CN111126603A - 基于神经网络模型的设备故障预测方法、装置及设备 - Google Patents

Abstract

本申请提供一种基于神经网络模型的设备故障预测方法、装置及设备，涉及机械设备技术领域。该方法通过获取待检测设备的工作参数，将工作参数输入预设神经网络模型，获取待检测设备的故障信息，而由于该预设神经网络模型是根据多个包含工作参数的训练样本训练得到的，因此，基于训练出来的预设神经网络模型获取待检测设备的故障信息，可以有效提高预测待检测设备的故障信息的准确度。

Description

基于神经网络模型的设备故障预测方法、装置及设备

技术领域

本申请涉及机械设备技术领域，特别涉及一种基于神经网络模型的设备故障预测方法、装置及设备。

背景技术

随着现代科学技术的突飞猛进，机械设备在现代企业中的作用和影响越来越大，生产的主体也逐渐由人力向设备级转移。所以，要保证各种设备的正常运行，需要对设备的状态作出评估，对其中隐含的故障进行及早地预测和有效诊断。

现有的机械设备的故障诊断方法主要基于专家***、模糊理论、故障树等诊断技术来进行设备的故障诊断。

但现有的方法，在进行设备的故障预测时，预测的准确性较低。

发明内容

本申请的目的在于，针对上述现有技术中的不足，提供一种基于神经网络模型的设备故障预测方法、装置及设备，可以解决现有技术中在进行设备的故障预测时，预测的准确性较低的技术问题。

为实现上述目的，本申请实施例采用的技术方案如下：

第一方面，本申请实施例提供了一种基于神经网络模型的设备故障预测方法，包括：获取待检测设备的工作参数；将工作参数输入预设神经网络模型，获取待检测设备的故障信息，故障信息包括设备故障类型以及故障参数，预设神经网络模型根据多个包含工作参数的训练样本训练得到。

可选地，上述方法还包括：获取训练样本集，该训练样本集包括：多个包含工作参数的训练样本，每个训练样本包括已标注的样本故障信息，样本故障信息包括预设经验值下的设备故障类型以及故障参数；根据训练样本集，训练获取预设神经网络模型。

可选地，上述方法还包括：根据训练样本集，训练生成预设贝叶斯网络模型。

可选地，上述方法还包括：获取待检测设备在实际工况下的故障信息；根据实际工况下的故障信息、预设贝叶斯网络模型，对训练样本集中各训练样本所标注的样本故障信息进行更新，获取更新后的训练样本集；根据更新后的训练样本集，更新训练预设神经网络模型。

可选地，上述工作参数包括下述一种或多种的组合：振动信号、噪声信号、温度信号；上述获取训练样本集，包括：获取初始训练样本集；采用预设特征工程方法对初始训练样本集进行处理，将处理后的初始训练样本集作为训练样本集。

可选地，上述故障参数包括下述一种或多种的组合：设备故障位置、设备故障信号范围、设备故障概率。

可选地，上述将工作参数输入预设神经网络模型，获取待检测设备的故障信息之后，该方法还包括：获取待检测设备的3D模型；在该3D模型上，标注待检测设备的故障信息。

第二方面，本申请实施例提供了一种基于神经网络模型的设备故障预测装置，包括：第一获取模块和第二获取模块；第一获取模块，用于获取待检测设备的工作参数；第二获取模块，用于将工作参数输入预设神经网络模型，获取待检测设备的故障信息，故障信息包括设备故障类型以及故障参数，预设神经网络模型根据多个包含工作参数的训练样本训练得到。

可选地，上述装置还包括：第三获取模块和训练模块；第三获取模块，用于获取训练样本集，训练样本集包括：多个包含工作参数的训练样本，每个训练样本包括已标注的样本故障信息，样本故障信息包括预设经验值下的设备故障类型以及故障参数；训练模块，用于根据训练样本集，训练获取预设神经网络模型。

可选地，上述装置还包括：生成模块，用于根据训练样本集，训练生成预设贝叶斯网络模型。

可选地，上述装置还包括：更新模块，用于获取待检测设备在实际工况下的故障信息；根据实际工况下的故障信息、预设贝叶斯网络模型，对训练样本集中各训练样本所标注的样本故障信息进行更新，获取更新后的训练样本集；根据更新后的训练样本集，更新训练预设神经网络模型。

