【技術(shù)實現(xiàn)步驟摘要】
本專利技術(shù)涉及多維數(shù)據(jù)感知融合技術(shù)，具體涉及一種基于多維數(shù)據(jù)感知融合的工業(yè)設備故障檢測方法及裝置。
技術(shù)介紹
1、在工業(yè)自動化領(lǐng)域，設備預測性維護作為生產(chǎn)制造的核心，廣泛應用在工業(yè)生產(chǎn)環(huán)境中。然而，設備故障和維護不當仍然是一項嚴重挑戰(zhàn)，可能導致生產(chǎn)線的停機，增加維護成本，并降低生產(chǎn)效率。
2、目前常用的工業(yè)設備故障檢測方法包括以下四種：
3、(1)基于人工神經(jīng)網(wǎng)絡技術(shù)的多傳感器數(shù)據(jù)融合：主要是通過對不同傳感器的信息進行預處理和特征提取，融合到人工神經(jīng)網(wǎng)絡中進行訓練和診斷，實現(xiàn)對故障的檢測和定位。這種方法適用于大型的、復雜的機器故障診斷系統(tǒng)，例如航空發(fā)動機、火箭發(fā)動機等。
4、(2)基于支持向量機技術(shù)的多傳感器數(shù)據(jù)融合：主要是通過對不同傳感器數(shù)據(jù)進行融合，建立支持向量機的模型，并通過訓練學習來達到故障診斷的目的。與神經(jīng)網(wǎng)絡方法相比，通過支持向量機技術(shù)可以獲取更高的分類準確率，但其模型訓練時間和規(guī)模等問題則需要進一步解決。
5、(3)基于貝葉斯網(wǎng)絡技術(shù)的多傳感器數(shù)據(jù)融合：主要是通過對不同傳感器數(shù)據(jù)進行融合，建立貝葉斯網(wǎng)絡模型，并通過訓練學習來實現(xiàn)故障診斷。這種方法的優(yōu)點在于它能夠理解故障診斷的過程和知識，可以適應不同的環(huán)境和數(shù)據(jù)，但對于海量以及復雜的故障診斷問題所需的計算量較大，所以在實際應用中存在一些挑戰(zhàn)。
6、(4)基于時空特征關(guān)聯(lián)的有源無源數(shù)據(jù)融合方法：對有源傳感器與無源傳感器各自獲得的數(shù)據(jù)，從時間和空間兩個維度上進行關(guān)聯(lián)，首先將無源輻射源信息與有源目標數(shù)據(jù)進行關(guān)聯(lián)，
技術(shù)實現(xiàn)思路
1、為解決上述技術(shù)問題，本專利技術(shù)提出了一種基于多維數(shù)據(jù)感知融合的工業(yè)設備故障檢測方法及裝置，以提前預測設備的潛在故障，通過引入多模態(tài)數(shù)據(jù)融合、自適應實時監(jiān)測系統(tǒng)、強化學習的維護計劃優(yōu)化和可解釋性與可視化方法，提供一系列創(chuàng)新性解決方案，以解決工業(yè)設備預測性維護的挑戰(zhàn)，進一步提高設備的可靠性、降低維護成本，從而提升生產(chǎn)效率和競爭力。
2、根據(jù)本專利技術(shù)的目的，第一方面，本專利技術(shù)提出了一種基于多維數(shù)據(jù)感知融合的工業(yè)設備故障檢測方法，包括：
3、實時獲取來自多個不同傳感器的多維數(shù)據(jù)；
4、將所述多維數(shù)據(jù)輸入至預先構(gòu)建的基于隨機森林算法的故障檢測模型以輸出工業(yè)設備故障檢測結(jié)果；
5、其中，所述多維數(shù)據(jù)包括設備運行數(shù)據(jù)以及標簽數(shù)據(jù)，所述故障檢測模型在預先構(gòu)建時通過多次訓練后得到多個不同的決策樹模型后進行組合，以使得根據(jù)所述標簽數(shù)據(jù)匹配出對應的運行數(shù)據(jù)后輸出所述工業(yè)設備故障檢測結(jié)果。
6、進一步的，預先構(gòu)建的基于隨機森林算法的故障檢測模型的步驟包括采集設備運行數(shù)據(jù)并進行預處理后生成樣本集的過程，具體為，在一預設時間內(nèi)以預設的采樣頻率獲取設備運行數(shù)據(jù)，并進行數(shù)據(jù)清洗后對所述設備運行數(shù)據(jù)設定標簽數(shù)據(jù)，并將所述設備運行數(shù)據(jù)、所述標簽數(shù)據(jù)進行匹配后配置在一預設閾值范圍內(nèi)以生成基于多維數(shù)據(jù)的樣本集。
