【技術實現步驟摘要】
本專利技術涉及設備監(jiān)測，具體涉及一種基于自編碼神經網絡的設備異常診斷方法和相關裝置。
技術介紹
1、在工業(yè)領域，設備種類繁多，涵蓋了旋轉類設備（諸如泵、壓縮機、燃氣輪機及蒸汽輪機等）以及非旋轉類設備（例如熱交換器、蒸餾塔、閥門等）。鑒于設備類型的差異性，傳統(tǒng)上對于設備異常的診斷依據專業(yè)領域被細化為多個分支：基于振動數據的異常診斷、基于聲音數據的異常診斷以及基于電氣數據的異常診斷等。這些診斷手段均依賴于領域專家的深厚知識與豐富經驗，需手工提取相應的特征信息，如振動信號的時域與頻域分析等。然而，這種方法高度依賴于先驗知識，因而存在一定的局限性。更為關鍵的是，這些診斷手段之間缺乏良好的融合機制，難以全面且準確地描繪出設備的整體健康狀態(tài)。
技術實現思路
1、有鑒于此，本專利技術實施例提供一種基于自編碼神經網絡的設備異常診斷方法和相關裝置，以實現準確地描繪出設備的整體健康狀態(tài)。
2、為實現上述目的，本專利技術實施例提供如下技術方案：
3、一種設備異常診斷方法，包括：
4、獲取目標設備的訓練數據，所述訓練數據包括目標設備正常工況下的聲音特征、振動特征以及電氣特征；
5、采用所述訓練數據對初始預測模型進行訓練，得到目標預測模型，所述目標預測模型的輸入數據為訓練數據，所述目標預測模型的輸出為異常診斷結果，所述目標預測模型為基于自編碼器神經網絡構建的模型；
6、獲取待測設備的工作過程中的工況數據，所述工況數據包括所述待測設備工作過程中的聲音
7、采用所述目標預測模型基于所述工況數據對所述待測設備進行異常診斷。
8、可選的，上述設備異常診斷方法中，采用所述訓練數據對初始預測模型進行訓練，包括：
9、對所述訓練數據進行歸一化處理，采用歸一化處理后的訓練數據對初始預測模型進行訓練；
10、采用所述目標預測模型基于所述工況數據對所述待測設備進行異常診斷，包括：
11、對所述工況數據進行歸一化處理，采用所述目標預測模型基于歸一化后的工況數據對所述待測設備進行異常診斷。
12、可選的，上述設備異常診斷方法中，所述聲音特征包括：聲壓級、譜峭度、譜斜度、譜通量、譜質心；
13、所述振動特征包括：一倍頻幅值、有效值、峰峰值；
14、所述電氣特征包括：電流、電壓、電機效率、電機負載率、溫度。
15、可選的，上述設備異常診斷方法中，所述目標設備的配置參數與所述待測設備相同。
16、可選的，上述設備異常診斷方法中，獲取目標設備的訓練數據包括：
17、獲取待測設備的配置參數；
18、基于所述配置參數確定對應的目標設備；
19、由訓練數據庫中獲取與所述目標設備相匹配的訓練數據。
20、可選的，上述設備異常診斷方法中，獲取目標設備的訓練數據，包括：
21、獲取用戶輸入的訓練數據收集指令；
22、基于所述訓練數據收集指令，將待測設備作為目標設備，獲取所述目標設備的聲音特征、振動特征以及電氣特征；
23、將獲取到的聲音特征、振動特征以及電氣特征作為所述目標設備的訓練數據。
24、一種設備異常診斷裝置，包括：
25、訓練數據采集單元，用于獲取目標設備的訓練數據，所述訓練數據包括目標設備正常工況下的聲音特征、振動特征以及電氣特征；
26、模型訓練單元，用于采用所述訓練數據對初始預測模型進行訓練，得到目標預測模型，所述目標預測模型的輸入數據為訓練數據，所述目標預測模型的輸出為異常診斷結果，所述目標預測模型為基于自編碼器神經網絡構建的模型；
27、待測設備工況采集單元，用于獲取待測設備的工作過程中的工況數據，所述工況數據包括所述待測設備工作過程中的聲音特征、振動特征以及電氣特征；
28、診斷單元，用于采用所述目標預測模型基于所述工況數據對所述待測設備進行異常診斷。
29、一種設備異常診斷設備，包括至少一個處理裝置和與所述處理裝置連接的存儲裝置，其中：
30、所述存儲裝置用于存儲計算機程序；
31、所述處理裝置用于執(zhí)行所述計算機程序，以使所述設備異常診斷設備能夠實現上述任意一項所述的設備異常診斷方法。
32、一種計算機程序產品，包括計算機可讀指令，當所述計算機可讀指令在設備異常診斷設備上運行時，使得所述設備異常診斷設備實現上述任意一項所述的設備異常診斷方法。
33、一種計算機存儲介質，所述存儲介質承載有一個或多個計算機程序，當所述一個或多個計算機程序被設備異常診斷設備執(zhí)行時，能夠使所述設備異常診斷設備實現如上述任意一項所述的設備異常診斷方法。
34、基于上述技術方案，本專利技術實施例提供的設備異常診斷方案，首先基于目標設備對應的訓練數據（聲音特征、振動特征以及電氣特征）對基于自編碼器神經網絡構建的目標預測模型進行訓練，再采用所述目標訓練模型獲取待測設備工作過程中的工況數據，基于所述工況數據對待測設備進行異常診斷，通過使用多維度數據進行模型訓練，能夠全面的預測待測設備的異常狀態(tài)，提高異常診斷的準確性。并且使用，所述基于自編碼器神經網絡構建的目標預測模型對待測設備異常情況進行預測，不需要依賴專業(yè)領域知識，也不依賴歷史的故障數據，提高了本方案的泛化能力。
本文檔來自技高網...【技術保護點】
1.一種設備異常診斷方法，其特征在于，包括：
2.根據權利要求1所述的設備異常診斷方法，其特征在于，采用所述訓練數據對初始預測模型進行訓練，包括：
3.根據權利要求1所述的設備異常診斷方法，其特征在于，所述聲音特征包括：聲壓級、譜峭度、譜斜度、譜通量、譜質心；
4.根據權利要求1所述的設備異常診斷方法，其特征在于，所述目標設備的配置參數與所述待測設備相同。
5.根據權利要求1所述的設備異常診斷方法，其特征在于，獲取目標設備的訓練數據包括：
6.根據權利要求1所述的設備異常診斷方法，其特征在于，獲取目標設備的訓練數據，包括：
7.一種設備異常診斷裝置，其特征在于，包括：
8.一種設備異常診斷設備，其特征在于，包括至少一個處理裝置和與所述處理裝置連接的存儲裝置，其中：
【技術特征摘要】
1.一種設備異常診斷方法，其特征在于，包括：
2.根據權利要求1所述的設備異常診斷方法，其特征在于，采用所述訓練數據對初始預測模型進行訓練，包括：
3.根據權利要求1所述的設備異常診斷方法，其特征在于，所述聲音特征包括：聲壓級、譜峭度、譜斜度、譜通量、譜質心；
4.根據權利要求1所述的設備異常診斷方法，其特征在于，所述目標設備的配置參數與所...
【專利技術屬性】
技術研發(fā)人員：史汝凱，姜百寧，劉宗福，王官平，
申請(專利權)人：和利時卡優(yōu)倍科技有限公司，
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。