CN117932486A - 检漏设备工作状态的预测方法、装置、设备及存储介质 - Google Patents
检漏设备工作状态的预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117932486A CN117932486A CN202311791841.4A CN202311791841A CN117932486A CN 117932486 A CN117932486 A CN 117932486A CN 202311791841 A CN202311791841 A CN 202311791841A CN 117932486 A CN117932486 A CN 117932486A
- Authority
- CN
- China
- Prior art keywords
- leak detection
- neural network
- result
- state
- predicting
- 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 239
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000003860 storage Methods 0.000 title claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 90
- 238000012549 training Methods 0.000 claims description 47
- 230000015654 memory Effects 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 4
- 239000001307 helium Substances 0.000 description 15
- 229910052734 helium Inorganic materials 0.000 description 15
- SWQJXJOGLNCZEY-UHFFFAOYSA-N helium atom Chemical compound [He] SWQJXJOGLNCZEY-UHFFFAOYSA-N 0.000 description 15
- 238000004519 manufacturing process Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 241000728173 Sarima Species 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000005461 lubrication Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000001819 mass spectrum Methods 0.000 description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000004949 mass spectrometry Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 231100000572 poisoning Toxicity 0.000 description 1
- 230000000607 poisoning effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及检漏仪技术领域,公开了一种检漏设备工作状态的预测方法、装置、设备及存储介质,该方法包括:获取各个时刻检漏设备的数据信息;利用预先训练好的神经网络检测模型对数据信息进行检测,生成检测结果;基于检测结果进行分类,生成分类结果;基于分类结果,利用目标神经网络预测模型预测下一时刻检漏设备的工作状态结果。本发明通过获取各个时刻检漏设备的数据信息,并通过神经网络检测模型对数据信息进行检测,然后通过目标神经网络预测模型预测下一时刻检漏设备的工作状态结果,相较于通过人工进行检测的方式,本方法能够通过神经网络预测模型客观准确地预测下一时刻检漏设备的工作状态结果。
Description
技术领域
本发明涉及检漏仪技术领域,具体涉及检漏设备工作状态的预测方法、装置、设备及存储介质。
背景技术
氦质谱检漏仪在生产线上使用过程中,由于生产环境,使用时间,被检件的不同,经常会遇到各种问题,导致检漏仪损坏不能工作。或者,检漏仪正常工作,但测试偏差比较大,数值已经出现严重不准,从而导致氦质谱检漏仪的检测结果不准确,甚至生产线停工。
目前,氦质谱检漏仪在生产线上使用过程中,往往通过操作人员手动对各个氦质谱检漏仪进行检查。但是,人工进行检测的方式,操作复杂,具有一定的主观性,容易出现检查纰漏的问题。
发明内容
有鉴于此,本发明提供了一种检漏设备工作状态的预测方法、装置、设备及存储介质,以解决人工进行检测的方式,操作复杂,具有一定的主观性,容易出现检查纰漏的问题。
第一方面,本发明提供了一种检漏设备工作状态的预测方法,该方法包括:获取各个时刻检漏设备的数据信息;利用预先训练好的神经网络检测模型对数据信息进行检测,生成检测结果;基于检测结果进行分类,生成分类结果;基于分类结果,利用目标神经网络预测模型预测下一时刻检漏设备的工作状态结果。
本实施例提供的检漏设备工作状态的预测方法,通过获取各个时刻检漏设备的数据信息,并通过神经网络检测模型对数据信息进行检测,然后通过目标神经网络预测模型预测下一时刻检漏设备的工作状态结果,相较于通过人工进行检测的方式,本方法能够通过神经网络预测模型客观准确地预测下一时刻检漏设备的工作状态结果。
在一个可选的实施方式中,数据信息包括:编号信息、应用场景信息以及特征信息;其中,利用预先训练好的神经网络检测模型对数据信息进行检测,生成检测结果,包括:基于编号信息以及应用场景信息,确定检漏设备对应的安全状态范围;检测特征信息是否满足安全状态范围;若特征信息满足安全状态范围,则判定检漏设备在对应时刻下的状态为安全状态;若特征信息不满足安全状态范围,则判定检漏设备在对应时刻下的状态为危险状态。
本实施例提供的检漏设备工作状态的预测方法,利用预先训练好的神经网络检测模型能够通过编号信息以及应用场景信息,确定检漏设备对应的安全状态范围,然后检测特征信息是否满足安全状态范围的方式,能够准确地确定检漏设备的状态。
在一个可选的实施方式中,在利用预先训练好的神经网络预测模型预测下一时刻检漏设备的工作状态结果之前,包括:构建神经网络预测模型;基于历史数据信息对神经网络预测模型进行训练,并在训练的过程中,对神经网络预测模型进行调优处理,得到目标神经网络预测模型。
本实施例提供的检漏设备工作状态的预测方法,通过对神经网络预测模型进行调优处理,得到目标神经网络预测模型,能够优化模型的性能,提高目标神经网络预测模型对下一时刻检漏设备的工作状态结果进行预测的准确性和精度。
在一个可选的实施方式中,基于检测结果进行分类,生成分类结果,包括:响应于目标对象的分类操作,将检测结果为检漏设备在对应时刻下的状态为安全状态的特征信息分为第一类别;将检测结果为检漏设备在对应时刻下的状态为危险状态的特征信息分为第二类别,按照时刻顺序将第一类别以及第二类别进行排序,生成分类结果。
本实施例提供的检漏设备工作状态的预测方法,通过将安全状态的特征信息分为第一类别,危险状态的特征信息分为第二类别,能够实现特征信息的分类,从而便于后续对下一时刻检漏设备的工作状态结果进行预测。
在一个可选的实施方式中,基于分类结果,利用目标神经网络预测模型预测下一时刻检漏设备的工作状态结果,包括:基于分类结果,利用目标神经网络预测模型预测下一时刻检漏设备的工作状态结果的多个错误事件以及错误事件对应的错误率;将各个错误事件的错误率进行比对,得到各个错误率中满足预设条件的目标错误率;将目标错误率以及目标错误率对应的错误事件作为工作状态结果。
本实施例提供的检漏设备工作状态的预测方法,检漏设备的工作状态结果包括多个错误事件以及错误事件对应的错误率时,通过对错误事件对应的错误率对多个错误事件进行筛选,确定最有可能发生的错误事件,从而能够精准定位错误时间,从而缩短排查时间的同时,提高维修效率。
在一个可选的实施方式中,还包括:将工作状态结果在显示设备上进行显示。
本实施例提供的检漏设备工作状态的预测方法,通过显示设备显示工作状态结果,能够便于操作人员进行查看。
在一个可选的实施方式中,构建预先训练好的神经网络检测模型的过程,包括:获取测试数据集;其中,测试数据集由不同时刻下,检漏设备的历史数据信息组成;基于测试数据集,对预训练模型进行训练,直至预训练模型的准确率满足目标条件,得到神经网络检测模型。
第二方面,本发明提供了一种检漏设备工作状态的预测装置,该装置包括:获取模块,用于获取各个时刻检漏设备的数据信息;检测模块,用于利用预先训练好的神经网络检测模型对数据信息进行检测,生成检测结果;分类模块,用于基于检测结果进行分类,生成分类结果;预测模块,用于基于分类结果,利用目标神经网络预测模型预测下一时刻检漏设备的工作状态结果。
第三方面,本发明提供了一种计算机设备,包括:存储器和处理器,存储器和处理器之间互相通信连接,存储器中存储有计算机指令,处理器通过执行计算机指令,从而执行上述第一方面或其对应的任一实施方式的检漏设备工作状态的预测方法。
第四方面,本发明提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机指令,计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的检漏设备工作状态的预测方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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他的附图。
图1是根据本发明实施例的检漏设备工作状态的预测方法的流程示意图;
图2是根据本发明实施例的另一检漏设备工作状态的预测方法的流程示意图;
