【技術實現(xiàn)步驟摘要】
本專利技術涉及工業(yè)設備監(jiān)測，具體涉及一種基于機器學習的工業(yè)設備狀態(tài)監(jiān)測預警系統(tǒng)及方法。
技術介紹
1、工業(yè)設備狀態(tài)監(jiān)測預警系統(tǒng)是一種集成了多種先進技術的智能化系統(tǒng)，旨在實時監(jiān)測工業(yè)設備的運行狀態(tài)，及時發(fā)現(xiàn)并預警潛在故障，以保障工業(yè)生產(chǎn)的安全和穩(wěn)定。
2、現(xiàn)有的工業(yè)設備狀態(tài)監(jiān)測方法是將傳統(tǒng)的信號分析方法與機器學習相結合，包括信號的特征提取與特征的識別分類兩個階段。首先，對傳感器采集的振動信號進行預處理，對信號進行降維處理，再利用傳統(tǒng)的信號分析方法提取信號的相關特征，接著根據(jù)不同的應用場景采用合適的淺層神經(jīng)網(wǎng)絡分類器進行故障識別分類，從而通過分類器進行特征識別得到故障診斷信息。
3、然而，傳統(tǒng)的分類器大多屬于淺層次的學習模型，這種簡單的淺層次的架構限制了工業(yè)設備狀態(tài)監(jiān)測中復雜非線性關系的學習，導致狀態(tài)監(jiān)測預警結果的精確度較低。與此同時，傳統(tǒng)的神經(jīng)網(wǎng)絡結構較為復雜，一方面造成模型龐大，不便進行部署，另一方面在執(zhí)行任務時計算量也較大，效率較低，實時性較差。
技術實現(xiàn)思路
1、（一）解決的技術問題
2、針對現(xiàn)有技術所存在的上述缺點，本專利技術提供了一種基于機器學習的工業(yè)設備狀態(tài)監(jiān)測預警系統(tǒng)及方法，能夠有效克服現(xiàn)有技術所存在的難以對工業(yè)設備狀態(tài)進行精準、實時監(jiān)測預警的缺陷。
3、為實現(xiàn)以上目的，本專利技術通過以下技術方案予以實現(xiàn)：
4、一種基于機器學習的工業(yè)設備狀態(tài)監(jiān)測預警系統(tǒng)，包括神經(jīng)網(wǎng)絡訓練模塊、優(yōu)化剪枝策略生成模塊、剪枝神經(jīng)網(wǎng)絡
5、神經(jīng)網(wǎng)絡訓練模塊，對卷積神經(jīng)網(wǎng)絡進行模型訓練，得到訓練好的卷積神經(jīng)網(wǎng)絡；
6、優(yōu)化剪枝策略生成模塊，基于訓練好的卷積神經(jīng)網(wǎng)絡構建剪枝策略生成模型，并對剪枝策略生成模型進行多目標優(yōu)化求解，得到優(yōu)化剪枝策略；
7、剪枝神經(jīng)網(wǎng)絡生成模塊，根據(jù)優(yōu)化剪枝策略對訓練好的卷積神經(jīng)網(wǎng)絡進行剪枝，得到剪枝卷積神經(jīng)網(wǎng)絡；
8、振動信號采集模塊，采集待監(jiān)測工業(yè)設備的振動信號；
9、中央成分能量計算模塊，將振動信號轉換為空間頻率圖像，并計算空間頻率圖像中空間頻率的中央成分能量；
10、能量值計算模塊，根據(jù)空間頻率圖像中空間頻率的中央成分能量，計算能量值；
11、狀態(tài)監(jiān)測及預警模塊，將能量值輸入剪枝卷積神經(jīng)網(wǎng)絡，對待監(jiān)測工業(yè)設備進行狀態(tài)監(jiān)測，并根據(jù)狀態(tài)監(jiān)測結果進行預警。
12、優(yōu)選地，所述神經(jīng)網(wǎng)絡訓練模塊對卷積神經(jīng)網(wǎng)絡進行模型訓練，得到訓練好的卷積神經(jīng)網(wǎng)絡，包括：
13、s11、建立訓練數(shù)據(jù)集，并按照預設比例將訓練數(shù)據(jù)集分成訓練集、驗證集和測試集；
14、s12、設定卷積神經(jīng)網(wǎng)絡的損失函數(shù)和優(yōu)化器，將訓練集輸入卷積神經(jīng)網(wǎng)絡進行模型訓練；
