CN112149301B - 模型训练方法、故障预测方法、装置及电子设备 - Google Patents
模型训练方法、故障预测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN112149301B CN112149301B CN202011006937.1A CN202011006937A CN112149301B CN 112149301 B CN112149301 B CN 112149301B CN 202011006937 A CN202011006937 A CN 202011006937A CN 112149301 B CN112149301 B CN 112149301B
- Authority
- CN
- China
- Prior art keywords
- measuring point
- sample
- working condition
- original
- information
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本申请涉及现代工业技术领域,具体而言,涉及一种模型训练方法、故障预测方法、装置及电子设备。本申请实施例提供的模型训练方法,包括:从第一样本齿轮箱的历史运行阶段中划分出多个第一完整工况阶段;构建针对所述多个第一完整工况阶段中,每个所述第一完整工况阶段的第一测点样本集,以获得多个所述第一测点样本集;通过多个所述第一测点样本集对初始模型进行训练,获得齿轮箱轴承故障预测模型。本申请实施例提供的模型训练方法、故障预测方法、装置及电子设备能够保证故障预测结果的准确性。
Description
技术领域
本申请涉及现代工业技术领域,具体而言,涉及一种模型训练方法、故障预测方法、装置及电子设备。
背景技术
齿轮箱是现代工业技术领域中涉及的重要传动装置,广泛应用于风力发电机组、机车传动装置、自动化产线传动装置等设备上,齿轮箱在工作过程中,由于环境复杂、受力不均、和润滑性能下降等原因,轴承容易发生故障,如果轴承故障没有及时检出,通常就引发安全事故,而影响设备的正常运行,因此,需要对齿轮箱检修故障预测。
现有技术中,齿轮箱轴承故障预测断方法,主要是以阈值式告警为主,通过在齿轮箱中的不同位置安装温度传感器,用于监测齿轮箱内部的温度值,同时,在齿轮箱中的不同位置安装振动传感器,用于监测齿轮箱内部的振动幅度表征值,并判断温度值和振动幅度表征值是否达到或超过预设阈值,若判断温度值和振动幅度表征值是否达到或超过预设阈值,则发出报警信号。阈值式告警主要存在两个问题,第一,过分依赖预设阈值的设定,但在不同工况、不同外部环境的情况下,需要设定不同的预设阈值,第二,齿轮箱工况较为复杂,在很多时候都会有概率性数值的产生,而并非由于故障引起,基于阈值式告警存在的两个问题,可以确定阈值式告警的准确度是较低的。
发明内容
本申请的目的在于,提供一种模型训练方法、故障预测方法、装置及电子设备,以解决上述问题。
第一方面,本申请实施例提供的模型训练方法,包括:
从第一样本齿轮箱的历史运行阶段中划分出多个第一完整工况阶段;
构建针对多个第一完整工况阶段中,每个第一完整工况阶段的第一测点样本集,以获得多个第一测点样本集;
通过多个第一测点样本集对初始模型进行训练,获得齿轮箱轴承故障预测模型。
结合第一方面,本申请实施例还提供了第一方面的第一种可选的实施方式从第一样本齿轮箱的历史运行阶段中划分出多个第一完整工况阶段,包括:
获取第一样本齿轮箱在历史运行阶段中的电机转速信息;
根据电机转速信息,从第一样本齿轮箱的历史运行阶段中划分出多个第一完整工况阶段,每个第一完整工况阶段包括加速阶段、稳定阶段和降速阶段。
结合第一方面,本申请实施例还提供了第一方面的第二种可选的实施方式,构建针对多个第一完整工况阶段中,每个第一完整工况阶段的第一测点样本集,包括:
针对多个第一完整工况阶段中的每个第一完整工况阶段,将第一完整工况阶段作为目标工况阶段,并获取第一样本齿轮箱在目标工况阶段内产生的多条第一原始测点样本,每条第一原始测点样本中包括多类第一原始测点信息;
获取第一样本齿轮箱在目标工况阶段内,多类第一原始测点信息中每类第一原始测点信息的变化率表征信息;
针对多条第一原始测点样本中的每条第一原始测点样本,对第一原始测点样本中包括多类第一原始测点信息进行类别组合,获得多条组合测点信息,并与多类第一原始测点信息,共同组成第一构建测点样本,以获得多条第一构建测点样本;
分别在多条第一构建测点样本中,添加变化率表征信息,获得多条第二构建测点样本,组成针对目标工况阶段的第一测点样本集。
结合第一方面的第二种可选的实施方式,本申请实施例还提供了第一方面的第三种可选的实施方式,第一样本齿轮箱安装于目标机电设备,且目标机电设备还包括多个第二样本齿轮箱,构建针对多个第一完整工况阶段中,每个第一完整工况阶段的第一测点样本集,还包括:
针对多个第二样本齿轮箱中的每个第二样本齿轮箱,获取第二样本齿轮箱在目标工况阶段内产生的多条第二原始测点样本,每条第二原始测点样本中包括多类第二原始测点信息;
针对多条第一原始测点样本中的每条第一原始测点样本,从多条第二原始测点样本中确定产生时间点与第一原始测点样本相同的第二原始测点样本,作为待对比测点样本;
获取第一原始测点样本中包括多类第一原始测点信息与待对比测点样本中包括多类第二原始测点信息中,相同类别测点信息的信息差值;
分别在多条第二构建测点样本中,添加对应的信息差值,获得多条第三构建测点样本,组成新的针对目标工况阶段的第一测点样本集。
结合第一方面,本申请实施例还提供了第一方面的第四种可选的实施方式,通过多个第一测点样本集对初始模型进行训练,获得齿轮箱轴承故障预测模型,包括:
分别从多个第一测点样本集中提取一条目标测点样本,获得多条目标测点样本;
按照产生时间点的先后顺序,从多条目标测点样本中划分出多组测试序列;
依次通过多组测试序列对初始模型进行训练,获得齿轮箱轴承故障预测模型。
结合第一方面的第四种可选的实施方式,本申请实施例还提供了第一方面的第五种可选的实施方式,分别从多个第一测点样本集中提取一条目标测点样本,获得多条目标测点样本,包括:
针对多个第一测点样本集中的每个第一测点样本集,从第一测点样本集划分出的多个子样本集中选取出目标子样本集,并从目标子样本集中有放回的提取一条目标测点样本,以获得多条目标测点样本。
第二方面,本申请实施例还提供了一种故障预测方法,包括:
从待测齿轮箱的历史运行阶段中划分出多个第二完整工况阶段;
构建针对多个第二完整工况阶段中,每个第二完整工况阶段的第二测点样本集,以获得多个第二测点样本集;
将多个第二测点样本集输入上述第一方面,或第一方面的任意一种可选的实施方式所提供的齿轮箱轴承故障预测模型,获得针对待测齿轮箱的故障预测结果。
第三方面,本申请实施例还提供了一种模型训练装置,包括:
第一工况阶段划分模块,用于从第一样本齿轮箱的历史运行阶段中划分出多个第一完整工况阶段;
第一样本集构建模块,用于构建针对多个第一完整工况阶段中,每个第一完整工况阶段的第一测点样本集,以获得多个第一测点样本集;
模型训练模块,用于通过多个第一测点样本集对初始模型进行训练,获得齿轮箱轴承故障预测模型。
第四方面,本申请实施例还提供了一种故障预测装置,包括:
第二工况阶段划分模块,用于从待测齿轮箱的历史运行阶段中划分出多个第二完整工况阶段;
第二样本集构建模块,用于构建针对多个第二完整工况阶段中,每个第二完整工况阶段的第二测点样本集,以获得多个第二测点样本集;
结果预测模块,用于将多个第二测点样本集输入上述第一方面,或第一方面的任意一种可选的实施方式所提供的齿轮箱轴承故障预测模型,获得针对待测齿轮箱的故障预测结果。
第五方面,本申请实施例还提供了一种电子设备,包括控制器和存储器,存储器上存储有计算机程序,控制器用于执行计算机程序,以实现上述第一方面,或第一方面的任意一种可选的实施方式所提供的模型训练方法,或实现上述第二方面所提供的故障预测方法。
第六方面,本申请实施例还提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被执行时,实现上述第一方面,或第一方面的任意一种可选的实施方式所提供的模型训练方法,或实现上述第二方面所提供的故障预测方法。
本申请实施例提供的模型训练方法能够通过从第一样本齿轮箱的历史运行阶段中划分出多个第一完整工况阶段,构建针对多个第一完整工况阶段中,每个第一完整工况阶段的第一测点样本集,以获得多个第一测点样本集,再通过多个第一测点样本集对初始模型进行训练,获得齿轮箱轴承故障预测模型。此后,便可以应用本申请实施例提供的故障预测方法,从待测齿轮箱的历史运行阶段中划分出多个第二完整工况阶段,构建针对多个第二完整工况阶段中,每个第二完整工况阶段的第二测点样本集,以获得多个第二测点样本集,再将多个第二测点样本集输入齿轮箱轴承故障预测模型,获得针对待测齿轮箱的故障预测结果。由于对初始模型进行训练的测点样本集是针对多个第一完整工况阶段中,每个第一完整工况阶段构建的,因此,对初始模型进行训练,获得的齿轮箱轴承故障预测模型具有较高的可靠性,如此,后续通过齿轮箱轴承故障预测模型进行故障预测时,便能够保证故障预测结果的准确性。
本申请实施例提供的模型训练装置、故障预测装置及电子设备具有与上述模型训练方法和故障与预测方法相同的有益效果,此处不作赘述。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请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电子设备的示意性结构框图。
图2为本申请实施例提供的一种模型训练方法的步骤流程图。
图3为本申请实施例提供的一种模型训练装置的示意性结构框图。
图4为本申请实施例提供的一种模型训练过程示意图。
图5为本申请实施例提供的一种故障预测方法的步骤流程图。
图6为本申请实施例提供的一种故障预测装置的示意性结构框图。
附图标记:100-电子设备;110-处理器;120-存储器;200-模型训练装置;210-第一工况阶段划分模块;220-第一样本集构建模块;230-模型训练模块;300-故障预测装置;310-第二工况阶段划分模块;320-第二样本集构建模块;330-结果预测模块。
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描述。此外,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。
请参阅图1,为本申请实施例提供的一种电子设备100的示意性结构框图。本申请实施例中,电子设备100可以是终端设备,例如,电脑、个人数字助理(Personal DigitalAssistant,PAD)、移动上网设备(Mobile Internet Device,MID)等,还可以是服务器,本申请实施例对此不作具体限制。
在结构上,电子设备100可以包括处理器110和存储器120。
处理器110和存储器120直接或间接地电性连接,以实现数据的传输或交互,例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。模型训练装置或故障预测装置包括至少一个可以软件或固件(Firmware)的形式存储在存储器120中或固化在电子设备100的操作***(Operating System,OS)中的软件模块。处理器110用于执行存储器120中存储的可执行模块,例如,模型训练装置所包括的软件功能模块及计算机程序等,以实现模型训练方法,故障预测装置所包括的软件功能模块及计算机程序等,以实现故障预测方法。
处理器110可以在接收到执行指令后,执行计算机程序。其中,处理器110可以是一种集成电路芯片,具有信号处理能力。处理器110也可以是通用处理器,例如,可以是数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、分立门或晶体管逻辑器件、分立硬件组件,可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图,此外,通用处理器可以是微处理器或者任何常规处理器等。
存储器120可以是,但不限于,随机存取存储器(Random Access Memory,RAM)、只读存储器(Read Only Memory,ROM)、可编程只读存储器(Programmable Read-OnlyMemory,PROM)、可擦可编程序只读存储器(Erasable Programmable Read-Only Memory,EPROM),以及电可擦编程只读存储器(Electric Erasable Programmable Read-OnlyMemory,EEPROM)。存储器120用于存储程序,处理器110在接收到执行指令后,执行该程序。
应当理解,图1所示的结构仅为示意,本申请实施例提供的电子设备100还可以具有比图1更少或更多的组件,或是具有与图1所示不同的配置。此外,图1所示的各组件可以通过软件、硬件或其组合实现。
请参阅图2,为本申请实施例提供的模型训练方法的流程示意图,该方法应用于图1所示的电子设备100。需要说明的是,本申请实施例提供的模型训练方法不以图2及以下所示的顺序为限制,以下结合图2对模型训练方法的具体流程及步骤进行描述。
步骤S110,从第一样本齿轮箱的历史运行阶段中划分出多个第一完整工况阶段。
本申请实施例中,每个第一完整工况阶段可以包括加速阶段、稳定阶段和降速阶段。基于此,对于步骤S110,本申请实施例中,作为一种可选的实施方式,其可以包括步骤S111和步骤S112。
步骤S111,获取第一样本齿轮箱在历史运行阶段中的电机转速信息。
步骤S112,根据电机转速信息,从第一样本齿轮箱的历史运行阶段中划分出多个第一完整工况阶段,每个第一完整工况阶段包括加速阶段、稳定阶段和降速阶段。
本申请实施例中,可以根据电机转速信息,并结合预设的第一界限转速和第二界限转速,从第一样本齿轮箱的历史运行阶段中划分出多个第一完整工况阶段。实际实施时,第一界限转速和第二界限转速可以根据第一样本齿轮箱中电机的型号和使用场景确定,例如,第一样本齿轮箱中电机在某使用场景下,正常工作时的转速维持在1000±200Rmp区间内,则可以确定第一界限转速为800Rmp,第二界限转速为1200Rmp,进一步地,加速阶段电机转速为0~800Rmp,且转速处于增加状态,稳定阶段电机转速为800Rmp~1200Rmp,降速阶段电机转速为0~800Rmp,且转速处于降低状态。
在确定出第一界限转速和第二界限转速,并进一步确定出加速阶段、稳定阶段和降速阶段对应的转速区间和转速变化特征之后,便可以根据电机转速信息从第一样本齿轮箱的历史运行阶段中划分出多个第一完整工况阶段。
步骤S120,构建针对多个第一完整工况阶段中,每个第一完整工况阶段的第一测点样本集,以获得多个第一测点样本集。
需要说明的是,在进行齿轮箱轴承故障预测时,具体可以根据齿轮箱的业务机理进行故障预测,因此,可以认为齿轮箱轴承故障的原因主要包括两点:第一,受力变化;第二,润滑性能下降。根据这两点原因,本申请实施例中,获得的第一测点样本集中,除包括多类第一原始测点信息之外,还可以包括构建测点样本。基于此,本申请实施例中,步骤S120可以包括步骤S121、步骤S122、步骤S123和步骤S124。
步骤S121,针对多个第一完整工况阶段中的每个第一完整工况阶段,将第一完整工况阶段作为目标工况阶段,并获取第一样本齿轮箱在目标工况阶段内产生的多条第一原始测点样本,每条第一原始测点样本中包括多类第一原始测点信息。
本申请实施例中,每条第一原始测点样本中包括多类第一原始测点信息,例如,第一样本齿轮箱中大齿轮轴承和小齿轮轴承各个位置的温度值、振动幅度表征值,连接第一样本齿轮箱电机的转子转速、三相电流、电压等原始测点信息。
步骤S122,获取第一样本齿轮箱在目标工况阶段内,多类第一原始测点信息中每类第一原始测点信息的变化率表征信息。
本申请实施例中,多类第一原始测点信息中每类第一原始测点信息的变化率表征信息可以包括该类第一原始测点信息在目标工况阶段内的均值、方差、最大值、最小值和累计变化量等。以第一原始测点信息为第一样本齿轮箱中大齿轮轴承某位置的温度值为例,大齿轮轴承该位置温度值的变化率表征信息可以包括大齿轮轴承该位置的温度值在目标工况阶段内的均值、方差、最大值、最小值和累计变化量等。
步骤S123,针对多条第一原始测点样本中的每条第一原始测点样本,对第一原始测点样本中包括多类第一原始测点信息进行类别组合,获得多条组合测点信息,并与多类第一原始测点信息,共同组成第一构建测点样本,以获得多条第一构建测点样本。
根据步骤S122,本申请实施例中,多类第一原始测点信息中每类第一原始测点信息的变化率表征信息可以包括该类第一原始测点信息在目标工况阶段内的均值、方差、最大值、最小值和累计变化量,基于此,在执行步骤S123时,可以将该类第一原始测点信息在目标工况阶段内的均值和方差进行组合,也可以将该类第一原始测点信息在目标工况阶段内的最大值、最小值和累计变化量进行组合,还可以将该类第一原始测点信息在目标工况阶段内的均值、最大值和最小值进行组合,本申请实施例对此不作具体限制。
步骤S124,分别在多条第一构建测点样本中,添加变化率表征信息,获得多条第二构建测点样本,组成针对目标工况阶段的第一测点样本集。
本申请实施例中,第一样本齿轮箱安装于目标机电设备,且目标机电设备还包括多个第二样本齿轮箱,而目标机电设备可以是,但不限于风力发电机组、机车传动装置、自动化产线传动装置等设备。基于此,为进一步提高第一测点样本的多样性,本申请实施例中,步骤S120还可以包括步骤S125、步骤S126、步骤S127和步骤S128。
步骤S125,针对多个第二样本齿轮箱中的每个第二样本齿轮箱,获取第二样本齿轮箱在目标工况阶段内产生的多条第二原始测点样本,每条第二原始测点样本中包括多类第二原始测点信息。
同样,本申请实施例中,每条第二原始测点样本中包括多类第二原始测点信息,例如,第二样本齿轮箱中大齿轮轴承和小齿轮轴承各个位置的温度值、振动幅度表征值,连接第二样本齿轮箱电机的转子转速、三相电流、电压等原始测点信息。
步骤S126,针对多条第一原始测点样本中的每条第一原始测点样本,从多条第二原始测点样本中确定产生时间点与第一原始测点样本相同的第二原始测点样本,作为待对比测点样本。
步骤S127,获取第一原始测点样本中包括多类第一原始测点信息与待对比测点样本中包括多类第二原始测点信息中,相同类别测点信息的信息差值。
步骤S128,分别在多条第二构建测点样本中,添加对应的信息差值,获得多条第三构建测点样本,组成新的针对目标工况阶段的第一测点样本集。
步骤S130,通过多个第一测点样本集对初始模型进行训练,获得齿轮箱轴承故障预测模型。
本申请实施例中,初始模型可以是长短期记忆网络(Long Short-Term Memory,LSTM)模型,在获得多个第一测点样本集之后,步骤S130又可以具体为步骤S131、步骤S132和步骤S133。
步骤S131,分别从多个第一测点样本集中提取一条目标测点样本,获得多条目标测点样本。
本申请实施例中,可以针对多个第一测点样本集中的每个第一测点样本集,从第一测点样本集划分出的多个子样本集中选取出目标子样本集,并从目标子样本集中有放回的提取一条目标测点样本,以获得多条目标测点样本。步骤S132,按照产生时间点的先后顺序,从多条目标测点样本中划分出多组测试序列。
步骤S133,依次通过多组测试序列对初始模型进行训练,获得齿轮箱轴承故障预测模型。
假设,本申请实施例中,通过步骤S110和步骤S120共获得20个第一测点样本集,则执行步骤S131时,可以针对20个第一测点样本集中的每个第一测点样本集,从第一测点样本集划分出的10个子样本集中选取出目标子样本集,再从目标子样本集有放回的提取一条目标测点样本,最终,获得20条目标测点样本,以此循环多轮,便可以获得20N个目标样本集,其中,N≥1,且为整数。
执行步骤S132时,可以将第一轮获取的20个目标样本集按照产生时间点的先后顺序,从多条目标测点样本中划分出多组测试序列,例如,可以按照每5个目标样本集为一组测试序列,且相邻两个目标样本集的步进值为1个目标样本集,也即,相邻两组测试序列中存在4个相同的目标样本集。
执行步骤S133时,便可以依次通过多组测试序列对初始模型进行训练,获得齿轮箱轴承故障预测模型,训练过程可以按照二分类问题,而优化目标可以为故障分类的(AreaUnder Curve,AUC),齿轮箱轴承故障预测模型的输出结果为第一样本齿轮箱再未来几个完整工况阶段内出现故障的概率,例如,将第一组测试序列中包括的第一目标样本集i1、第二组测试序列中包括的第一目标样本集i2、第三组测试序列中包括的第一目标样本集i3、第四组测试序列中包括的第一目标样本集i4和第五组测试序列中包括的第一目标样本集i5输入初始模型中包括的编码器,初始模型中包括的解码器输出第一样本齿轮箱在未来第一个完整工况阶段内出现故障的概率,记作o1,第一样本齿轮箱再未来第二个完整工况阶段内出现故障的概率,记作o1,以及第一样本齿轮箱再未来第三个完整工况阶段内出现故障的概率,记作o3,具体如图3所示。
此外,需要说明的是,本申请实施例中,在执行步骤S133时,模型的调整过程可以使用k折交叉验证的方式进行。
基于与上述模型训练方法同样的发明构思,本申请实施例还提供了一种模型训练装置200。请参阅图4,本申请实施例提供的模型训练装置200包括第一工况阶段划分模块210、第一样本集构建模块220和模型训练模块230。
第一工况阶段划分模块210,用于从第一样本齿轮箱的历史运行阶段中划分出多个第一完整工况阶段。
第一样本集构建模块220,用于构建针对所述多个第一完整工况阶段中,每个所述第一完整工况阶段的第一测点样本集,以获得多个所述第一测点样本集。
模型训练模块230,用于通过多个所述第一测点样本集对初始模型进行训练,获得齿轮箱轴承故障预测模型。
本申请实施例中,第一工况阶段划分模块210可以包括转速信息获取单元和工况阶段划分单元。
转速信息获取单元,用于获取所述第一样本齿轮箱在历史运行阶段中的电机转速信息。
工况阶段划分单元,用于根据所述电机转速信息,从所述第一样本齿轮箱的历史运行阶段中划分出所述多个第一完整工况阶段,每个所述第一完整工况阶段包括加速阶段、稳定阶段和降速阶段。
