支持。
在一些示例性实施例中,所述IOT联动传感监测信息包括振动传感监测信息和压力传感监测信息,所述故障诊断结果的种类为振动异常;所述依据所述异常监测牵涉向量链生成所述轴承阀座铣销控制系统的故障诊断结果,包括:对所述异常监测牵涉向量链进行预测操作,得到异常趋势预测观点;对所述异常趋势预测观点进行判别操作,得到所述轴承阀座铣销控制系统的振动异常判别结果。
在一些示例性实施例中,当轴承阀座铣销控制系统的IOT联动传感监测信息包括振动传感监测信息和压力传感监测信息,并且故障诊断结果的种类为振动异常时,系统会依据异常监测牵涉向量链来生成具体的故障诊断结果。以下是详细的步骤说明。
首先,系统会对异常监测牵涉向量链进行预测操作。预测操作是一种基于历史数据和当前状态来推测未来趋势的方法。在这个过程中,系统会利用各种算法和模型来分析异常监测牵涉向量链中的特征元素和它们之间的关系,以预测系统在未来可能的状态变化。这种预测是基于对大量数据的深度学习和模式识别来进行的,它能够揭示出隐藏在数据中的潜在规律和趋势。
通过预测操作,系统得到了一个异常趋势预测观点。这个观点是对系统未来状态的一种估计,它指出了系统可能的发展趋势和可能出现的异常情况。异常趋势预测观点以数值、概率或其他形式表示,为后续的判别操作提供了重要依据。
接下来,系统会对异常趋势预测观点进行判别操作。判别操作是一种基于预设规则和阈值来判断系统状态是否异常的方法。在这个过程中,系统会将异常趋势预测观点与预设的正常范围或标准进行比较,以判断系统是否出现了振动异常。
判别操作的结果就是轴承阀座铣销控制系统的振动异常判别结果。这个结果明确指出了系统是否存在振动异常,以及异常的严重程度和可能的原因。振动异常判别结果以二进制形式(如正常/异常)、数值评分或其他形式表示,便于操作人员快速了解系统的状态并采取相应的措施。
总的来说,通过上述步骤,系统能够依据异常监测牵涉向量链准确地生成轴承阀座铣销控制系统的故障诊断结果。这种诊断方法不仅提高了故障检测的准确性和效率,还为系统的维护和修复提供了有力支持。
在一些可能的实施例中,所述IOT联动传感监测信息包括振动传感监测信息和压力传感监测信息,所述故障诊断结果的种类为压力异常;所述依据所述异常监测牵涉向量链生成所述轴承阀座铣销控制系统的故障诊断结果,包括:对所述异常监测牵涉向量链进行预测操作,得到压力风险预测观点;对所述压力风险预测观点进行判别操作,得到所述轴承阀座铣销控制系统的异常压力风险标签。
在一些可能的实施例中,当轴承阀座铣销控制系统的IOT联动传感监测信息涵盖振动传感监测信息和压力传感监测信息,并且故障诊断结果聚焦于压力异常时,系统会通过一系列精细设计的步骤来生成准确的故障诊断结果。以下是具体步骤的详细说明:
首先,系统会处理异常监测牵涉向量链,对其进行预测操作。在这个环节中,系统运用先进的预测算法和模型,深入分析向量链中的各个元素以及它们之间的复杂关系。这种分析基于大数据和机器学习技术,能够揭示出隐藏在数据中的模式和趋势。
通过对异常监测牵涉向量链的预测操作,系统生成了一个压力风险预测观点。这个观点是对未来可能发生的压力异常情况的一种预测性评估,它提供了关于系统压力状态的重要信息,包括可能的压力变化趋势、潜在的风险点以及可能的异常发生场景。
接下来,系统会对这个压力风险预测观点进行判别操作。判别操作基于预设的阈值和规则,这些阈值和规则是根据大量历史数据和专家经验设定的,用于判断系统压力状态是否正常或是否存在异常风险。在这个过程中,系统会将压力风险预测观点与这些阈值和规则进行比对,从而得出一个明确的结论。
最终,系统生成的结论是轴承阀座铣销控制系统的异常压力风险标签。这个标签以简洁明了的方式指示了系统的压力状态,例如,它可能是一个二进制标签(如“正常”或“异常”),也可能是一个量化的风险评分。无论哪种形式,这个标签都为操作人员提供了关于系统压力异常的直接信息,帮助他们快速理解系统的当前状态并作出相应的响应。
综上所述,通过这些步骤,系统能够有效地利用异常监测牵涉向量链来生成轴承阀座铣销控制系统的故障诊断结果,特别是针对压力异常的情况。这种诊断方法结合了预测和判别两种技术手段,确保了结果的准确性和实用性。
在一些优选的设计思路下,所述方法通过深度学习网络实现,所述深度学习网络包括:状态特征嵌入子网、状态特征决策子网以及故障状态预测子网;所述状态特征嵌入子网用于实现所述交互控制状态识别,所述状态特征决策子网用于实现所述故障状态决策以及所述知识碰撞,所述故障状态预测子网用于依据所述异常监测牵涉向量链生成所述轴承阀座铣销控制系统的故障诊断结果。
在一些优选的设计思路下,轴承阀座铣销控制系统的故障诊断方法通过深度学习网络实现。这个深度学习网络是一个复杂的神经网络结构,它包含三个主要部分:状态特征嵌入子网、状态特征决策子网以及故障状态预测子网。这三个子网协同工作,共同完成了从交互控制状态识别到故障诊断结果生成的全过程。
首先,状态特征嵌入子网负责实现交互控制状态识别。它接收来自轴承阀座铣销控制系统的各种传感监测信息,包括振动传感监测信息和压力传感监测信息等。这些信息被嵌入到一个高维的特征空间中,以便于系统更准确地捕捉和描述不同状态之间的细微差别。状态特征嵌入子网通过一系列的非线性变换和特征提取操作,将这些原始信息转化为更具表达能力的特征向量,为后续的状态识别和故障诊断提供了坚实的基础。
接下来,状态特征决策子网用于实现故障状态决策以及知识碰撞。它接收来自状态特征嵌入子网的特征向量,并根据这些特征向量进行故障状态的决策。在这个过程中,状态特征决策子网会综合考虑各种可能的故障模式和历史数据,通过复杂的推理和决策机制来确定当前系统的故障状态。同时,它还会将故障状态决策结果与剩余交互控制状态监测知识进行知识碰撞,以生成异常监测牵涉向量链。这个向量链包含了丰富的状态信息和故障特征,为后续的故障诊断提供了有力的支持。
最后,故障状态预测子网依据异常监测牵涉向量链生成轴承阀座铣销控制系统的故障诊断结果。它通过对向量链中的特征元素进行深度分析和模式识别,来预测系统未来的状态变化趋势和可能的故障风险。在这个过程中,故障状态预测子网会利用各种先进的预测算法和模型,如循环神经网络(RNN)、长短期记忆网络(LSTM)等,来确保预测结果的准确性和可靠性。最终,故障状态预测子网会输出一个明确的故障诊断结果,包括故障的类型、严重程度以及可能的原因等信息,为操作人员的决策和维修提供了重要的参考依据。
总的来说,通过深度学习网络的三个子网的协同工作,轴承阀座铣销控制系统能够实现从交互控制状态识别到故障诊断结果生成的全过程自动化和智能化。这种基于深度学习的故障诊断方法不仅提高了诊断的准确性和效率,还为系统的安全和稳定运行提供了有力的保障。
在一些可独立的实施例中,在所述收集轴承阀座铣销控制系统对应的IOT联动传感监测信息之前,所述方法还包括步骤210-步骤220。
步骤210、获取压力传感监测信息学习示例以及振动传感监测信息学习示例,其中,所述振动传感监测信息学习示例的知识特征尺寸高于所述压力传感监测信息学习示例。
步骤220、依据所述压力传感监测信息学习示例以及所述振动传感监测信息学习示例调用所述深度学习网络进行协同调试操作,得到调试后的所述深度学习网络,其中,调试后的所述深度学习网络用于依据所输入的IOT联动传感监测信息生成至少一种传感监测任务通道的故障诊断结果。
在步骤210中,系统会首先获取压力传感监测信息学习示例以及振动传感监测信息学习示例。这两种学习示例是预先准备好的、用于训练深度学习网络的数据集。其中,振动传感监测信息学习示例的知识特征尺寸高于压力传感监测信息学习示例。知识特征尺寸可以理解为数据集所包含的特征数量或复杂度,振动传感监测信息由于涉及到更多的动态特性和细节信息,因此其知识特征尺寸相对较大。
进入步骤220,系统会依据步骤210中获取的压力传感监测信息学习示例和振动传感监测信息学习示例,调用深度学习网络进行协同调试操作。协同调试操作是一种针对多源数据的网络优化过程,目的是使深度学习网络能够更好地处理不同来源、不同特征尺寸的传感监测信息。在这个过程中,系统会对深度学习网络的各个子网(包括状态特征嵌入子网、状态特征决策子网以及故障状态预测子网)进行参数调整和优化,以确保网络能够准确地从输入的IOT联动传感监测信息中提取出有用的特征,并生成至少一种传感监测任务通道的故障诊断结果。
调试后的深度学习网络在结构和参数上都得到了优化,因此能够更准确地识别轴承阀座铣销控制系统中的故障状态。当系统接收到IOT联动传感监测信息时,调试后的深度学习网络会自动进行特征提取、状态识别和故障诊断,最终输出至少一种传感监测任务通道的故障诊断结果。这个结果可以帮助操作人员及时了解系统的运行状态,并采取相应的维护措施。
在另一些示例中,所述协同调试操作的调试达标条件包括:所述深度学习网络用于对所述压力传感监测信息的交互控制状态监测知识进行故障诊断处理;所述深度学习网络用于依据所述异常监测牵涉向量链输出异常监测观点。
