CN109359673A - 一种基于在线学习的智能制造故障预测方法及装置 - Google Patents
一种基于在线学习的智能制造故障预测方法及装置 Download PDFInfo
- Publication number
- CN109359673A CN109359673A CN201811113244.5A CN201811113244A CN109359673A CN 109359673 A CN109359673 A CN 109359673A CN 201811113244 A CN201811113244 A CN 201811113244A CN 109359673 A CN109359673 A CN 109359673A
- Authority
- CN
- China
- Prior art keywords
- data
- node
- module
- vector
- index
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Machine Translation (AREA)
Abstract
本发明涉及机器学习技术领域,具体涉及一种基于在线学习的智能制造故障预测方法及装置,通过收集并提取历史数据,采用自组织映射神经网络,构建出能够评估关键部件健康状态趋势的模型,进而获取关键部件的健康特征指数,将所述健康特征指数作为量化关键部件状态的量值,通过实时采集关键部件产生的数据作为输入数据,获得故障预测结果,本发明提供了一种高效的故障特征提取和检测途径。
Description
技术领域
本发明涉及机器学习技术领域,具体涉及一种基于在线学习的智能制造故障预测方法及装置。
背景技术
在机器学习领域,在线学习(Online-learning)指每次通过一个训练实例学习模型的学习方法,在线学习的目的是正确预测训练实例的标注。在线学习最重要的一个特点是,当一次预测完成时,其正确结果便被获得,这一结果可直接用来修正模型。
在在线学习算法中,我们不假设训练数据来自于某个概率分布或者随机过程。当训练实例过来时,我们利用分类器对其进行分类,在线算法对数据的要求更加宽松,因此它是更实用的算法;同时,它也是更实用的训练算法。
而预测制造质量是质量管理的关键措施之一,准确的预测与制造过程的特征学习密切相关,因此,如何利用大数据在智能制造中提供一种高效的故障检测途径成为值得解决的问题。
发明内容
本发明提供一种基于在线学习的智能制造故障预测方法及装置,能够在智能制造中提供一种高效的故障特征提取和检测途径。
本发明提供的一种基于在线学习的智能制造故障预测方法,包括以下步骤:
步骤S1、对智能制造过程中关键部件产生的历史数据进行收集;
步骤S2、将所述历史数据作为样本集{xi},进行预测特征提取;
步骤S3、采用自组织映射神经网络,构建出能够评估关键部件健康状态趋势的模型;
步骤S4、获取关键部件的健康特征指数,将所述健康特征指数作为量化关键部件状态的量值;
步骤S5、实时采集关键部件产生的数据,将所述数据作为输入数据,获得故障预测结果。
进一步,所述步骤S2具体包括:
步骤S21、提取每个数据向量xi的K个邻居数据点;
步骤S22、计算通过邻居数据点重构xi的最优权重Wij,即求解一个带约束的最小二乘,求解公式如下:
令重构误差ε(W)最小,得出最优权重Wij;
步骤S23、基于Wij计算最优的重构低维数据向量yi,即令如下重构误差φ(Y)最小,计算公式如下:
计算得到yi,构成低维特征数据集{yi}。
进一步,所述步骤S3具体包括:
步骤S31、随机排列映射中数据向量xi的权值向量Wij;
步骤S32、从xi中选取任一输入向量,在映射中遍历每个节点;
步骤S33、使用欧氏距离公式得到输入向量和映射节点的权值向量之间的距离;
步骤S34、选取距离最小的节点,所述节点即为最佳匹配单元;
步骤S35、更新最佳匹配单元的节点,将所述最佳匹配单元邻域内的节点作为输入向量,所述更新最佳匹配单元的节点的计算公式如下:
WV(s+1)=WV(s)+θ(u,v,s)α(s)(D(t)-WV(s))
其中s为步长指数,i是训练样本的指数,xi是输入向量,u是xi的最佳匹配单元指数,α(s)是一个单调递减的学习系数,θ(u,v,s)是在步长为s下给出神经元u和神经元v之间距离的邻近函数;
步骤S36、增加步长指数s并跳转到步骤S32,直至特征映射趋于稳定。
本发明提供的一种基于在线学习的智能制造故障预测装置,包括:
收集模块,用于对智能制造过程中关键部件产生的历史数据进行收集;
