CN114548280A - 故障诊断模型的训练、故障诊断方法及电子设备 - Google Patents
故障诊断模型的训练、故障诊断方法及电子设备 Download PDFInfo
- Publication number
- CN114548280A CN114548280A CN202210167021.7A CN202210167021A CN114548280A CN 114548280 A CN114548280 A CN 114548280A CN 202210167021 A CN202210167021 A CN 202210167021A CN 114548280 A CN114548280 A CN 114548280A
- Authority
- CN
- China
- Prior art keywords
- data
- time sequence
- fault diagnosis
- characteristic
- sample
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明涉及工程机械技术领域,具体涉及故障诊断模型的训练、故障诊断方法及电子设备,该训练方法包括获取发动机的样本数据,所述样本数据包括故障前预设时间段内的第一数据以及正常运行时的第二数据;对各个样本数据进行预设时间单元的划分,得到时间序列;分别对各个时间序列进行至少两种时序特征的提取,得到各个样本数据的第一时序特征;基于第一时序特征中的各种时序特征的特征值大小进行预设比例的提取,得到各个样本数据的第二时序特征;基于第一时序特征以及第二时序特征形成样本时序特征;根据样本时序特征训练初始故障诊断模型,确定目标故障诊断模型。通过该方法形成的样本时序特征训练得到的目标故障诊断模型具有较高的准确性。
Description
技术领域
本发明涉及工程机械技术领域,具体涉及故障诊断模型的训练、故障诊断方法及电子设备。
背景技术
目前工程机械的故障诊断方法大多使用本身传感器的故障码信息进行故障识别,且故障码的识别仅有0以及1这两个状态。对于发动机的检测而言,采集的是正常工作状态以及故障状态下的数据。其中,发动机异常不仅受发送机本身性质的影响,还与作业时候的负载相关。例如,负载较大时,发动机的转速较低,若基于这段时间内的发动机的转速得出的结论为该发动机异常。然而,该结论显然是有误的。
发明内容
有鉴于此,本发明实施例提供了一种故障诊断模型的训练、故障诊断方法及电子设备,以解决发动机故障诊断的准确性较低的问题。
根据第一方面,本发明实施例提供了故障诊断模型的训练方法,包括:
获取发动机的样本数据,所述样本数据包括故障前预设时间段内的第一数据以及正常运行时的第二数据;
对各个所述样本数据进行预设时间单元的划分,得到时间序列;
分别对各个时间序列进行至少两种时序特征的提取,得到各个所述样本数据的第一时序特征;
基于所述第一时序特征中的各种时序特征的特征值大小进行预设比例的提取,得到各个所述样本数据的第二时序特征;
基于所述第一时序特征以及所述第二时序特征形成样本时序特征;
根据所述样本时序特征训练初始故障诊断模型,确定目标故障诊断模型。
本发明实施例提供的故障诊断模型的训练方法,将故障前预设时间段内的数据作为负样本,而不仅仅是出现故障时的数据,从而能够使得故障诊断模型能够学习到故障前的特征;同时,由于第二时序特征基于特征值的大小按照预设比例进行提取的,可以避免由于客观原因导致的发动机异常。即,通过该方法形成的样本时序特征训练得到的目标故障诊断模型具有较高的准确性。
结合第一方面,在第一方面第一实施方式中,所述获取发动机的样本数据,包括:
获取故障前预设时间段内的第一原始数据以及正常运行时的第二原始数据;
分别对所述第一原始数据以及所述第二原始数据进行无效数据的去除处理,确定所述第一数据以及所述第二数据。
本发明实施例提供的故障诊断模型的训练方法,通过对获取到的原始数据进行无效数据的去除,可以提出由于怠速或者其他原因导致的无动作数据,保证了第一数据以及第二数据均是有效数据,提高了后续样本时序特征的可靠性。
结合第一方面第一实施方式,在第一方面第二实施方式中,所述分别对所述第一原始数据以及所述第二原始数据进行无效数据的去除处理,确定所述第一数据以及所述第二数据,包括:
获取所述发动机对应的动作编码以及运行状态;
基于所述动作编码以及所述运行状态分别对所述第一原始数据以及所述第二原始数据进行所述无效数据的去除,确定所述第一数据以及所述第二数据。
本发明实施例提供的故障诊断模型的训练方法,在无效数据的去除时,结合动作编码以及运行状态,可以保证所去除的无效数据的可靠性。
结合第一方面,在第一方面第三实施方式中,所述第一时序特征包括均值、偏差值以及标准差,所述基于所述第一时序特征中的各种时序特征的特征值大小进行预设比例的提取,得到各个所述样本数据的第二时序特征,包括:
基于所述各种时序特征的特征值大小进行排序;
分别基于各种时序特征对应的预设比例从排序结果中分别提取对应的时序特征,得到各个所述样本数据的第二时序特征。
结合第一方面,在第一方面第四实施方式中,所述基于所述第一时序特征以及所述第二时序特征形成样本时序特征,包括:
基于所述第一数据以及第二数据,分别计算故障前预设时间段内所述发动机的第一转速差的熵值以及正常运行时的第二转速差熵值;
将所述故障前预设时间段内的所述第一时序特征、所述故障前预设时间段内的所述第二时序特征以及所述第一转速差的熵值进行融合,得到所述故障前预设时间段内的样本时序特征;
将所述正常运行时的所述第一时序特征、所述正常运行时的所述第二时序特征以及所述第二转速差的熵值进行融合,得到所述正常运行时的样本时序特征。
本发明实施例提供的故障诊断模型的训练方法,在第一时序特征以及第二时序特征的基础上,再增加额外的转速差的熵值作为新的特征,以确保样本时序特征能够尽可能多的涵盖不同故障类型。
结合第一方面,在第一方面第五实施方式中,所述根据所述样本时序特征训练初始故障诊断模型,确定目标故障诊断模型,包括:
将所述样本时序特征输入所述初始故障诊断模型中,得到故障预测结果;
基于故障预测结果以及所述样本时序特征对应的实际故障结果,对所述初始故障诊断模型的参数进行更新,以确定所述目标故障诊断模型。
根据第二方面,本发明实施例还提供了一种故障诊断方法,包括:
获取目标发动机的运行数据;
对所述运行数据进行预设时间单元的划分,得到运行时间序列;
分别对各个运行时间序列进行至少两种时序特征的提取,得到所述运行数据的第一特征;
基于所述第一特征中的各种时序特征的特征值大小进行预设比例的提取,得到各个所述运行数据的第二特征;
基于所述第一特征以及所述第二特征形成时序特征;
将所述时序特征输入目标故障预测模型中,确定故障诊断结果,所述目标故障预测模型是根据本发明第一方面,或第一方面任一实施方式中所述的故障诊断模型的训练方法训练得到的。
本发明实施例提供的故障诊断方法,通过预测较准确的目标故障预测模型对目标发动机的运行数据进行故障诊断,能够得到准确的故障诊断结果。
根据第三方面,本发明实施例提供了一种电子设备,包括:存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行第一方面或者第一方面的任意一种实施方式中所述的故障诊断模型的训练方法,或执行第二方面所述的故障诊断方法。
根据第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行第一方面或者第一方面的任意一种实施方式中所述的故障诊断模型的训练方法,或执行第二方面所述的故障诊断方法。
根据第五方面,本发明实施例提供了一种工程机械,包括:
本体;
本发明第三方面所述的电子设备,所述电子设备设置在所述本体内。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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的附图。
图1是根据本发明实施例的故障诊断模型的训练方法的流程图;
图2是根据本发明实施例的故障诊断模型的训练方法的流程图;
图3是根据本发明实施例的故障诊断方法的流程图;
图4是根据本发明实施例的故障诊断模型的训练装置的结构框图;
图5是根据本发明实施例的故障诊断装置的结构框图;
图6是本发明实施例提供的电子设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供了一种工程机械,包括本体以及设置在本体内的电子设备。该电子设备中运行有目标故障预测模型,用于基于发动机的运行数据进行故障诊断。其中,工程机械可以是挖掘机、叉车等等,在此对其具体形式并不做任何限制。
作为本发明实施例的一种应用场景,以工程机械是挖掘机为例,电子设备为外部服务器,挖掘机上设置有数据采集装置,用于采集发动机的运行数据。该数据采集装置将采集到的运行数据发送给外部服务器,外部服务器基于该运行数据利用目标故障预测模型进行故障诊断,并将诊断结果反馈给挖掘机,以便挖掘机进行相应的处理,或者展示给挖掘机的操作人员。
作为本发明实施例的另一个应用场景,以工程机械是挖掘机为例,电子设备内置于挖掘机内,挖掘机上设置有数据采集装置,用于采集发动机的运行数据。该数据采集装置将采集到的运行数据发送给电子设备,电子设备基于该运行数据利用目标故障预测模型进行故障诊断,以便挖掘机进行相应的处理,或者展示给挖掘机的操作人员。
根据本发明实施例,提供了一种故障诊断模型的训练方法,以及故障诊断方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种故障诊断模型的训练方法,可用于电子设备,如服务器、电脑等,图1是根据本发明实施例的故障诊断模型的训练方法的流程图,如图1所示,该流程包括如下步骤:
S11,获取发动机的样本数据。
其中,所述样本数据包括故障前预设时间段内的第一数据以及正常运行时的第二数据。
故障前预设时间段,是指在发生故障时往前的预设时间段。其中,该预设时间段的时长是根据实际需求进行设置的。例如,可以是20小时、30小时等等。
具体地,由于发动机发生故障,可能并不是突然发生的,可能是在发动机发生故障前通过发送机的指标数据就可以分析出可能会发生故障。因此,将发动机发生故障前预设时间段内的第一数据作为负样本数据,将正常运行时的第二数据作为正样本数据。其中,第一数据以及第二数据包括但不限于发动机的转速、温度等等,具体采用哪些指标数据作为发动机的数据在此对其并不做任何限定,具体可以根据实际需求进行设置。
S12,对各个样本数据进行预设时间单元的划分,得到时间序列。
对于用于表示负样本数据的第一数据,电子设备利用预设时间单元对其进行划分,得到对应于第一数据的时间序列,即,得到预设时间单元的第一子数据。对于用于表示正样本数据的第二数据,电子设备利用预设时间单元对其进行划分,得到对应于第二数据的时间序列,即,得到预设时间单元的第二子数据。
其中,用于划分第一数据以及第二数据的预设时间单元的时长可以是相同的,也可以是不同的,具体可以根据实际需求进行设置。
S13,分别对各个时间序列进行至少两种时序特征的提取,得到各个样本数据的第一时序特征。
对应于第一数据,电子设备分别针对各个时间序列进行至少两种时序特征的提取,例如,提取均值、方差或标准差等等。同样地,对应于第二数据,电子设备也分别针对各个时间序列进行至少两种时序特征的提取,例如,提取均值、方差或标准差等等。基于此,电子设备可以得到各个样本数据的第一时序特征。
需要说明的是,第一时序特征用于表示对各个时间序列进行至少两种时序特征提取后的特征。具体地,第一数据对应的第一时序特征,以及第二数据对应的第一时序特征。
S14,基于第一时序特征中的各种时序特征的特征值大小进行预设比例的提取,得到各个样本数据的第二时序特征。
其中,不论是第一数据对应的第一时序特征,还是第二数据对应的第一时序特征,其形成对应的第二时序特征的方式类似,在此仅以第一数据对应的第一时序特征为例进行描述。
对于第一数据对应的第一时序特征,例如,包括均值、方差和标准差。分别针对这三种时序特征的特征值大小,提取特征值最大的前N个特征值,以形成第二时序特征。例如,对于均值,提取特征值最大的前N1个特征值,形成第二时序特征中的均值;对于方差,提取特征值最大的前N2个特征值,形成第二时序特征中的方差;对于标准差,提取特征值最大的前N3个特征值,形成第二时序特征中的标准差。其中,N1、N2以及N3的具体数值,可以根据实际需求进行设置,在此对其并不做任何限定。
S15,基于第一时序特征以及第二时序特征形成样本时序特征。
对应于第一数据的第一时序特征以及第二时序特征,电子设备对其进行拼接,形成第一数据的样本时序特征;对应于第二数据的第一时序特征以及第二时序特征,对其进行拼接,形成第二数据的样本时序特征。
或者,电子设备可以在拼接后得到的时序特征的基础上,再结合其他特征,形成样本时序特征。
关于该步骤具体将在下文中进行详细描述。
S16,根据样本时序特征训练初始故障诊断模型,确定目标故障诊断模型。
如上文所述,第一数据用于表示负样本数据,第二数据用于表示正样本数据。电子设备利用第一数据对应的样本时序特征以及第二数据对应的样本时序特征进行初始故障诊断模型的训练,经过多次迭代更新,最终确定出目标故障诊断模型。其中,该目标故障诊断模型的输入为时序特征,输出为故障诊断结果。该故障诊断结果可以是正常或异常,或者,也可以是正常的概率或异常的概率。
在本实施例的一些可选实施方式中,上述S16可以包括:
(1)将样本时序特征输入初始故障诊断模型中,得到故障预测结果。
(2)基于故障预测结果以及样本时序特征对应的实际故障结果,对初始故障诊断模型的参数进行更新,以确定目标故障诊断模型。
初始故障诊断模型的模型架构可以是分类模型,在此对其具体结构并不做任何限定。电子设备将样本时序特征输入到初始故障诊断模型中,得到故障预测结果。再利用样本时序特征对应的实际故障结果与故障预测结构进行损失计算,对初始故障诊断模型的参数进行更新。经过多次迭代更新,最终确定出目标故障诊断模型。
例如,电子设备可以选用机器学习算法之一的随机森林分类算法对样本时序特征进行建模;同时,基于遗传算法对样本时序特征进行筛选,以确定出目标故障诊断模型。
本实施例提供的故障诊断模型的训练方法,将故障前预设时间段内的数据作为负样本,而不仅仅是出现故障时的数据,从而能够使得故障诊断模型能够学习到故障前的特征;同时,由于第二时序特征基于特征值的大小按照预设比例进行提取的,可以避免由于客观原因导致的发动机异常。即,通过该方法形成的样本时序特征训练得到的目标故障诊断模型具有较高的准确性。
在本实施例中提供了一种故障诊断模型的训练方法,可用于电子设备,如服务器、电脑等,图2是根据本发明实施例的故障诊断模型的训练方法的流程图,如图2所示,该流程包括如下步骤:
S21,获取发动机的样本数据。
其中,所述样本数据包括故障前预设时间段内的第一数据以及正常运行时的第二数据。
具体地,上述S21包括:
S211,获取故障前预设时间段内的第一原始数据以及正常运行时的第二原始数据。
原始数据是指从发动机的运行日志中提取出的数据,该数据是并未经过处理的数据。
S212,分别对第一原始数据以及第二原始数据进行无效数据的去除处理,确定第一数据以及所述第二数据。
对于发动机而言,由于采集的原始数据是表示连续时间段内的数据,而在连续时间段内,发动机可能处理待机或不工作状态。因此,就需要从原始数据中将这部分无效数据去除,以提高后续得到的样本时序特征的可靠性。
具体地,电子设备对第一原始数据进行无效数据的去除,得到第一数据;对第二原始数据进行无效数据的去除,得到第二数据。其中,对于无效数据的判断,电子设备可以结合发动机的运行状态进行分析。例如,结合发动机在对应时刻下的档位等,分析该时刻下的数据是否为无效数据。
在本实施例的一些可选实施方式中,上述S212可以包括:
(1)获取发动机对应的动作编码以及运行状态。
(2)基于动作编码以及运行状态分别对第一原始数据以及第二原始数据进行无效数据的去除,确定第一数据以及所述第二数据。
动作编码用于表示发动机所执行的动作,例如,加速,编码为0000;减速,编码为1111;停机,编码为1010;等等。即,对应于各个动作均存在唯一的动作编码。电子设备通过提取各个时间点下发动机对应的动作编码以及运行状态即可确认该时间点下的发动机数据是否为无效数据。
电子设备在确定出无效数据之后,将其从相应的原始数据重去除,即可确定出第一数据以及第二数据。
在无效数据的去除时,结合动作编码以及运行状态,可以保证所去除的无效数据的可靠性。
S22,对各个样本数据进行预设时间单元的划分,得到时间序列。
详细请参见图1所示实施例的S12,在此不再赘述。
S23,分别对各个时间序列进行至少两种时序特征的提取,得到各个样本数据的第一时序特征。
详细请参见图1所示实施例的S13,在此不再赘述。
S24,基于第一时序特征中的各种时序特征的特征值大小进行预设比例的提取,得到各个样本数据的第二时序特征。
其中,所述第一时序特征包括均值、偏差值以及标准差。
具体地,上述S24包括:
S241,基于各种时序特征的特征值大小进行排序。
S242,分别基于各种时序特征对应的预设比例从排序结果中分别提取对应的时序特征,得到各个样本数据的第二时序特征。
如上文所述,对于第一数据而言,电子设备按照各种时序特征的特征值大小进行排序,在按照不同的预设比例从排序结果中分别提取对应的时序特征,得到各个样本数据的第二时序特征。即,第二时序特征是分别从各种时序特征中依据各自对应的预设比例,分别提取对应的时序特征形成的。
S25,基于第一时序特征以及第二时序特征形成样本时序特征。
具体地,上述S25包括:
S251,基于第一数据以及第二数据,分别计算故障前预设时间段内发动机的第一转速差的熵值以及正常运行时的第二转速差熵值。
在构建样本时序特征时,除了将第一时序特征以及第二时序特征进行融合以外,还包括有相应的转速差的熵值,即单位时间内的混乱度信息。
S252,将故障前预设时间段内的第一时序特征、故障前预设时间段内的第二时序特征以及第一转速差的熵值进行融合,得到故障前预设时间段内的样本时序特征。
S253,将正常运行时的第一时序特征、正常运行时的所述第二时序特征以及第二转速差的熵值进行融合,得到正常运行时的样本时序特征。
不论是故障前预设时间段内的第一数据,还是正常运行的第二数据,其对应的样本时序特征为相应的第一时序特征、第二时序特征以及转速差的熵值的融合结果。
S26,根据样本时序特征训练初始故障诊断模型,确定目标故障诊断模型。
详细请参见图1所示实施例的S16,在此不再赘述。
本实施例提供的故障诊断模型的训练方法,通过对获取到的原始数据进行无效数据的去除,可以提出由于怠速或者其他原因导致的无动作数据,保证了第一数据以及第二数据均是有效数据,提高了后续样本时序特征的可靠性。在第一时序特征以及第二时序特征的基础上,再增加额外的转速差的熵值作为新的特征,以确保样本时序特征能够尽可能多的涵盖不同故障类型。
本发明实施例提供的故障诊断模型的训练方法,即,一种对发动机指标正常与异常判断的模型建立方法,通过记录数据的动作信息,运行模式和档位转速信息进行数据的筛选,确保所有数据均为正常作业情况下的有效数据;通过对不同故障机型发动机信息,提取其相关均值,偏差值,标准差和不同比例峰峰值特征,单位时间内的混乱度信息,进行特征工程的建立;最后,通过机器学习方法之一的随机森林算法构建了挖掘机发动机指标故障诊断模型,用于判断发动机的健康状态。
在本实施例中提供了一种故障诊断方法,可用于电子设备,如服务器、电脑等,图3是根据本发明实施例的故障诊断模型的训练方法的流程图,如图3所示,该流程包括如下步骤:
S31,获取目标发动机的运行数据。
目标发动机的运行数据,可以是数据采集装置采集到的,也可以是电子设备从外界获取到的等等。
S32,对运行数据进行预设时间单元的划分,得到运行时间序列。
该步骤与上述图1所示的S12类似,在此不再赘述。
S33,分别对各个运行时间序列进行至少两种时序特征的提取,得到运行数据的第一特征。
该步骤与上述图1所示的S13类似,在此不再赘述。
S34,基于第一特征中的各种时序特征的特征值大小进行预设比例的提取,得到各个运行数据的第二特征。
该步骤与上述图1所示的S14,或图2所示的S24类似,在此不再赘述。
S35,基于第一特征以及第二特征形成时序特征。
该步骤与上述图1所示的S15,或图2所示的S25类似,在此不再赘述。
S36,将时序特征输入目标故障预测模型中,确定故障诊断结果。
其中,所述目标故障预测模型是根据上述任一实施方式中所述的故障诊断模型的训练方法训练得到的。
关于目标故障预测模型的具体训练过程请参见上文所述,在此不再赘述。电子设备将时序特征输入到目标故障预测模型中,输出故障诊断结果。
本实施例提供的故障诊断方法,通过预测较准确的目标故障预测模型对目标发动机的运行数据进行故障诊断,能够得到准确的故障诊断结果。
在本实施例中还提供了一种故障诊断模型的训练装置以及故障诊断装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种故障诊断模型的训练装置,如图4所示,包括:
第一获取模块41,用于获取发动机的样本数据,所述样本数据包括故障前预设时间段内的第一数据以及正常运行时的第二数据;
第一划分模块42,用于对各个所述样本数据进行预设时间单元的划分,得到时间序列;
第一提取模块43,用于分别对各个时间序列进行至少两种时序特征的提取,得到各个所述样本数据的第一时序特征;
第二提取模块44,用于基于所述第一时序特征中的各种时序特征的特征值大小进行预设比例的提取,得到各个所述样本数据的第二时序特征;
第一时序特征模块45,用于基于所述第一时序特征以及所述第二时序特征形成样本时序特征;
训练模块46,用于根据所述样本时序特征训练初始故障诊断模型,确定目标故障诊断模型。
本实施例提供了一种故障诊断装置,如图5所示,包括:
第二获取模块51,用于获取目标发动机的运行数据;
第二划分模块52,用于对所述运行数据进行预设时间单元的划分,得到运行时间序列;
第三提取模块53,用于分别对各个运行时间序列进行至少两种时序特征的提取,得到所述运行数据的第一特征;
第四提取模块54,用于基于所述第一特征中的各种时序特征的特征值大小进行预设比例的提取,得到各个所述运行数据的第二特征;
第二时序特征模块55,用于基于所述第一特征以及所述第二特征形成时序特征;
故障诊断模块56,用于将所述时序特征输入目标故障预测模型中,确定故障诊断结果,所述目标故障预测模型是根据本发明第一方面,或第一方面任一实施方式中所述的故障诊断模型的训练方法训练得到的。
本实施例中的故障诊断模型的训练装置以及故障诊断装置是以功能单元的形式来呈现,这里的单元是指ASIC电路,执行一个或多个软件或固定程序的处理器和存储器,和/或其他可以提供上述功能的器件。
上述各个模块的更进一步的功能描述与上述对应实施例相同,在此不再赘述。
本发明实施例还提供一种电子设备,具有上述图4所示的故障诊断模型的训练装置,或图5所示的故障诊断装置。
请参阅图6,图6是本发明可选实施例提供的一种电子设备的结构示意图,如图6所示,该电子设备可以包括:至少一个处理器601,例如CPU(Central Processing Unit,中央处理器),至少一个通信接口603,存储器604,至少一个通信总线602。其中,通信总线602用于实现这些组件之间的连接通信。其中,通信接口603可以包括显示屏(Display)、键盘(Keyboard),可选通信接口603还可以包括标准的有线接口、无线接口。存储器604可以是高速RAM存储器(Random Access Memory,易挥发性随机存取存储器),也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。存储器604可选的还可以是至少一个位于远离前述处理器601的存储装置。其中处理器601可以结合图4或图5所描述的装置,存储器604中存储应用程序,且处理器601调用存储器604中存储的程序代码,以用于执行上述任一方法步骤。
其中,通信总线602可以是外设部件互连标准(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。通信总线602可以分为地址总线、数据总线、控制总线等。为便于表示,图6中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器604可以包括易失性存储器(英文:volatile memory),例如随机存取存储器(英文:random-access memory,缩写:RAM);存储器也可以包括非易失性存储器(英文:non-volatile memory),例如快闪存储器(英文:flash memory),硬盘(英文:hard diskdrive,缩写:HDD)或固态硬盘(英文:solid-state drive,缩写:SSD);存储器604还可以包括上述种类的存储器的组合。
其中,处理器601可以是中央处理器(英文:central processing unit,缩写:CPU),网络处理器(英文:network processor,缩写:NP)或者CPU和NP的组合。
其中,处理器601还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文:application-specific integrated circuit,缩写:ASIC),可编程逻辑器件(英文:programmable logic device,缩写:PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文:complex programmable logic device,缩写:CPLD),现场可编程逻辑门阵列(英文:field-programmable gate array,缩写:FPGA),通用阵列逻辑(英文:generic arraylogic,缩写:GAL)或其任意组合。
可选地,存储器604还用于存储程序指令。处理器601可以调用程序指令,实现如本申请任一实施例中所示的故障诊断模型的训练方法,或故障诊断方法。
本发明实施例还提供了一种非暂态计算机存储介质,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意方法实施例中的故障诊断模型的训练方法,或故障诊断方法。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(FlashMemory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种故障诊断模型的训练方法,其特征在于,包括:
获取发动机的样本数据,所述样本数据包括故障前预设时间段内的第一数据以及正常运行时的第二数据;
对各个所述样本数据进行预设时间单元的划分,得到时间序列;
分别对各个时间序列进行至少两种时序特征的提取,得到各个所述样本数据的第一时序特征;
基于所述第一时序特征中的各种时序特征的特征值大小进行预设比例的提取,得到各个所述样本数据的第二时序特征;
基于所述第一时序特征以及所述第二时序特征形成样本时序特征;
根据所述样本时序特征训练初始故障诊断模型,确定目标故障诊断模型。
2.根据权利要求1所述的方法,其特征在于,所述获取发动机的样本数据,包括:
获取故障前预设时间段内的第一原始数据以及正常运行时的第二原始数据;
分别对所述第一原始数据以及所述第二原始数据进行无效数据的去除处理,确定所述第一数据以及所述第二数据。
3.根据权利要求2所述的方法,其特征在于,所述分别对所述第一原始数据以及所述第二原始数据进行无效数据的去除处理,确定所述第一数据以及所述第二数据,包括:
获取所述发动机对应的动作编码以及运行状态;
基于所述动作编码以及所述运行状态分别对所述第一原始数据以及所述第二原始数据进行所述无效数据的去除,确定所述第一数据以及所述第二数据。
4.根据权利要求1所述的方法,其特征在于,所述第一时序特征包括均值、偏差值以及标准差,所述基于所述第一时序特征中的各种时序特征的特征值大小进行预设比例的提取,得到各个所述样本数据的第二时序特征,包括:
基于所述各种时序特征的特征值大小进行排序;
分别基于各种时序特征对应的预设比例从排序结果中分别提取对应的时序特征,得到各个所述样本数据的第二时序特征。
5.根据权利要求1所述的方法,其特征在于,所述基于所述第一时序特征以及所述第二时序特征形成样本时序特征,包括:
基于所述第一数据以及第二数据,分别计算故障前预设时间段内所述发动机的第一转速差的熵值以及正常运行时的第二转速差熵值;
将所述故障前预设时间段内的所述第一时序特征、所述故障前预设时间段内的所述第二时序特征以及所述第一转速差的熵值进行融合,得到所述故障前预设时间段内的样本时序特征;
将所述正常运行时的所述第一时序特征、所述正常运行时的所述第二时序特征以及所述第二转速差的熵值进行融合,得到所述正常运行时的样本时序特征。
6.根据权利要求1所述的方法,其特征在于,所述根据所述样本时序特征训练初始故障诊断模型,确定目标故障诊断模型,包括:
将所述样本时序特征输入所述初始故障诊断模型中,得到故障预测结果;
基于故障预测结果以及所述样本时序特征对应的实际故障结果,对所述初始故障诊断模型的参数进行更新,以确定所述目标故障诊断模型。
7.一种故障诊断方法,其特征在于,包括:
获取目标发动机的运行数据;
对所述运行数据进行预设时间单元的划分,得到运行时间序列;
分别对各个运行时间序列进行至少两种时序特征的提取,得到所述运行数据的第一特征;
基于所述第一特征中的各种时序特征的特征值大小进行预设比例的提取,得到各个所述运行数据的第二特征;
基于所述第一特征以及所述第二特征形成时序特征;
将所述时序特征输入目标故障预测模型中,确定故障诊断结果,所述目标故障预测模型是根据权利要求1-6中任一所述的故障诊断模型的训练方法训练得到的。
8.一种电子设备,其特征在于,包括:
存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行权利要求1-6中任一项所述的故障诊断模型的训练方法,或者,执行权利要求7所述的故障诊断方法。
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存储有计算机指令,所述计算机指令用于使计算机执行权利要求1-6中任一项所述的故障诊断模型的训练方法,或者,执行权利要求7所述的故障诊断方法。
10.一种工程机械,其特征在于,包括:
本体;
权利要求8所述的电子设备,所述电子设备设置在所述本体内。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210167021.7A CN114548280A (zh) | 2022-02-23 | 2022-02-23 | 故障诊断模型的训练、故障诊断方法及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210167021.7A CN114548280A (zh) | 2022-02-23 | 2022-02-23 | 故障诊断模型的训练、故障诊断方法及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114548280A true CN114548280A (zh) | 2022-05-27 |
Family
ID=81678253
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210167021.7A Pending CN114548280A (zh) | 2022-02-23 | 2022-02-23 | 故障诊断模型的训练、故障诊断方法及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114548280A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114911788A (zh) * | 2022-07-15 | 2022-08-16 | 中国长江三峡集团有限公司 | 一种数据插补方法、装置及存储介质 |
CN115618206A (zh) * | 2022-10-27 | 2023-01-17 | 圣名科技(广州)有限责任公司 | 干扰数据确定方法、装置、电子设备及存储介质 |
-
2022
- 2022-02-23 CN CN202210167021.7A patent/CN114548280A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114911788A (zh) * | 2022-07-15 | 2022-08-16 | 中国长江三峡集团有限公司 | 一种数据插补方法、装置及存储介质 |
CN115618206A (zh) * | 2022-10-27 | 2023-01-17 | 圣名科技(广州)有限责任公司 | 干扰数据确定方法、装置、电子设备及存储介质 |
CN115618206B (zh) * | 2022-10-27 | 2023-07-07 | 圣名科技(广州)有限责任公司 | 干扰数据确定方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109048492B (zh) | 基于卷积神经网络的刀具磨损状态检测方法、装置及设备 | |
CN114548280A (zh) | 故障诊断模型的训练、故障诊断方法及电子设备 | |
CN110221145B (zh) | 电力设备故障诊断方法、装置及终端设备 | |
CN109685805B (zh) | 一种图像分割方法及装置 | |
CN113608916A (zh) | 故障诊断的方法、装置、电子设备及存储介质 | |
CN110837852A (zh) | 一种轧机齿轮箱的故障诊断方法、装置及终端设备 | |
CN110909826A (zh) | 一种能源设备的诊断监测方法、装置及电子设备 | |
CN112565187A (zh) | 基于逻辑回归的电网攻击检测方法、***、设备及介质 | |
CN114461534A (zh) | 软件性能测试方法、***、电子设备及可读存储介质 | |
CN115935286A (zh) | 铁路轴承状态监测数据的异常点检测方法、装置及终端 | |
CN115033453A (zh) | 异常检测方法、装置、设备、存储介质及程序 | |
KR20220068799A (ko) | 자동화설비의 고장 검출 시스템 및 그 방법 | |
CN114116845A (zh) | 一种故障报告的生成方法、装置及存储介质 | |
CN115705413A (zh) | 异常日志的确定方法及装置 | |
CN113313304A (zh) | 一种基于大数据决策树的电网事故异常分析方法及*** | |
CN117591860A (zh) | 一种数据异常检测方法及装置 | |
CN115442209B (zh) | 一种故障检测方法、装置、电子设备及存储介质 | |
CN111159009A (zh) | 一种日志服务***的压力测试方法及装置 | |
CN110715799B (zh) | 断路器机械状态检测方法、装置及终端设备 | |
CN114742143A (zh) | 基于联邦学习的安全训练模型构建方法、装置、*** | |
CN115167138A (zh) | 一种构建液压控制模型的方法、装置、电子设备及挖掘机 | |
CN111860661B (zh) | 基于用户行为的数据分析方法、装置、电子设备及介质 | |
CN114153730A (zh) | 埋点配置页面生成方法及相关设备 | |
CN112804104A (zh) | 一种预警方法、装置、设备及介质 | |
CN112379656A (zh) | 工业***异常数据的检测的处理方法、装置、设备和介质 |
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 |