可选地，上述工作参数包括下述一种或多种的组合：振动信号、噪声信号、温度信号；上述第三获取模块，具体用于获取初始训练样本集；采用预设特征工程方法对初始训练样本集进行处理，将处理后的初始训练样本集作为训练样本集。

可选地，上述故障参数包括下述一种或多种的组合：设备故障位置、设备故障信号范围、设备故障概率。

可选地，上述装置还包括：标注模块，用于获取待检测设备的3D模型；在3D模型上，标注待检测设备的故障信息。

第三方面，本申请实施例提供了一种电子设备，包括：处理器、存储介质和总线，存储介质存储有处理器可执行的机器可读指令，当电子设备运行时，处理器与存储介质之间通过总线通信，处理器执行机器可读指令，以执行上述第一方面的基于神经网络模型的设备故障预测方法的步骤。

第四方面，本申请实施例提供了一种存储介质，存储介质上存储有计算机程序，计算机程序被处理器运行时执行如上述第一方面的基于神经网络模型的设备故障预测方法的步骤。

本申请的有益效果是：

本申请实施例提供的一种基于神经网络模型的设备故障预测方法、装置及设备中，通过获取待检测设备的工作参数，将工作参数输入预设神经网络模型，获取待检测设备的故障信息，而由于该预设神经网络模型是根据多个包含工作参数的训练样本训练得到的，因此，基于训练出来的预设神经网络模型获取待检测设备的故障信息，可以有效提高预测待检测设备的故障信息的准确度。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本申请实施例提供的一种基于神经网络模型的设备故障方法的流程示意图；

图2为本申请实施例提供的另一种基于神经网络模型的设备故障方法的流程示意图；

图3为本申请实施例提供的一种神经网络模型的结构示意图；

图4为本申请实施例提供的另一种基于神经网络模型的设备故障方法的流程示意图；

图5为本申请实施例提供的又一种基于神经网络模型的设备故障方法的流程示意图；

图6为本申请实施例提供的另一种基于神经网络模型的设备故障方法的流程示意图；

图7为本申请实施例提供的一种特征工程方法的处理流程示意图；

图8为本申请实施例提供的一种基于神经网络模型的设备故障装置的结构示意图；

图9为本申请实施例提供的另一种基于神经网络模型的设备故障装置的结构示意图；

图10为本申请实施例提供的又一种基于神经网络模型的设备故障装置的结构示意图；

图11为本申请实施例提供的一种电子设备结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

图1为本申请实施例提供的一种基于神经网络模型的设备故障方法的流程示意图，该方法的执行主体可以是计算机、服务器、处理器、移动终端等可以进行数据处理的设备，如图1所示，该方法包括：

S101、获取待检测设备的工作参数。

可选地，待检测设备可以为电机、泵、阀门、流量计单元等，本申请在此不作限定，根据实际的应用场景，可对应相应的待检测设备。而对于不同的待检测设备，则可对应不同的工作参数，比如，振动信号、温度信号、压力信号、液压信号、流量信号、噪声信号等，但不以此为限。可选地，待检测设备的工作参数可以通过在待检测位置设置相应的信号检测单元进行获取，比如，振动传感器、温度传感器、压力传感器等。

S102、将工作参数输入预设神经网络模型，获取待检测设备的故障信息，故障信息包括设备故障类型以及故障参数，预设神经网络模型根据多个包含工作参数的训练样本训练得到。

其中，预设神经网络模型可以根据多个包含工作参数的训练样本训练得到，该工作参数可以与上述待检测设备的工作参数为同类工作参数。也即，若获取的待检测设备的工作参数为振动信号时，则该预设神经网络模型可以根据多个包含振动信号的训练样本训练得到，而若获取的待检测设备的工作参数为温度信号时，则该预设神经网络模型可以根据多个包含温度信号的训练样本训练得到。可选地，该预设神经网络模型可以是循环神经网络(Recurrent Neural Network，RNN)、深度神经网络(Deep Neural Networks，DNN)等，本申请在此不作限定。

由于上述预设神经网络模型是根据多个包含工作参数的训练样本训练得到的，因此，将工作参数输入预设神经网络模型，获取待检测设备的故障信息时，可以基于训练出来的预设神经网络模型获取待检测设备的故障信息，可以有效提高预测待检测设备的故障信息的准确度。

