基于深度学习的设备状态预测方法技术

本发明专利技术提出了一种基于深度学习的设备状态预测方法，包括如下步骤：数据预处理消除异常和补全缺失值；接下来进行数据标准化；以及数据关联性分析削减冗余项；对输入数据进行进一步压缩处理和变形处理并构建特征向量序列；通过深度学习模型进行训练，采用正交试验(Orthogonal experimental design)方法调整模型操参数；然后根据训练模型进行设备状态预测。基于深度学习的实时设备状态预测方法，将设备状态分析和深度学习方法相结合，并通过特征工程提高准确率的同时加快算法速度。

【技术实现步骤摘要】
基于深度学习的设备状态预测方法
本专利技术涉及物联网、设备状态检测、时间序列预测和深度学习，具体涉及到一种基于深度学习的设备状态预测方法。
技术介绍
设备状态检测指的是对运行设备，运用各种手段和人的五官感觉进行数据和信号采集，分析判定设备劣化趋势和故障部位、原因并预测变化发展。随着深度学习的迅猛发展，其在特征工程和时间序列处理中不但减少人工干预同时能快速和准确获得结果；且该深度学习方法，在识别、分类和自然语言处理等领域大量应用和取得较好的精确度；近年来最接近本专利技术的技术有：(1)、ARIMA模型:ARIMA模型全称为自回归积分滑动平均模型(AutoregressiveIntegratedMovingAverageModel,简记ARIMA)，是由博克思(Box)和詹金斯(Jenkins)于70年代初提出一著名时间序列预测方法。尽管该方法在时间序列预测中有不错的表现，但是当随着时间序列的增加，该方法无法记忆过早数据信息。使得该方法在长期数据中表现欠佳。近年来，工业4.0旨在提升制造业的智能化水平，建立具有适应性、资源效率及基因工程学的智慧工厂。在安全生产的同时尽可能的提高生产效率，本方法采用基于长短期记忆神经网络方法和深度神经网络方法能准确的预测设备状态。该方法通过准确的预测设备工况，从而提高设备运行的稳定性；通过关联性分析减少数据冗余性使得算法速度大大提升；
技术实现思路
为解决现有技术中的缺点和不足，本专利技术提出了一种基于深度学习的设备状态预测方法，通过采用长短期记忆神经网络和深度神经网络方法，削减数据冗余，提取数据特征并构建特征工程；通过长短期记忆神经网络训练，学习设备长期运转规律并准确的预测设备状态。本专利技术的技术方案为：步骤(1)、通过数据预处理模块对数据进行数据清洗和归一化处理；步骤(2)、当数据预处理完毕后，对数据进行关联性分析去除数据冗余项，减少降低数据的冗余度；步骤(3)、数据降维模块获得去冗余数据，通过神经网络对数据进行降维处理，保证数据降维的同时保证数据的格式的规范性；步骤(4)、模型训练模块采用步骤(3)处理后数据进行模型的训练，并采用实验集进行测试；步骤(5)、返回计算结果。步骤(6)、如果为训练阶段则采用交叉试验的方式确定步骤(3)和步骤(4)中的超参数，重复进行步骤(3)到步骤(6)；本专利技术的有益效果：(1)构建该特征工程的预测方法在实际中能准确的预测设备工况，从而提高设备运行质量；(2)本方法通过数据关联性分析大大减少了方法的计算复杂度同时提高了算法精度；(3)通过交叉试验方法优化方法超参数。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本专利技术的一些实施例，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为本专利技术基于深度学习的设备状态预测方法的流程图；图2为本专利技术基于深度学习的设备状态预测方法的程度取决于神经网络和数据降维流程图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通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，都属于本专利技术保护的范围。如图1所示，基于深度学习的设备状态预测方法的流程图包含四个模块：数据预处理模块、数据去冗余模块、数据降维模块和模型训练和预测模块。下面结合图1与图2，对基于深度学习的设备状态预测方法的具体流程进行详细说明：步骤(1)、通过数据预处理模块对数据进行数据清洗和归一化处理，在数据归一化过程中采用加窗傅里叶变换方法(windowedFouriertransformation)考虑数据的细节；步骤(2)、当数据预处理完毕后，采用相关系数矩阵对数据进行关联性分析去除数据冗余项，减少降低数据的冗余度；步骤(3)、数据降维模块获得去冗余数据，通过神经网络对数据进行降维处理，保证数据降维的同时保证数据的格式的规范性；步骤(4)、模型训练模块采用步骤(3)中处理后的数据进行长短期记忆模型的训练，并采用实验集进行测试；步骤(5)、返回计算结果。步骤(6)、如果为训练阶段则采用交叉试验的方式确定步骤(3)和步骤(4)中的超参数，重复进行步骤(3)到步骤(6)；本专利技术的基于深度学习的设备状态预测方法，通过把神经网络、长短期记忆模型和设备工况预测的结合，该方法能学习长期设备数据与设备状态的对应关系，避免了对于长期数据信息利用的不足。在通过数据降维以及数据去冗余有效地提高了计算效率，同时增加了设备工况预测的准确性；且通过交叉试验进一步提升算法精度。以上所述仅为本专利技术的较佳实施例而已，并不用以限制本专利技术，凡在本专利技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本专利技术的保护范围之内。本文档来自技高网...

【技术保护点】
1.一种基于深度学习的设备状态预测方法，其特征在于，数据预处理模块、数据去冗余模块、数据降维模块和模型训练和预测模块，包括以下步骤：步骤(1)、通过数据预处理模块对数据进行数据清洗和归一化处理；步骤(2)、当数据预处理完毕后，对数据进行关联性分析去除数据冗余项，减少降低数据的冗余度；步骤(3)、数据降维模块获得去冗余数据，通过神经网络对数据进行降维处理，保证数据降维的同时保证数据的格式的规范性；步骤(4)、模型训练模块采用步骤(3)处理后的数据进行模型的训练，并采用实验集进行测试；步骤(5)、返回计算结果；步骤(6)、如果为训练阶段则采用交叉试验的方式确定步骤(3)和步骤(4)中的超参数，重复进行步骤(3)到步骤(6)。

【技术特征摘要】
1.一种基于深度学习的设备状态预测方法，其特征在于，数据预处理模块、数据去冗余模块、数据降维模块和模型训练和预测模块，包括以下步骤：步骤(1)、通过数据预处理模块对数据进行数据清洗和归一化处理；步骤(2)、当数据预处理完毕后，对数据进行关联性分析去除数据冗余项，减少降低数据的冗余度；步骤(3)、数据降维模块获得去...

【专利技术属性】
技术研发人员：张卫山，耿祖琨，郭武武，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：山东,37