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。