图3是根据本发明实施例的又一检漏设备工作状态的预测方法的流程示意图;
图4是根据本发明实施例的检漏设备工作状态的预测装置的结构框图;
图5是本发明实施例的计算机设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
基于相关技术可知,氦质谱检漏仪在生产线上使用过程中,由于生产环境,使用时间,被检件的不同,经常会遇到各种问题,导致检漏仪损坏不能工作。或者,检漏仪正常工作,但测试偏差比较大,数值已经出现严重不准,从而导致氦质谱检漏仪的检测结果不准确,甚至生产线停工。
目前,氦质谱检漏仪在生产线上使用过程中,往往通过操作人员手动对各个氦质谱检漏仪进行检查。但是,人工进行检测的方式,操作复杂,具有一定的主观性,容易出现检查纰漏的问题。
基于此,本实施例提供的检漏设备工作状态的预测方法,通过获取各个时刻检漏设备的数据信息,并通过神经网络检测模型对数据信息进行检测,然后通过目标神经网络预测模型预测下一时刻检漏设备的工作状态结果,相较于通过人工进行检测的方式,本方法能够通过神经网络预测模型客观准确地预测下一时刻检漏设备的工作状态结果。
根据本发明实施例,提供了一种检漏设备工作状态的预测方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种检漏设备工作状态的预测方法,可用于计算机设备,如电脑、服务器等,图1是根据本发明实施例的检漏设备工作状态的预测方法的流程示意图,如图1所示,该流程包括如下步骤:
步骤S101,获取各个时刻检漏设备的数据信息。
检漏设备可以为氦质谱检漏仪。其中,氦质谱检漏仪是一种专门用于检漏的检漏设备,它使用氦气作为示漏气体。以下是对氦质谱检漏仪的一些介绍:
工作原理:氦质谱检漏仪是磁偏转型的质谱分析计。在单级磁偏转型检漏设备中,一次分析即可完成检漏,其灵敏度为lO~10Pam/s,广泛用于各种真空系统及零部件的检漏。双级串联磁偏转型检漏设备与单级磁偏转型检漏设备相比,本底噪声显著减小,其灵敏度可达10~10Pam/s,适用于超高真空系统、零部件及元器件的检漏。逆流氦质谱检漏仪改变了常规型检漏设备的结构布局,被检件置于检漏仪主抽泵的前级部位,因此具有可在高压力下检漏、不用液氮及质谱室污染小等特点,适用于大漏率、真空卫生较差的真空系统的检漏,其灵敏度可达10Pam/s。氦质谱检漏仪由离子源、分析器、收集器、冷阴极电离规组成的质谱室和抽气系统及电气部分等组成。
数据信息可以用于表征检漏设备的编号,检漏设备的应用场景以及检漏设备特征信息。其中,检漏设备特征信息可以包括:检漏设备使用环境温度,检漏设备使用环境湿度,检漏设备运行时间,每个电磁阀使用时间,每个电磁阀开关次数,分子泵运行时间,分子泵温度,分子泵电流,分子泵电压,机械泵运行时间,压强,质谱室阴极,阳极电压,灯丝电流,漏率等,在此不做具体限定。
各个时刻的检漏设备的数据信息可以用于表征一个周期内每一个时间段的捡漏设备的数据信息。其中,一个周期可以为5个小时,每一个时间段可以为1个小时,也可以为30分钟等,在此不做具体限定。具体地,各个时刻检漏设备的数据信息可以通过设置的采集设备进行采集,然后通过计算机设备获取采集设备采集的数据信息。
步骤S102,利用预先训练好的神经网络检测模型对数据信息进行检测,生成检测结果。
预先训练好的神经网络检测模型可以执行检测任务。其中,神经网络检测模型可以为通过卷积神经网络(CNN)或循环神经网络(RNN)等结构构建的神经网络检测模型,在此不做具体限定。
检测结果可以用于表征检漏设备在各个时刻是否为安全状态。例如:检漏设备在A时刻的状态为安全状态,检漏设备在B时刻的状态为非安全状态,检漏设备在C时刻的状态为安全状态。具体地,利用预先训练好的神经网络检测模型对数据信息进行检测,生成检测结果的具体步骤,在下文进行详细描述。
步骤S103,基于检测结果进行分类,生成分类结果。
由上文内容可知,检漏设备对应的状态可以为安全状态,也可以为非安全状态(也即危险状态),可以将检漏设备按照状态进行分类,生成分类结果。具体地,基于检测结果进行分类,生成分类结果的具体步骤,在下文进行详细描述。
步骤S104,基于分类结果,利用目标神经网络预测模型预测下一时刻检漏设备的工作状态结果。
目标神经网络预测模型可以为自回归模型(AR)、移动平均模型(MA)、自回归滑动平均模型(ARMA)、ARIMA模型、SARIMA模型等,在此不做具体限定。具体地,通过目标神经网络预测模型以及分类结果,能够预测下一时刻检漏设备的工作状态结果。其中,下一时刻可以为半个小时、1个小时等,在此不做具体限定。
本实施例提供的检漏设备工作状态的预测方法,通过获取各个时刻检漏设备的数据信息,并通过神经网络检测模型对数据信息进行检测,然后通过目标神经网络预测模型预测下一时刻检漏设备的工作状态结果,相较于通过人工进行检测的方式,本方法能够通过神经网络预测模型客观准确地预测下一时刻检漏设备的工作状态结果。
在本实施例中提供了一种检漏设备工作状态的预测方法,可用于计算机设备,如电脑、服务器等,图2是根据本发明实施例的检漏设备工作状态的预测方法的流程示意图,如图2所示,该流程包括如下步骤:
步骤S201,获取各个时刻检漏设备的数据信息。详细请参见图1所示实施例的步骤S101,在此不再赘述。
步骤S202,利用预先训练好的神经网络检测模型对数据信息进行检测,生成检测结果。
具体地,数据信息包括:编号信息、应用场景信息以及特征信息;其中,上述步骤S202包括:
步骤S2021,基于编号信息以及应用场景信息,确定检漏设备对应的安全状态范围。
编号信息可以用于表征各个检漏设备的序号。其中,编号信息可以为1、2等,在此不做具体限定。应用场景信息可以为检漏设备应用在半导体、超高真空系统等场景,在此不做具体限定。
安全状态范围可以用于表征检漏设备在对应的编号信息以及应用场景信息下,该检漏设备处于安全状态的安全状态范围。其中,安全状态范围可以为(A~B),也可以为(C-D),在此不做具体限定。具体地,预先训练好的神经网络检测模型中包括编号信息、应用场景信息以及安全状态范围之间的映射关系,因此,当将编号信息以及应用场景信息作为输入时,检漏设备对应的安全状态范围可以直接进行确定。
步骤S2022,检测特征信息是否满足安全状态范围。
计算机设备在得到安全状态范围以及特征信息之后,需要检测特征信息是否满足安全状态范围。其中,包含两种情况:情况一:特征信息满足安全状态范围。情况二:特征信息不满足安全状态范围。
步骤S2023,若特征信息满足安全状态范围,则判定检漏设备在对应时刻下的状态为安全状态。
若特征信息满足安全状态范围,则表征检漏设备不存在问题,则判定检漏设备在对应时刻下的状态为安全状态。
步骤S2024,若特征信息不满足安全状态范围,则判定检漏设备在对应时刻下的状态为危险状态。
若特征信息不满足安全状态范围,则表征检漏设备存在问题,则判定检漏设备在对应时刻下的状态为危险状态。
优选地,在确定检漏设备存在问题时,计算机设备可以通过特征信息确定检漏设备发生问题的位置,如:分子泵,主板通信接头、电磁阀1,电磁阀2,电磁阀3,电磁阀4,电磁阀5,标漏,氦中毒等,在此不做具体限定。
步骤S203,基于检测结果进行分类,生成分类结果。详细请参见图1所示实施例的步骤S103,在此不再赘述。
步骤S204,基于分类结果,利用目标神经网络预测模型预测下一时刻检漏设备的工作状态结果。详细请参见图1所示实施例的步骤S104,在此不再赘述。
本实施例提供的检漏设备工作状态的预测方法,利用预先训练好的神经网络检测模型能够通过编号信息以及应用场景信息,确定检漏设备对应的安全状态范围,然后检测特征信息是否满足安全状态范围的方式,能够准确地确定检漏设备的状态。
在本实施例中提供了一种检漏设备工作状态的预测方法,可用于计算机设备,如电脑、服务器等,图3是根据本发明实施例的检漏设备工作状态的预测方法的流程示意图,如图3所示,该流程包括如下步骤:
步骤S301,获取各个时刻检漏设备的数据信息。详细请参见图2所示实施例的步骤S201,在此不再赘述。
步骤S302,利用预先训练好的神经网络检测模型对数据信息进行检测,生成检测结果。详细请参见图2所示实施例的步骤S202,在此不再赘述。
步骤S303,基于检测结果进行分类,生成分类结果。
具体地,上述步骤S303包括:
步骤S3031,响应于目标对象的分类操作,将检测结果为检漏设备在对应时刻下的状态为安全状态的特征信息分为第一类别。
步骤S3032,将检测结果为检漏设备在对应时刻下的状态为危险状态的特征信息分为第二类别。
目标对象可以为操控计算机设备的显示界面的操作人员。分类操作可以为用户通过鼠标点击、键盘选择或者触屏所产生的操作,在用户发出分类操作时,相应地,计算机设备可以响应用户发出的分类操作,将检测结果为检漏设备在对应时刻下的状态为安全状态的特征信息分为第一类别;将检测结果为检漏设备在对应时刻下的状态为危险状态的特征信息分为第二类别。例如:时刻X的特征信息M、时刻X1特征信息M1以及时刻X2特征信息M2,其中,特征信息M以及特征信息M1满足安全状态范围,特征信息M2不满足安全状态范围,那么可以将M和M1分为第一类别,M2分为第二类别。
步骤S3033,按照时刻顺序将第一类别以及第二类别中的特征信息进行排序,生成分类结果。
时刻顺序用于表征不同时刻的顺序,具体地,可以按照从前到后的顺序对不同时刻的特征信息进行排序,从而得到上述分类结果。
步骤S304,基于分类结果,利用目标神经网络预测模型预测下一时刻检漏设备的工作状态结果。
具体地,上述步骤S304包括:
步骤S3041,基于分类结果,利用目标神经网络预测模型预测下一时刻检漏设备的工作状态结果的多个错误事件以及错误事件对应的错误率。
目标神经网络预测模型为神经网络预测模型进行调优之后得到的目标神经网络预测模型,其能够将准备率达到最高。错误事件用于表征检漏设备发生错误的位置、状态等。其中,错误事件可以包括:分子泵润滑、主板通信接头错位等,在此不做具体限定。错误率用于表征上述错误事件发生的概率。例如:分子泵润滑的发生概率为40%、主板通信接头错位发生的概率为50%。具体地,通过将分类结果作为输入,利用目标神经网络预测模型,可以将下一时刻检漏设备的工作状态结果的多个错误事件以及错误事件对应的错误率进行输出。
步骤S3042,将各个错误事件的错误率进行比对,得到各个错误率中满足预设条件的目标错误率。
