一种5G网络设备的故障监测方法及装置制造方法及图纸

本申请提出了一种5G网络设备的故障监测方法及装置，涉及故障监测领域，包括以下步骤：采集待测设备的传感器信号数据；提取传感器信号数据的数据特征；处理数据特征，实现待测设备的监测预警、健康阶段划分和寿命预测。本申请通过物联网技术，实时采集待测设备或零部件的传感器信号数据，实现待测设备的监测预警、健康阶段划分和寿命预测，提高制造系统的安全性和可靠性，保证设备的正常运行，消除事故，实现重大设备故障风险和理论寿命的动态感知和精准防控，提高企业设备管理水平。提高企业设备管理水平。提高企业设备管理水平。

【技术实现步骤摘要】
一种5G网络设备的故障监测方法及装置


[0001]本申请涉及故障监测领域，尤其涉及一种5G网络设备的故障监测方法及装置。

技术介绍

[0002]通过搭建5G重大设备故障监测智能管理系统，提高制造系统的安全性和可靠性，保证设备的正常运行，消除事故，也为降低操作和维护的成本提供保障，研究该内容具有理论意义和现实意义。

技术实现思路

[0003]针对上述问题，提出了一种5G网络设备的故障监测方法及装置。
[0004]本申请第一方面提出了一种5G网络设备的故障监测方法，包括：
[0005]采集待测设备的传感器信号数据；
[0006]提取所述传感器信号数据的数据特征；
[0007]处理所述数据特征，实现所述待测设备的监测预警、健康阶段划分和寿命预测。
[0008]可选的，所述提取所述传感器信号数据的数据特征，包括：
[0009]根据基于深度学习理论的诊断模型提取所述数据特征的健康特征；
[0010]根据LSTM深度学习模型提取所述数据特征的时间属性特征；
[0011]根据CNN深度学习模型提取所述数据特征的图像特征与视频特征。
[0012]可选的，所述基于深度学习理论的诊断模型包括特征提取层和分类层，并从所述传感器信号数据自动提取健康信息的相关特征，其中，所述基于深度学习理论的诊断模型对时域数据和频域数据进行处理。
[0013]可选的，所述根据LSTM深度学习模型提取所述数据特征的时间属性特征，包括：
[0014]提取所述传感器信号数据的时间特征规律，其中，所述LSTM深度学习模型对温度、湿度、震动、声音数据进行处理。
[0015]可选的，所述CNN深度学习模型对传感器采集到的图像数据与视频数据进行处理。
[0016]可选的，根据健康阶段划分模型处理所述数据特征，其中，所述健康阶段划分模型为KNN分类模型、Markov分类模型与SVW分类模型中的一种。
[0017]可选的，根据基于机器学习的剩余寿命预测模型处理所述数据特征，其中，所述基于机器学习的剩余寿命预测模型为人工神经网络、神经模糊系统和混合模型中的一种。
[0018]本申请第二方面提出了一种5G网络设备的故障监测装置，包括：
[0019]采集模块，用于采集待测设备的传感器信号数据；
[0020]提取模块，用于提取所述传感器信号数据的数据特征；
[0021]处理模块，用于处理所述数据特征，实现所述待测设备的监测预警、健康阶段划分和寿命预测。
[0022]本申请第三方面，提出一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如上
述第一方面中任一所述的方法。
[0023]本申请第四方面，提出一种非临时性计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面中任一所述的方法。
[0024]本申请的实施例提供的技术方案至少带来以下有益效果：
[0025]通过物联网技术，实时采集待测设备或零部件的传感器信号数据，实现待测设备的监测预警、健康阶段划分和寿命预测，提高制造系统的安全性和可靠性，保证设备的正常运行，消除事故，实现重大设备故障风险和理论寿命的动态感知和精准防控，提高企业设备管理水平。
[0026]本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
[0027]本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
[0028]图1是根据本申请示例性实施例示出的一种5G网络设备的故障监测方法的流程图；
[0029]图2是根据本申请示例性实施例示出的一种5G网络设备的故障监测装置的框图；
[0030]图3是一种电子设备的框图。
具体实施方式
[0031]下面详细描述本申请的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
[0032]图1是根据本申请示例性实施例示出的一种5G网络设备的故障监测方法的流程图，如图1所示，包括：
[0033]步骤101，采集待测设备的传感器信号数据。
[0034]本申请实施例中，待测设备的类型分为动设备与静设备，其中，动设备包括电动机、变速箱、鼓风机和振动筛等，静设备包括输油管、变电箱、换热器、储存罐等。
[0035]另外，传感器信号数据具体分类分为速度、转速、压力、湿度、温度、振动、流量、液位、厚度、时域数据、频域数据等。
[0036]因此，在对5G网络设备的故障监测过程中，首先要提取各设备的各类传感器数据。
[0037]步骤102，提取传感器信号数据的数据特征。
[0038]本申请实施例中，提取数据特征主要分为以下步骤：
[0039]根据基于深度学习理论的诊断模型提取所述数据特征的健康特征。
[0040]本申请实施例中，基于深度学习理论的诊断模型包括特征提取层和分类层，并从所述传感器信号数据自动提取健康信息的相关特征，其中，所述基于深度学习理论的诊断模型对时域数据和频域数据进行处理。
[0041]其中，基于深度学习理论的诊断模型的诊断方法如图2所示。
[0042]根据LSTM深度学习模型提取所述数据特征的时间属性特征。
[0043]本申请实施例中，LSTM是递归神经网络的变体，基于具有长短时记忆的神经网络，构建设备的故障检测模型，用于处理具有时间属性的数据，捕捉数据的时间特征规律，针对传感器采集到的如温度、湿度、震动、声音等类型数据，
[0044]根据CNN深度学习模型提取数据特征的图像特征与视频特征。
[0045]本申请实施例中，CNN是卷积神经网络，拥有强大的特征处理以及模式识别能力，可充分利用机械设备与日俱增的海量数据。引入权值共享和感受野的概念，为语音识别、图像处理和目标检测等提供了一种端到端的学习架构，主要针对传感器采集到的如图像、视频等类型的数据。
[0046]另外，本申请使用基于迁移学习理论的诊断方法来从一个或多个诊断任务中学到的诊断知识传递给其他相关但不同的诊断任务的诊断模型。
[0047]步骤103，处理数据特征，实现待测设备的监测预警、健康阶段划分和寿命预测。
[0048]本申请实施例中，根据健康阶段划分模型处理数据特征，其中，健康阶段划分模型为KNN分类模型、Markov分类模型与SVW分类模型中的一种。
[0049]其中，KNN适用于样本容量大的类域的自动分类，Markov用于监测状态序列的进展，获取当前设备退化状态和磨损进展的定性信息，SVW用于二元分类。
[0050]本申请实施例中，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种5G网络设备的故障监测方法，其特征在于，包括：采集待测设备的传感器信号数据；提取所述传感器信号数据的数据特征；处理所述数据特征，实现所述待测设备的监测预警、健康阶段划分和寿命预测。2.根据权利要求1所述的方法，其特征在于，所述提取所述传感器信号数据的数据特征，包括：根据基于深度学习理论的诊断模型提取所述数据特征的健康特征；根据LSTM深度学习模型提取所述数据特征的时间属性特征；根据CNN深度学习模型提取所述数据特征的图像特征与视频特征。3.根据权利要求2所述的方法，其特征在于，所述基于深度学习理论的诊断模型包括特征提取层和分类层，并从所述传感器信号数据自动提取健康信息的相关特征，其中，所述基于深度学习理论的诊断模型对时域数据和频域数据进行处理。4.根据权利要求2所述的方法，其特征在于，所述根据LSTM深度学习模型提取所述数据特征的时间属性特征，包括：提取所述传感器信号数据的时间特征规律，其中，所述LSTM深度学习模型对温度、湿度、震动、声音数据进行处理。5.根据权利要求2所述的方法，其特征在于，所述CNN深度学习模型对传感器采集到的图像数据与视频数据进行处理。6.根据权利要求1所述...

【专利技术属性】
技术研发人员：王昱，刘增辉，李诗楠，岳文彬，孙慧，王燕，郝彦甲，塔林夫，
申请(专利权)人：中国移动通信集团内蒙古有限公司鄂尔多斯分公司，
类型：发明
国别省市：