【技术实现步骤摘要】
基于深度学习的设备诊断系统和方法相关申请的交叉引用2018年3月29日在韩国知识产权局提交的名称为“EquipmentDiagnosisSystemandMethodBasedonDeepLearning(基于深度学习的设备诊断系统和方法)”的韩国专利申请No.10-2018-0036603通过引用整体并入本文。
实施例涉及用于确定设备故障与否的设备诊断技术,并且更具体地,涉及基于深度学习的用于确定设备故障与否的设备诊断技术。
技术介绍
传统的设备诊断技术采集在设备中生成的数据,并使用所采集的数据监视驱动器的恶化和/或故障以预先核查部件、供需部件故障与否,并执行预先测量,从而执行基于状态的管理(condition-basedmanagement,CBM)以最小化设备运行率的降低。例如,从设备马达采集的扭矩数据和速度数据、内部/外部振动数据、温度数据、斜率数据、大气压力数据、设备的压力数据、警报数据等可以通过传感器获得并用于预测设备故障。然而,传统的设备诊断技术存在一些缺陷。
技术实现思路
根据一个或多个实施例,一种设备诊断系统,包括:数据采集单元,用于采集设备的时间序列数据;预处理单元,用于执行预处理以通过傅里叶变换将时间序列数据转换为包括时间序列分量的频率数据;深度学习单元,用于通过卷积神经网络(convolutionneuralnetwork,CNN)通过使用频率数据执行深度学习;以及诊断单元,用于基于深度学习确定设备的状态是处于正常状态还是故障状态。根据一个或多个实施例,一种设备诊断方法,包括采集设备的时间序列数据,通过傅里叶变换将时间序列数据转换为包括 ...
【技术保护点】
1.一种设备诊断系统,包括:数据采集单元,用于采集设备的时间序列数据;预处理单元,用于通过傅里叶变换将时间序列数据转换为包括时间分量的频率数据;深度学习单元,用于通过卷积神经网络CNN通过使用频率数据执行深度学习;和诊断单元,用于基于深度学习将设备的状态确定为正常状态或故障状态。
【技术特征摘要】
2018.03.29 KR 10-2018-00366031.一种设备诊断系统,包括:数据采集单元,用于采集设备的时间序列数据;预处理单元,用于通过傅里叶变换将时间序列数据转换为包括时间分量的频率数据;深度学习单元,用于通过卷积神经网络CNN通过使用频率数据执行深度学习;和诊断单元,用于基于深度学习将设备的状态确定为正常状态或故障状态。2.如权利要求1所述的设备诊断系统,其中,傅里叶变换是快速傅里叶变换FFT、短时傅里叶变换STFT和瀑布FFT中的一种。3.如权利要求2所述的设备诊断系统,其中,傅里叶变换是STFT或者瀑布FFT,并且CNN包括一维1DCNN,其中不同的权重值分别被分配给时间间隔。4.如权利要求2所述的设备诊断系统,其中,傅里叶变换是STFT,并且预处理单元基于设备的操作时间确定STFT的周期。5.如权利要求1所述的设备诊断系统,其中,数据采集单元采集至少两种时间序列数据,预处理单元将至少一种时间序列数据转换为频率数据,并且深度学习单元对至少两种数据中的每一种数据或者对至少两种数据合并后的数据执行深度学习。6.如权利要求5所述的设备诊断系统,其中,至少两种数据包括频率数据、时间序列数据和文本数据中的至少一种。7.如权利要求1所述的设备诊断系统,其中,数据采集单元从至少两种设备中采集时间序列数据,预处理单元将来自至少两种设备的时间序列数据转换为频率数据,深度学习单元通过使用来自预处理单元的频率数据执行深度学习,并且诊断单元确定至少两种设备以及与至少两种设备不同的设备的状态。8.如权利要求1所述的设备诊断系统,还包括反馈单元,用于在线或离线地向用户提供诊断单元的诊断结果。9.如权利要求1所述的设备诊断系统,其中,在诊断单元确定设备的状态之前,深度学习单元通过使用其中核查了设备的正常状态和故障状态的标记数据来执行深度学习,以及当诊断单元确定设备的状态时,深度学习单元通过使用其中未核查设备的状态的未标记数据来执行深度学习,并且基于深度学习的结果在未标记数据上标记设备的状态。10.如权利要求1所述的设备诊断系统,其中,CNN包括将卷积滤波器应用于频率数据以提取频率数据的特征映射并且池化以用于减小特征映射的大小,应用和池化被执行多次。11.如权利要求10所述的设备诊断系统,其中CNN提取通道的多条频率数据,并且对通道的多条频率数据中的每条频率数据或者对其中混合了通道的多条频率数据的混合数据执行应用和池化。12.一种设备诊断方法,包括:采集设备的时间序列数据;通过傅里叶变换将时间序列数据转换为包括时间分量的频率数据;通过卷积神经网络CNN使用频率数据来进行深度学习;和基于深度学习将设备的状态诊断为正常状态或故障状态。13.如权利要求12所述的设备诊断方法,其中,在诊断设备的状态之前,深度学习包括使用与设备的正常状态和故障状态之一相关联的标记数据来深度学习,以及当诊断确定设备的状态时,深度学习还包括使用其中未核查与其相关联的设备的状态的未标记数据来深度学习,并且诊断包括基于深度学习的结果...
【专利技术属性】
技术研发人员:吴炅桓,李虎烈,朴元基,徐钟辉,张永日,郭河录,张炳卓,崔成镐,
申请(专利权)人:三星电子株式会社,首尔大学校产学协力团,
类型:发明
国别省市:韩国,KR
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。