本申请实施例中,第一样本集构建模块220可以包括第一样本集构建单元、第二样本集构建单元、第三样本集构建单元和第四样本集构建单元。
第一样本集构建单元,用于针对所述多个第一完整工况阶段中的每个所述第一完整工况阶段,将所述第一完整工况阶段作为目标工况阶段,并获取所述第一样本齿轮箱在所述目标工况阶段内产生的多条第一原始测点样本,每条所述第一原始测点样本中包括多类第一原始测点信息。
第二样本集构建单元,用于获取所述第一样本齿轮箱在所述目标工况阶段内,所述多类第一原始测点信息中每类所述第一原始测点信息的变化率表征信息。
第三样本集构建单元,用于针对所述多条第一原始测点样本中的每条所述第一原始测点样本,对所述第一原始测点样本中包括多类第一原始测点信息进行类别组合,获得多条组合测点信息,并与所述多类第一原始测点信息,共同组成第一构建测点样本,以获得多条第一构建测点样本。
第四样本集构建单元,用于分别在所述多条第一构建测点样本中,添加所述变化率表征信息,获得多条第二构建测点样本,组成针对所述目标工况阶段的第一测点样本集。
所述第一样本齿轮箱安装于目标机电设备,且所述目标机电设备还包括多个第二样本齿轮箱,基于此,本申请实施例中,第一样本集构建模块220还可以包括第五样本集构建单元、第六样本集构建单元、第七样本集构建单元和第八样本集构建单元。
第五样本集构建单元,用于针对所述多个第二样本齿轮箱中的每个第二样本齿轮箱,获取所述第二样本齿轮箱在所述目标工况阶段内产生的多条第二原始测点样本,每条所述第二原始测点样本中包括多类第二原始测点信息。
第六样本集构建单元,用于针对所述多条第一原始测点样本中的每条所述第一原始测点样本,从所述多条第二原始测点样本中确定产生时间点与所述第一原始测点样本相同的第二原始测点样本,作为待对比测点样本。
第七样本集构建单元,用于获取所述第一原始测点样本中包括多类第一原始测点信息与所述待对比测点样本中包括多类第二原始测点信息中,相同类别测点信息的信息差值。
第八样本集构建单元,用于分别在所述多条第二构建测点样本中,添加对应的所述信息差值,获得多条第三构建测点样本,组成新的针对所述目标工况阶段的第一测点样本集。
本申请实施例中,模型训练模块230可以包括第一模型训练单元、第二模型训练单元和第三模型训练单元。
第一模型训练单元,用于分别从多个所述第一测点样本集中提取一条目标测点样本,获得多条所述目标测点样本。
第一模型训练单元具体用于针对多个所述第一测点样本集中的每个第一测点样本集,从所述第一测点样本集划分出的多个子样本集中选取出目标子样本集,并从所述目标子样本集中有放回的提取一条目标测点样本,以获得多条所述目标测点样本。
第二模型训练单元,用于按照产生时间点的先后顺序,从多条所述目标测点样本中划分出多组测试序列。
第三模型训练单元,用于依次通过所述多组测试序列对初始模型进行训练,获得齿轮箱轴承故障预测模型。
由于本申请实施例提供的模型训练装置200是基于与上述模型训练方法同样的发明构思实现的,因此,模型训练装置200中,每个软件模块的具体描述,均可参见模型训练方法实施例中对应步骤的相关描述,此处不作赘述。
请参阅图5,为本申请实施例提供的故障预测方法的流程示意图,该方法应用于图1所示的电子设备100。需要说明的是,本申请实施例提供的故障预测方法不以图5及以下所示的顺序为限制,以下结合图5对故障预测方法的具体流程及步骤进行描述。
步骤S210,从待测齿轮箱的历史运行阶段中划分出多个第二完整工况阶段。
关于步骤S210的描述具体可参考所述模型训练方法相关实施例中关于步骤S110的详细描述,也即,步骤S210可以通过与步骤S110相同实施方式实现。
步骤S220,构建针对所述多个第二完整工况阶段中,每个所述第二完整工况阶段的第二测点样本集,以获得多个所述第二测点样本集。
关于步骤S220的描述具体可参考所述模型训练方法相关实施例中关于步骤S120的详细描述,也即,步骤S220可以通过与步骤S120相同实施方式实现。
步骤S230,将多个所述第二测点样本集输入齿轮箱轴承故障预测模型,获得针对所述待测齿轮箱的故障预测结果,齿轮箱轴承故障预测模型通过上述模型训练方法训练获得。
基于与上述故障预测方法同样的发明构思,本申请实施例还提供了一种故障预测装置300。请参阅图6,本申请实施例提供的故障预测装置300包括第二工况阶段划分模块310、第二样本集构建模块320和结果预测模块330。
第二工况阶段划分模块310,用于从待测齿轮箱的历史运行阶段中划分出多个第二完整工况阶段。
第二样本集构建模块320,用于构建针对多个第二完整工况阶段中,每个第二完整工况阶段的第二测点样本集,以获得多个第二测点样本集。
结果预测模块330,用于将多个第二测点样本集输入齿轮箱轴承故障预测模型,获得针对待测齿轮箱的故障预测结果,齿轮箱轴承故障预测模型通过上述模型训练方法训练获得。
由于本申请实施例提供的故障预测装置300是基于与上述故障预测方法同样的发明构思实现的,因此,故障预测装置300中,每个软件模块的具体描述,均可参见故障预测方法实施例中对应步骤的相关描述,此处不作赘述。
此外,本申请实施例还提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被执行时,实现上述方法实施例所提供的模型训练方法或故障预测方法,具体可参见上述方法实施例,本申请实施例中对此不作赘述。
