System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于预测性维护领域,主要涉及一种基于标识解析和transformer的预测性维护系统及方法。
技术介绍
1、由于新一代信息技术,包括大数据、网络物理系统(cyber physical systems,cps)、边缘计算、物联网(internet of things,iot)和工业物联网(industrial internetof things,iiot)等的指数增长,制造业得到了显著的发展。这些技术进步在实现更为高效、具有竞争力和智能的制造过程方面发挥着至关重要的作用。智能制造被定义为生产的未来状态。车间数据的传输和处理产生了对生产活动各个方面产生积极影响。
2、在此背景下,预测性维护(predictive maintenance,pdm)作为一种主动的维护策略崭露头角,利用先进技术,如机器学习、人工智能和物联网,以在设施发生故障之前预测其状况。采用预测性维护方法时,通过对设施传感器实时数据进行分析,识别模式或异常,进一步降低生产事故和损失的发生率。此过程涉及到对制造系统的全面研究,包括基础设施、维护、过程控制和供应链管理等方面,从而为制造业创造更为可持续、安全和高效的生产环境。
3、标识解析技术用于处理非结构化数据,如设备的标识信息,包括型号、制造商、序列号等。而transformer模型是一种在序列数据上表现出色的深度学习模型,尤其在自然语言处理领域获得了巨大成功。将这两种技术结合,可以更好地处理设备数据的多样性,提高预测性维护系统的性能。
4、目前已有学者提出一系列基于深度学习
5、现有的预测性维护方法主要存在以下问题:
6、1)目前基于卷积神经网络的方法在处理时间序列数据时主要集中于捕捉局部特征,而对于全局关系的把握相对有限。这可能导致在复杂的设备运行情况下,模型难以全面理解设备的整体状态。
7、2)长短期记忆网络虽然在处理序列数据中的长期依赖关系方面取得了成功,但在某些场景下仍存在难以处理的挑战,尤其是对于复杂多变的设备运行模式,长短期记忆网络模型可能难以捕捉其中的非线性动态关系。
8、3)这两种方法往往忽略了设备的标识信息,如型号、制造商等,这些信息可以提供关于设备特性和性能的重要线索。缺乏对标识信息的充分利用可能影响对设备状态的全面把握。同时对于设备数据的保护也不够充分,存在数据泄漏和篡改的可能。
9、4)现有技术在实时性方面存在挑战,难以对设备的快速变化做出及时响应。这在一些需要即时决策的场景下可能影响系统的实用性。
技术实现思路
1、针对上述问题,本专利技术主要解决的技术问题是提供一种基于标识解析和transformer的预测性维护系统及方法。本专利技术通过结合标识解析技术和transformer模型,全面理解设备的特性,从而提高对设备状态的全面把握。此外,本专利技术在实时性和解释性方面也取得了一定的突破,力求为预测性维护系统提供更为全面和先进的解决方案,适用于多个行业领域。
2、为了达成上述目的,本专利技术的解决方案是:
3、基于标识解析和transformer的预测性维护方法,所述预测性维护方法包括:
4、利用分布式数字标识技术为工业生产车间的各个设备建立唯一的身份标识;
5、利用did技术对采集到的设备运行数据进行加密和签名,得到设备传感器信号序列;
6、构建状态感知模型,并利用训练完成的状态感知模型识别出各设备的实时健康状况,为预测性维护提供决策支持。
7、进一步地,所述状态感知模型基于transformer模型构建,包括输入层、编码器以及输出层;
8、所述输入层包括第一信号嵌入模型,将设备传感器信号序列分割为n个相等数据段,并将分割后的数据段拼接成一个n×m的嵌入矩阵以作为所述序列预测模型的输入;其中n表示多头自注意力层的堆叠数目,m表示每个数据段的长度;
9、所述编码器由n个相同结构的块堆叠组成,其中所述编码器中的块包括依次连接的多头自注意力层、残差连接和层归一化、前馈神经网络、残差连接和层归一化;
10、所述输出层包括展平层和线性层、归一化指数函数。
11、进一步地,所述前馈神经网络包括一个relu激活函数和两个线性变换。
12、进一步地,所述状态感知模型的训练数据集由历史设备传感器信号序列以及对应的健康状况标签构成,所述历史设备传感器信号序列通过利用did技术对历史设备运行数据进行加密和签名得到。
13、进一步地,所述预测性维护方法还包括:
14、构建序列预测模型,并利用训练完成的序列预测模型预测各设备未来时段的设备传感器信号序列;