15、s13、優(yōu)化器根據(jù)損失函數(shù)和網(wǎng)絡梯度信息更新網(wǎng)絡參數(shù)；
16、s14、若損失值小于預設閾值，則模型訓練結束，當前卷積神經(jīng)網(wǎng)絡即為訓練好的卷積神經(jīng)網(wǎng)絡，否則返回s12，繼續(xù)利用訓練集進行模型訓練；
17、s15、將驗證集輸入訓練好的卷積神經(jīng)網(wǎng)絡，通過觀察驗證集上的性能來評估模型的泛化能力，并調優(yōu)模型的超參數(shù)和結構；
18、s16、將測試集輸入調優(yōu)后的卷積神經(jīng)網(wǎng)絡，進行模型性能評估。
19、優(yōu)選地，s11中建立訓練數(shù)據(jù)集，并按照預設比例將訓練數(shù)據(jù)集分成訓練集、驗證集和測試集，包括：
20、s111、收集工業(yè)設備的歷史振動信號，將歷史振動信號轉換為空間頻率圖像，并計算空間頻率圖像中空間頻率的中央成分能量；
21、s112、根據(jù)空間頻率圖像中空間頻率的中央成分能量，計算能量值；
22、s113、確定歷史振動信號對應的狀態(tài)異常類型，并對歷史振動信號對應的能量值進行標注，建立訓練數(shù)據(jù)集；
23、s114、按照預設比例將訓練數(shù)據(jù)集分成訓練集、驗證集和測試集。
24、優(yōu)選地，s111中收集工業(yè)設備的歷史振動信號，將歷史振動信號轉換為空間頻率圖像，并計算空間頻率圖像中空間頻率的中央成分能量，包括：
25、s1111、收集工業(yè)設備隨時間變化的歷史振動信號；
26、s1112、對歷史振動信號進行短時傅里葉變換，計算出歷史振動信號隨時間變化的各頻率成分的強度信息，并將計算出的強度信息插入時間軸和頻率軸，構成時間頻率圖像；
27、s1113、對時間頻率圖像進行二維傅里葉變換，生成空間頻率圖像；
28、s1114、計算空間頻率圖像中空間頻率的中央成分能量。
29、優(yōu)選地，s112中根據(jù)空間頻率圖像中空間頻率的中央成分能量，計算能量值，包括：
30、根據(jù)空間頻率圖像中空間頻率的中央成分能量，采用下式計算能量值：
31、；
32、其中， e j為能量值中第 j個元素，， s為頻點總數(shù)， l為窗口長度，表示向下取整， e i為第 i個頻點處的中央成分能量， s為窗口內的頻點數(shù)量。
33、優(yōu)選地，s13中優(yōu)化器根據(jù)損失函數(shù)和網(wǎng)絡梯度信息更新網(wǎng)絡參數(shù)，包括：
34、s131、基于當前的網(wǎng)絡參數(shù)和損失函數(shù)，利用當前輸入的小批量訓練集數(shù)據(jù)計算損失函數(shù)關于權重、偏置的梯度；
35、s132、根據(jù)損失函數(shù)關于權重、偏置的梯度，對一階矩和二階矩進行更新；
36、s133、對更新后的一階矩和二階矩進行偏差校正；
37、s134、根據(jù)偏差校正后的一階矩和二階矩，對權重和偏置進行更新；
38、其中，權重和偏置為卷積神經(jīng)網(wǎng)絡需要學習的網(wǎng)絡參數(shù)，一階矩用于存儲梯度的指數(shù)移動平均，初始化為0，二階矩用于存儲梯度平方的指數(shù)移動平均，初始化為0。
39、優(yōu)選地，s132中根據(jù)損失函數(shù)關于權重、偏置的梯度，對一階矩和二階矩進行更新，包括：
40、根據(jù)損失函數(shù)關于權重、偏置的梯度，采用下式更新一階矩：
41、；
42、根據(jù)損失函數(shù)關于權重、偏置的梯度，采用下式更新二階矩：
43、；
44、其中， m t為第 t次迭代的一階矩， m t－1為第 t－1次迭代的一階矩，為一階矩估計的指數(shù)衰減率，常用值為0.9；
45、 v 本文檔來自技高網(wǎng)...
