CN110455397A - 一种基于lstm的工厂设备故障光纤传感方法和*** - Google Patents
一种基于lstm的工厂设备故障光纤传感方法和*** Download PDFInfo
- Publication number
- CN110455397A CN110455397A CN201810424821.6A CN201810424821A CN110455397A CN 110455397 A CN110455397 A CN 110455397A CN 201810424821 A CN201810424821 A CN 201810424821A CN 110455397 A CN110455397 A CN 110455397A
- Authority
- CN
- China
- Prior art keywords
- data
- equipment
- lstm
- vibration
- model
- 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
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H9/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by using radiation-sensitive means, e.g. optical means
- G01H9/004—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by using radiation-sensitive means, e.g. optical means using fibre optic sensors
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M7/00—Vibration-testing of structures; Shock-testing of structures
- G01M7/02—Vibration-testing by means of a shake table
- G01M7/025—Measuring arrangements
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing Of Optical Devices Or Fibers (AREA)
Abstract
本发明公开了一种基于LSTM的工厂设备故障光纤感知方法和***。其中,该方法将振动数据进行转换、融合等预处理,然后利用长短时记忆网络(Long Short‑Term Memory,简称LSTM)训练模型并分析故障;其中,该***利用部署到工厂设备上的光纤感知振动信息,感知到设备振动信息时,利用LSTM模型分析判断设备运行状况和发生故障概率;最后保存分析结果并显示。通过上述方式,本发明利用了LSTM分析方法对大量数据模型训练,有效的判断工厂设备运行状况,达到实时监控、感知设备状况目的。并且,一条光纤可以同时感知工厂多台设备的状态,利用该***能够减少人员巡检次数,加强工厂安全生产。
Description
技术领域
本发明涉及大数据处理分析和瑞利散射光纤传感技术,特别是涉及长短记忆网络分析光纤传感据技术。
背景技术
随着光纤传感技术发展,可利用光纤探测周边环境状况。当光纤受到外界干扰影响发生振动时,光纤中传输光的部分特性就会改变。
大数据技术发展,已经处处影响到我们生活,大型工厂大量机器设备长时间运转,需要减少人员巡视次数情况下保障设备正常运转。
然而,现在大型工厂设备状况基本上都是员工通过经验去判断,很难准确的量化结果,并且工厂内具有很多不可预见的危险。因此,急需一种利用现代技术远程预知设备状况的***。短时记忆网络对信息的长时记忆是它们的自发行为,能够更准确的根据振动特征判断运行状况。利用光纤瑞利散射实时感知工厂设备振动,采集的数据通过预处理,LSTM有效的预测设备运行状况,即时发现设备故障。
发明内容
本发明主要解决的技术问题是提供一种算法解决工厂设备运行状况,同时能够感知多台设备的振动情况,并保存采集到的数据,通过历史数据进行预处理提取振动特征,利用历史数据训练模型,加载训练好的模型,实时采集到设备振动数据处理过后,能够分析判断设备运行状况,是否发生故障。
为解决上述技术问题,本发明采用的一种技术方案是:利用光纤瑞利散射原理实时感知多个设备振动状况,同时利用大数据LSTM算法训练模型,来达到判断设备运行状况的目的,包括:设备振动数据采集,将光纤环绕到需要监控的设备上;采集到的振动数据进行预处理,提取特征,采用LSTM训练模型,利用模型识别设备运行状况和相似度,并通过业务输出给出展示。