7、進一步的，預先構(gòu)建的基于隨機森林算法的故障檢測模型的步驟還包括將隨機森林算法在以決策樹為基學習器構(gòu)建bgaaing集成的基礎(chǔ)上，基于所述樣本集輸入后進行的決策樹訓練過程中引入隨機屬性選擇，以從已有的特征中隨機選擇部分特征參與節(jié)點劃分，以降低多個不同的決策樹模型之間的關(guān)聯(lián)性。
8、進一步的，將所述多維數(shù)據(jù)輸入至預先構(gòu)建的基于隨機森林算法的故障檢測模型以輸出工業(yè)設備故障檢測結(jié)果的步驟還包括獲取故障的特征在分類時的多項權(quán)重值，將多項所述權(quán)重值對應到所述標簽數(shù)據(jù)的標簽中，從而對所述樣本集進行排序后構(gòu)成訓練集和測試集，通過所述訓練集對預先構(gòu)建的基于隨機森林算法的故障檢測模型，并基于所述測試集進行測試后構(gòu)建出基于隨機森林算法的故障檢測模型。
9、進一步的，將多項所述權(quán)重值對應到所述標簽數(shù)據(jù)的標簽的步驟包括根據(jù)權(quán)重值生成基于主電機后軸承時域加速度有效值的改變對狀態(tài)的影響因子，以及生成基于電機模塊電機溫度、高速軸軸承1#時域加速度有效值、主電機后軸承時域加速度有效值、主電機后軸承時域加速度峰值的改變對狀態(tài)診斷的影響因素因子。
10、進一步的，所述預設時間為3天。
11、進一步的，所述采樣頻率為1分鐘1次。
12、進一步的，所述標簽數(shù)據(jù)的標簽包括頻域速度有效值、狀態(tài)標簽中的一種或兩種，其中，所述狀態(tài)標簽包括正常停機、正常運行和故障停機，并對應賦予狀態(tài)值0,1,2。
13、進一步的，多項所述權(quán)重值的和為1。
14、根據(jù)本專利技術(shù)的目的，第二方面，本專利技術(shù)還提出了一種基于多維數(shù)據(jù)感知融合的工業(yè)設備故障檢測方法的裝置，包括：
15、獲取模塊，用于實時獲取來自多個不同傳感器的多維數(shù)據(jù)；
16、處理模塊，用于將所述多維數(shù)據(jù)輸入至預先構(gòu)建的基于隨機森林算法的故障檢測模型以輸出工業(yè)設備故障檢測結(jié)果；
17、其中，所述多維數(shù)據(jù)包括設備運行數(shù)據(jù)以及標簽數(shù)據(jù)，所述故障檢測模型在預先構(gòu)建時通過多次訓練后得到多個不同的決策樹模型后進行組合，以使得根據(jù)所述標簽數(shù)據(jù)匹配出對應的運行數(shù)據(jù)后輸出所述工業(yè)設備故障檢測結(jié)果。
18、本專利技術(shù)提出了一種基于多維數(shù)據(jù)感知融合的工業(yè)設備故障檢測方法及裝置，包括，實時獲取來自多個不同傳感器的多維數(shù)據(jù)；將所述多維數(shù)據(jù)輸入至預先構(gòu)建的基于隨機森林算法的故障檢測模型以輸出工業(yè)設備故障檢測結(jié)果。在本專利技術(shù)中，所用的隨機森林是一種集成學習方法，通過結(jié)合多個決策樹的結(jié)果來進行預測。相比于基于神經(jīng)網(wǎng)絡的多源數(shù)據(jù)融合具有較強的魯棒性，能夠有效應對傳感器數(shù)據(jù)中的不確定性和變異性，從而提高了系統(tǒng)的穩(wěn)定性。
本文檔來自技高網(wǎng)...【技術(shù)保護點】
1.一種基于多維數(shù)據(jù)感知融合的工業(yè)設備故障檢測方法，其特征在于，所述方法包括如下步驟：
2.根據(jù)權(quán)利要求1所述的工業(yè)設備故障檢測方法，其特征在于，預先構(gòu)建的基于隨機森林算法的故障檢測模型的步驟包括采集設備運行數(shù)據(jù)并進行預處理后生成樣本集的過程，具體為，在一預設時間內(nèi)以預設的采樣頻率獲取設備運行數(shù)據(jù)，并進行數(shù)據(jù)清洗后對所述設備運行數(shù)據(jù)設定標簽數(shù)據(jù)，并將所述設備運行數(shù)據(jù)、所述標簽數(shù)據(jù)進行匹配后配置在一預設閾值范圍內(nèi)以生成基于多維數(shù)據(jù)的樣本集。
3.根據(jù)權(quán)利要求2所述的工業(yè)設備故障檢測方法，其特征在于，預先構(gòu)建的基于隨機森林算法的故障檢測模型的步驟還包括將隨機森林算法在以決策樹為基學習器構(gòu)建Bgaaing集成的基礎(chǔ)上，基于所述樣本集輸入后進行的決策樹訓練過程中引入隨機屬性選擇，以從已有的特征中隨機選擇部分特征參與節(jié)點劃分，以降低多個不同的決策樹模型之間的關(guān)聯(lián)性。
4.根據(jù)權(quán)利要求3所述的工業(yè)設備故障檢測方法，其特征在于，將所述多維數(shù)據(jù)輸入至預先構(gòu)建的基于隨機森林算法的故障檢測模型以輸出工業(yè)設備故障檢測結(jié)果的步驟還包括獲取故障的特征在分類時的多項權(quán)重值
5.根據(jù)權(quán)利要求4所述的工業(yè)設備故障檢測方法，其特征在于，將多項所述權(quán)重值對應到所述標簽數(shù)據(jù)的標簽的步驟包括根據(jù)權(quán)重值生成基于主電機后軸承時域加速度有效值的改變對狀態(tài)的影響因子，以及生成基于電機模塊電機溫度、高速軸軸承1#時域加速度有效值、主電機后軸承時域加速度有效值、主電機后軸承時域加速度峰值的改變對狀態(tài)診斷的影響因素因子。
6.根據(jù)權(quán)利要求2所述的工業(yè)設備故障檢測方法，其特征在于，所述預設時間為3天。
7.根據(jù)權(quán)利要求2所述的工業(yè)設備故障檢測方法，其特征在于，所述采樣頻率為1分鐘1次。
8.根據(jù)權(quán)利要求2所述的工業(yè)設備故障檢測方法，其特征在于，所述標簽數(shù)據(jù)的標簽包括頻域速度有效值、狀態(tài)標簽中的一種或兩種，其中，所述狀態(tài)標簽包括正常停機、正常運行和故障停機，并對應賦予狀態(tài)值0,1,2。
9.根據(jù)權(quán)利要求5所述的工業(yè)設備故障檢測方法，其特征在于，多項所述權(quán)重值的和為1。
10.一種如權(quán)利要求1-9任一項所述的基于多維數(shù)據(jù)感知融合的工業(yè)設備故障檢測方法的裝置，其特征在于，所述裝置包括：
...【技術(shù)特征摘要】
1.一種基于多維數(shù)據(jù)感知融合的工業(yè)設備故障檢測方法，其特征在于，所述方法包括如下步驟：
2.根據(jù)權(quán)利要求1所述的工業(yè)設備故障檢測方法，其特征在于，預先構(gòu)建的基于隨機森林算法的故障檢測模型的步驟包括采集設備運行數(shù)據(jù)并進行預處理后生成樣本集的過程，具體為，在一預設時間內(nèi)以預設的采樣頻率獲取設備運行數(shù)據(jù)，并進行數(shù)據(jù)清洗后對所述設備運行數(shù)據(jù)設定標簽數(shù)據(jù)，并將所述設備運行數(shù)據(jù)、所述標簽數(shù)據(jù)進行匹配后配置在一預設閾值范圍內(nèi)以生成基于多維數(shù)據(jù)的樣本集。
3.根據(jù)權(quán)利要求2所述的工業(yè)設備故障檢測方法，其特征在于，預先構(gòu)建的基于隨機森林算法的故障檢測模型的步驟還包括將隨機森林算法在以決策樹為基學習器構(gòu)建bgaaing集成的基礎(chǔ)上，基于所述樣本集輸入后進行的決策樹訓練過程中引入隨機屬性選擇，以從已有的特征中隨機選擇部分特征參與節(jié)點劃分，以降低多個不同的決策樹模型之間的關(guān)聯(lián)性。
4.根據(jù)權(quán)利要求3所述的工業(yè)設備故障檢測方法，其特征在于，將所述多維數(shù)據(jù)輸入至預先構(gòu)建的基于隨機森林算法的故障檢測模型以輸出工業(yè)設備故障檢測結(jié)果的步驟還包括獲取故障的特征在分類時的多項權(quán)重值，將多項所述權(quán)重值對應到所述標簽數(shù)據(jù)的標簽中，從而對所述樣本集進行排序后構(gòu)成訓練集和測試集，通過...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：史常浩，杜立偉，李陽，常鋒偉，聶忠碩，張旭，盛婉晴，
申請(專利權(quán))人：北京賽博星通科技有限公司，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。