综上所述,本申请实施例提供的模型训练方法能够通过从第一样本齿轮箱的历史运行阶段中划分出多个第一完整工况阶段,构建针对多个第一完整工况阶段中,每个第一完整工况阶段的第一测点样本集,以获得多个第一测点样本集,再通过多个第一测点样本集对初始模型进行训练,获得齿轮箱轴承故障预测模型。此后,便可以应用本申请实施例提供的故障预测方法,从待测齿轮箱的历史运行阶段中划分出多个第二完整工况阶段,构建针对多个第二完整工况阶段中,每个第二完整工况阶段的第二测点样本集,以获得多个第二测点样本集,再将多个第二测点样本集输入齿轮箱轴承故障预测模型,获得针对待测齿轮箱的故障预测结果。由于对初始模型进行训练的测点样本集是针对多个第一完整工况阶段中,每个第一完整工况阶段构建的,因此,对初始模型进行训练,获得的齿轮箱轴承故障预测模型具有较高的可靠性,如此,后续通过齿轮箱轴承故障预测模型进行故障预测时,便能够保证故障预测结果的准确性。
本申请实施例提供的模型训练装置、故障预测装置及电子设备具有与上述模型训练方法和故障与预测方法相同的有益效果,此处不作赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的方法和装置,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这将依据所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。此外,在本申请每个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是每个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
此外,所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品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)执行本申请每个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
此外,还需要说明的是,在本申请的描述中,如“第一”、“第二”、“第三”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。
Claims (9)
1.一种模型训练方法,其特征在于,包括:
从第一样本齿轮箱的历史运行阶段中划分出多个第一完整工况阶段;其中,所述第一样本齿轮箱安装于目标机电设备,且所述目标机电设备还包括多个第二样本齿轮箱;每个所述第一完整工况阶段包括加速阶段、稳定阶段和降速阶段;
构建针对所述多个第一完整工况阶段中,每个所述第一完整工况阶段的第一测点样本集,以获得多个所述第一测点样本集;
通过多个所述第一测点样本集对初始模型进行训练,获得齿轮箱轴承故障预测模型;
其中,所述构建针对所述多个第一完整工况阶段中,每个所述第一完整工况阶段的第一测点样本集包括:
针对所述多个第一完整工况阶段中的每个所述第一完整工况阶段,将所述第一完整工况阶段作为目标工况阶段,并获取所述第一样本齿轮箱在所述目标工况阶段内产生的多条第一原始测点样本,每条所述第一原始测点样本中包括多类第一原始测点信息;
获取所述第一样本齿轮箱在所述目标工况阶段内,所述多类第一原始测点信息中每类所述第一原始测点信息的变化率表征信息;
针对所述多条第一原始测点样本中的每条所述第一原始测点样本,对所述第一原始测点样本中包括多类第一原始测点信息进行类别组合,获得多条组合测点信息,并与所述多类第一原始测点信息,共同组成第一构建测点样本,以获得多条第一构建测点样本;
分别在所述多条第一构建测点样本中,添加所述变化率表征信息,获得多条第二构建测点样本,组成针对所述目标工况阶段的第一测点样本集;
针对所述多个第二样本齿轮箱中的每个第二样本齿轮箱,获取所述第二样本齿轮箱在所述目标工况阶段内产生的多条第二原始测点样本,每条所述第二原始测点样本中包括多类第二原始测点信息;
针对所述多条第一原始测点样本中的每条所述第一原始测点样本,从所述多条第二原始测点样本中确定产生时间点与所述第一原始测点样本相同的第二原始测点样本,作为待对比测点样本;
获取所述第一原始测点样本中包括多类第一原始测点信息与所述待对比测点样本中包括多类第二原始测点信息中,相同类别测点信息的信息差值;
分别在所述多条第二构建测点样本中,添加对应的所述信息差值,获得多条第三构建测点样本,组成新的针对所述目标工况阶段的第一测点样本集。
2.根据权利要求1所述的模型训练方法,其特征在于,所述从第一样本齿轮箱的历史运行阶段中划分出多个第一完整工况阶段,包括:
获取所述第一样本齿轮箱在历史运行阶段中的电机转速信息;
根据所述电机转速信息,从所述第一样本齿轮箱的历史运行阶段中划分出所述多个第一完整工况阶段。
3.根据权利要求1所述的模型训练方法,其特征在于,所述通过多个所述第一测点样本集对初始模型进行训练,获得齿轮箱轴承故障预测模型,包括:
分别从多个所述第一测点样本集中提取一条目标测点样本,获得多条所述目标测点样本;
按照产生时间点的先后顺序,从多条所述目标测点样本中划分出多组测试序列;
依次通过所述多组测试序列对初始模型进行训练,获得齿轮箱轴承故障预测模型。
4.根据权利要求3所述的模型训练方法,其特征在于,所述分别从多个所述第一测点样本集中提取一条目标测点样本,获得多条所述目标测点样本,包括:
针对多个所述第一测点样本集中的每个第一测点样本集,从所述第一测点样本集划分出的多个子样本集中选取出目标子样本集,并从所述目标子样本集中有放回的提取一条目标测点样本,以获得多条所述目标测点样本。
5.一种故障预测方法,其特征在于,包括:
从待测齿轮箱的历史运行阶段中划分出多个第二完整工况阶段;
构建针对所述多个第二完整工况阶段中,每个所述第二完整工况阶段的第二测点样本集,以获得多个所述第二测点样本集;