其中,所述设备振动数据采集:将光纤环绕到需要监控的设备上,利用瑞利散射原理可以长距离同时感知多光纤上的所有点振动情况;采集振动信息时,首先往光纤发送10ns的光,光在光纤前向传播,经过振动点发生瑞利散射;将所述散射回光利用光电转换变成电信号,其中该信号为模拟信号,将该模拟信号AD变换成数字信号,该数字信号即作为后续运算的采集的设备数据。
其中,所述数据预处理提取特征,是对数据按照时域处理成矩阵,在数据处理过程中需要数据清洗和加工,对于上述原始数据进行归一化,让数据分布在0-1之间,避免由于数据部分数据过大或者过小引起特征不明显,影响判断准确率。
其中,所述将数据分析采用LSTM算法,实现学习长期依赖关系,对信息的长期记忆是它们自发行为,数据计算过程中采取链条形式的传播方向。其核心所在是cell状态,即cell state,据此决定其中的删除和增加信息,由sigmoid网络层与一个按位乘操作。
其中,需确定从cell里面需要抛弃哪些信息,决定操作是由sigmoid层遗忘层来实现,在输入层时是和,输出为0到1之间的数,为每个在cell中所有在0和1之间的数值,把数值为0的全部抛弃,其计算公式为:。
其中,处理传送给下一步信息时,需要确定什么样信息被存储更新,首先利用sigmoid层决定哪些信息需要更新值,然后生成一个新的候选变量,将其加入到状态中,将新读入的设备振动特征加入到cell状态,将上述2个值结合用来更新cell状态,以防止忘记原来的设备振动特征状态。
在上述技术中,本发明采用形式进行特征数据传输,需要确定输出的内容,据此决定了cell状态,因此具有如下流程;
首先,我们会运行一个 sigmoid 层决定 cell 状态输出哪一部分。
其次,我们把 cell 状态通过 函数将输出值保持在-1 至1之间。
最后,我们再乘以 sigmoid 门的输出值,得到结果,表示振动特征经过变换的值。
为解决上述技术问题,本发明采用的再一个技术方案是:,随着新的振动特征数据输入确定记录数据,并随着激活函数运用,将历史特征数据进行LSTM训练得到了模型。
其中,上述方案提出的加载的模型,最后判断设备运行状态和相似度,当实时检测到设备振动的时候通过大数据屏的形式进业务输出,同时,给出设备控制方案。
上述方案,业务输出端将分析处理的的运行状况实时统计,并且对于有故障的机器提前做出预警,无需人工参与,实现了对设备运行状况可自动判定,在具有严重故障的情况下,给设备接口命令,让其停止工作,而且,业务输出采用大数据显示模式,对数据进行多维度统计,故提高可视化和直观展示。
附图说明
图1是本发明基于LSTM工厂设备状况光纤感知方法一流程图;
图2是本发明基于LSTM工厂设备状况光纤感知***一实施方式结构示意图;
图3是本发明基于LSTM工厂设备状况光纤感知方法一流程图;
图4是本发明基于LSTM工厂设备状况光纤感知方法示意图;
图5是本发明基于LSTM工厂设备状况光纤感知***流程图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、接口、技术之类的具体细节,以便透彻理解本申请。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施方式中也可以实现本申请。在其它情况中,省略***、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
请参阅图1,基于LSTM工厂设备光纤感知方法一流程图,该方法包括:
采集到的设备数据S11进行保存,历史数据清洗加工预处理S12:所述数据预处理提取特征,对数据按照时域处理成矩阵,在数据处理过程中需要对特征提取。对于上述历史数据进行归一化,让数据分布在0-1之间,避免由于数据部分数据过大或者过小引起特征不明显,影响判断准确率。
其中历史数据由光纤传感采集到,预处理数据的时候采用统一的方式,需要对部分数据进行区分根据设备种类分开,不同种类的特征表征了设备不同运行状况。
LSTM模型训练S13:采用LSTM算法能够学习长期依赖关系,对信息的长期记忆是它们自发行为,具有链条形式的传播方向,其中在模型训练过程中首先对数据进行分块,分块避免同时导入太多数据内存过大。数据训练过程中对设备振动特征数据训练需要的时间较长,数据也包括设备运行状况的标签。光纤同时环绕很多设备上,不同设备振动频率和振幅,以及振动波形都有差异,需要对具有差异性的设备产生的数据分开或者归类成不同的类别。将上述所述训练好的模型保存到磁盘。
读取模型S16:将上述训练好模型加载到内存,利用LSTM分析的时候,保存模型的checkpoint形式,在对指定的文件夹内部建立索引点,在训练过程中也会涉及到更新模型,然后利用新数据不断优化模型。
识别判断S17:利用上述训练好的模型,对以相同方法提取的设备振动特征进行识别,计算给出相似度,判断设备是否出现故障,并且不同的故障具有不同的特征。
业务输出S18:数据最终可视化展示,业务输出多种形式,其中对于判断出机械故障会造成危害社会对设备发送控制指令,采取协调措施让其修复,甚至停止工作等待检查,另外还包括在给人直观展示整个工厂运行状况。
请结合图2举例说明,图2示基于LSTM工厂设备状况光纤感知分析***一实施方式结构示意图,该***包括:
其中,工厂设备运行时候,设备S24会按照一定规律发生振动,环绕在该点的光纤发生瑞利散射。在其发生振动时候根据光路变化情况,计算光在光纤中传播速度,可以计算光纤中发生振动的位置,在空气中传播速度为3X10^8m/s,普通光纤的折射率为1.5左右,由于最终检测的是瑞利散射回光,光纤检测到1m的光往返传播距离的时间为10ns,据此计算***里存储的设备相对应光纤长度。在机器振动发生时,引起光纤发生振动,光纤终端S21计算瑞利散射回光距离标记为设备S24对应的长度。设备在正常运行的情况下一般平稳、轻快、均匀等固有特征,通过采集这些振动数据,实时保存数据。当设备发生故障时候,通常振动也会随着发生变化,比如有沉闷、强烈振动,对于不同的振动类型进行分开采集,并对不同的设备做数据标记存储。
光纤环绕需监测的设备,以监测该设备状况。光纤传感可采用普通通信光缆中的一根纤芯做传感,对于不同位置的设备对应不同光纤的不同长度。其基本原理是当外界的振动作用于通信光缆时,引起光缆中纤芯发生形变,使纤芯长度和折射率发生变化,导致光缆中光的相位发生变化。当光在光缆中传输时,由于光子与纤芯晶格发生作用,不断向后传输瑞利散射光。当外界有振动发生时,背向瑞利散射光的相位随之发生变化,这些携带外界振动信息的信号光,将微弱的相位变化转换为光强变化,再经光电转换电路的光电转换和相应信号处理后,上述处理过程在光纤终端完成S21。为数据LSTM分析提供原始振动数据,对获取到的数据特征提取等预处理,建模分析,判断设备运行状况。
由于背向散射的光信号及其微弱,且其信噪比较小,在对光信号处理的过程中难度较大、精度较小,因此***将上述多个采样光信号通关光电转换电路转换为对应的采样电信号便于信号的处理。这里可以通过一般的光电转换电路转换得到模拟信号,再通过模数转换器将模拟信号转换成数字信号,并对数据进行保存。
在其实施中,数据处理过程S21完成如下过程:采集的设备数据需要进行初步运算,提取特征,进一步进行数据建模和判断。在长短记忆网络中,神经网络的激励函数、网络的大小以及正则化对准确率有直接影响,振动数据有需要做预处理,如下:将振动数据表示成矩阵为X,其中我们设定X是[N*D]维矩阵(N是样本数据量,D为单位长度的数据向量长度)。去均值处理,对待训练的每一段振动的特征,都减去全部训练集振动数据的特征均值,因此在做上述过程中,把输入数据各个维度的数据都中心化到0了。使用numpy工具包,这一步可以用X -= np.mean(X, axis = 0)得到。在这过程直接求出所有振幅的均值,然后每个时间点的振动数据都减掉这个相同的值;在此基础上做进一步优化。进一步做归一化,也就是利用上述数据去做一些工作去保证所有的维度上数据都在一个变化幅度上。在提取特征的时候实现归一化。一个是在数据都去均值之后,每个维度上的数据都除以这个维度上数据的标准差(X /= np.std(X, axis = 0))。另外一种方式是我们除以数据绝对值最大值,以保证所有的数据归一化后都在-1到1之间。由于采集到的设备幅度变化非常大的数据集上,需要做归一化处理来提高数据识别的准确度。
提取历史数据的特征,利用LSTM的对信息的长期记忆是它们的自发行为特性,在数据进行获取运算时候,能够很好的反应已经训练过的特性。在数据识别过程中由于是多个设备数据同时处理,采取多线程方式,在不同阶段数据分开处理。从获取数据到最后要判断出来需要控制反应时间,采集数据按照一段一段的传输进行处理。
其中,在上面进行各种运算过后,根据得的值最后需要进行业务输出,业务输出有多方面同时展现,在整个服务器上需要控制机械设备。服务器与机械设备调用工业控制协议达到控制的目的。
业务输出S23:包括数据统计出来可视化显示以及与实际光纤对应的机械设备的3维模型直观展示,是由n维属性和m个元素组成的数据集所构成的多维信息空间,指对多维数据进行切片、块、旋转等动作剖析数据,从而能多角度多侧面观察数据,将数据库中每一个数据项作为单个图元元素表示,大量的数据集构成数据图像,同时将数据的各个属性值以多维数据的形式表示,可以从不同的维度观察数据,从而对数据进行更深入的观察和分析。
