一种基于深度学习的故障识别方法、装置及存储介质制造方法及图纸

本发明专利技术涉及故障识别技术领域，公开了一种基于深度学习的故障识别方法、装置及存储介质，该方法包括获取第一工控机上传的设备数据，设备数据包括第一工控机的第一设备参数、第一工控机所采集到的与第一设备关联的第二设备参数；通过主成分分析方法对设备数据进行简化，得到设备简化数据；将设备简化数据进行量化处理后作为预先训练的基于深度学习的故障识别模型的输入进行运算，得到第一设备的故障类型。本发明专利技术提供的基于深度学习的故障识别方法、装置及存储介质可在较低硬件投入的情形下对大量外接设备准确的进行故障检测。下对大量外接设备准确的进行故障检测。下对大量外接设备准确的进行故障检测。

【技术实现步骤摘要】
一种基于深度学习的故障识别方法、装置及存储介质


[0001]本专利技术涉及故障识别
，具体涉及一种基于深度学习的故障识别方法、装置及存储介质。

技术介绍

[0002]工控机，即工业控制计算机，主要功能是对生产过程及机电设备、工艺装备进行检测与控制。它具有重要的计算机属性和特征，如:具有计算机CPU、硬盘、内存、外设及接口、并有实时的操作系统、控制网络和协议、计算能力，友好的人机界面等，因而常被用于各类设备的故障识别。
[0003]工控机在对其他外接设备进行故障诊断时，可采集外接设备的各项参数进行分析，并直接在工控机内部进行故障诊断与识别。然而，由于对其他外接设备进行故障识别，要求的硬件配置较高，当需要对大规模的工程项目进行故障检测时，需要配置多台工控机，从而导致硬件成本投入过大，且由于外接的设备种类不同，其发生故障时设备参数和数据的主要影响因素也不相同，从而导致工控机的故障识别准确性较低。
[0004]因此，如何提供一种有效的方案，以便于在较低硬件投入的情形下对大量外接设备准确的进行故障检测，已成为现有技术中一亟待解决的难本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的故障识别方法，应用于服务器，其特征在于，包括：获取第一工控机上传的设备数据，所述设备数据包括所述第一工控机的第一设备参数、所述第一工控机所采集到的与第一设备关联的第二设备参数；通过主成分分析方法对所述设备数据进行简化，得到设备简化数据；将所述设备简化数据进行量化处理后作为预先训练的基于深度学习的故障识别模型的输入进行运算，得到所述第一设备的故障类型。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：在所述设备简化数据中添加时间戳；所述将所述设备简化数据进行量化处理后作为预先训练的基于深度学习的故障识别模型的输入进行运算，得到所述第一设备的故障类型，包括：将添加时间戳后的所述设备简化数据进行量化处理后作为预先训练的基于深度学习的故障识别模型的输入进行运算，得到所述第一设备的故障类型。3.根据权利要求1所述的方法，其特征在于，在获取第一工控机上传的设备数据之前，所述方法还包括：获取第二工控机上传的历史设备数据，所述历史设备数据包括第二工控机的第一历史设备参数、所述第二工控机所采集到的与第二设备关联的第二历史设备参数；通过主成分分析方法对所述历史设备数据进行简化，得到历史设备简化数据；将所述历史设备简化数据作为模型输入，所述第二设备的故障类型作为模型输出进行训练，得到所述故障识别模型；其中，所述第二工控机为所述第一工控机或与所述第一工控机处于相同场景的工控机，所述第二设备为所述第一设备或与所述第一设备同类型的设备。4.根据权利要求1所述的方法，其特征在于，所述第二设备参数包括所述第一设备的设备类型，所述通过主成分分析方法对所述设备数据进行简化，得到设备简化数据，包括：根据所述设备类型，通过主成分分析方法对所述第二设备参数中相关联的数据进行简化。5.根据权利要求1所述的方法，其特征在于，在通过主成分分析方法对所述设备数据进行简化之前，所述方法还包括：剔除所述设备数据中的与故障不相关联的非关联数据。6.根据权利要求1所述的方法，其特征在于，所述将所述设备...

【专利技术属性】
技术研发人员：王宇龙，孙亚东，谢武德，王栓奇，左钦文，王宇雷，肖锦龙，
申请(专利权)人：中国兵器工业信息中心，
类型：发明
国别省市：