[發明專利]設備狀態檢測方法及相關裝置

有效

• 申請號: 202111035618.8
• 申請日: 2021-09-06
• 公開（公告）號: CN113469300B
• 公開（公告）日: 2021-12-07
• 發明（設計）人: 郭曉輝;牟許東;王瑞;劉重偉;劉品
• 申請（專利權）人: 北京航空航天大學杭州創新研究院
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京超凡宏宇專利代理事務所(特殊普通合伙) 11463
• 代理人: 張欣欣

本申請提供的設備狀態檢測方法及相關裝置中，數據處理設備將自編碼器與多個循環神經網絡相結合，通過自編碼器將待檢測設備的多個狀態特征集分別進行重構，并依據多個狀態特征集與各自重構特征集之間的差異，確定待檢測設備的健康狀態；由于該自編碼器的待重構特征由多個循環神經網絡對不同特征尺度的多個編碼序列分別進行特征發掘獲得，因此，能夠充分發掘設備狀態序列中蘊藏的與設備健康狀態相關的信息，以達到提高檢測精度的目的。

技術領域

本申請涉及機器學習領域，具體而言，涉及一種設備狀態檢測方法及相關裝置。

背景技術

由于工業設備的健康狀態對于企業的安全生產與經濟效益有著重要意義，因此，提出了基于數據驅動的工業設備健康狀態監測方法。該方法中，利用傳感器處采集工業設備的設備狀態序列，基于深度神經網絡進行黑盒的建模，并進行端到端的訓練，從空間維度以及時間維度挖掘出海量數據中蘊藏的工業設備健康狀態信息。

然而，發明人研究發現，相關技術未充分利用待分析數據的局部感受視野范圍內的特征。

發明內容

為了克服現有技術中的至少一個不足，本申請實施例提供一種設備狀態檢測方法及相關裝置，包括：

第一方面，本申請實施提供一種設備狀態檢測方法，應用于數據處理設備，所述數據處理設備配置有第一檢測模型，所述第一檢測模型包括第一編碼器、第一解碼器以及多個循環神經網絡，所述方法包括：

獲取待檢測設備的多個狀態特征集，所述多個狀態特征集具有預設順序，每個所述狀態特征集具有所述待檢測設備多個部件各自的狀態信息；

通過所述第一編碼器從空間維度對所述多個狀態特征集分別進行特征提取，獲得具有不同特征尺度的多個編碼序列，其中，所述多個編碼序列分別對應不同的循環神經網絡，每個所述編碼序列包括具有所述預設順序的多個編碼特征，所述多個編碼特征分別對應不同的所述狀態特征集；

針對每個所述編碼序列，通過對應的所述循環神經網絡從時間維度對所述編碼序列進行特征提取，獲得待重構序列，其中，所述待重構序列包括多個待重構特征，所述多個待重構特征分別對應不同的所述狀態特征集；

針對每個所述狀態特征集，將所述狀態特征集全部的待重構特征輸入到所述第一解碼器進行重構，獲得所述狀態特征集的重構特征集；

根據所述多個狀態特征集與各自重構特征集之間的差異，確定所述待檢測設備的健康狀態。

第二方面，本申請實施例提供一種設備狀態檢測裝置，應用于數據處理設備，所述數據處理設備配置有第一檢測模型，所述第一檢測模型包括第一編碼器、第一解碼器以及多個循環神經網絡，所述設備狀態檢測裝置包括：

特征獲取模塊，用于獲取待檢測設備的多個狀態特征集，所述多個狀態特征集具有預設順序，每個所述狀態特征集具有所述待檢測設備多個部件各自的狀態信息；

特征提取模塊，用于通過所述第一編碼器從空間維度對所述多個狀態特征集分別進行特征提取，獲得具有不同特征尺度的多個編碼序列，其中，所述多個編碼序列分別對應不同的循環神經網絡，每個所述編碼序列包括具有所述預設順序的多個編碼特征，所述多個編碼特征分別對應不同的所述狀態特征集；

所述特征提取模塊，還用于針對每個所述編碼序列，通過對應的所述循環神經網絡從時間維度對所述編碼序列進行特征提取，獲得待重構序列，其中，所述待重構序列包括多個待重構特征，所述多個待重構特征分別對應不同的所述狀態特征集；

特征重構模塊，用于針對每個所述狀態特征集，將所述狀態特征集全部的待重構特征輸入到所述第一解碼器進行重構，獲得所述狀態特征集的重構特征集；

狀態檢測模塊，用于根據所述多個狀態特征集與各自重構特征集之間的差異，確定所述待檢測設備的健康狀態。