请参阅图3,图3是本发明基于LSTM工厂设备状况光纤感知方法一流程图。该方法包括:
将原来保存的设备振动数据特征进行建模,每个记忆单元采用相同的处理方式去完成,在图中给出了3个相同的单元做表示,把LSTM的流程详细表示出来。
LSTM算法能够学习长期依赖关系,对信息的长期记忆是它们自发行为,具有链条形式的传播方向,其核心所在Cell的状态,即cell state,并决定其中的删除和增加信息,由sigmoid网络层与一个按位乘操作。对于从输入的振动信息特征作为,在input数据时候特征是做完预处理的,其中state承担了记忆的功能。在输入的中与经过计算获取。
其中,需要确定从cell里面需要抛弃哪些信息,其中决定是由sigmoid层遗忘层来实现,在输入层时是和,输出为0到1之间的数,为每个在cell中所有在0和1之间的数值,其中把数值为0的全部抛弃,其公式为:。
其中,处理传送给下一步信息社会,需要确定什么样信息被存储起来,首先利用sigmoid层决定哪些信息需要更新值,然后生成一个新的候选变量,将其加入到状态中,将新读入的设备振动特征加入到cell状态中,将上述2个值结合用来更新cell状态,以防止忘记原来的设备振动特征状态。
在上述技术中,本发明采用形式进行特征数据传输,需要确定输出的内容,据此决定了cell状态,因此具有如下流程;
首先,我们会运行一个 sigmoid 层决定 cell 状态输出哪一部分。
其次,我们把 cell 状态输出值保持在-1 到 1 间。
最后,我们再乘以 sigmoid 门的输出值,输出得到结果,得到振动特征经过变换的值。
为解决上述技术问题,本发明采用的再一个技术方案利用公式,随着新的振动特征数据输入,确定记录特征数据,并利用激活函数将历史特征数据进行LSTM训练得到了模型。
如上述,本实施例中设备振动信息经过LSTM训练判断。首先对历史数据进行训练模型,利用LSTM具有记忆功能的特点,能够提高模型的准确度,在LSTM核心是门,在识别过程中是用已经训练好的模型去运算。
由上可知,设备不同运行状况的采样信号能够判断不同的运行状况,故振动的准确采样极其重要。本发明采用激活函数和门的概念有效控制数据输入输出,提高准确度,不同设备之间数据分开计算,相类似的设备综合,更能轻易的区分设备状况,也能简化流程。在计算时候每段数据分批次进入通道能够更准确反映记忆功能,LSTM的训练时候可以首先读取原来的模型,在此基础上进行训练。不同设备布置的光纤单元长度之间有间隔,当把光纤单元长度设置为1米的时候,部署下一个设备的时候最好到3米以后,空出一个单元长度。提高了识别的准确率,有利于区分设备状况的反应,相互之间不干扰。
参阅图4,本发明基于LSTM工厂设备光纤感知方法示意图,该方法为具体LSTM具体过程包括:
输入层S41,即为input,具有不同特征的设备数据传入到LSTM模型,数据输入进行训练的为历史数据进行预处理提取的特征,需要分批次batch导入模型。用于采用LSTM算法对所述光纤振动信号进行判断,预测设备运行状况和出现损坏程度。在数据输入过程中,对不同类别的数据打乱排序处理,同时把数据分为训练集和测试集。训练集和测试集的比例为5:1。在训练过程中将整个数据等分成几份,每一份都包括训练集和测试集,训练完成用测试集测试每个模型的准确率,最终采用测试准确率最高的模型。
隐藏层S42,LSTM的整个核心在内部的神经网络,对神经网络的隐藏层(HL1,HL2...HLN)进行计算,如图所示,在该神经网络中定义了隐藏层可能是多个。LSTM的特点是具有记忆功能,除了输入层和输出层都是隐藏层。在隐藏层具体定义了LSTM的各个参数和连接情况,通过LSTM增强遗忘机制,模型具有独立的遗忘/记忆机制,数据的不断输入由前面的数据特征有作用,不断的晚上模型,具有保存机制,当一组新的数据进入模型运算时,判断是否具有使用和保存的价值,在新的数据输入的时候模型首先忘掉哪些用不上的长期记忆信息,然后学习新输入有什么值得使用的信息,然后存入长期记忆中。把长期记忆聚焦到工作记忆中。最后,模型需要学会长期记忆的哪些部分立即能派上用场。不要一直使用完整的长期记忆,而要知道哪些部分是重要,LSTM则会以非常精确的方式改变记忆,应用专门的学习机制来记住、更新、聚焦信息。这有助于在更长的时期内跟踪信息。对于设备的特征,在前一段时间振动特征也会影响到模型训练,input的特征数据在隐藏层进行多次运算传输到输出层。