在另一些具体示例中,协同调试操作的调试达标条件被明确设定,以确保深度学习网络在轴承阀座铣销控制系统的故障诊断中达到预期效果。这些条件包括两个主要方面:
首先,深度学习网络必须能够对压力传感监测信息的交互控制状态监测知识进行故障诊断处理。这意味着在协同调试过程中,系统会模拟或利用实际的压力传感监测数据,来测试深度学习网络是否能够准确地识别和分析这些数据中蕴含的交互控制状态信息,并进一步判断是否存在故障。这种故障诊断处理不仅要求网络能够识别出明显的故障状态,还要求其能够在早期阶段就捕捉到潜在的故障迹象,从而实现预防性维护。
其次,深度学习网络需要依据异常监测牵涉向量链输出异常监测观点。异常监测牵涉向量链是一个包含了多种传感器信息和故障特征的综合数据结构,深度学习网络需要从这个复杂的数据链中提取出关键信息,并生成对应的异常监测观点。这个观点是对系统当前状态的一种评估,它指出了哪些部分可能存在异常,以及这些异常的严重程度和可能的发展趋势。在协同调试过程中,系统会模拟各种异常场景,来验证深度学习网络是否能够正确地生成异常监测观点,并及时发出警报。
为了达到上述调试达标条件,系统在协同调试操作中会进行多次迭代和优化。这可能包括调整深度学习网络的结构、优化网络参数、增加或减少网络层数等。通过这些调试步骤,系统能够逐步提升深度学习网络在轴承阀座铣销控制系统故障诊断中的性能表现,直到满足预设的调试达标条件为止。
以下是一个具体的算法示例,用于介绍在收集轴承阀座铣销控制系统对应的IOT联动传感监测信息之前所包含的步骤210和步骤220,并详细解释协同调试操作的调试达标条件。
步骤210:获取学习示例
数据收集:从轴承阀座铣销控制系统的历史运行数据中,收集压力传感监测信息和振动传感监测信息。对这些信息进行预处理,如去噪、归一化等。
构建学习示例:从预处理后的数据中提取特征,构建压力传感监测信息学习示例集和振动传感监测信息学习示例集。振动传感监测信息由于其复杂性,可能包含更多的特征(如频率、振幅、相位等),因此其知识特征尺寸高于压力传感监测信息。
步骤220:协同调试操作
网络初始化:初始化深度学习网络,该网络包含状态特征嵌入子网、状态特征决策子网和故障状态预测子网。
输入学习示例:将压力传感监测信息学习示例和振动传感监测信息学习示例输入到深度学习网络中。
网络训练与调试:使用反向传播算法和梯度下降等优化技术,训练深度学习网络的参数。
在训练过程中,不断调整网络结构和超参数,以提高网络的性能。
调试达标条件判断:
对训练好的网络进行验证,判断其是否满足以下调试达标条件:
a.能够准确地对压力传感监测信息的交互控制状态进行监测,并对其进行故障诊断处理。
b.能够依据异常监测牵涉向量链,输出有效的异常监测观点。
网络优化与迭代:如果网络不满足调试达标条件,则回到步骤3,继续调整网络结构和参数。如果网络满足调试达标条件,则保存网络模型,得到调试后的深度学习网络。
调试达标条件详解:
(1)对压力传感监测信息的交互控制状态进行监测与故障诊断:调试后的深度学习网络应能够接收压力传感监测信息作为输入,并准确识别出其中的交互控制状态(如正常、压力过高、压力过低等)。同时,网络还需要对这些状态进行故障诊断处理,判断是否存在故障以及故障的类型。
(2)依据异常监测牵涉向量链输出异常监测观点:当网络接收到异常监测牵涉向量链作为输入时,应能够分析链中的信息,提取出关键特征,并输出一个异常监测观点。这个观点应包含对异常情况的描述、异常严重性的评估以及可能的故障原因等信息。
通过上述算法示例和调试达标条件的详细解释,可以更清楚地理解在收集轴承阀座铣销控制系统的IOT联动传感监测信息之前,如何通过深度学习网络进行协同调试操作,并得到一个能够满足特定需求的调试后网络模型。
图2示出了AI异常监测系统300的结构框图,包括:存储器310,用于存储程序指令和数据;处理器320,用于与存储器310耦合,执行所述存储器310中的指令,以实现上述的方法。
进一步地,还提供了一种计算机存储介质,包含指令,当所述指令在处理器上执行时,实现上述的方法。
在本申请实施例所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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,本申请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、或者网络设备等)执行本申请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。需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (8)