第一提取模块,用于将所述历史数据作为样本集{xi},进行预测特征提取;
构建模块,用于采用自组织映射神经网络,构建出能够评估关键部件健康状态趋势的模型;
量化模块,用于获取关键部件的健康特征指数,将所述健康特征指数作为量化关键部件状态的量值;
第一预测模块,用于实时采集关键部件产生的数据,将所述数据作为输入数据,获得故障预测结果。
进一步,所述第一提取模块具体包括:
第二提取模块,用于提取每个数据向量xi的K个邻居数据点;
第一计算模块,用于计算通过邻居数据点重构xi的最优权重Wij,即求解一个带约束的最小二乘,求解公式如下:
令重构误差ε(W)最小,得出最优权重Wij;
第二计算模块,用于用于基于Wij计算最优的重构低维数据向量yi,即令如下重构误差φ(Y)最小,计算公式如下:
计算得到yi,构成低维特征数据集{yi}。
进一步,所述构建模块具体包括:
排列模块,用于随机排列映射中数据向量xi的权值向量Wij;
选取模块,用于从xi中选取任一输入向量,在映射中遍历每个节点;
第三计算模块,用于使用欧氏距离公式得到输入向量和映射节点的权值向量之间的距离;
第二选取模块,用于选取距离最小的节点,所述节点即为最佳匹配单元;
更新模块,用于更新最佳匹配单元的节点,将所述最佳匹配单元邻域内的节点作为输入向量,所述更新最佳匹配单元的节点的计算公式如下:
WV(s+1)=WV(s)+θ(u,v,s)α(s)(D(t)-WV(s))
其中s为步长指数,i是训练样本的指数,xi是输入向量,u是xi的最佳匹配单元指数,α(s)是一个单调递减的学习系数,θ(u,v,s)是在步长为s下给出神经元u和神经元v之间距离的邻近函数;
稳定模块,用于增加步长指数s并执行选取模块,直至特征映射趋于稳定。
本发明的有益效果是:本发明公开一种基于在线学习的智能制造故障预测方法及装置,通过收集历史数据,采用自组织映射神经网络,构建出能够评估关键部件健康状态趋势的模型,从而实时采集关键部件产生的数据作为输入数据,获得故障预测结果,本发明提供了一种高效的故障特征提取和检测途径。
附图说明
下面结合附图和实例对本发明作进一步说明。
图1是本发明实施例一种基于在线学习的智能制造故障预测方法的流程图;
图2是本发明实施例一种基于在线学习的智能制造故障预测方法步骤S2的流程图;
图3是本发明实施例一种基于在线学习的智能制造故障预测方法步骤S3中的流程图。
具体实施方式
参考图1~3,本发明实施例提供的一种基于在线学习的智能制造故障预测方法,包括以下步骤:
步骤S1、对智能制造过程中关键部件产生的历史数据进行收集;
步骤S2、将所述历史数据作为样本集{xi},进行预测特征提取;
步骤S3、采用自组织映射神经网络,构建出能够评估关键部件健康状态趋势的模型;
步骤S4、获取关键部件的健康特征指数,将所述健康特征指数作为量化关键部件状态的量值;
步骤S5、实时采集关键部件产生的数据,将所述数据作为输入数据,获得故障预测结果。
进一步,所述步骤S2具体包括:
步骤S21、提取每个数据向量xi的K个邻居数据点;
步骤S22、计算通过邻居数据点重构xi的最优权重Wij,即求解一个带约束的最小二乘,求解公式如下:
令重构误差ε(W)最小,得出最优权重Wij;
步骤S23、基于Wij计算最优的重构低维数据向量yi,即令如下重构误差φ(Y)最小,计算公式如下:
计算得到yi,构成低维特征数据集{yi}。
进一步,所述步骤S3具体包括:
步骤S31、随机排列映射中数据向量xi的权值向量Wij;
步骤S32、从xi中选取任一输入向量,在映射中遍历每个节点;
步骤S33、使用欧氏距离公式得到输入向量和映射节点的权值向量之间的距离;
步骤S34、选取距离最小的节点,所述节点即为最佳匹配单元;
步骤S35、更新最佳匹配单元的节点,将所述最佳匹配单元邻域内的节点作为输入向量,所述更新最佳匹配单元的节点的计算公式如下:
WV(s+1)=WV(s)+θ(u,v,s)α(s)(D(t)-WV(s))
其中s为步长指数,i是训练样本的指数,xi是输入向量,u是xi的最佳匹配单元指数,α(s)是一个单调递减的学习系数,θ(u,v,s)是在步长为s下给出神经元u和神经元v之间距离的邻近函数;
步骤S36、增加步长指数s并跳转到步骤S32,直至特征映射趋于稳定。
本发明提供的一种基于在线学习的智能制造故障预测装置,包括:
收集模块,用于对智能制造过程中关键部件产生的历史数据进行收集;
第一提取模块,用于将所述历史数据作为样本集{xi},进行预测特征提取;
构建模块,用于采用自组织映射神经网络,构建出能够评估关键部件健康状态趋势的模型;