输出层S43,所述流程最后为计算结果输出(output),对于LSTM模型判断设故障来说,最后输出判断设备故障结果。并且把这输出结果进行转换层***可调用格式输出。
其中,该流程的上述过程分别用于执行上述LSTM算法实施例中的相应步骤,具体LSTM内部执行过程如上方法实施例说明,在此不作赘述。
参阅图5,本发明基于LSTM工厂设备光纤感知***流程图,该***包括工厂感知分析的具体过程和数据传输流:
在数据采集部分S51,将光纤环绕到机器设备,设备运行产生振动时候,光纤会采集到机械振动。该模块为光纤直接与机器设备接触。工厂机器设备之间是分开的,不同的机器设备之间间距不一样,根据整个工厂布局合理布置光纤。同时,不同机械设备需要检测的关键部位不一样,检测具有几率放生故障的部位,光纤本身为玻璃丝,光路在光纤中传播对设备运行本身没有任何影响。光纤端点连接采集终端,采集数据时候光纤传播顺序为:首先激光器往光纤中发送一光信号,光在光纤中传播时候,遇到机器设备振动位置,由于SiO2分子发生扰动,会往反向发生瑞利散射往回传输,并且,振动越强烈,瑞利散射的能量越大。机器设备的振动情况以高频的方式反应到光纤的中光能量值。
其中,光信号经过光电转换变成电信号,电信号经过模数转换变成可计算的数字信号。数字采集转换部分在高速信号处理板完成,光路部分和高速信号处理部分一起构成了光纤感知采集部分S511,其中光纤环绕到机器设备上,高速信号处理终端连接光纤首端,光纤终端数据通过网络传输给数据服务器。同时,工厂其他设备数据和传感器数据也传输给服务器,将原始数据传送给服务器S523和集群S524,并进行数据保存。
然后,在大数据处理部分S53主要是对各种数据进行运算,其中数据预处理主要目的是提取特征,机器运行状态不一样,产生振动也不一样,振动特征也不一样。在处理部分进行数据清洗S531、数据加工S532和处理后的数据存储S533,对边缘零值或者有特大异常的数据进行清洗掉。数据预处理是后续运算的非常重要的一部分,不同的处理方式会影响后续判断的准确性。
其中,大数据处理的核心部分用大数据分析,在本发明中主要是用LSTM光纤感知的数据进行处理S534。首先通过保存的历史数据进行训练,得到模型,将模型的节点保存到硬盘上。训练模型的模型为标记的机器设备运行状况种类,对于振动特征,通过分批次的导入历史数据,建立模型。训练的数据量很大需要的时间很长,对于训练一部分进行模型更新存储。实时采集的设备振动数据进行特征提取,运用加载的模型进行运算,判断设备运行状况和相似度,确定设备运行状况。
最后,业务输出部分S54为对算法分析结果的显示和相应的处理,分析出机器严重故障影响到安全发送命令对设备进行操作甚至停止,同时,对分析的结果统计,便于管理人员决策,在整个***可视化部分,直观的展现工程的当前情况和历史结果以及提示操作。
以上所述仅为本发明的实施方式,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种基于LSTM的工厂设备故障光纤感知方法,其特征在于,包括:
采用光纤瑞利散射原理,实时获取设备运行时候引起光纤振动信号的强度和波形,对数据进行预处理,提取到特征;
采用长短记忆网络建立数学模型,判断工厂设备运行状况。
2.根据权利要求1所述的方法,其关键在于,利用长短记忆模型建立数学模型:
LSTM 解决长期依赖,也就是说,对信息的长期记忆是它们的自发行为,而不是刻意去学习的,每次计算的设备振动数据特征的记忆,下一个数据输入时也作为参数。
3.根据权利要求2所述的方法,所述将所述设备振动数据特征作为数据输入,其中LSTM的核心是细胞状态(cell state),其特征是从水平线来说是贯穿运行;
细胞状态类似于传送带;
直接在整个链上运行,只有一些少量的线***互;
信息在上面流传保持不变:判断所述设备振动特征采用LSTM 决定我们需要从 cell中抛弃哪些信息,决定是从 sigmoid 中的遗忘层来实现的;
它的输入是 和 ,输出为一个 0 到 1 之间的数;
就是每个在 cell 中所有在 0 和 1 之间的数值,就像我们刚刚所说的,0 代表全抛弃,1 代表全保留,计算公式为:。
4.根据权利要求3所述的方法,其特征在于,所述将所述设备振动信号特征提取和存储,并根据计算值,首先是 sigmoid 层(输入门)决定我们需要更新哪些值;
随后,signmoid层生成了一个新的候选向量 C`,它能够加入状态中;通过LSTM建立数学模型,通过利用历史数据提取的特征训练模型。
5.根据权利要求4所述的方法,其特征在于,所述将所述设备振动引起光纤振动的特征提取,并用LSTM进行模型训练,再次采集到设备振动时,对数据运用上述训练好的模型来判断设备状况。