综上所述，本申请实施例所提供的设备的故障预测方法中，通过获取待检测设备的工作参数，而由于上述预设神经网络模型是根据多个包含工作参数的训练样本训练得到的，因此，将工作参数输入预设神经网络模型，获取待检测设备的故障信息时，基于训练出来的预设神经网络模型获取待检测设备的故障信息，可以有效提高预测待检测设备的故障信息的准确度，进而降低设备的维护费用。

图2为本申请实施例提供的另一种基于神经网络模型的设备故障方法的流程示意图，图3为本申请实施例提供的一种神经网络模型的结构示意图。可选地，如图2所示，上述方法还包括：

S201、获取训练样本集，训练样本集包括：多个包含工作参数的训练样本，每个训练样本包括已标注的样本故障信息，样本故障信息包括预设经验值下的设备故障类型以及故障参数。

S202、根据训练样本集，训练获取预设神经网络模型。

可选地，如图3所示，预设神经网络模型可以包括输入层(A0、A1…At)、隐藏层(W0、W1、W2)、及输出层(Z0、Z1…Zt)，其中，输入层可以用于训练样本集的输入，训练样本集可以包括：多个包含工作参数的训练样本，每个训练样本可以包括已标注的样本故障信息，样本故障信息可以包括预设经验值下的设备故障类型以及故障参数，例如振动数据、噪声数据、油液分析数据、无损检测数据、机械结构参数监测数据、性能参数监测数据、瞬时转速监测数据等工作参数以及各工作参数所对应的设备故障类型和故障参数，本申请在此不作限定，根据不同的检测设备可以对应不同的样本故障信息。

其中，上述隐藏层可以通过梯度下降和反向传播的方法对输入和输出进行重复训练，使得损失函数处于最小值，得出权重和偏置等参数；输出层可以用于输出相应的故障信息，例如设备的剩余寿命、故障部件、故障位置及故障类型等，但不以此为限。

可选地，可参见下述的过程进行训练，根据训练样本集训练预设神经网络模型时，可以得到相应的损失函数值，进而可以根据该损失函数值可以计算预设神经网络模型中关于权重矩阵的导数；根据该导数可以计算预设神经网络模型中各节点的权重参数的梯度值，可选地，可以采用梯度下降和反向传播技术，通过不断优化各参数的梯度，并通过反向递进使梯度不断逼近零，从而使损失函数(比如，RELU函数和SOFTMAX函数)处于最小值，也即重复上述过程，直到上述损失函数值收敛到最小值且不再减小，将该损失函数值对应的权重参数作为预设神经网络模型中的权重参数进而得到训练后的预设神经网络模型。

本申请实施例在此以工作参数为振动信号为例进行说明，比如，待检测设备为泵，对应的工作参数为振动信号，可选地，可以基于该待检测设备获取训练样本集，训练样本集可以包括不同频率的振动信号，比如，低频1#、低频2#、低频3#、中频1#、中频2#及高频1#，每一频率的振动信号可以对应预设经验值下的设备故障类型以及故障参数。预设经验值下的设备故障类型以及故障参数可以为根据已有经验所设定的参数。

可选地，故障类型可以分为基座松动、转子不对中、转子质量不平衡、气蚀等，故障参数可以为故障概率，则根据已有经验，训练样本集中基座松动可能导致出现低频1#的概率为75％，可能导致出现低频2#的频率是60％，出现导致低频3#出现的概率是85％；转子不对中可能导致出现低频2#的概率为73％，可能导致出现中频1#的概率是65％，可能导致出现中频2#的概率是56％；转子质量不平衡可能导致出现低频2#的概率是68％，可能导致出现高频1#的概率是55％，可能导致出现低频1#的概率是83％；气蚀可能导致出现低频3#出现的概率63％，可能导致出现高频1#的概率35％，可能导致出现中频1#的概率是86％，则根据上述预设经验值，可以对训练样本集中的每个训练样本进行标注，但不以此为限。

而在进行标注后，可以将标注后的训练样本集用于训练获取预设神经网络模型，使得训练获取的预设神经网络模型用于待检测设备的故障信息的预测时，可以根据已有的经验值进行预测，提高预测待检测设备的故障信息的准确度。