15、将预测的各设备未来时段的设备传感器信号序列输入训练完成的状态感知模型,识别出各设备的未来健康状况,进一步为预测性维护提供决策支持。
16、进一步地,所述序列预测模型由输入层、编码器、解码器和输出层构成;
17、所述输入层包括第二信号嵌入模型,通过将设备传感器信号序列分割为n个相等数据段,构造所述序列预测模型的输入:ispm={(seq1,seq2),(seq2,seq3)...,(seqn-1,seqn)},其中seqi为第i个数据段;
18、所述编码器和解码器均由n个相同结构的块堆叠组成,其中所述编码器中的块包括依次连接的多头自注意力层、残差连接和层归一化、前馈神经网络、残差连接和层归一化,所述解码器中的块包括依次连接的掩码多头自注意力层、残差连接和层归一化、多头自注意力层、残差连接和层归一化、前馈神经网络、残差连接和层归一化;
19、所述输出层包括归一化指数函数。
20、本专利技术还提供一种基于标识解析和transformer的预测性维护系统,包括标识解析模块、状态感知模块、序列预测模块以及决策支持模块;
21、所述标识解析模块通过引入分布式数字标识技术,为工业生产车间的各个设备建立唯一的身份标识,并对收集的设备运行数据进行加密和签名,随后将其存储在去中心化网络中;
22、所述状态感知模块利用如上所述的状态感知模型本文档来自技高网...
【技术保护点】
1.基于标识解析和Transformer的预测性维护方法,其特征在于,所述预测性维护方法包括:
2.根据权利要求1所述的基于标识解析和Transformer的预测性维护方法,其特征在于,所述状态感知模型基于Transformer模型构建,包括输入层、编码器以及输出层;
3.根据权利要求2所述的基于标识解析和Transformer的预测性维护方法,其特征在于,所述前馈神经网络包括一个ReLU激活函数和两个线性变换。
4.根据权利要求1所述的基于标识解析和Transformer的预测性维护方法,其特征在于,所述状态感知模型的训练数据集由历史设备传感器信号序列以及对应的健康状况标签构成,所述历史设备传感器信号序列通过利用DID技术对历史设备运行数据进行加密和签名得到。
5.根据权利要求1所述的基于标识解析和Transformer的预测性维护方法,其特征在于,所述预测性维护方法还包括:
6.根据权利要求5所述的基于标识解析和Transformer的预测性维护方法,其特征在于,所述序列预测模型由输入层、编码器、解码器和输出层构成;
7.基于标识解析和Transformer的预测性维护系统,其特征在于,包括标识解析模块、状态感知模块、序列预测模块以及决策支持模块;
8.根据权利要求7所述的基于标识解析和Transformer的预测性维护系统,其特征在于,所述预测性维护系统还包括序列预测模块;
9.一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,其特征在于,所述指令当由计算设备执行时,使得所述计算设备执行如权利要求1至7中任一所述的方法。
10.一种电子设备,包括一个或多个处理器、一个或多个存储器以及一个或多个程序,其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行如权利要求1至7中任一所述的方法的指令。
...【技术特征摘要】
1.基于标识解析和transformer的预测性维护方法,其特征在于,所述预测性维护方法包括:
2.根据权利要求1所述的基于标识解析和transformer的预测性维护方法,其特征在于,所述状态感知模型基于transformer模型构建,包括输入层、编码器以及输出层;
3.根据权利要求2所述的基于标识解析和transformer的预测性维护方法,其特征在于,所述前馈神经网络包括一个relu激活函数和两个线性变换。
4.根据权利要求1所述的基于标识解析和transformer的预测性维护方法,其特征在于,所述状态感知模型的训练数据集由历史设备传感器信号序列以及对应的健康状况标签构成,所述历史设备传感器信号序列通过利用did技术对历史设备运行数据进行加密和签名得到。
5.根据权利要求1所述的基于标识解析和transformer的预测性维护方法,其特征在于,所述预测性维护方法还包括:
6.根...
【专利技术属性】
技术研发人员:霍如,杜磊,魏亮,
申请(专利权)人:南京优速网络科技有限公司,
类型:发明
国别省市:
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。