6.根据权利要求4所述的方法,其特征在于,对实时数据采用相同的方法进行预处理,通过此方法提取特征,通过数学模型预测设备状况以及准确度:
在运用实时数据进行判断前,首先读取数据模型文件,将LSTM训练的模型加载,其特征通过已经训练好的LSTM模型,来判断当前产生故障以及故障严重情况;
若判断出设备运行正常,则给出现在设备与最佳运行状态的比例;
否则,判断出故障的类型以及严重情况。
7.基于LSTM工厂光纤感知分析***,其特征在于,包括:
数据采集:设备振动引起其环绕的光纤振动,运用光纤瑞利散射原理,获取振动信息;
数据预处理:采集到数据进行清洗、加工、特征提取;
数据分析:利用长短记忆网络建立模型,历史设备振动数据提取的特征作为输入数据训练模型,其中,LSTM在判断过程中利用已经训练的模型,判断故障的类型和相似程度;
业务输出:数据分析结果保存,部分需要自动操作设备的输出工厂设备控制端口,同时通过可视化界面显示分析结果。
8.基于LSTM工厂光纤感知分析***,其特征在于,包括数据采集、处理和业务输出;
所述数据处理用于在预处理、算法分析采集到的振动数据,作为***的核心部分,主要是模型建立准确度,关系到设备故障判断的准确度,整个***的核心流程,数据处理需要大量的历史数据;
所述业务输出部分,是给用户最直观的展现,也是LSTM运算结果呈现给用户、调用接口控制设备、报表统计等,其特征在于多样化的展现以及业务逻辑合理性分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810424821.6A CN110455397A (zh) | 2018-05-07 | 2018-05-07 | 一种基于lstm的工厂设备故障光纤传感方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810424821.6A CN110455397A (zh) | 2018-05-07 | 2018-05-07 | 一种基于lstm的工厂设备故障光纤传感方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110455397A true CN110455397A (zh) | 2019-11-15 |
Family
ID=68471739
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810424821.6A Pending CN110455397A (zh) | 2018-05-07 | 2018-05-07 | 一种基于lstm的工厂设备故障光纤传感方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110455397A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110932809A (zh) * | 2019-11-20 | 2020-03-27 | 北京邮电大学 | 光纤信道模型模拟方法及装置 |
CN111104891A (zh) * | 2019-12-13 | 2020-05-05 | 天津大学 | 基于BiLSTM的复合特征光纤传感扰动信号模式识别方法 |
CN111127793A (zh) * | 2019-12-25 | 2020-05-08 | 深圳供电局有限公司 | 电缆防盗监测方法和***、计算机可读存储介质 |
CN112394702A (zh) * | 2020-12-10 | 2021-02-23 | 安徽理工大学 | 基于lstm的光缆制造设备故障远程预测*** |
CN112465269A (zh) * | 2020-12-16 | 2021-03-09 | 深圳市中博科创信息技术有限公司 | 一种秒批业务数据量和数据存储量的测算方法 |
CN116614177A (zh) * | 2023-05-08 | 2023-08-18 | 湖北思极科技有限公司 | 一种光纤状态多维度参量监测*** |
-
2018
- 2018-05-07 CN CN201810424821.6A patent/CN110455397A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110932809A (zh) * | 2019-11-20 | 2020-03-27 | 北京邮电大学 | 光纤信道模型模拟方法及装置 |
CN111104891A (zh) * | 2019-12-13 | 2020-05-05 | 天津大学 | 基于BiLSTM的复合特征光纤传感扰动信号模式识别方法 |
CN111127793A (zh) * | 2019-12-25 | 2020-05-08 | 深圳供电局有限公司 | 电缆防盗监测方法和***、计算机可读存储介质 |
CN112394702A (zh) * | 2020-12-10 | 2021-02-23 | 安徽理工大学 | 基于lstm的光缆制造设备故障远程预测*** |
CN112394702B (zh) * | 2020-12-10 | 2024-05-17 | 安徽理工大学 | 基于lstm的光缆制造设备故障远程预测*** |
CN112465269A (zh) * | 2020-12-16 | 2021-03-09 | 深圳市中博科创信息技术有限公司 | 一种秒批业务数据量和数据存储量的测算方法 |
CN116614177A (zh) * | 2023-05-08 | 2023-08-18 | 湖北思极科技有限公司 | 一种光纤状态多维度参量监测*** |
CN116614177B (zh) * | 2023-05-08 | 2023-11-17 | 湖北思极科技有限公司 | 一种光纤状态多维度参量监测*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110455397A (zh) | 一种基于lstm的工厂设备故障光纤传感方法和*** | |
CN115657617A (zh) | 一种用于火电厂智慧监盘报警***实现方法 | |
CN109186813A (zh) | 一种温度传感器自检装置及方法 | |
KR102427205B1 (ko) | 인공지능 모델을 위한 학습 데이터 생성 장치 및 방법 | |
CN109263271B (zh) | 一种基于大数据的印刷设备检测分析方法 | |
JP2014525097A (ja) | 予測および予想のための逐次カーネル回帰モデリングのシステム | |
KR20190013017A (ko) | 센서 군집화 기반의 설비 건강 모니터링 방법 및 장치 | |
CN112487058A (zh) | 一种基于数据挖掘的数控机床故障监测与诊断*** | |
CN107473036A (zh) | 电梯曳引机远程在线检测与诊断***及其检测诊断方法 | |
CN112766182A (zh) | 一种拉削刀具磨损状态识别方法 | |
US7079959B2 (en) | High-resolution intelligent rotor machine diagnostic system and method | |
CN111130890A (zh) | 一种网络流量动态预测*** | |
CN113657221A (zh) | 一种基于智能感知技术的电厂设备状态监测方法 | |
CN106022366A (zh) | 一种基于近邻证据融合的旋转机械设备故障诊断方法 | |
CN115858226A (zh) | 基于人工智能的智能运维*** | |
CN111255674A (zh) | 一种用于检测旋转机械设备状态的***及检测方法 | |
Băban et al. | Maintenance decision-making support for textile machines: A knowledge-based approach using fuzzy logic and vibration monitoring | |
CN116629627A (zh) | 输电在线监测装置的智能检测*** | |
CN117406689A (zh) | 一种数据驱动与知识引导的故障诊断方法及*** | |
CN116861369A (zh) | 工业互联网异构数据融合的空压机健康评估方法及*** | |
CN117235661A (zh) | 基于ai的直饮水质量监测方法 | |
CN115358533A (zh) | 一种基于大数据的预测性维护管理*** | |
CN107977679A (zh) | 基于频响函数和运行响应特征诊断复杂装置早期故障的方法 | |
CN118016268A (zh) | 一种基于人工智能的智慧医疗*** | |
TW202019612A (zh) | 應用於自動加工機的刀具磨耗預測方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191115 |
|
WD01 | Invention patent application deemed withdrawn after publication |