[發明專利]一種基于自我注意力機制與時序卷積網絡的工業設備故障預測方法

在審

• 申請號: 202110393245.5
• 申請日: 2021-04-13
• 公開（公告）號: CN113283631A
• 公開（公告）日: 2021-08-20
• 發明（設計）人: 包致成;張衛山;王濤;于澤沛
• 申請（專利權）人: 中國石油大學（華東）
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/00;G06Q50/04;G06F16/215;G06F16/2458;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于自我注意力機制與時序卷積網絡的工業設備故障預測方法，其特征在于，對數據進行時序處理與標簽平移，再輸入多頭自注意力多維時序卷積網絡進行訓練，并將工業設備運行數據矩陣輸入模型進行工業設備狀態預測，具體包括以下步驟：

步驟(1)：將工業設備數據進行預處理，去除零值、異常值，使用擬合的方式填補缺失值，并以時序化的方式切割數據集形成工業設備時序數據集；

步驟(2)：根據預測需求與數據采集間隔，將工業設備時序數據集中的設備故障狀態情況進行時序平移；

步驟(3)：搭建模型，并將工業設備時序數據集中的數據取前80％作為訓練集，后20％作為測試集進行切割，將訓練集輸入多頭自注意力多維時序卷積網絡進行一定次數的訓練，使用測試集對網絡進行測試，完成模型訓練，存儲模型；

步驟(4)：在設備運行時，將工業設備運行數據進行積累形成工業設備運行數據矩陣，輸入到模型中；

步驟(5)：根據模型給出設備故障預測情況向用戶進行展示，完成當前時刻的設備故障預測，再反復進行步驟(4)繼續下一時刻的工業設備故障預測；

2.根據權利要求1所述的一種基于自我注意力機制與時序卷積網絡的工業設備故障預測方法，其特征在于，在對工業設備故障進行預處理時，采用時間窗口的形式依次遍歷每個時間步，并根據預測時間需求，以當前時刻后某個時刻設備的狀態作為當前時間窗口的標簽進行熱編碼形成工業設備故障數據集。

3.根據權利要求1所述的一種基于自我注意力機制與時序卷積網絡的工業設備故障預測方法，其特征在于，該多頭自注意力多維時序卷積網絡由以下模塊組成：多頭自我注意力機制層、時序卷積殘差塊、全連接層，時序卷積殘差塊包含了因果卷積、擴張卷積、殘差連接，整個模型的組成方式為輸入層連接多個堆疊的時序卷積殘差塊，多個堆疊的時序卷積殘差塊的末端塊連接一個多頭注意力層與全連接層，再連接一個神經元數量為設備所有故障數量加一的全連接層。

4.根據權利要求1或3所述的一種基于自我注意力機制與時序卷積網絡的工業設備故障預測方法，其特征在于，使用了多頭自注意力機制以便模型發現不同特征維度與當前時刻的前某多個時間步的關聯關系與設備故障與某多個設備特征的關聯關系，以提高模型診斷設備的故障準確度，同時模型使用了多個時序卷積殘差塊以便模型可以同時處理工業設備的多個維度信息進行處理。

5.根據權利要求1所述的一種基于自我注意力機制與時序卷積網絡的工業設備故障預測方法，其特征在于，在對該模型進行測試時，當模型預測該設備狀態為即將故障，同時當前時間窗口后的指定時間該模型也為故障時，則預測正確；當模型預測該設備狀態為正常，同時當前時間窗口后的指定時間該模型也為正常時，則預測正確；其余預測情況均為預測錯誤。因此，該模型的準確率計算方式為預測正確數除以預測總數。

6.根據權利要求1所述的一種基于自我注意力機制與時序卷積網絡的工業設備故障預測方法，其特征在于，在使用模型進行實際預測時，對工業設備數據進行積累的方式構建數據矩陣，當當前工業設備數據矩陣行數不足模型預測的最低要求行數數量時，則不進行預測，并將當前工業設備狀態作為數據矩陣的一行添加到工業設備數據矩陣的最后一行，當當前工業設備數據矩陣行數足夠進行預測時，則將當前設備狀態作為數據矩陣的一行添加到工業設備數據矩陣的最后一行，同時剔除工業設備數據矩陣的第一行，再將數據矩陣輸入到模型中，進行設備狀態的預測。

7.根據權利要求1或6所述的一種基于自我注意力機制與時序卷積網絡的工業設備故障預測方法，其特征在于，構建數據集的數據窗口與預測時所使用的工業設備數據矩陣的行數是由采集頻率與預測時間要求決定的，其數量的計算方式為預測時間與一分鐘數據采集頻率的乘積。