1.一种轴承阀座铣销控制系统的异常监测方法,其特征在于,应用于AI异常监测系统,所述方法包括:
收集轴承阀座铣销控制系统对应的IOT联动传感监测信息;
依据所述IOT联动传感监测信息进行交互控制状态识别,得到每个传感监测任务通道分别对应的交互控制状态监测知识,其中,不同的交互控制状态监测知识的知识特征尺寸不同;
对若干个所述交互控制状态监测知识中最大知识特征尺寸的交互控制状态监测知识进行故障状态决策,得到故障状态决策表征,其中,所述故障状态决策表征与剩余交互控制状态监测知识的知识特征尺寸相同,所述剩余交互控制状态监测知识是若干个所述交互控制状态监测知识中除所述最大知识特征尺寸的交互控制状态监测知识以外的交互控制状态监测知识;
将所述故障状态决策表征与所述剩余交互控制状态监测知识进行知识碰撞,得到异常监测牵涉向量链;
依据所述异常监测牵涉向量链生成所述轴承阀座铣销控制系统的故障诊断结果;
所述最大知识特征尺寸的交互控制状态监测知识是振动传感监测向量;所述对若干个所述交互控制状态监测知识中最大知识特征尺寸的交互控制状态监测知识进行故障状态决策,得到故障状态决策表征,包括:
获取预设的动态决策指示特征;
对所述最大知识特征尺寸的交互控制状态监测知识以及所述动态决策指示特征进行依据特征焦点化的映射操作,得到最少一个故障状态决策表征,其中,所述故障状态决策表征的个数与所述动态决策指示特征的知识特征尺寸数量一致,所述故障状态决策表征的知识特征尺寸与所述剩余交互控制状态监测知识的知识特征尺寸相同;
其中,所述对所述最大知识特征尺寸的交互控制状态监测知识以及所述动态决策指示特征进行依据特征焦点化的映射操作,得到最少一个故障状态决策表征,包括:
依据所述最大知识特征尺寸的交互控制状态监测知识以及所述动态决策指示特征,确定基于局部聚焦策略的索引特征;
依据所述最大知识特征尺寸的交互控制状态监测知识确定基于全局聚焦策略的最少一个状态标识特征和最少一个状态属性特征;
依据所述索引特征以及所述最少一个状态标识特征生成局部聚焦状态向量关系网;
对所述局部聚焦状态向量关系网进行区间数值映射,并将所述区间数值映射的结果与每个所述状态属性特征之间的特征运算结果作为故障状态决策表征;
所述将所述故障状态决策表征与所述剩余交互控制状态监测知识进行知识碰撞,得到异常监测牵涉向量链,包括:
获取所述故障状态决策表征对应的第一监测任务周期特征元素以及第二监测任务周期特征元素;
将所述第一监测任务周期特征元素增设至所述故障状态决策表征的第一特征位置,将所述第二监测任务周期特征元素增设至所述故障状态决策表征的第二特征位置,以生成待融合交互控制状态监测知识;
将所述待融合交互控制状态监测知识与剩余交互控制状态监测知识依次进行级联,得到异常监测牵涉向量链,其中,所述异常监测牵涉向量链的第一特征位置存在第一向量链注释,所述异常监测牵涉向量链的第二特征位置存在第二向量链注释。
2.根据权利要求1所述的方法,其特征在于,所述IOT联动传感监测信息最少包含振动传感监测信息以及压力传感监测信息;所述依据所述IOT联动传感监测信息进行交互控制状态识别,得到每个传感监测任务通道分别对应的交互控制状态监测知识,包括:
对所述振动传感监测信息进行卷积操作,得到振动传感监测向量,将所述振动传感监测向量作为振动传感监测任务通道的交互控制状态监测知识;
对所述压力传感监测信息进行信息拆解,得到若干个第一压力传感监测字段;
对所述若干个第一压力传感监测字段进行语义提炼,得到压力传感监测信息的压力监测语义向量链,并将所述压力监测语义向量链作为压力传感监测任务通道的交互控制状态监测知识。
3.根据权利要求1所述的方法,其特征在于,所述IOT联动传感监测信息包括温度传感监测信息以及压力传感监测信息;所述依据所述IOT联动传感监测信息进行交互控制状态识别,得到每个传感监测任务通道分别对应的交互控制状态监测知识,包括:
对所述温度传感监测信息进行时段采样,得到所述温度传感监测信息的每个阶段温度监测数据;
对每个所述阶段温度监测数据进行卷积操作,得到每个所述阶段温度监测数据的阶段温度变化向量,将所述阶段温度变化向量作为振动传感监测任务通道的交互控制状态监测知识;
对所述压力传感监测信息进行信息拆解,得到若干个第一压力传感监测字段;
对所述若干个第一压力传感监测字段进行语义提炼,得到压力传感监测信息的压力监测语义向量链,并将所述压力监测语义向量链作为压力传感监测任务通道的交互控制状态监测知识。
4.根据权利要求1所述的方法,其特征在于,当所述IOT联动传感监测信息仅包括温度传感监测信息时,所述依据所述IOT联动传感监测信息进行交互控制状态识别,得到每个传感监测任务通道分别对应的交互控制状态监测知识,包括:
对所述温度传感监测信息进行时段采样,得到所述温度传感监测信息的每个阶段温度监测数据;
对每个所述阶段温度监测数据进行卷积操作,得到每个所述阶段温度监测数据的阶段温度变化向量,将所述阶段温度变化向量作为振动传感监测任务通道的交互控制状态监测知识;
对每个所述阶段温度监测数据进行传感滤波优化,得到每个所述阶段温度监测数据包含的第一阶段监测滤波结果,以及对所述温度传感监测信息的传感信号进行特征强化,得到所述温度传感监测信息的传感信号所包含的第二阶段监测滤波结果;
对所述第一阶段监测滤波结果与所述第二阶段监测滤波结果分别进行信息拆解,得到若干个第二压力传感监测字段;
对所述若干个第二压力传感监测字段进行语义提炼,得到压力传感监测信息的压力监测语义向量链,并将所述压力监测语义向量链作为压力传感监测任务通道的交互控制状态监测知识。
5.根据权利要求1所述的方法,其特征在于,所述IOT联动传感监测信息包括振动传感监测信息和压力传感监测信息,所述故障诊断结果的种类为振动异常;则所述依据所述异常监测牵涉向量链生成所述轴承阀座铣销控制系统的故障诊断结果,包括:
对所述异常监测牵涉向量链进行预测操作,得到异常趋势预测观点;
对所述异常趋势预测观点进行判别操作,得到所述轴承阀座铣销控制系统的振动异常判别结果。
6.根据权利要求1所述的方法,其特征在于,所述IOT联动传感监测信息包括振动传感监测信息和压力传感监测信息,所述故障诊断结果的种类为压力异常;
所述依据所述异常监测牵涉向量链生成所述轴承阀座铣销控制系统的故障诊断结果,包括:
对所述异常监测牵涉向量链进行预测操作,得到压力风险预测观点;
对所述压力风险预测观点进行判别操作,得到所述轴承阀座铣销控制系统的异常压力风险标签。
7.根据权利要求1所述的方法,其特征在于,所述方法通过深度学习网络实现,所述深度学习网络包括:状态特征嵌入子网、状态特征决策子网以及故障状态预测子网;
所述状态特征嵌入子网用于实现所述交互控制状态识别,所述状态特征决策子网用于实现所述故障状态决策以及所述知识碰撞,所述故障状态预测子网用于依据所述异常监测牵涉向量链生成所述轴承阀座铣销控制系统的故障诊断结果;
其中,在所述收集轴承阀座铣销控制系统对应的IOT联动传感监测信息之前,所述方法还包括:
获取压力传感监测信息学习示例以及振动传感监测信息学习示例,其中,所述振动传感监测信息学习示例的知识特征尺寸高于所述压力传感监测信息学习示例;
依据所述压力传感监测信息学习示例以及所述振动传感监测信息学习示例调用所述深度学习网络进行协同调试操作,得到调试后的所述深度学习网络,其中,调试后的所述深度学习网络用于依据所输入的IOT联动传感监测信息生成至少一种传感监测任务通道的故障诊断结果;
其中,所述协同调试操作的调试达标条件包括:所述深度学习网络用于对所述压力传感监测信息的交互控制状态监测知识进行故障诊断处理;所述深度学习网络用于依据所述异常监测牵涉向量链输出异常监测观点。
8.一种AI异常监测系统,其特征在于,包括:存储器,用于存储程序指令和数据;处理器,用于与存储器耦合,执行所述存储器中的指令,以实现如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410243658.9A CN117826770B (zh) | 2024-03-04 | 2024-03-04 | 轴承阀座铣销控制系统的异常监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410243658.9A CN117826770B (zh) | 2024-03-04 | 2024-03-04 | 轴承阀座铣销控制系统的异常监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117826770A CN117826770A (zh) | 2024-04-05 |
CN117826770B true CN117826770B (zh) | 2024-05-07 |
Family
ID=90519494
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410243658.9A Active CN117826770B (zh) | 2024-03-04 | 2024-03-04 | 轴承阀座铣销控制系统的异常监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117826770B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115931354A (zh) * | 2022-10-20 | 2023-04-07 | 国网江西省电力有限公司超高压分公司 | 基于多级决策融合的阀冷系统主循环泵轴承故障识别方法 |
CN116109645A (zh) * | 2023-04-14 | 2023-05-12 | 锋睿领创(珠海)科技有限公司 | 基于先验知识的智能处理方法、装置、设备和介质 |
CN116304836A (zh) * | 2023-04-03 | 2023-06-23 | 中南大学 | 一种基于领域知识引导的少样本半监督轴承故障诊断方法 |
CN116563757A (zh) * | 2023-05-04 | 2023-08-08 | 上海好芯好翼智能科技有限公司 | 基于物联网的智慧工地监控方法及系统 |
CN117061569A (zh) * | 2023-10-11 | 2023-11-14 | 工福(北京)科技发展有限公司 | 一种基于物联网的工会交互数字信息监测系统 |
CN117591924A (zh) * | 2023-10-08 | 2024-02-23 | 国华能源投资有限公司 | 轴承故障检测的方法、装置、存储介质及电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4338022A2 (en) * | 2021-05-06 | 2024-03-20 | Strong Force IoT Portfolio 2016, LLC | Quantum, biological, computer vision, and neural network systems for industrial internet of things |
-
2024
- 2024-03-04 CN CN202410243658.9A patent/CN117826770B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115931354A (zh) * | 2022-10-20 | 2023-04-07 | 国网江西省电力有限公司超高压分公司 | 基于多级决策融合的阀冷系统主循环泵轴承故障识别方法 |
CN116304836A (zh) * | 2023-04-03 | 2023-06-23 | 中南大学 | 一种基于领域知识引导的少样本半监督轴承故障诊断方法 |
CN116109645A (zh) * | 2023-04-14 | 2023-05-12 | 锋睿领创(珠海)科技有限公司 | 基于先验知识的智能处理方法、装置、设备和介质 |
CN116563757A (zh) * | 2023-05-04 | 2023-08-08 | 上海好芯好翼智能科技有限公司 | 基于物联网的智慧工地监控方法及系统 |
CN117591924A (zh) * | 2023-10-08 | 2024-02-23 | 国华能源投资有限公司 | 轴承故障检测的方法、装置、存储介质及电子设备 |
CN117061569A (zh) * | 2023-10-11 | 2023-11-14 | 工福(北京)科技发展有限公司 | 一种基于物联网的工会交互数字信息监测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117826770A (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lo et al. | Review of machine learning approaches in fault diagnosis applied to IoT systems | |