【技術保護點】
1.一種基于機器學習的工業(yè)設備狀態(tài)監(jiān)測預警系統(tǒng)，其特征在于：包括神經(jīng)網(wǎng)絡訓練模塊、優(yōu)化剪枝策略生成模塊、剪枝神經(jīng)網(wǎng)絡生成模塊、振動信號采集模塊、中央成分能量計算模塊、能量值計算模塊和狀態(tài)監(jiān)測及預警模塊；
2.根據(jù)權利要求1所述的基于機器學習的工業(yè)設備狀態(tài)監(jiān)測預警系統(tǒng)，其特征在于：所述神經(jīng)網(wǎng)絡訓練模塊對卷積神經(jīng)網(wǎng)絡進行模型訓練，得到訓練好的卷積神經(jīng)網(wǎng)絡，包括：
3.根據(jù)權利要求2所述的基于機器學習的工業(yè)設備狀態(tài)監(jiān)測預警系統(tǒng)，其特征在于：S11中建立訓練數(shù)據(jù)集，并按照預設比例將訓練數(shù)據(jù)集分成訓練集、驗證集和測試集，包括：
4.根據(jù)權利要求3所述的基于機器學習的工業(yè)設備狀態(tài)監(jiān)測預警系統(tǒng)，其特征在于：S111中收集工業(yè)設備的歷史振動信號，將歷史振動信號轉換為空間頻率圖像，并計算空間頻率圖像中空間頻率的中央成分能量，包括：
5.根據(jù)權利要求3所述的基于機器學習的工業(yè)設備狀態(tài)監(jiān)測預警系統(tǒng)，其特征在于：S112中根據(jù)空間頻率圖像中空間頻率的中央成分能量，計算能量值，包括：
6.根據(jù)權利要求2所述的基于機器學習的工業(yè)設備狀態(tài)監(jiān)測預警系統(tǒng)
7.根據(jù)權利要求6所述的基于機器學習的工業(yè)設備狀態(tài)監(jiān)測預警系統(tǒng)，其特征在于：S132中根據(jù)損失函數(shù)關于權重、偏置的梯度，對一階矩和二階矩進行更新，包括：
8.根據(jù)權利要求1所述的基于機器學習的工業(yè)設備狀態(tài)監(jiān)測預警系統(tǒng)，其特征在于：所述優(yōu)化剪枝策略生成模塊基于訓練好的卷積神經(jīng)網(wǎng)絡構建剪枝策略生成模型，并對剪枝策略生成模型進行多目標優(yōu)化求解，得到優(yōu)化剪枝策略，包括：
9.根據(jù)權利要求8所述的基于機器學習的工業(yè)設備狀態(tài)監(jiān)測預警系統(tǒng)，其特征在于：S233中在搜索空間中，一部分浣熊個體模擬爬上樹去嚇唬鬣蜥的行為，其他浣熊個體在樹下等待，并根據(jù)狩獵策略更新浣熊個體的位置，使種群向搜索空間不斷移動，以探索新的解空間，包括：
10.一種基于機器學習的工業(yè)設備狀態(tài)監(jiān)測預警方法，應用于權利要求1所述的基于機器學習的工業(yè)設備狀態(tài)監(jiān)測預警系統(tǒng)，其特征在于：包括以下步驟：
...【技術特征摘要】
1.一種基于機器學習的工業(yè)設備狀態(tài)監(jiān)測預警系統(tǒng)，其特征在于：包括神經(jīng)網(wǎng)絡訓練模塊、優(yōu)化剪枝策略生成模塊、剪枝神經(jīng)網(wǎng)絡生成模塊、振動信號采集模塊、中央成分能量計算模塊、能量值計算模塊和狀態(tài)監(jiān)測及預警模塊；
2.根據(jù)權利要求1所述的基于機器學習的工業(yè)設備狀態(tài)監(jiān)測預警系統(tǒng)，其特征在于：所述神經(jīng)網(wǎng)絡訓練模塊對卷積神經(jīng)網(wǎng)絡進行模型訓練，得到訓練好的卷積神經(jīng)網(wǎng)絡，包括：
3.根據(jù)權利要求2所述的基于機器學習的工業(yè)設備狀態(tài)監(jiān)測預警系統(tǒng)，其特征在于：s11中建立訓練數(shù)據(jù)集，并按照預設比例將訓練數(shù)據(jù)集分成訓練集、驗證集和測試集，包括：
4.根據(jù)權利要求3所述的基于機器學習的工業(yè)設備狀態(tài)監(jiān)測預警系統(tǒng)，其特征在于：s111中收集工業(yè)設備的歷史振動信號，將歷史振動信號轉換為空間頻率圖像，并計算空間頻率圖像中空間頻率的中央成分能量，包括：
5.根據(jù)權利要求3所述的基于機器學習的工業(yè)設備狀態(tài)監(jiān)測預警系統(tǒng)，其特征在于：s112中根據(jù)空間頻率圖像中空間頻率的中央成分能量，計算能量值，包括：
6.根...
【專利技術屬性】
技術研發(fā)人員：丁祖華，鄭中發(fā)，周屋梁，李善海，
申請(專利權)人：中能拾貝科技有限公司，
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。