将多个所述第二测点样本集输入权利要求1~4中任意一项所述的齿轮箱轴承故障预测模型,获得针对所述待测齿轮箱的故障预测结果。
6.一种模型训练装置,其特征在于,包括:
第一工况阶段划分模块,用于从第一样本齿轮箱的历史运行阶段中划分出多个第一完整工况阶段;其中,所述第一样本齿轮箱安装于目标机电设备,且所述目标机电设备还包括多个第二样本齿轮箱;每个所述第一完整工况阶段包括加速阶段、稳定阶段和降速阶段;
第一样本集构建模块,用于构建针对所述多个第一完整工况阶段中,每个所述第一完整工况阶段的第一测点样本集,以获得多个所述第一测点样本集;
模型训练模块,用于通过多个所述第一测点样本集对初始模型进行训练,获得齿轮箱轴承故障预测模型;
其中,所述第一样本集构建模块,具体用于针对所述多个第一完整工况阶段中的每个所述第一完整工况阶段,将所述第一完整工况阶段作为目标工况阶段,并获取所述第一样本齿轮箱在所述目标工况阶段内产生的多条第一原始测点样本,每条所述第一原始测点样本中包括多类第一原始测点信息;获取所述第一样本齿轮箱在所述目标工况阶段内,所述多类第一原始测点信息中每类所述第一原始测点信息的变化率表征信息;针对所述多条第一原始测点样本中的每条所述第一原始测点样本,对所述第一原始测点样本中包括多类第一原始测点信息进行类别组合,获得多条组合测点信息,并与所述多类第一原始测点信息,共同组成第一构建测点样本,以获得多条第一构建测点样本;分别在所述多条第一构建测点样本中,添加所述变化率表征信息,获得多条第二构建测点样本,组成针对所述目标工况阶段的第一测点样本集;针对所述多个第二样本齿轮箱中的每个第二样本齿轮箱,获取所述第二样本齿轮箱在所述目标工况阶段内产生的多条第二原始测点样本,每条所述第二原始测点样本中包括多类第二原始测点信息;针对所述多条第一原始测点样本 中的每条所述第一原始测点样本 ,从所述多条第二原始测点样本中确定产生时间点与所述第一原始测点样本相同的第二原始测点样本,作为待对比测点样本;获取所述第一原始测点样本中包括多类第一原始测点信息与所述待对比测点样本中包括多类第二原始测点信息中,相同类别测点信息的信息差值;分别在所述多条第二构建测点样本中,添加对应的所述信息差值,获得多条第三构建测点样本,组成新的针对所述目标工况阶段的第一测点样本集。
7.一种故障预测装置,其特征在于,包括:
第二工况阶段划分模块,用于从待测齿轮箱的历史运行阶段中划分出多个第二完整工况阶段;
第二样本集构建模块,用于构建针对所述多个第二完整工况阶段中,每个所述第二完整工况阶段的第二测点样本集,以获得多个所述第二测点样本集;
结果预测模块,用于将多个所述第二测点样本集输入权利要求1~4中任意一项所述的齿轮箱轴承故障预测模型,获得针对所述待测齿轮箱的故障预测结果。
8.一种电子设备,其特征在于,包括控制器和存储器,所述存储器上存储有计算机程序,所述控制器用于执行所述计算机程序,以实现权利要求1~4中任意一项所述的模型训练方法,或实现权利要求5所述的故障预测方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被执行时,实现权利要求1~4中任意一项所述的模型训练方法,或实现权利要求5所述的故障预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011006937.1A CN112149301B (zh) | 2020-09-23 | 2020-09-23 | 模型训练方法、故障预测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011006937.1A CN112149301B (zh) | 2020-09-23 | 2020-09-23 | 模型训练方法、故障预测方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112149301A CN112149301A (zh) | 2020-12-29 |
CN112149301B true CN112149301B (zh) | 2023-05-16 |
Family
ID=73897666
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011006937.1A Active CN112149301B (zh) | 2020-09-23 | 2020-09-23 | 模型训练方法、故障预测方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112149301B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112989522B (zh) * | 2021-05-10 | 2021-07-30 | 创新奇智(成都)科技有限公司 | 模型训练方法、故障预测方法、装置及电子设备 |
CN113837289B (zh) * | 2021-09-26 | 2024-03-19 | 创新奇智(重庆)科技有限公司 | 模型训练方法、故障预测方法、装置及电子设备 |
CN114881321A (zh) * | 2022-04-29 | 2022-08-09 | 三一汽车起重机械有限公司 | 机械部件故障预测方法、装置、电子设备及存储介质 |