量化模块,用于获取关键部件的健康特征指数,将所述健康特征指数作为量化关键部件状态的量值;
第一预测模块,用于实时采集关键部件产生的数据,将所述数据作为输入数据,获得故障预测结果。
进一步,所述第一提取模块具体包括:
第二提取模块,用于提取每个数据向量xi的K个邻居数据点;
第一计算模块,用于计算通过邻居数据点重构xi的最优权重Wij,即求解一个带约束的最小二乘,求解公式如下:
令重构误差ε(W)最小,得出最优权重Wij;
第二计算模块,用于用于基于Wij计算最优的重构低维数据向量yi,即令如下重构误差φ(Y)最小,计算公式如下:
计算得到yi,构成低维特征数据集{yi}。
进一步,所述构建模块具体包括:
排列模块,用于随机排列映射中数据向量xi的权值向量Wij;
选取模块,用于从xi中选取任一输入向量,在映射中遍历每个节点;
第三计算模块,用于使用欧氏距离公式得到输入向量和映射节点的权值向量之间的距离;
第二选取模块,用于选取距离最小的节点,所述节点即为最佳匹配单元;
更新模块,用于更新最佳匹配单元的节点,将所述最佳匹配单元邻域内的节点作为输入向量,所述更新最佳匹配单元的节点的计算公式如下:
WV(s+1)=WV(s)+θ(u,v,s)α(s)(D(t)-WV(s))
其中s为步长指数,i是训练样本的指数,xi是输入向量,u是xi的最佳匹配单元指数,α(s)是一个单调递减的学习系数,θ(u,v,s)是在步长为s下给出神经元u和神经元v之间距离的邻近函数;
稳定模块,用于增加步长指数s并执行选取模块,直至特征映射趋于稳定。
以上所述,只是本发明的较佳实施例而已,本发明并不局限于上述实施方式,只要其以相同的手段达到本发明的技术效果,都应属于本发明的保护范围。
Claims (6)
1.一种基于在线学习的智能制造故障预测方法,其特征在于,包括以下步骤:
步骤S1、对智能制造过程中关键部件产生的历史数据进行收集;
步骤S2、将所述历史数据作为样本集{xi},进行预测特征提取;
步骤S3、采用自组织映射神经网络,构建出能够评估关键部件健康状态趋势的模型;
步骤S4、获取关键部件的健康特征指数,将所述健康特征指数作为量化关键部件状态的量值;
步骤S5、实时采集关键部件产生的数据,将所述数据作为输入数据,获得故障预测结果。
2.根据权利要求1所述的一种基于在线学习的智能制造故障预测方法,其特征在于,所述步骤S2具体包括:
步骤S21、提取每个数据向量xi的K个邻居数据点;
步骤S22、计算通过邻居数据点重构xi的最优权重Wij,即求解一个带约束的最小二乘,求解公式如下:
令重构误差ε(W)最小,得出最优权重Wij;
步骤S23、基于Wij计算最优的重构低维数据向量yi,即令如下重构误差φ(Y)最小,计算公式如下:
计算得到yi,构成低维特征数据集{yi}。
3.根据权利要求1所述的一种基于在线学习的智能制造故障预测方法,其特征在于,所述步骤S3具体包括:
步骤S31、随机排列映射中数据向量xi的权值向量Wij;
步骤S32、从xi中选取任一输入向量,在映射中遍历每个节点;
步骤S33、使用欧氏距离公式得到输入向量和映射节点的权值向量之间的距离;
步骤S34、选取距离最小的节点,所述节点即为最佳匹配单元;
步骤S35、更新最佳匹配单元的节点,将所述最佳匹配单元邻域内的节点作为输入向量,所述更新最佳匹配单元的节点的计算公式如下:
WV(s+1)=WV(s)+θ(u,v,s)α(s)(D(t)-WV(s))
其中s为步长指数,i是训练样本的指数,xi是输入向量,u是xi的最佳匹配单元指数,α(s)是一个单调递减的学习系数,θ(u,v,s)是在步长为s下给出神经元u和神经元v之间距离的邻近函数;
步骤S36、增加步长指数s并跳转到步骤S32,直至特征映射趋于稳定。
4.一种基于在线学习的智能制造故障预测装置,其特征在于,包括:
收集模块,用于对智能制造过程中关键部件产生的历史数据进行收集;
第一提取模块,用于将所述历史数据作为样本集{xi},进行预测特征提取;
构建模块,用于采用自组织映射神经网络,构建出能够评估关键部件健康状态趋势的模型;
量化模块,用于获取关键部件的健康特征指数,将所述健康特征指数作为量化关键部件状态的量值;
第一预测模块,用于实时采集关键部件产生的数据,将所述数据作为输入数据,获得故障预测结果。
5.根据权利要求4所述的一种基于在线学习的智能制造故障预测装置,其特征在于,所述第一提取模块具体包括:
第二提取模块,用于提取每个数据向量xi的K个邻居数据点;
第一计算模块,用于计算通过邻居数据点重构xi的最优权重Wij,即求解一个带约束的最小二乘,求解公式如下:
令重构误差ε(W)最小,得出最优权重Wij;
第二计算模块,用于用于基于Wij计算最优的重构低维数据向量yi,即令如下重构误差φ(Y)最小,计算公式如下:
计算得到yi,构成低维特征数据集{yi}。
6.根据权利要求4所述的一种基于在线学习的智能制造故障预测装置,其特征在于,所述构建模块具体包括:
排列模块,用于随机排列映射中数据向量xi的权值向量Wij;
选取模块,用于从xi中选取任一输入向量,在映射中遍历每个节点;
第三计算模块,用于使用欧氏距离公式得到输入向量和映射节点的权值向量之间的距离;
第二选取模块,用于选取距离最小的节点,所述节点即为最佳匹配单元;
更新模块,用于更新最佳匹配单元的节点,将所述最佳匹配单元邻域内的节点作为输入向量,所述更新最佳匹配单元的节点的计算公式如下:
WV(s+1)=WV(s)+θ(u,v,s)α(s)(D(t)-WV(s))
其中s为步长指数,i是训练样本的指数,xi是输入向量,u是xi的最佳匹配单元指数,α(s)是一个单调递减的学习系数,θ(u,v,s)是在步长为s下给出神经元u和神经元v之间距离的邻近函数;
稳定模块,用于增加步长指数s并执行选取模块,直至特征映射趋于稳定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811113244.5A CN109359673A (zh) | 2018-09-25 | 2018-09-25 | 一种基于在线学习的智能制造故障预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811113244.5A CN109359673A (zh) | 2018-09-25 | 2018-09-25 | 一种基于在线学习的智能制造故障预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109359673A true CN109359673A (zh) | 2019-02-19 |
Family
ID=65351342
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811113244.5A Pending CN109359673A (zh) | 2018-09-25 | 2018-09-25 | 一种基于在线学习的智能制造故障预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109359673A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112651573A (zh) * | 2020-12-31 | 2021-04-13 | 上海竞动科技有限公司 | 一种基于深度学习的风险预测方法和装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537415A (zh) * | 2014-12-02 | 2015-04-22 | 北京化工大学 | 一种基于压缩感知和dros-elm的非线性过程工业故障预测及识别方法 |
CN107941537A (zh) * | 2017-10-25 | 2018-04-20 | 南京航空航天大学 | 一种机械设备健康状态评估方法 |
-
2018
- 2018-09-25 CN CN201811113244.5A patent/CN109359673A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537415A (zh) * | 2014-12-02 | 2015-04-22 | 北京化工大学 | 一种基于压缩感知和dros-elm的非线性过程工业故障预测及识别方法 |
CN107941537A (zh) * | 2017-10-25 | 2018-04-20 | 南京航空航天大学 | 一种机械设备健康状态评估方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112651573A (zh) * | 2020-12-31 | 2021-04-13 | 上海竞动科技有限公司 | 一种基于深度学习的风险预测方法和装置 |
CN112651573B (zh) * | 2020-12-31 | 2021-07-06 | 上海竞动科技有限公司 | 一种基于深度学习的风险预测方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104318261B (zh) | 一种基于图嵌入低秩稀疏表示恢复的稀疏表示人脸识别方法 | |
