基于空洞卷积神经网络的工业设备故障预测方法及装置制造方法及图纸

本申请涉及数据驱动的工业设备故障预测技术领域，特别涉及一种基于空洞卷积神经网络的工业设备故障预测方法及装置，其中，方法包括：获取目标工业设备的当前监测数据集；将当前监测数据集输入至训练完成的故障预测网络模型，输出当前监测数据集对应的故障预测值，其中，故障预测网络模型基于携带有故障实际值的监测数据集样本训练得到；在当前监测数据集对应的故障预测值大于故障阈值时，判定目标工业设备故障，否则，判定目标工业设备正常。由此，本申请实施例可以有效提升基于深度神经网络的故障预测准确度，减小空洞卷积神经网络模型参数量，支持并行计算以缩短故障预测时间，以实现对设备健康状态的长期预测。以实现对设备健康状态的长期预测。以实现对设备健康状态的长期预测。

【技术实现步骤摘要】
基于空洞卷积神经网络的工业设备故障预测方法及装置


[0001]本申请实施例涉及数据驱动的工业设备故障预测
，特别涉及一种基于空洞卷积神经网络的工业设备故障预测方法及装置。

技术介绍

[0002]相关技术中，数据驱动的工业设备故障预测方法主要基于统计学方法和基于神经网络方法实现，其中基于统计学方法包括自回归移动平均、故障概率密度函数估计、n元模型等，基于神经网络方法包括支持向量机、人工神经网络、卷积神经网络、循环神经网络等。
[0003]然而，以上方法虽然在特定场景下取得了较优的故障预测结果，但存在故障预测精确度较低、不同工况下模型推广能力不足、无法或难以进行长时间故障预测等问题，在复杂工业场景中应用存在困难。

技术实现思路

[0004]本申请提供一种基于空洞卷积神经网络的工业设备故障预测方法、装置、电子设备及存储介质，可以有效提升基于深度神经网络的故障预测准确度，减小空洞卷积神经网络模型参数量，支持并行计算以缩短故障预测时间，可以实现对设备健康状态的长期预测。
[0005]本申请第一方面实施例提供一种基于空本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于空洞卷积神经网络的工业设备故障预测方法，其特征在于，包括以下步骤：获取目标工业设备的当前监测数据集；将所述当前监测数据集输入至训练完成的故障预测网络模型，输出所述当前监测数据集对应的故障预测值，其中，所述故障预测网络模型基于携带有故障实际值的监测数据集样本训练得到；在所述当前监测数据集对应的故障预测值大于故障阈值时，判定所述目标工业设备故障，否则，判定所述目标工业设备正常。2.根据权利要求1所述的方法，其特征在于，所述故障预测网络模型基于携带有故障实际值的监测数据集样本训练空洞卷积神经网络得到，所述空洞卷积神经网络包括第一至第五卷积层和全连接层，所述将所述当前监测数据集输入至训练完成的故障预测网络模型，输出所述当前监测数据集对应的故障预测值，包括：将所述当前监测数据集输入至第一至第四层卷积层，对所述当前监测数据集进行特征提取，得到多张特征图；将所述多张特征图输入至第五层卷积层，压缩所述多张特征图，得到压缩特征图；将所述压缩特征图输入至所述全连接层，将所述压缩特征图的维度降低至预设维度，得到所述当前监测数据集对应的故障预测值。3.根据权利要求2所述的方法，其特征在于，所述第一至第五卷积层的扩张率d
i
满足以下公式：其中，i表示卷积层的层数。4.根据权利要求1
‑
3任意一项所述的方法，其特征在于，在将所述当前监测数据集输入至训练完成的故障预测网络模型之前，还包括：从所述当前监测数据集中提取至少一个监测特征，其中，所述监测特征用于标识所述目标工业设备的衰退等级；对所述至少一个监测特征进行数据预处理，得到多个时刻的特征序列，并基于所述多个时刻的特征序列得到作为所述故障预测网络模型输入的特征向量。5.根据权利要求2所述的方法，其特征在于，所述故障预测网络模型基于携带有故障实际值的监测数据集样本训练空洞卷积神经网络得到，包括：获取所述目标设备的训练数据集、测试数据集和故障实际值；基于所述训练数据集训练所述空洞卷积神经网络，并将所述测试数据集输入至所述空洞卷积神经网络，输出所述测试数据集对应的故障预测值；将所述测试数据集对应的故障预测值和所述故障实际值输入至预设损失函数中，得到损失值，在所述损失值大于...

【专利技术属性】
技术研发人员：黄必清，许昕，莫语，
申请(专利权)人：清华大学，
类型：发明
国别省市：