申请/专利权人：清华大学

申请日：2022-05-06

公开（公告）日：2024-04-12

公开（公告）号：CN114861880B

主分类号：G06F18/24

分类号：G06F18/24;G06F18/213;G06N3/0464;G06N3/084;G06F123/02

优先权：

专利状态码：有效-授权

法律状态：2024.04.12#授权;2022.08.23#实质审查的生效;2022.08.05#公开

摘要：本申请涉及数据驱动的工业设备故障预测技术领域，特别涉及一种基于空洞卷积神经网络的工业设备故障预测方法及装置，其中，方法包括：获取目标工业设备的当前监测数据集；将当前监测数据集输入至训练完成的故障预测网络模型，输出当前监测数据集对应的故障预测值，其中，故障预测网络模型基于携带有故障实际值的监测数据集样本训练得到；在当前监测数据集对应的故障预测值大于故障阈值时，判定目标工业设备故障，否则，判定目标工业设备正常。由此，本申请实施例可以有效提升基于深度神经网络的故障预测准确度，减小空洞卷积神经网络模型参数量，支持并行计算以缩短故障预测时间，以实现对设备健康状态的长期预测。

主权项：1.一种基于空洞卷积神经网络的工业设备故障预测方法，其特征在于，包括以下步骤：获取目标工业设备的当前监测数据集；将所述当前监测数据集输入至训练完成的故障预测网络模型，输出所述当前监测数据集对应的故障预测值；在所述当前监测数据集对应的故障预测值大于故障阈值时，判定所述目标工业设备故障，否则，判定所述目标工业设备正常；其中，所述故障预测网络模型基于携带有故障实际值的监测数据集样本训练空洞卷积神经网络得到，所述空洞卷积神经网络包括第一至第五卷积层和全连接层，所述第一至第五卷积层的扩张率满足以下公式： ，其中，表示卷积层的层数；所述将所述当前监测数据集输入至训练完成的故障预测网络模型，输出所述当前监测数据集对应的故障预测值，包括：将所述当前监测数据集输入至第一至第四层卷积层，对所述当前监测数据集进行特征提取，得到多张特征图；将所述多张特征图输入至第五层卷积层，压缩所述多张特征图，得到压缩特征图；将所述压缩特征图输入至所述全连接层，将所述压缩特征图的维度降低至预设维度，得到所述当前监测数据集对应的故障预测值；所述故障预测网络模型基于携带有故障实际值的监测数据集样本训练空洞卷积神经网络得到，包括：获取所述目标工业设备的训练数据集、测试数据集和故障实际值；基于所述训练数据集训练所述空洞卷积神经网络，并将所述测试数据集输入至所述空洞卷积神经网络，输出所述测试数据集对应的故障预测值；将所述测试数据集对应的故障预测值和所述故障实际值输入至预设损失函数中，得到损失值，在所述损失值大于或等于损失阈值时，基于所述损失值修正所述空洞卷积神经网络中每个神经元的权重，直到所述损失值小于所述损失阈值，或者，训练次数达到目标次数时，得到所述故障预测网络模型；在将所述当前监测数据集输入至训练完成的故障预测网络模型之前，还包括：从所述当前监测数据集中提取至少一个监测特征，其中，所述监测特征用于标识所述目标工业设备的衰退等级；对所述至少一个监测特征进行数据预处理，得到多个时刻的特征序列，并基于所述多个时刻的特征序列得到作为所述故障预测网络模型输入的特征向量；所述空洞卷积神经网络还包括设置于第五卷积层与所述全连接层之间的随机失活层，其中，所述随机失活层用于在训练过程中，按照预设概率随机丢弃所述空洞卷积神经网络中至少一个神经元，并在目标时间内恢复丢弃的神经元；所述将所述测试数据集输入至所述空洞卷积神经网络，输出所述测试数据集对应的故障预测值，包括：将所述测试数据集输入至第一至第四层卷积层，对所述测试数据集进行特征提取，得到多张特征图；将所述多张特征图输入至第五层卷积层，压缩所述多张特征图，得到压缩特征图；将所述压缩特征图输入至所述全连接层，将所述压缩特征图的维度降低至预设维度，得到所述测试数据集对应的故障预测值。

全文数据：

权利要求：

百度查询： 清华大学 基于空洞卷积神经网络的工业设备故障预测方法及装置

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