在获取到检漏设备各个错误事件的错误率之后,将各个错误率进行比对,得到满足预设条件的目标错误率。其中,预设条件可以为概率最高的两个错误率。例如:错误率A、错误率B以及错误率C,其中,错误率C<错误率B<错误率A,那么可以将错误率A和错误率B作为目标错误率。
步骤S3043,将目标错误率以及目标错误率对应的错误事件作为工作状态结果。
工作状态结果可以包括:目标错误率以及目标错误率对应的错误事件。例如:错误率A、错误率B以及错误率C,其中,错误率C<错误率B<错误率A,那么可以将错误率A和错误率B作为目标错误率。错误率A对应错误事件A、错误率B作为错误事件B,那么错误事件A和错误事件B为检漏设备发生的错误,从而使得工作人员能够尽快对错误事件进行修正。
本实施例提供的检漏设备工作状态的预测方法,检漏设备的工作状态结果包括多个错误事件以及错误事件对应的错误率时,通过对错误事件对应的错误率对多个错误事件进行筛选,确定最有可能发生的错误事件,从而能够精准定位错误时间,从而缩短排查时间的同时,提高维修效率。
在一个可选的实施方式中,在步骤S104之前,上述方法还包括:
步骤a1,构建神经网络预测模型。
神经网络预测模型可以为自回归模型(AR)、移动平均模型(MA)、自回归滑动平均模型(ARMA)、ARIMA模型、SARIMA模型等,在此不做具体限定。
步骤a2,基于历史数据信息对神经网络预测模型进行训练,并在训练的过程中,对神经网络预测模型进行调优处理,直至神经网络预测模型达到目标条件,得到目标神经网络预测模型。
历史数据信息可以用于表征检漏设备的历史数据信息。例如;不同场景下,历史检漏设备使用环境温度,历史检漏设备使用环境湿度,历史检漏设备运行时间,历史每个电磁阀使用时间,历史每个电磁阀开关次数,历史分子泵运行时间,历史分子泵温度,历史分子泵电流,历史分子泵电压,历史机械泵运行时间,历史压强,历史质谱室阴极,历史阳极电压,历史灯丝电流,历史漏率等,在此不做具体限定。
调优处理可以包括调整超参数:超参数是影响神经网络性能的重要因素,通过调整这些超参数,可以显著提高模型的性能。数据预处理:对数据进行预处理是神经网络训练的重要步骤。预处理包括归一化、标准化、去除噪声等,可以提高模型的泛化能力和准确性。
添加正则化项:正则化项是一种防止过拟合的技术,通过在损失函数中添加正则化项,可以减少模型的复杂度,提高模型的泛化能力。
集成学习:集成学习是一种通过结合多个模型来提高预测精度的技术。通过将多个神经网络模型组合起来,可以显著提高模型的性能。
优化算法选择:不同的优化算法对神经网络的训练效果也有很大影响。选择适合自己问题的优化算法可以提高模型的训练效果。
批量归一化:批量归一化是一种在训练神经网络之前对数据进行预处理的技术,可以加速训练并提高模型的准确性。
早停法:早停法是一种防止过拟合的技术,通过在训练过程中提前停止训练来防止模型过拟合。
本实施例提供的检漏设备工作状态的预测方法,通过对神经网络预测模型进行调优处理,得到目标神经网络预测模型,能够优化模型的性能,提高目标神经网络预测模型对下一时刻检漏设备的工作状态结果进行预测的准确性和精度。
在一个可选的实施方式中,上述方法还包括:将工作状态结果在显示设备上进行显示。
显示设备可以用于表征将工作状态结果进行显示的设备。其中,显示设备可以为电脑显示屏,测试机显示屏,工控机显示屏等,在此不做具体限定。具体地,计算机设备在确定工作状态结果之后,将工作状态结果通过显示设备进行显示。
本实施例提供的检漏设备工作状态的预测方法,通过显示设备显示工作状态结果,能够便于操作人员进行查看。
在一个可选的实施方式中,构建预先训练好的神经网络检测模型的过程,包括:
步骤b1,获取训练数据集;其中,训练数据集由不同时刻下,检漏设备的历史数据信息以及历史工作状态结果组成。
训练数据集由不同时刻下,检漏设备的历史数据信息和历史工作状态结果组成,也即训练数据集能够表征不同的历史数据信息对应的历史工作状态结果。具体地,训练数据集可以从历史数据库中获取得到,也可以从其它存储数据的模块中获取得到,在此不做具体限定。
步骤b2,基于训练数据集,对预训练模型进行训练,得到神经网络检测模型。
预训练模型是一种在大量无标签数据上预先训练的模型,通常用于迁移学习。预训练模型通常包括深度神经网络、卷积神经网络、循环神经网络等。其中,预训练模型可以为(Bidirectional Encoder Representations from Transformers,BERT)模型、(Generative Pre-training Transformer,GPT)模型、(Visual Geometry Group,VGG)模型等,在此不做具体限定。通过训练数据集对与训练模型进行训练,得到上述神经网络检测模型。
在本实施例中还提供了一种检漏设备工作状态的预测装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种检漏设备工作状态的预测装置,如图4所示,包括:获取模块401,用于获取各个时刻检漏设备的数据信息;检测模块402,用于利用预先训练好的神经网络检测模型对数据信息进行检测,生成检测结果;分类模块403,用于基于检测结果进行分类,生成分类结果;预测模块404,用于基于分类结果,利用目标神经网络预测模型预测下一时刻检漏设备的工作状态结果。
在一些可选的实施方式中,检测模块402包括:第一确定单元,用于基于编号信息以及应用场景信息,确定检漏设备对应的安全状态范围;第一检测单元,用于检测特征信息是否满足安全状态范围;第一判定单元,用于若特征信息满足安全状态范围,则判定检漏设备在对应时刻下的状态为安全状态;第二判定单元,用于若特征信息不满足安全状态范围,则判定检漏设备在对应时刻下的状态为危险状态。
在一些可选的实施方式中,装置还包括:构建模块,用于构建神经网络预测模型;调优处理模块,用于基于历史数据信息对神经网络预测模型进行训练,并在训练的过程中,对神经网络预测模型进行调优处理,直至神经网络预测模型达到目标条件,得到目标神经网络预测模型。
在一些可选的实施方式中,分类模块403包括:第一分类单元,用于响应于目标对象的分类操作,将检测结果为检漏设备在对应时刻下的状态为安全状态的特征信息分为第一类别;第二分类单元,用于将检测结果为检漏设备在对应时刻下的状态为危险状态的特征信息分为第二类别;排序生成单元,用于按照时刻顺序将第一类别以及第二类别中的特征信息进行排序,生成分类结果。
在一些可选的实施方式中,预测模块404包括:预测单元,用于基于分类结果,利用目标神经网络预测模型预测下一时刻检漏设备的工作状态结果的多个错误事件以及错误事件对应的错误率;比对单元,用于将各个错误事件的错误率进行比对,得到各个错误率中满足预设条件的目标错误率;工作状态结果确定单元,用于将目标错误率以及目标错误率对应的错误事件作为工作状态结果。
在一些可选的实施方式中,装置还包括:显示模块,用于将工作状态结果在显示设备上进行显示。
在一些可选的实施方式中,装置还包括:训练数据集获取模块,用于获取训练数据集;其中,训练数据集由不同时刻下,检漏设备的历史数据信息和历史工作状态结果组成;预训练模型训练模块,用于基于训练数据集,对预训练模型进行训练,直至预训练模型的准确率满足目标条件,得到神经网络检测模型。
上述各个模块和单元的更进一步的功能描述与上述对应实施例相同,在此不再赘述。
本实施例中的检漏设备工作状态的预测装置是以功能单元的形式来呈现,这里的功能单元是指ASIC(Application Specific Integrated Circuit,专用集成电路)电路,执行一个或多个软件或固定程序的处理器和存储器,和/或其他可以提供上述功能的器件。
本发明实施例还提供一种电子设备,具有上述图4所示的检漏设备工作状态的预测装置。
请参阅图5,图5是本发明可选实施例提供的一种电子设备的结构示意图,如图5所示,该电子设备包括:一个或多个处理器10、存储器20,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相通信连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在一些可选的实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图5中以一个处理器10为例。
处理器10可以是中央处理器,网络处理器或其组合。其中,处理器10还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路,可编程逻辑器件或其组合。上述可编程逻辑器件可以是复杂可编程逻辑器件,现场可编程逻辑门阵列,通用阵列逻辑或其任意组合。
其中,存储器20存储有可由至少一个处理器10执行的指令,以使至少一个处理器10执行实现上述实施例示出的方法。
存储器20可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据电子设备的使用所创建的数据等。此外,存储器20可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些可选的实施方式中,存储器20可选包括相对于处理器10远程设置的存储器,这些远程存储器可以通过网络连接至该电子设备。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。
存储器20可以包括易失性存储器,例如,随机存取存储器;存储器也可以包括非易失性存储器,例如,快闪存储器,硬盘或固态硬盘;存储器20还可以包括上述种类的存储器的组合。
该电子设备还包括输入装置30和输出装置40。处理器10、存储器20、输入装置30和输出装置40可以通过总线或者其他方式连接,图5中以通过总线连接为例。
输入装置30可接收输入的数字或字符信息,以及产生与该电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等。输出装置40可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。上述显示设备包括但不限于液晶显示器,发光二极管,显示器和等离子体显示器。在一些可选的实施方式中,显示设备可以是触摸屏。
