申请/专利权人：华东理工大学

申请日：2024-01-10

公开（公告）日：2024-04-09

公开（公告）号：CN117851891A

主分类号：G06F18/241

分类号：G06F18/241;G06F18/214;G06N3/0442;G06N3/0464;G06N3/048

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.26#实质审查的生效;2024.04.09#公开

摘要：本发明提供了一种基于数字孪生的CNN‑LSTM故障检测方法，属于工业生产故障检测技术领域，包括以下步骤，构建数字孪生数据感知模型，并对训练数据进行预处理；构建CNN‑LSTM神经网络故障诊断模型；使用数字孪生数据感知模型预处理后的训练数据，对CNN‑LSTM神经网络故障诊断模型进行神经网络训练；通过数字孪生数据感知模型，将实时生产线的实时生产数据输入CNN‑LSTM神经网络故障诊断模型，进行生产线作业实时检测。本发明提供的基于数字孪生的CNN‑LSTM故障检测方法，使用CNN‑LSTM神经网络，提高了故障检测的查全率与计算速度，解决单纯CNN算法难以识别时序特征问题，实现在虚拟空间通过数据分析对实际生产线进行故障检测。

主权项：1.基于数字孪生的CNN-LSTM故障检测方法，其特征在于，包括以下步骤：S1：构建数字孪生数据感知模型，存储生产线历史数据，并建立生产线历史数据与生产线实时数据的映射，获取训练神经网络的训练数据，建立数字孪生虚拟生产线与实际生产线的数据映射，并对训练数据进行预处理；S2：构建CNN-LSTM神经网络故障诊断模型；S3：使用数字孪生数据感知模型预处理后的训练数据，对CNN-LSTM神经网络故障诊断模型进行神经网络训练，如果训练结果的交叉熵损失函数大于既定阈值，则通过Adam算法对CNN-LSTM神经网络故障诊断模型的结构参数进行优化，并进行下一次的神经网络训练，如果训练结果的交叉熵损失函数小于既定阈值，则认定CNN-LSTM神经网络故障诊断模型到达精度要求；S4：通过数字孪生数据感知模型，将实时生产线的实时生产数据输入CNN-LSTM神经网络故障诊断模型，进行生产线作业实时检测，并根据反馈状况，进行故障排除。

全文数据：

权利要求：

百度查询： 华东理工大学 基于数字孪生的CNN-LSTM故障检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD