[發明專利]基于張量化數據降維的工業設備故障檢測分類方法

在審

• 申請號: 201910852739.8
• 申請日: 2019-09-10
• 公開（公告）號: CN110851654A
• 公開（公告）日: 2020-02-28
• 發明（設計）人: 孫雁飛;朱行健;亓晉
• 申請（專利權）人: 南京郵電大學
• 主分類號: G06F16/90
• 分類號: G06F16/90;G06F16/906;G06N3/04
• 代理公司: 南京蘇科專利代理有限責任公司 32102
• 代理人: 陳棟智

本發明提出了物聯網領域內的一種基于張量化數據降維的工業設備故障檢測分類方法，包括以下步驟：1）數據獲取：采用各類型傳感器進行數據采集，為預測提供數據來源，數據包括工業設備生產過程中的運行參數等結構化數據以及運作時的視頻或圖像等非結構化數據；2）數據預處理：對不同結構的數據進行融合，并對融合好的數據進行降維；3）數據分析：利用服務端的堆疊去噪自編碼器，在經過大量數據進行訓練后，得以根據生產過程周圍傳感器發送的數據對工業設備的生產狀況進行健康檢測，本發明提高了處理的效率，增加了檢測結果的準確性。

技術領域

本發明涉及一種故障檢測方法，具體的說是一種基于張量化數據降維的工業設備故障檢測分類方法，屬于物聯網技術領域。

背景技術

工業物聯網和數據驅動技術通過使計算機網絡從連接的機器中收集大量數據并將大型機械數據轉化為可操作的信息，從而徹底改變了制造業。作為現代制造系統的關鍵組成部分，機器健康監測已經完全接受了大數據革命。與傳統的基于物理的模型提供的自上而下建模相比，數據驅動的機器健康監測系統提供了一種自下而上的解決方案范例，用于在發生某些故障(診斷)和預測未來的工作條件和剩余使用壽命。為了從大數據中提取有用的知識并做出適當的決策，機器學習技術被認為是一種強大的解決方案。作為機器學習最熱門的子領域，深度學習能夠成為連接大機械數據和智能機器健康監測的橋梁。

作為機器學習的一個分支，深度學習嘗試對數據背后的分層表示進行建模，并通過在分層體系結構中堆疊多層信息處理模塊來對模式進行分類(預測)。最近，深度學習已成功應用于各個領域，如計算機視覺，自動語音識別，自然語言處理，音頻識別和生物信息學。

在機器健康監測系統方面，深度學習技術也具有良好的應用前景，基于自編碼器或RBM的深度神經網絡的逐層預訓練可以促進神經網絡的訓練并提高其辨別能力以表征機械數據。卷積神經網絡和循環神經網絡可以提供更先進和復雜的組合機制，以學習機械數據的表示。與傳統的數據驅動健康檢測系統相比，基于深度學習的健康檢測系統不需要廣泛的人工和手工制作的特征設計知識。可以聯合訓練包括特征模塊和模式分類/回歸模塊的所有模型參數。

但是，隨著數據量的日漸龐大，一方面，神經網絡需要處理的數據種類已經從以往單一的結構化數據延伸至半結構化和非結構化數據，甚至，神經網絡可能將同時處理多種結構類型的數據，另一方面，由于數據種類的增加，神經網絡的輸入維度總是超過百，甚至一千，可能的高維度將會導致一些潛在的問題，例如由于巨大的模型參數導致的大量計算成本和過度擬合，因此，如何對數據進行預處理也成為了大數據技術在今后研究的一大方向。

文獻《工業設備的健康狀態的評估方法、系統、設備和存儲介質》(申請號201910376003.8)它提供了一種工業設備的健康狀態的評估方法、系統、設備和存儲介質，所述評估方法包括：獲取工業設備中的傳感器在歷史設定時間段內采集的歷史運行參數數據和操作對應的歷史操作代碼數據；建立參數預測模型；根據參數預測模型獲取目標傳感器對應的參數預測值；根據目標運行參數數據和參數預測值，評估工業設備在目標設定時間段內的健康狀態。

該文獻利用歷史數據和機器學習方法建立預測模型，將實際傳感器參數與預測值進行比較，進而判斷目標工業設備的健康狀況。方案立足于實際，簡單實用。

該方案的不足之處是，僅僅收集連續型或離散型的結構化數據作為設備健康狀態的評估依據，可靠性不高。由于數據的單一性，上述方案中的預測模型僅僅使用線性回歸算法預測目標參數數據，預測方法過于簡單。在評估健康狀態方面，通過比較預測值和實際值，根據兩者的殘差是否超過一定的閾值只能得到該工業設備健康與否，并不能準確地判斷出該工業設備的健康程度，即不能細化判斷工業設備的健康狀況。

發明內容

本發明的目的是提供一種基于張量化數據降維的工業設備故障檢測分類方法，提高了處理的效率，增加了檢測結果的準確性。

本發明的目的是這樣實現的：一種基于張量化數據降維的工業設備故障檢測分類方法，包括以下步驟：