【技术实现步骤摘要】
一种基于双深度学习模型的设备故障模式预测方法
本专利技术涉及机械设备的故障模式预测方法，具体涉及一种基于双深度学习模型的设备故障模式预测方法。
技术介绍
随着科技的发展，在机械、能源、石化、国防、航天等国民经济行业中，机械设备逐渐趋于复杂化和大型化，并且常常处于高负载、变工况和持续运行等状态中，因此重大机械设备的正常运行对经济的可持续发展和国防建设具有十分重要的意义。传统的“事后维修”和“计划维修”难以满足保证设备可靠运行的需求。通过分析和挖掘历史数据，故障预测能够预测出系统中是否会出现故障，并在故障出现早期采取补救措施，降低灾难性损失。因此，迫切需要故障预测技术对设备状态进行预测。对于短期预测，通常使用时间序列模型预测机械设备的运行数据是否会超出阈值，而对于长期预测就需要剩余寿命预测。时间序列预测模型可以有效地监测设备状态，弄清楚设备是否会失效，而剩余寿命预测为视情维修提供重要信息。但需要指出的是对于可能会发生的具体的故障模式相关的研究极少。根据国际标准组织(ISO)，故障预测是指“评估失效时间和一个或者多个已存在...
【技术保护点】
1.一种基于双深度学习模型的设备故障模式预测方法，其特征在于包括如下步骤：/n步骤1：对机械设备的振动传感器信号采用三层小波包分解来提取时频特征，获得每个频带信号的能量特征值作为状态监测指标，形成具有多维特征的时间序列；/n步骤2：将时间序列输入经过堆叠的LSTM网络和注意力机制层，提取时间序列中序列数据的第一特征向量h，采用第一特征向量h对随机森林回归算法进行训练和学习，构建回归模型；/n步骤3：将时间序列输入经过堆叠的LSTM网络和注意力机制层，提取时间序列中序列数据的第二特征向量h′，采用第二特征向量h′对极限树分类算法进行训练和学习，构建分类模型；/n步骤4：将样本...
【技术特征摘要】
1.一种基于双深度学习模型的设备故障模式预测方法，其特征在于包括如下步骤：
步骤1：对机械设备的振动传感器信号采用三层小波包分解来提取时频特征，获得每个频带信号的能量特征值作为状态监测指标，形成具有多维特征的时间序列；
步骤2：将时间序列输入经过堆叠的LSTM网络和注意力机制层，提取时间序列中序列数据的第一特征向量h，采用第一特征向量h对随机森林回归算法进行训练和学习，构建回归模型；
步骤3：将时间序列输入经过堆叠的LSTM网络和注意力机制层，提取时间序列中序列数据的第二特征向量h′，采用第二特征向量h′对极限树分类算法进行训练和学习，构建分类模型；
步骤4：将样本数据进行预处理，输入回归模型，获得设备在未来时间的状态指标数据，再输入分类模型，得到设备未来潜在发生的故障模式。
2.根据权利要求1所述的基于双深度学习模型的设备故障模式预测方法，其特征在于：所述时频特征为每个频带信号的小波包节点能量特征值。
3.根据权利要求1所述的基于双深度学习模型的设备故障模式预测方法，其特征在于，所述步骤2包括：
步骤2-1：将由步骤1获得的时间序列输入LSTM网络，获得时间序列的深层特征H＝(h1，...，hN)，hN∈Rd；其中，d为LSTM网络的输出维度，N为时间步；
步骤2-2：在LSTM网络之上堆叠注意力机制层，并将LSTM网络获得的深...
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。