【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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。