US11418029B2 (en) | Method for recognizing contingencies in a power supply network | |
CN109784692B (zh) | 一种基于深度学习的快速安全约束经济调度方法 | |
US11487266B2 (en) | Method for recognizing contingencies in a power supply network | |
US11860608B2 (en) | Industrial equipment operation, maintenance and optimization method and system based on complex network model | |
CN109409024B (zh) | 基于一维深度残差网络的光伏组件电压电流特性建模方法 | |
CN108490115B (zh) | 一种基于分布式在线主成分分析的空气质量异常检测方法 | |
CN112383052A (zh) | 基于电力物联网的电网故障修复方法和装置 | |
Pumir et al. | Smoothed analysis of the low-rank approach for smooth semidefinite programs | |
Tasfi et al. | Deep neural networks with confidence sampling for electrical anomaly detection | |
CN116029221B (zh) | 一种电力设备故障诊断方法、装置、设备及介质 | |
CN117272196A (zh) | 一种基于时空图注意力网络的工业时序数据异常检测方法 | |
Omitaomu et al. | Online support vector regression with varying parameters for time-dependent data | |
CN110334478A (zh) | 机器设备异常检测模型构建方法、检测方法及模型 | |
CN114298134A (zh) | 风电功率预测方法及装置、电子设备 | |
Gu et al. | Identification of concurrent control chart patterns with singular spectrum analysis and learning vector quantization | |
CN113723541B (zh) | 一种基于混合智能算法的边坡位移预测方法 | |
CN109359673A (zh) | 一种基于在线学习的智能制造故障预测方法及装置 | |
Liu et al. | State of health estimation of lithium-ion batteries based on multi-feature extraction and temporal convolutional network | |
CN117349595A (zh) | 一种面向工业场景的极端少样本故障诊断方法 | |
Ren et al. | AdaM: Adaptive-maximum imputation for neighborhood-based collaborative filtering | |
Yu et al. | A hybrid learning-based model for on-line monitoring and diagnosis of out-of-control signals in multivariate manufacturing processes | |
Peng et al. | Cross-band spectrum prediction algorithm based on transfer learning and meta learning | |
EP3816805A1 (en) | Analysis of anomalies in a facility | |
CN110739030B (zh) | 一种乙烯生产过程小样本的软测量方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |