一种工业故障预测方法、系统、电子设备及介质技术方案

本发明专利技术公开了一种工业故障预测方法、系统、电子设备及介质，涉及故障预测领域，该方法，包括：获取工业设备在当前时刻采集到的工业数据，得到目标工业数据；计算目标工业数据与各聚类中心之间的目标距离，目标距离根据目标工业数据与各聚类中心之间的空间距离和时间距离计算得到，一个聚类中心对应一类工作模式；将所有的目标距离中距离值最小的聚类中心对应的工作模式确定为目标工作模式；将目标工业数据输入目标工作模式对应的故障预测模型中，得到未来时刻的故障预测类别；一个工作模式对应一个故障预测模型；故障预测模型是基于引入状态转移模型的Transformer网络构建的。本发明专利技术能提升工业故障预测的预测精度。本发明专利技术能提升工业故障预测的预测精度。本发明专利技术能提升工业故障预测的预测精度。

【技术实现步骤摘要】
一种工业故障预测方法、系统、电子设备及介质


[0001]本专利技术涉及故障预测领域，特别是涉及一种工业故障预测方法、系统、电子设备及介质。

技术介绍

[0002]随着过程工业生产市场竞争日益激烈，提高生产效率，降低生产损耗，是过程工业生产企业亟待解决的问题。其中，故障是造成企业产量及生产效率不能有效提高的重要原因之一。为了优化作业流程，提高产品质量，减少故障情况，现代企业使用了诸多先进的科学技术，例如采用远程监控、集中控制、工艺优化等方法。然而，这些基于传统传感器的技术由于测量环境恶劣、计算成本高昂以及数据延迟较高等问题，往往难以获得真正的实时参数。为了解决这一问题，基于大数据的故障预测模型得到了广泛的使用。通过机器学习方法，将易读取的参数与生产作业过程中传统传感器难以获取的关键实时参数进行建模，模型可以有效预测作业中的关键参数并为故障检测提供重要判据。
[0003]在一般层面上，可以把故障预测模型分为两种不同的类型，即模型驱动型和数据驱动型。前者往往采用物理学和化学中的一些理论机制来建立数学模型，再通过部分采样数据来计算模型中的参数；后者则通过使用大量的历史数据来直接建立模型。由于实际工况的复杂程度较高，模型驱动型往往需要大量的专业知识，而随着工厂自动化程度的不断提高，数据的获取往往较为简单，通过采用机器学习的方法，数据驱动型的故障预测模型得到了大量的应用。
[0004]故障预测模型通常采用的方法包括主成分分析(Principal Component Analysis，PCA)、典型关联分析(Canonical Correlation Analysis，CCA)、支持向量机(Support Vector Machine，SVM)、人工神经网络(Artificial Neural Network，ANN)等。从目前的发展情况来看，ANN是其中使用最广泛的方法，其具体应用包括深度信念网络(Deep Belief Network，DBN)、堆栈自动编码器(Stacked Autoencoder，SAE)等。然而，此类模型往往采用了静态网络结构，在这类网络架构中，一般默认所有的数据都是独立同分布的，但在实际工业活动中，所收集的大量数据在时间这一维度上是有着十分密切的关联的，因此，在构建故障预测模型时，工业数据之间的动态关联也是应当考虑的一个重要因素。在机器学习领域中，能够传输时间维度上的信息的模型包括循环神经网络(Recurrent Neural Network，RNN)和长短期记忆网络(Long Short
‑
Term Memory，LSTM)，这两种神经网络都可以接受来自过去的信息并将当前的信息传递到将来所需要的时刻，其中，当时间跨度较大时，一般的RNN结构会出现梯度消失和梯度爆炸问题，对模型的性能产生一定影响，而LSTM的特性使其可以避免这一问题，在实际应用中往往可以取得相对RNN更加优良的表现性能。
[0005]在故障预测的架构过程中，存在两项需要考虑的关键问题：一是在不同的时间阶段应当使用不同的工作模型；二是不同的参数拥有不同的采样周期。对于前者而言，K
‑
均值聚类方法(K
‑
means)常常被用于区分不同工作模型，然而，K
‑
means仅仅考虑了其在空间维度上的聚类，并没有考虑时间变量。对于后者，也就是双采样周期问题，可采用LSTM网络来
处理，通过之前的真实质量变量来预测未来的质量，这极大地提高了预测准确率，然而，这些基于常规LSTM的故障预测模型往往要求不同变量的采样周期相同，但在实际情况中，难以采集的设备参数与易于采集的设备参数的采样周期往往是不同的。因此，目前的工业故障预测方法，上述关键问题仍无法解决，导致工业故障预测的精度较低。

技术实现思路

[0006]基于此，本专利技术实施例提供一种工业故障预测方法、系统、电子设备及介质，以提升工业故障预测的预测精度。
[0007]为实现上述目的，本专利技术实施例提供了如下方案：
[0008]一种工业故障预测方法，包括：
[0009]获取目标工业数据；所述目标工业数据为工业设备在当前时刻采集到的工业数据；
[0010]计算目标工业数据与各聚类中心之间的空间距离，得到多个目标空间距离，计算当前时刻与各聚类中心对应的时刻之间的时间距离，得到多个目标时间距离；其中，一个所述聚类中心对应一类工作模式；所述聚类中心是基于K
‑
means算法，采用训练样本数据确定的；所述训练样本数据，包括：工业设备在历史时段采集到的工业数据；
[0011]将所述目标空间距离和对应的目标时间距离相加，得到多个目标距离；
[0012]将所有的目标距离中距离值最小的聚类中心对应的工作模式，确定为目标工作模式；所述目标工作模式为所述工业设备在当前时刻的工作模式；
[0013]将所述目标工业数据输入目标工作模式对应的故障预测模型中，得到所述工业设备在未来时刻的故障预测类别；
[0014]其中，一个工作模式对应一个故障预测模型；所述故障预测模型是采用相应的工作模式下的训练样本集对Transformer状态转移网络进行训练得到的；一个所述训练样本集，包括：训练样本数据中一类工作模式下的数据和对应的故障类别标签；所述Transformer状态转移网络为引入状态转移模型的Transformer网络。
[0015]可选地，所述故障预测模型的确定方法为：
[0016]获取原始训练集；所述原始训练集，包括训练样本数据和对应的故障类别标签；
[0017]从训练样本数据中随机选择K个样本点作为初始聚类中心；一个样本点对应一类工作模式；
[0018]选取所述训练样本数据中的任一样本点作为目标样本点，计算所述目标样本点与各初始聚类中心之间的空间距离，得到K个训练空间距离，计算所述目标样本点的采集时刻与所述历史时段中各采集时刻之间的时间距离，得到K个训练时间距离，将所述训练空间距离和对应的训练时间距离相加，得到所述目标样本点的K个训练距离，并将所有的训练距离中距离值最小的初始聚类中心确定为所述目标样本点的所属的初始聚类中心；
[0019]将所述训练样本数据中每一个样本点均分配到对应所属的初始聚类中心后，计算各个所述初始聚类中心的所有样本点的特征平均值，得到K个特征平均值，并将所述特征平均值作为最终的聚类中心；所述原始训练集按照所述聚类中心划分为K个训练样本集；
[0020]将K个所述训练样本集一一对应输入至K个Transformer状态转移网络中进行训练，得到K个训练好的Transformer状态转移网络；
[0021]将每个训练好的Transformer状态转移网络确定为一个故障预测模型。
[0022]可选地，将K个所述训练样本集一一对应输入至K个Transformer状态转移网络中进行训练，得到K个训练好的Transformer状态转移网络，具体包括：
[0023]构建K个Transformer本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种工业故障预测方法，其特征在于，包括：获取目标工业数据；所述目标工业数据为工业设备在当前时刻采集到的工业数据；计算目标工业数据与各聚类中心之间的空间距离，得到多个目标空间距离，计算当前时刻与各聚类中心对应的时刻之间的时间距离，得到多个目标时间距离；其中，一个所述聚类中心对应一类工作模式；所述聚类中心是基于K
‑
means算法，采用训练样本数据确定的；所述训练样本数据，包括：工业设备在历史时段采集到的工业数据；将所述目标空间距离和对应的目标时间距离相加，得到多个目标距离；将所有的目标距离中距离值最小的聚类中心对应的工作模式，确定为目标工作模式；所述目标工作模式为所述工业设备在当前时刻的工作模式；将所述目标工业数据输入目标工作模式对应的故障预测模型中，得到所述工业设备在未来时刻的故障预测类别；其中，一个工作模式对应一个故障预测模型；所述故障预测模型是采用相应的工作模式下的训练样本集对Transformer状态转移网络进行训练得到的；一个所述训练样本集，包括：训练样本数据中一类工作模式下的数据和对应的故障类别标签；所述Transformer状态转移网络为引入状态转移模型的Transformer网络。2.根据权利要求1所述的一种工业故障预测方法，其特征在于，所述故障预测模型的确定方法为：获取原始训练集；所述原始训练集，包括训练样本数据和对应的故障类别标签；从训练样本数据中随机选择K个样本点作为初始聚类中心；一个样本点对应一类工作模式；选取所述训练样本数据中的任一样本点作为目标样本点，计算所述目标样本点与各初始聚类中心之间的空间距离，得到K个训练空间距离，计算所述目标样本点的采集时刻与所述历史时段中各采集时刻之间的时间距离，得到K个训练时间距离，将所述训练空间距离和对应的训练时间距离相加，得到所述目标样本点的K个训练距离，并将所有的训练距离中距离值最小的初始聚类中心确定为所述目标样本点的所属的初始聚类中心；将所述训练样本数据中每一个样本点均分配到对应所属的初始聚类中心后，计算各个所述初始聚类中心的所有样本点的特征平均值，得到K个特征平均值，并将所述特征平均值作为最终的聚类中心；所述原始训练集按照所述聚类中心划分为K个训练样本集；将K个所述训练样本集一一对应输入至K个Transformer状态转移网络中进行训练，得到K个训练好的Transformer状态转移网络；将每个训练好的Transformer状态转移网络确定为一个故障预测模型。3.根据权利要求2所述的一种工业故障预测方法，其特征在于，将K个所述训练样本集一一对应输入至K个Transformer状态转移网络中进行训练，得到K个训练好的Transformer状态转移网络，具体包括：构建K个Transformer状态转移网络，所述Transformer状态转移网络，包括：依次连接的Transformer编码器和状态转移模型；所述Transformer编码器中引入自注意力机制；将一个所述训练样本集作为一个Transformer状态转移网络中Transformer编码器的输入，所述状态转移模型输出相应的故障预测类别，以损失...

【专利技术属性】
技术研发人员：聂为之，赵岳，聂婕，王成龙，
申请(专利权)人：天津大学，
类型：发明
国别省市：