CN117289685B (zh) * | 2023-11-27 | 2024-02-02 | 青岛创新奇智科技集团股份有限公司 | 一种基于人工智能的生产线故障预测与自愈方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102768115A (zh) * | 2012-06-27 | 2012-11-07 | 华北电力大学 | 一种风电机组齿轮箱健康状态实时动态监控方法 |
CN111120348A (zh) * | 2019-12-25 | 2020-05-08 | 中国石化销售股份有限公司华南分公司 | 基于支持向量机概率密度估计的离心泵故障预警方法 |
CN111126603A (zh) * | 2019-12-25 | 2020-05-08 | 江苏远望仪器集团有限公司 | 基于神经网络模型的设备故障预测方法、装置及设备 |
-
2020
- 2020-09-23 CN CN202011006937.1A patent/CN112149301B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102768115A (zh) * | 2012-06-27 | 2012-11-07 | 华北电力大学 | 一种风电机组齿轮箱健康状态实时动态监控方法 |
CN111120348A (zh) * | 2019-12-25 | 2020-05-08 | 中国石化销售股份有限公司华南分公司 | 基于支持向量机概率密度估计的离心泵故障预警方法 |
CN111126603A (zh) * | 2019-12-25 | 2020-05-08 | 江苏远望仪器集团有限公司 | 基于神经网络模型的设备故障预测方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112149301A (zh) | 2020-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112149301B (zh) | 模型训练方法、故障预测方法、装置及电子设备 | |
EP3431952B1 (en) | Condition monitoring system and wind turbine generation apparatus | |
US7904229B2 (en) | Method for determination of engine lubrication oil consumption | |
CN113468721B (zh) | 一种对齿轮减速箱中齿轮和轴承剩余寿命的预测方法 | |
US10895873B2 (en) | Machine health monitoring of rotating machinery | |
KR20200053579A (ko) | 이상 진단 장치, 이상 진단 방법 및 이상 진단 시스템 | |
JP2019182252A (ja) | ホームドア診断装置、診断方法、及び診断プログラム | |
US8355879B2 (en) | Trending of vibration data taking into account torque effect | |
WO2015018500A1 (en) | A method for condition monitoring of a distributed drive-train | |
EP4096232A1 (en) | Attack detection method, attack detection system and program | |
CN116685967A (zh) | 用于识别机械装置或机械部件中的异常的方法及装置 | |
JP2013196698A (ja) | システム監視 | |
CN112683535A (zh) | 基于多阶段维纳过程的轴承寿命预测方法 | |
CN113804388B (zh) | 基于时域分析的机械设备旋转冲击故障检测方法及*** | |
CN115186701A (zh) | 轴承寿命预测方法、装置、电子设备及存储介质 | |
CN113544486A (zh) | 故障诊断***、预测规则生成方法及预测规则生成程序 | |
CN114576102A (zh) | 风电机组轴承状态的预测方法、装置、设备及存储介质 | |
CN116090353A (zh) | 产品剩余寿命预测方法和装置、电子设备及存储介质 | |
CN116226719A (zh) | 基于多维稳态振动特征的轴承故障诊断方法及相关组件 | |
Kim et al. | An adaptive Kalman filter-based condition-monitoring technique for induction motors | |
CN105445004A (zh) | 设备零部件的振动曲线归一化平均寿命预测办法 | |
CN115144172A (zh) | 一种基于声音的gis断路器故障在线监测***及方法 | |
US20230005308A1 (en) | Fault sign detection device, fault sign detection system, fault sign method, and fault sign detection program | |
JP7415654B2 (ja) | 電池監視システム | |
CN111045875B (zh) | 车辆事故检测方法及相关设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |