本申请涉及一种系统故障检测的方法、装置及设备、存储介质，系统故障检测的方法包括：获取系统在预设时间段内的运行参数序列和实际运行特征序列，基于运行参数序列得到预测运行特征序列；基于孪生神经网络，分别对实际运行特征序列和预测运行特征序列进行特征提炼，对应得到高级实际特征和高级预测特征；将高级实际特征和高级预测特征输入到分类神经网络模型中，得到系统的故障检测结果。如此，依据时间序列数据作为输入拓展了故障检测的检测范围；利用孪生神经网络的强特征提取优势，从运行特征序列中提取和生成了与故障关联性更强的高级特征，有效提高了故障检测的效果。有效提高了故障检测的效果。有效提高了故障检测的效果。
【技术实现步骤摘要】
系统故障检测的方法、装置及设备、存储介质
[0001]本申请涉及设备故障检测
，具体涉及一种系统故障检测的方法、装置及设备、存储介质。
技术介绍
[0002]随着科技的发展，设备越来越自动化，以空调系统为例，空调系统是一个复杂的设备系统，其运行状态受到内部和外部因素共同影响，在运行过程中的一处微小故障就可能引起连锁反应，形成多位置关联故障。实际应用时，用户或运维人员通常只会在空调系统出现严重故障或彻底失效时才能发觉设备出现故障，而在此之前，空调系统可能长期处于一种“亚健康”的运行状态。因此提升系统故障检测的检测范围和检测效果，在严重故障之前及时发现并提示设备故障，对于延长设备使用寿命、提升设备可靠性、提高设备维护效率、节约能源等方面具有重要意义。
技术实现思路
[0003]有鉴于此，本申请的目的在于克服现有技术中故障检测的检测范围和检测效果还有待提升的技术问题，提供一种系统故障检测的方法、装置及设备、存储介质。
[0004]为实现以上目的，本申请采用如下技术方案：
[0005]本申请的第一方面提供一种系统故障检测的方法，包括：
[0006]获取系统在预设时间段内的运行参数序列和实际运行特征序列，基于所述运行参数序列得到预测运行特征序列；
[0007]基于孪生神经网络，分别对所述实际运行特征序列和所述预测运行特征序列进行特征提炼，对应得到高级实际特征和高级预测特征；
[0008]将所述高级实际特征和所述高级预测特征输入到分类神经网络模型中，得到系统的故障检测结果。
[0009]可选的，所述基于所述运行参数序列得到预测运行特征序列，包括：
[0010]将所述运行参数序列输入到预先构建的数学模型中，得到所述预测运行特征序列。
[0011]可选的，所述数学模型包括基于神经网络构建的黑箱模型；
[0012]所述黑箱模型的神经网络结构包括依次连接的长短期记忆层、拼接层、第一全连接层、加法层和第二全连接层。
[0013]可选的，所述基于所述运行参数序列得到预测运行特征序列之后，所述基于孪生神经网络，分别对所述实际运行特征序列和所述预测运行特征序列进行特征提炼之前，所述方法还包括：
[0014]分别对所述实际运行特征序列和所述预测运行特征序列进行归一化处理，对应得到实际特征序列和预测特征序列；
[0015]所述基于孪生神经网络，分别对所述实际运行特征序列和所述预测运行特征序列
进行特征提炼，对应得到高级实际特征和高级预测特征，包括：
[0016]基于孪生神经网络，分别对所述实际特征序列和所述预测特征序列进行特征提炼，对应得到所述高级实际特征和所述高级预测特征。
[0017]可选的，所述归一化的表达式包括：
[0018][0019]式中，表示归一化结果，x
j
表示训练数据中第j个特征的所有数据，quantile(x,q)函数表示计算样本x的分位值，q
min
和q
max
分别表示数据的下分位和上分位。
[0020]可选的，所述孪生神经网络包括预设数量的层级组合结构；所述层级组合结构包括依次连接的卷积层、批标准化层和激活函数层。
[0021]可选的，所述分类神经网络模型包括：二分类神经网络模型或者多分类神经网络模型；
[0022]所述将所述高级实际特征和所述高级预测特征输入到分类神经网络模型中，得到系统的故障检测结果，包括：
[0023]将所述高级实际特征和所述高级预测特征输入到二分类神经网络模型中，得到系统的第一故障检测结果；或者，
[0024]将所述高级实际特征和所述高级预测特征输入到多分类神经网络模型中，得到系统的第二故障检测结果；所述第二故障检测结果包括故障类型。
[0025]可选的，所述二分类神经网络模型包括依次连接的输入层、相似性计算层、Sigmoid层和输出层；所述多分类神经网络模型包括依次连接的输入层、拼接层、全连接层、Softmax层和输出层。
[0026]本申请的第二方面提供一种系统故障检测的装置，包括：
[0027]获取模块，用于获取系统在预设时间段内的运行参数序列和实际运行特征序列，基于所述运行参数序列得到预测运行特征序列；
[0028]特征提炼模块，用于基于孪生神经网络，分别对所述实际运行特征序列和所述预测运行特征序列进行特征提炼，对应得到高级实际特征和高级预测特征；
[0029]检测模块，用于将所述高级实际特征和所述高级预测特征输入到分类神经网络模型中，得到系统的故障检测结果。
[0030]本申请的第三方面提供一种系统故障检测的设备，包括：
[0031]处理器，以及与所述处理器相连接的存储器；
[0032]所述存储器用于存储计算机程序；
[0033]所述处理器用于调用并执行所述存储器中的所述计算机程序，以执行如本申请的第一方面所述的方法。
[0034]本申请的第四方面提供一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现如本申请的第一方面所述的系统故障检测的方法的各个步骤。
[0035]本申请提供的技术方案可以包括以下有益效果：
[0036]本申请的方案中，在获取到系统在预设时间段内的运行参数序列和实际运行特征
序列后，可以利用运行参数序列获取理想状态下的预测运行特征序列。继而分别将实际运行特征序列和预测运行特征序列输入到孪生神经网络中进行特征提炼，对应得到高级实际特征和高级预测特征。再将高级实际特征和高级预测特征输入到分类神经网络模型中进行对比，即可得到系统的故障检测结果。如此，一方面依据系统动态运行过程中的时间序列数据进行设备的故障检测，可以使故障检测应用于非稳态运行状态中，拓展了故障检测的范围；另一方面利用孪生神经网络的强特征提取优势，从运行特征序列中提取和生成了与故障关联性更强的高级特征，有效提高了故障检测的效果。
附图说明
[0037]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0038]图1是本申请一个实施例提供的一种系统故障检测的方法的流程图。
[0039]图2是本申请另一个实施例提供的一种系统故障检测的方法中黑箱模型的神经网络结构示意图。
[0040]图3是本申请另一个实施例提供的一种黑箱模型中特征输入和输出的示意图。
[0041]图4是本申请另一个实施例提供的一种系统故障检测的方法中孪生神经网络下的特征输入和特征提炼的示意图。
[0042]图5是本申请另一个实施例提供的一种系统故障检测的方法中二分类神经网络模型的示意图。
[0043]图6是本申请另一个实施例提供的一种系统故障检测的本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种系统故障检测的方法，其特征在于，包括：获取系统在预设时间段内的运行参数序列和实际运行特征序列，基于所述运行参数序列得到预测运行特征序列；基于孪生神经网络，分别对所述实际运行特征序列和所述预测运行特征序列进行特征提炼，对应得到高级实际特征和高级预测特征；将所述高级实际特征和所述高级预测特征输入到分类神经网络模型中，得到系统的故障检测结果。2.根据权利要求1所述的系统故障检测的方法，其特征在于，所述基于所述运行参数序列得到预测运行特征序列，包括：将所述运行参数序列输入到预先构建的数学模型中，得到所述预测运行特征序列。3.根据权利要求2所述的系统故障检测的方法，其特征在于，所述数学模型包括基于神经网络构建的黑箱模型；所述黑箱模型的神经网络结构包括依次连接的长短期记忆层、拼接层、第一全连接层、加法层和第二全连接层。4.根据权利要求1所述的系统故障检测的方法，其特征在于，所述基于所述运行参数序列得到预测运行特征序列之后，所述基于孪生神经网络，分别对所述实际运行特征序列和所述预测运行特征序列进行特征提炼之前，所述方法还包括：分别对所述实际运行特征序列和所述预测运行特征序列进行归一化处理，对应得到实际特征序列和预测特征序列；所述基于孪生神经网络，分别对所述实际运行特征序列和所述预测运行特征序列进行特征提炼，对应得到高级实际特征和高级预测特征，包括：基于孪生神经网络，分别对所述实际特征序列和所述预测特征序列进行特征提炼，对应得到所述高级实际特征和所述高级预测特征。5.根据权利要求4所述的系统故障检测的方法，其特征在于，所述归一化的表达式包括：式中，表示归一化结果，x
j
表示训练数据中第j个特征的所有数据，quantile(x,q)函数表示计算样本x的分位值，q
min
和q
max
分别表示数据的下分位和上分位。6.根据权利要求1所述的系统故障检测...
【专利技术属性】
技术研发人员：何万基，徐明仿，石健，
申请(专利权)人：深圳市英维克信息技术有限公司，
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。