该电子设备还包括通信接口,用于该电子设备与其他设备或通信网络通信。
本发明实施例还提供了一种计算机可读存储介质,上述根据本发明实施例的方法可在硬件、固件中实现,或者被实现为可记录在存储介质,或者被实现通过网络下载的原始存储在远程存储介质或非暂时机器可读存储介质中并将被存储在本地存储介质中的计算机代码,从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件的存储介质上的这样的软件处理。其中,存储介质可为磁碟、光盘、只读存储记忆体、随机存储记忆体、快闪存储器、硬盘或固态硬盘等;进一步地,存储介质还可以包括上述种类的存储器的组合。可以理解,计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件,当软件或计算机代码被计算机、处理器或硬件访问且执行时,实现上述实施例示出的方法。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种检漏设备工作状态的预测方法,其特征在于,包括:
获取各个时刻检漏设备的数据信息;
利用预先训练好的神经网络检测模型对所述数据信息进行检测,生成检测结果;
基于所述检测结果进行分类,生成分类结果;
基于所述分类结果,利用目标神经网络预测模型预测下一时刻所述检漏设备的工作状态结果。
2.根据权利要求1所述的检漏设备工作状态的预测方法,其特征在于,所述数据信息包括:编号信息、应用场景信息以及特征信息;其中,所述利用预先训练好的神经网络检测模型对所述数据信息进行检测,生成检测结果,包括:
基于所述编号信息以及所述应用场景信息,确定所述检漏设备对应的安全状态范围;
检测所述特征信息是否满足所述安全状态范围;
若所述特征信息满足所述安全状态范围,则判定所述检漏设备在对应时刻下的状态为安全状态;
若所述特征信息不满足所述安全状态范围,则判定所述检漏设备在对应时刻下的状态为危险状态。
3.根据权利要求1所述的检漏设备工作状态的预测方法,其特征在于,在利用预先训练好的神经网络预测模型预测下一时刻所述检漏设备的工作状态结果之前,包括:
构建神经网络预测模型;
基于历史数据信息对所述神经网络预测模型进行训练,并在训练的过程中,对神经网络预测模型进行调优处理,直至所述神经网络预测模型达到目标条件,得到目标神经网络预测模型。
4.根据权利要求2所述的检漏设备工作状态的预测方法,其特征在于,所述基于所述检测结果进行分类,生成分类结果,包括:
响应于目标对象的分类操作,将所述检测结果为所述检漏设备在对应时刻下的状态为安全状态的所述特征信息分为第一类别;
将所述检测结果为所述检漏设备在对应时刻下的状态为危险状态的所述特征信息分为第二类别;
按照时刻顺序将所述第一类别以及所述第二类别中的所述特征信息进行排序,生成分类结果。
5.根据权利要求1所述的检漏设备工作状态的预测方法,其特征在于,基于所述分类结果,利用目标神经网络预测模型预测下一时刻所述检漏设备的工作状态结果,包括:
基于所述分类结果,利用目标神经网络预测模型预测下一时刻所述检漏设备的工作状态结果的多个错误事件以及所述错误事件对应的错误率;
将各个所述错误事件的错误率进行比对,得到各个所述错误率中满足预设条件的目标错误率;
将所述目标错误率以及所述目标错误率对应的错误事件作为所述工作状态结果。
6.根据权利要求1所述的检漏设备工作状态的预测方法,其特征在于,还包括:
将所述工作状态结果在显示设备上进行显示。
7.根据权利要求1所述的检漏设备工作状态的预测方法,其特征在于,构建所述预先训练好的神经网络检测模型的过程,包括:
获取训练数据集;其中,所述训练数据集由不同时刻下,检漏设备的历史数据信息和历史工作状态结果组成;
基于所述训练数据集,对预训练模型进行训练,直至所述预训练模型的准确率满足目标条件,得到所述神经网络检测模型。
8.一种检漏设备工作状态的预测装置,其特征在于,所述装置包括:
获取模块,用于获取各个时刻检漏设备的数据信息;
检测模块,用于利用预先训练好的神经网络检测模型对所述数据信息进行检测,生成检测结果;
分类模块,用于基于所述检测结果进行分类,生成分类结果;
预测模块,用于基于所述分类结果,利用目标神经网络预测模型预测下一时刻所述检漏设备的工作状态结果。
9.一种电子设备,其特征在于,包括:
存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行权利要求1至7中任一项所述的检漏设备工作状态的预测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机指令,所述计算机指令用于使计算机执行权利要求1至7中任一项所述的检漏设备工作状态的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311791841.4A CN117932486A (zh) | 2023-12-22 | 2023-12-22 | 检漏设备工作状态的预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311791841.4A CN117932486A (zh) | 2023-12-22 | 2023-12-22 | 检漏设备工作状态的预测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117932486A true CN117932486A (zh) | 2024-04-26 |