可选地，上述方法还包括：根据训练样本集，训练生成预设贝叶斯网络模型。

其中，贝叶斯网络(Bayesian Network)模型，又称信念网络(belief network)或是有向无环图模型(directed acyclic graphical model)，是一种概率图型模型。贝叶斯网络模型中可以包括多个节点，节点可以表示随机变量，可以是可观察到的变量，或隐变量，未知参数等，比如训练样本集中的基座松动、转子不对中、转子质量不平衡、气蚀等故障类型，而连接两个节点之间的箭头代表两个随机变量之间的因果关系(也就是这两个随机变量之间非条件独立)，如果两个节点间以一个单箭头连接在一起，表示其中一个节点是“因”，另外一个是“果”，从而两节点之间就会产生一个条件概率值，该条件概率值可以表示不同故障类型的故障可以导致出现各振动信号的概率。当然，本申请在此并不对预设贝叶斯网络模型的生成方式进行限定，根据不同待检测设备所对应的训练样本集可以训练生成对应的预设贝叶斯网络模型。

图4为本申请实施例提供的另一种基于神经网络模型的设备故障方法的流程示意图。图5为本申请实施例提供的又一种基于神经网络模型的设备故障方法的流程示意图。可选地，如图4所示，上述方法还包括：

S301、获取待检测设备在实际工况下的故障信息。

S302、根据实际工况下的故障信息、预设贝叶斯网络模型，对训练样本集中各训练样本所标注的样本故障信息进行更新，获取更新后的训练样本集。

S303、根据更新后的训练样本集，更新训练预设神经网络模型。

其中，待检测设备在实际工况下的故障信息为实际工作过程中待检测设备所对应的故障信息，该实际工况下的故障信息可以通过用户输入方式获取。比如，由于是实际工作过程，因此，当待检测设备发生故障时，工作人员可以知晓该待检测设备的故障信息，获取到该实际工况下的故障信息，进而可以根据该实际工况下的故障信息、预设贝叶斯网络模型，对训练样本集中各训练样本所标注的样本故障信息进行更新，使得可以根据更新后的训练样本集，更新训练预设神经网络模型，获取更新后的预设神经网络模型，进而采用更新后的预设神经网络模型获取待检测设备的故障信息时，可以与待检测设备的实际工况下的故障信息更接近，提高预测的准确性。

其中，需要说明的是，相比于直接根据待检测设备在实际工况下的故障信息更新训练样本集，由于实际工况下获取到的待检测设备的故障信息频次有限，如果是依靠实际工况下的有限次故障信息来直接训练更新预设神经网络模型，是无法更为准确的标注训练样本集的样本故障信息，会使得预测的故障与实际工况的吻合度会较小；而本申请使用预设贝叶斯网络模型，可以通过不多的实际工况下的故障信息，对训练样本集中各训练样本所标注的样本故障信息进行更新，进而根据更新后的训练样本集，更新训练该预设神经网络模型，使得采用更新后的预设神经网络模型获取待检测设备的故障信息时，可以提高预测的准确性，也即与实际工况的故障信息更吻合。

比如，如图5所示，待检测设备为泵，对应的工作参数为振动信号，在实际工况下(实际运行状态下)获取该待检测设备的工作参数(比如，振动信号)，由于是实际工作过程，因此，该工作参数所对应的实际工况下的故障信息是可以知晓的，则可以根据实际工况下的故障信息和预设贝叶斯网络模型进行“逆概”运算，对训练样本集中各训练样本所标注的样本故障信息进行不断更新，由于将预设经验值和实际工况下的故障信息均考虑进去，使得通过更新训练获取的更新后的预设神经网络模型用于检测待检测设备的故障信息时，所推测出的故障信息可以更加贴近实际工况下的故障信息，可以进一步提高预测待检测设备的故障信息的准确度。

可选地，上述工作参数包括下述一种或多种的组合：振动信号、噪声信号、温度信号，当然，需要说明的是，根据不同的待检测设备可以对应包括其他工作参数，比如，压力信号、液压信号、流量信号等，但不以此为限。图6为本申请实施例提供的另一种基于神经网络模型的设备故障方法的流程示意图。可选地，如图6所示，上述获取训练样本集，包括：

S401、获取初始训练样本集。

S402、采用预设特征工程方法对初始训练样本集进行处理，将处理后的初始训练样本集作为训练样本集。

其中，初始训练样本集可以包括多个初始训练样本，每个训练样本可以包括如上所述的工作参数，当然，本申请在此并不对该初始训练样本集包括的训练样本的数量进行限定，根据实际的应用情况，可以进行相应的设置。

图7为本申请实施例提供的一种特征工程方法的处理流程示意图。可选地，如图7所示，上述预设特征工程方法可以包括：数据预处理，特征选择，维度压缩等数据处理过程，使得处理后的训练样本集可以更好的用于预设神经网络模型的训练。其中，数据预处理，可以包括量纲统一、缺失值计算和定性特性的独热码表示的处理过程，量纲统一的处理过程，可以包括正态分布标准化法、利用特征取值区间边界的区间缩放法和依照特征矩阵的行处理数据的归一化法等，通过进行量纲统一，使得可以将使初始训练样本集中不同规格的训练样本转换到同一规格；特征选择的处理过程，可以包括方差选择法、相关系数法、递归特征消除法和模型选择法等，通过特征选择，可以使得从初始训练样本集中选择有意义的特征作为神经网络模型的训练样本，可选地，可以从初始训练样本集中各样本的特征是否发散以及各特征与目标的相关性进行考虑；维度压缩，可以采样PCA主成分分析法，通过维度压缩，可以将初始训练样本集映射到维度更低的样本空间中，避免初始训练样本集的特征矩阵过大，导致计算量大、训练时间长的问题。

可选地，上述故障参数包括下述一种或多种的组合：设备故障位置、设备故障信号范围、设备故障概率。

其中，设备故障位置可以用于指示待检测设备的具体故障位置，比如上述的基座、转子等位置；设备故障信号范围可以表示设备故障时故障信号的量程区间，比如，振动信号的频率区间范围等；设备故障概率，可以指示各设备故障位置所对应的设备故障概率，比如，基座发生故障的概率为80％，转子发生故障的概率为60％。当然，需要说明的是，本申请在此并不对该故障参数进行限定，可选地，还可以包括设备故障原因等。

可选地，上述将工作参数输入预设神经网络模型，获取待检测设备的故障信息之后，该方法还包括：获取待检测设备的3D模型；在该3D模型上，标注待检测设备的故障信息，也即在获取了待检测设备的故障信息，可以将该故障信息通过该待检测设备的3D模型进行显示，实现待检测设备的故障信息的可视化。

此外，需要说明的是，可视化的方式可以通过计算机、移动终端等进行显示，比如，用户可以通过移动手持设备，如智能手机、平板电脑等移动终端，在局域网WIFI覆盖的地方，通过应用软件程序或是WEB浏览的方式，3D可视化查看待检测设备的故障信息，可以极大的提升了用户的人机交互体验感。可选地，可以采用Web图形库(Web Graphics Library，WebGL)对待检测设备进行可视化，进而可以进一步可视化待检测设备的故障信息。

图8为本申请实施例提供的一种基于神经网络模型的设备故障装置的结构示意图，该装置基本原理及产生的技术效果与前述对应的方法实施例相同，为简要描述，本实施例中未提及部分，可参考方法实施例中的相应内容。如图8所示，该装置包括：第一获取模块110和第二获取模块120。

第一获取模块110，用于获取待检测设备的工作参数；第二获取模块120，用于将工作参数输入预设神经网络模型，获取待检测设备的故障信息，故障信息包括设备故障类型以及故障参数，预设神经网络模型根据多个包含工作参数的训练样本训练得到。

图9为本申请实施例提供的另一种基于神经网络模型的设备故障装置的结构示意图。可选地，如图9所示，上述装置还包括：第三获取模块130和训练模块140。

第三获取模块130，用于获取训练样本集，训练样本集包括：多个包含工作参数的训练样本，每个训练样本包括已标注的样本故障信息，样本故障信息包括预设经验值下的设备故障类型以及故障参数；训练模块140，用于根据训练样本集，训练获取预设神经网络模型。

图10为本申请实施例提供的又一种基于神经网络模型的设备故障装置的结构示意图。可选地，如图10所示，上述装置还包括：生成模块150，用于根据训练样本集，训练生成预设贝叶斯网络模型。