Chenchala et al. | Predictive Maintenance and Resource Optimization in Inventory Identification Tool Using ML | |
CN108700873B (zh) | 用于自动化系统的现场设备的智能嵌入式控制系统 | |
CN114048600A (zh) | 一种数字孪生驱动的多模型融合工业系统异常检测方法 | |
CN101859128A (zh) | 一种基于知识的车铣复合机床故障预测专家系统 | |
US20220187787A1 (en) | Method for determining a property of a machine, in particular a machine tool, without metrologically capturing the property | |
CN117784710B (zh) | 数控机床远程状态监控系统及其方法 | |
Zhou et al. | Variation source identification for deep hole boring process of cutting-hard workpiece based on multi-source information fusion using evidence theory | |
Ma et al. | Artificial intelligence enhanced interaction in digital twin shop-floor | |
de Calle et al. | Dynamic condition monitoring method based on dimensionality reduction techniques for data-limited industrial environments | |
CN112488541A (zh) | 面向工地用电设备多模态故障预警方法及系统 | |
CN117420792A (zh) | 用于复合型加工机床的中控系统 | |
CN117687307A (zh) | 一种多摇杆控制方法、装置、设备及存储介质 | |
CN118242231A (zh) | 基于大数据ai算法的风电机组运行监测方法及系统 | |
KR102306244B1 (ko) | 디바이스의 결함 검출 모델 생성 방법 및 장치 | |
CN117826770B (zh) | 轴承阀座铣销控制系统的异常监测方法及系统 | |
KR102350636B1 (ko) | 플랜트 고장 예지 장치 및 방법 | |
US20210116894A1 (en) | Manufacturing Automation using Acoustic Separation Neural Network | |
Klein et al. | Using expert knowledge for masking irrelevant data streams in siamese networks for the detection and prediction of faults | |
CN117742304B (zh) | 曲轴双顶车控制系统的故障诊断方法及系统 | |
KR102418118B1 (ko) | 주파수 합성을 이용한 딥러닝 기반 설비 진단 장치 및 방법 | |
CN117390496B (zh) | 面向工业燃气发电机组系统的运行信息识别方法及系统 | |
CN118068775B (zh) | 机床回参考点控制方法、设备和可读存储介质 | |
Luo et al. | Real-time faults prediction by deep learning with multi-sensor measurements over IoT networks | |
Shankar | Intelligent Fault Diagnosis in Electric Motors Using AI Techniques |
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 |