Family
ID=90767797
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311791841.4A Pending CN117932486A (zh) | 2023-12-22 | 2023-12-22 | 检漏设备工作状态的预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117932486A (zh) |
-
2023
- 2023-12-22 CN CN202311791841.4A patent/CN117932486A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3191797B1 (en) | Gas turbine sensor failure detection utilizing a sparse coding methodology | |
US20200371858A1 (en) | Fault Predicting System and Fault Prediction Method | |
CN109522192B (zh) | 一种基于知识图谱和复杂网络组合的预测方法 | |
EP2905665A2 (en) | Information processing apparatus, diagnosis method, and program | |
EP3869424A1 (en) | Equipment failure diagnosis support system and equipment failure diagnosis support method | |
CN110333962B (zh) | 一种基于数据分析预测的电子元器件故障诊断模型 | |
US20210191375A1 (en) | Method for carrying out measurements on a virtual basis, device, and computer readable medium | |
CN110543907A (zh) | 一种基于微机监测功率曲线的故障分类方法 | |
US20220027230A1 (en) | Predicting Equipment Fail Mode from Process Trace | |
CN115524002B (zh) | 一种电厂旋转设备的运行状态预警方法、系统及存储介质 | |
CN111738348A (zh) | 一种电力数据异常检测方法和装置 | |
KR20210083418A (ko) | 건물의 화재 예측 분석 장치 및 방법 | |
CN111310275A (zh) | 一种桥梁病害大数据分析方法 | |
CN111475526B (zh) | 基于oracle数据的时序数据转换方法、及其相关设备 | |
CN117932486A (zh) | 检漏设备工作状态的预测方法、装置、设备及存储介质 | |
US11665193B2 (en) | Method for managing plant, plant design device, and plant management device | |
CN111061254B (zh) | 一种phm系统性能的评价方法及系统 | |
US11593245B2 (en) | System, device and method for frozen period detection in sensor datasets | |
KR20210105196A (ko) | 플랜트 고장 예지 장치 및 방법 | |
CN114036242B (zh) | 一种基于qt的智能主轴振动状态监测方法及系统 | |
WO2024053030A1 (ja) | 異常要因推定装置、学習装置、精密診断システム、および、異常要因推定方法 | |
CN110909812B (zh) | 监控装置及监控方法 | |
CN112130518B (zh) | 半导体生产过程中的参数监控方法、系统及计算机可读存储介质 | |
US20200393799A1 (en) | Information processing apparatus, information processing method, and non-transitory computer readable medium | |
TW202248664A (zh) | 故障檢測裝置及故障檢測方法 |
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 |