可选地，如图10所示，上述装置还包括：更新模块160，用于获取待检测设备在实际工况下的故障信息；根据实际工况下的故障信息、预设贝叶斯网络模型，对训练样本集中各训练样本所标注的样本故障信息进行更新，获取更新后的训练样本集；根据更新后的训练样本集，更新训练预设神经网络模型。

可选地，上述工作参数包括下述一种或多种的组合：振动信号、噪声信号、温度信号；上述第三获取模块130，具体用于获取初始训练样本集；采用预设特征工程方法对初始训练样本集进行处理，将处理后的初始训练样本集作为训练样本集。

可选地，上述故障参数包括下述一种或多种的组合：设备故障位置、设备故障信号范围、设备故障概率。

可选地，上述装置还包括：标注模块，用于获取待检测设备的3D模型；在3D模型上，标注待检测设备的故障信息。

上述装置用于执行前述实施例提供的方法，其实现原理和技术效果类似，在此不再赘述。

以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或，一个或多个微处理器(Digital Signal Processor，简称DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(CentralProcessing Unit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上***(system-on-a-chip，简称SOC)的形式实现。

图11为本申请实施例提供的一种电子设备结构示意图。如图11所示，该电子设备可以包括：处理器210、存储介质220和总线230，存储介质220存储有处理器210可执行的机器可读指令，当电子设备运行时，处理器210与存储介质220之间通过总线230通信，处理器210执行机器可读指令，以执行上述方法实施例的步骤。具体实现方式和技术效果类似，这里不再赘述。

可选地，本申请还提供一种存储介质，存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述方法实施例的步骤。具体实现方式和技术效果类似，这里不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(英文：processor)执行本申请各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取存储器(英文：Random Access Memory，简称：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种基于神经网络模型的设备故障预测方法，其特征在于，包括：

获取待检测设备的工作参数；

将所述工作参数输入预设神经网络模型，获取所述待检测设备的故障信息，所述故障信息包括设备故障类型以及故障参数，所述预设神经网络模型根据多个包含工作参数的训练样本训练得到。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取训练样本集，所述训练样本集包括：多个包含工作参数的训练样本，每个训练样本包括已标注的样本故障信息，所述样本故障信息包括预设经验值下的设备故障类型以及故障参数；

根据所述训练样本集，训练获取所述预设神经网络模型。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

根据所述训练样本集，训练生成预设贝叶斯网络模型。

4.根据权利要求3所述的方法，其特征在于，所述方法还包括：

获取所述待检测设备在实际工况下的故障信息；

根据所述实际工况下的故障信息、所述预设贝叶斯网络模型，对所述训练样本集中各训练样本所标注的样本故障信息进行更新，获取更新后的训练样本集；

根据所述更新后的训练样本集，更新训练所述预设神经网络模型。

5.根据权利要求2所述的方法，其特征在于，所述工作参数包括下述一种或多种的组合：振动信号、噪声信号、温度信号；

所述获取训练样本集，包括：

获取初始训练样本集；

采用预设特征工程方法对所述初始训练样本集进行处理，将处理后的所述初始训练样本集作为训练样本集。

6.根据权利要求1-5任一项所述的方法，其特征在于，所述故障参数包括下述一种或多种的组合：设备故障位置、设备故障信号范围、设备故障概率。

7.根据权利要求2所述的方法，其特征在于，所述将所述工作参数输入预设神经网络模型，获取所述待检测设备的故障信息之后，所述方法还包括：

获取所述待检测设备的3D模型；

在所述3D模型上，标注所述待检测设备的故障信息。

8.一种基于神经网络模型的设备故障预测装置，其特征在于，包括：第一获取模块和第二获取模块；

所述第一获取模块，用于获取待检测设备的工作参数；

所述第二获取模块，用于将所述工作参数输入预设神经网络模型，获取所述待检测设备的故障信息，所述故障信息包括设备故障类型以及故障参数，所述预设神经网络模型根据多个包含工作参数的训练样本训练得到。

9.一种电子设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如权利要求1-7任一项所述基于神经网络模型的设备故障预测方法的步骤。

10.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1-7任一项所述基于神经网络模型的设备故障预测方法的步骤。

Images