【技术实现步骤摘要】
设备状态检测方法及相关装置
[0001]本申请涉及机器学习领域,具体而言,涉及一种设备状态检测方法及相关装置。
技术介绍
[0002]由于工业设备的健康状态对于企业的安全生产与经济效益有着重要意义,因此,提出了基于数据驱动的工业设备健康状态监测方法。该方法中,利用传感器处采集工业设备的设备状态序列,基于深度神经网络进行黑盒的建模,并进行端到端的训练,从空间维度以及时间维度挖掘出海量数据中蕴藏的工业设备健康状态信息。
[0003]然而,专利技术人研究发现,相关技术未充分利用待分析数据的局部感受视野范围内的特征。
技术实现思路
[0004]为了克服现有技术中的至少一个不足,本申请实施例提供一种设备状态检测方法及相关装置,包括:第一方面,本申请实施提供一种设备状态检测方法,应用于数据处理设备,所述数据处理设备配置有第一检测模型,所述第一检测模型包括第一编码器、第一解码器以及多个循环神经网络,所述方法包括:获取待检测设备的多个状态特征集,所述多个状态特征集具有预设顺序,每个所述状态特征集具有所述待检测设备多个部件各自的状态信息;通过所述第一编码器从空间维度对所述多个状态特征集分别进行特征提取,获得具有不同特征尺度的多个编码序列,其中,所述多个编码序列分别对应不同的循环神经网络,每个所述编码序列包括具有所述预设顺序的多个编码特征,所述多个编码特征分别对应不同的所述状态特征集;针对每个所述编码序列,通过对应的所述循环神经网络从时间维度对所述编码序列进行特征提取,获得待重构序列,其中,所述待重构序列包括多个 ...
【技术保护点】
【技术特征摘要】
1.一种设备状态检测方法,其特征在于,应用于数据处理设备,所述数据处理设备配置有第一检测模型,所述第一检测模型包括第一编码器、第一解码器以及多个循环神经网络,所述方法包括:获取待检测设备的多个状态特征集,所述多个状态特征集具有预设顺序,每个所述状态特征集具有所述待检测设备多个部件各自的状态信息;通过所述第一编码器从空间维度对所述多个状态特征集分别进行特征提取,获得具有不同特征尺度的多个编码序列,其中,所述多个编码序列分别对应不同的循环神经网络,每个所述编码序列包括具有所述预设顺序的多个编码特征,所述多个编码特征分别对应不同的所述状态特征集;针对每个所述编码序列,通过对应的所述循环神经网络从时间维度对所述编码序列进行特征提取,获得待重构序列,其中,所述待重构序列包括多个待重构特征,所述多个待重构特征分别对应不同的所述状态特征集;针对每个所述状态特征集,将所述状态特征集全部的待重构特征输入到所述第一解码器进行重构,获得所述状态特征集的重构特征集;根据所述多个状态特征集与各自重构特征集之间的差异,确定所述待检测设备的健康状态。2.根据权利要求1所述的设备状态检测方法,其特征在于,所述第一编码器包括多个卷积层,通过所述第一编码器从空间维度对所述多个状态特征集分别进行特征提取,获得具有不同特征尺度的多个编码序列,包括:针对每个所述状态特征集,通过所述多个卷积层依次对所述状态特征集进行特征提取,获得所述状态特征集的多个编码特征,其中,所述状态特征集的多个编码特征分别具有不同的特征尺度,且分别获取自不同的所述卷积层;将所述多个状态特征集各自的编码特征按照特征尺度进行分类,获得所述多个编码序列。3.根据权利要求1所述的设备状态检测方法,其特征在于,所述第一解码器包括与所述多个循环神经网络分别对应的多个反卷积层,所述针对每个所述状态特征集,将所述状态特征集全部的待重构特征输入到所述第一解码器进行重构,获得所述状态特征集的重构特征集,包括:根据所述多个循环神经网络与所述多个反卷积层之间的对应关系,将所述状态特征集全部的待重构特征分别输入到对应的反卷积层进行重构,获得所述状态特征集的重构特征集。4.根据权利要求1所述的设备状态检测方法,其特征在于,所述获取待检测设备的多个状态特征集,包括:获取所述待检测设备的第一状态序列,其中,所述第一状态序列包括所述待检测设备多个部件各自的状态数据;将所述第一状态序列拆分成多个数据片段;针对每个所述数据片段,获取所述数据片段的协方差矩阵;将全部所述数据片段的协方差矩阵,作为所述待检测设备的多个状态特征集。5.根据权利要求1所述的设备状态检测方法,其特征在于,所述根据所述多个状态特征
集与各自重构特征集之间的差异,确定所述待检测设备的健康状态,包括:获取所述多个状态特征集与各自重构特征集之间的第一均方误差;若所述第一...
【专利技术属性】
技术研发人员:郭晓辉,牟许东,王瑞,刘重伟,刘品,
申请(专利权)人:北京航空航天大学杭州创新研究院,
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。