[發明專利]基于SAE的檢定故障特征提取方法、裝置、設備以及介質

有效

• 申請號: 202010534044.8
• 申請日: 2020-06-12
• 公開（公告）號: CN111695631B
• 公開（公告）日: 2023-06-20
• 發明（設計）人: 何春平
• 申請（專利權）人: 澤恩科技有限公司
• 主分類號: G06F18/241
• 分類號: G06F18/241;G06F18/214;G06N3/04;G06N3/084;G05B23/02
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明涉及計量檢定故障分析技術領域，尤其是涉及一種基于SAE的檢定故障特征提取方法、裝置、設備以及介質，該方法包括：獲取用于檢定故障的初始數據；對所述初始數據進行預處理，并將所述預處理后對應的數據分為樣本集和測試集；構建堆疊自編碼神經網絡；根據所述樣本集，對所述堆疊自編碼神經網絡進行預訓練，得到待測試神經網絡，然后根據測試集，對所述待測試神經網絡并進行網絡微調，得到故障特征提取網絡；通過實時獲取待檢定對象的運行數據，將所述運行數據輸入至所述故障特征提取網絡，獲取所述運行數據的故障特征。本發明具有無需先驗知識并自動挖掘海量設備運行數據內在規律的效果。

技術領域

本發明涉及計量檢定故障分析技術領域，尤其是涉及一種基于SAE的檢定故障特征提取方法、裝置、設備以及介質。

背景技術

目前，在流水線故障診斷方法上，通常對流水線主流的檢定方式是使用各種傳感器技術、視頻技術、報文等方式采集各種系統運行數據，然后通過專家判斷法和SDG模型等傳統的數據挖掘方式進行故障的診斷。依據專家經驗的故障診斷模型帶有明顯的主觀，嚴重依賴檢定系統運維專家的水平，故障診斷的準確率不高。

近年來，機器學習等人工智能算法開始應用于故障診斷，而大多的機器學習故障診斷模型都是運用有監督的學習策略，即根據由先驗知識判斷得到的故障類型，需選取合適的方法提取故障特征。然而，故障類型的標簽數據需要由大量的實驗和專業知識分析得到。其仍然不可避免存在主觀判斷的因素，從而降低模型的準確度，因此需要提出一種新的故障特征提取方法。

發明內容

本發明的目的是提供一種能夠無需先驗知識并自動挖掘海量設備運行數據內在規律的基于SAE的檢定故障特征提取方法、裝置、設備以及介質。

本發明的上述發明目的一是通過以下技術方案得以實現的：

一種故障特征提取方法，具體包括下述步驟：

S10：獲取用于檢定故障的初始數據；

S20：對所述初始數據進行預處理，并將所述預處理后對應的數據分為樣本集和測試集；

S30：構建堆疊自編碼神經網絡；

S40：根據所述樣本集，對所述堆疊自編碼神經網絡進行預訓練，得到待測試神經網絡，然后根據測試集，對所述待測試神經網絡并進行網絡微調，得到故障特征提取網絡；

S50：通過實時獲取待檢定對象的運行數據，將所述運行數據輸入至所述故障特征提取網絡，獲取所述運行數據的故障特征。

通過采用上述技術方案，獲取用于檢定故障的初始數據，對初始數據進行預處理，能夠保證數據的完整和可使用性，提高后續網絡訓練或測試的準確度；將預處理后對應的數據分為樣本集和測試集，方便后續的網絡預訓練和網絡微調；構建堆疊自編碼神經網絡，無需先驗知識，通過樣本集對堆疊自編碼神經網絡進行無監督訓練，得到待測試神經網絡，然后將測試集輸入至待測試神經網絡中，對待測試神經網絡進行網絡微調，能夠得到故障特征提取網絡；通過將實時獲取待檢定對象的運行數據輸入至所述故障特征提取網路中，能夠得到該待鑒定對象的運行數據的故障特征；在無先驗知識的條件下，基于堆疊自編碼神經網絡的故障提取方法可以挖掘計量檢定自動化系統海量運行狀態數據的內在規律并提取特征，從而減弱了先驗知識對故障診斷準確率的影響。

本發明在一較佳示例中可以進一步配置為：步驟S10中，所述初始數據，包括歷史運行數據和實時產生的設備運行數據。

通過采用上述技術方案，在獲取初始數據時，同時歷史運行數據和實時產生的設備運行數據，使數據量夠豐富，在后續訓練網絡時有利于提高網絡的準確性。

本發明在一較佳示例中可以進一步配置為：步驟S20中包括下述步驟：

S21：對所述歷史運行數據和實時產生的所述設備運行數據進行數據融合和數據清洗，其中所述數據清洗包括：去重處理、缺失值處理以及異常值處理；