【技术实现步骤摘要】
一种确定设备状态的方法、系统及设备
本专利技术涉及工业智能
，尤其涉及一种确定设备状态的方法、系统及设备。
技术介绍
在工业设备领域，例如大型机床、风电机组、汽轮机、工业电机等大型设备为保障稳定可靠运行往往都配备在线监测系统，监测传感器测点较多，对振动、电气、压力等关键参数的采样频率高，原始数据量大，以信号处理特征提取为手段的传统数据分析方法，存在复杂度高、精度有限等困难。目前针对高频采样数据的信号特征提取方法有时域分析法、频域分析、时频分析(短时傅里叶变换、小波变换、经验模态分解等)。时域分析主要以时域统计类指标计算和相关分析为主，对频域特征关注不高，频域分析以傅里叶变换为基础，比较适合设备平稳信号分析，不能兼顾时域特征；时频分析方法处理产生的时频矩阵(或时频谱)兼顾了时域和频域两方面特征，但传统的设备状态评估或故障判断方法如聚类分析、决策树、高斯混合模型等，必须根据人工专业经验进行典型特征提取，有一定的主观性和不完备性，设备状态评估结果存在不确定性。
技术实现思路
本专利技术提供了一种确...
【技术保护点】
1.一种确定设备状态的方法，其特征在于，该方法包括：/n将设备的传感器数据转换为标准时频谱图数据，所述标准时频谱图数据是符合预设标准规范的时频谱图数据；/n通过第一卷积神经网络模型的输入通道，将所述标准时频谱图数据输入到所述第一卷积神经网络模型，得到第一模型数据；/n按设定方向将所述标准时频谱图数据划分为多个数据序列，通过所述设定方向对应的第二卷积神经网络模型的多个输入通道，将所述多个数据序列输入到所述第二卷积神经网络模型，得到第二模型数据；/n根据所述第一模型数据及第二模型数据，确定设备的状态。/n
【技术特征摘要】
1.一种确定设备状态的方法，其特征在于，该方法包括：
将设备的传感器数据转换为标准时频谱图数据，所述标准时频谱图数据是符合预设标准规范的时频谱图数据；
通过第一卷积神经网络模型的输入通道，将所述标准时频谱图数据输入到所述第一卷积神经网络模型，得到第一模型数据；
按设定方向将所述标准时频谱图数据划分为多个数据序列，通过所述设定方向对应的第二卷积神经网络模型的多个输入通道，将所述多个数据序列输入到所述第二卷积神经网络模型，得到第二模型数据；
根据所述第一模型数据及第二模型数据，确定设备的状态。
2.根据权利要求1所述的方法，其特征在于，按设定方向将所述时频谱图数据划分为多个数据序列，包括：
按沿时间轴方向组成数据序列的方式将所述时频谱图数据划分为多个频率对应的时间数据序列；和/或，按沿频率轴方向组成数据序列的方式将所述时频谱图数据划分为多个时刻对应的频率数据序列。
3.根据权利要求2所述的方法，其特征在于，
按沿时间轴方向组成数据序列的方式将所述时频谱图数据划分为多个频率对应的时间数据序列，和，按沿频率轴方向组成数据序列的方式将所述时频谱图数据划分为多个时刻对应的频率数据序列，所述第二卷积神经网络模型包括与所述时间轴方向对应的时间轴卷积神经网络模型和与所述频率轴方向对应的频率轴卷积神经网络模型；
通过所述设定方向对应的第二卷积神经网络模型的多个输入通道，将所述多个数据序列输入到所述第二卷积神经网络模型，得到第二模型数据，包括：
通过所述时间轴卷积神经网络模型的多个输入通道，将所述多个时间数据序列输入到所述时间轴卷积神经网络模型，得到第二时间模型数据；
通过所述频率轴卷积神经网络模型的多个输入通道，将所述多个频率数据序列输入到所述频率轴卷积神经网络模型，得到第二频率模型数据；
将所述第二时间模型数据和所述第二频率模型数据，确定为第二模型数据。
4.根据权利要求1～3任一所述的方法，其特征在于，所述第二卷积神经网络模型的输入通道的数量与按设定方向划分所述时频谱图数据得到的数据序列的数量相同。
5.根据权利要求1所述的方法，其特征在于，根据所述第一模型数据及第二模型数据，确定设备的状态，包括：
将所述第一模型数据及第二模型数据输入到融合模型中，确定设备的状态，所述融合模型包括：公式模型或机器学习模型。
6.根据权利要求1所述的方法，其特征在于，将设备的传感器数据转换为标准时频谱图数据，包括：
对设备的传感器数据进行信号处理得到时频谱图数据；
根据预设分辨率对所述时频谱图数据的数据序列对应的谱值建立插值函数，得到预设分辨率的时频谱图数据；
对得到的预设分辨率的时频谱图数据，按照预设规则确定截取的时间范围和频率范围，按照所述时间范围和频率范围截取所述预设分辨率的时频谱图数据，得到标准时频谱图数据。
7.根据权利要求6所述的方法，其特征在于，该方法还包括：
通过归一化或标准化算法，将所述标准时频谱图数据转换为预设量纲的时频谱图数据。
8.根据权利要求1所述的方法，其特征在于，
所述第一卷积神经网络模型是利用标准时频谱图数据样本及对应的第一模型数据样本进行训练得到的；
所述第二卷积神经网络模型是利用标准时频谱图数据样本中的数据序列样本及对应的第二模型数据样本进行训练得到的。
9.根据权利要求5所述的方法，其特征在于，若所述融合模型为机器学习模型，则所述融合模型是利用第一模型数据样本、第二模型数据样本以及对应的设备状态样本进行训练得到的。
10.一种确定设备状态的系统，其特征在于，该系统包括：数据转换模块、第一卷积神经网络模块、第二卷积神经网络模块、确定设备状态模块，其中：
数据转换模块，用于将设备的传感器数据转换为标准时频谱图数据，所述标准时频谱图数据是符合预设标准规范的时频谱图数据；
第一卷积神经网络模块，用于通过第一卷积神经网络模型的输入通道，将所述标准时频谱图数据输入到所述第一卷积神经网络模型，得到第一模型数据；
第二卷积神经网络模块，用于按设定方向将所述标准时频谱图数据划分为多个数据序列，通过所述设定方向对应的第二卷积神经网络模型的多个输入通道，将所述多个数据序列输入到所述第二卷积神经网络模型，得到第二模型数据；
确定设备状态模块，用于根据所述第一模型数据及第二模型数据，确定设备的状态。
11.根据权利要求10所述的系统，其特征在于，所述第二卷积神经网络模块具体用于：
按沿时间轴方向组成数据序列的方式将所述时频谱图数据划分为多个频率对应的时间数据序列；和/或，按沿频率轴方向组成数据序列的方式将所述时频谱图数据划分为多个时刻对应的频率数据序列。
12.根据权利要求11所述的系统，其特征在于，按沿时间轴方向组成数据序列的方式将所述时频谱图数据划分为多个频率对应的时间数据序列，和，按沿频率轴方向组成数据序列的方式将所述时频谱图数据划分为多个时刻对应的频率数据序列，所述第二卷积神经网络模型包括与所述时间轴方向对应的时间轴卷积神经网络模型和与所述频率轴方向对应的频率轴卷积神经网络模型；
所述第二卷积神经网络模块具体用于：
通过所述时间轴卷积神经网络模型的多个输入通道，将所述多个时间数据序列输入到所述时间轴卷积神经网络模型，得到第二时间模型数据；
通过所述频率轴卷积神经网络模型的多个输入通道，将所述多个频率数据序列输入到所述频率轴卷积神经网络模型，得到第二频率模型...
【专利技术属性】
技术研发人员：郭双全，许伟，汪振江，
申请(专利权)人：上海电气集团股份有限公司，
类型：发明
国别省市：上海;31
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。