【技术实现步骤摘要】
本专利技术涉及设备故障诊断，尤其涉及一种基于多通道层级变换网络结构的设备故障诊断方法。
技术介绍
1、随着人工智能、大数据等技术的不断发展，设备的智能化程度也在不断地提高，传感器、控制器等数字技术使得设备之间可以进行自行通信和交互，为生产发展带来了诸多便利。由于设备智能化的升级，使得设备的复杂性日渐增加，设备故障的类型和数量也急剧上升，当设备发生故障时，传统的故障诊断方法需要消耗大量的时间和人力成本，因此，实现对设备的快速、准确的故障诊断具有重要意义。
2、然而，在进行设备故障诊断的过程中面临着以下机会和挑战：（1）设备故障的复杂性：设备一般由多个组件和系统构成，涉及通信、电路连接等许多复杂过程。设备在经过长时间运行或者受到外界因素干扰的情况下容易发生故障，故障类型多样且复杂，因此，针对这些故障进行准确的诊断具有挑战性。（2）故障诊断的重要性：设备发生故障可能导致工作效率下降、数据交互不及时、能耗增加以及设备停机等严重后果。为了及时采取修复措施、减少停机时间和降低维修成本，快速准确地诊断设备故障变得至关重要。（3）nlp的应用：随着自然语言处理的技术不断进步以及应用场景的不断扩展，nlp在故障诊断领域的应用也会变得逐渐广泛。通过采集和整理故障日志、用户报告、维修记录等文本数据，利用nlp技术提取数据中的关键信息，学习存在的故障特征和故障模式，从而有助于实现故障诊断和原因分析。
3、基于以上背景，本专利技术提出了一种基于多通道层级变换网络结构的设备故障诊断方法，利用nlp技术对收集到的历史日志记录进行分析处
技术实现思路
1、本专利技术提供了一种基于多通道层级变换网络结构的设备故障诊断方法，包括以下步骤：
2、步骤一、将设备历史日志数据划分成训练样本数据和测试样本数据；
3、步骤二、将训练样本数据中的所有文本数据均进行embedding层文本嵌入表示，得到个文本字向量和；将测试样本数据中的所有文本数据均进行embedding层文本嵌入表示，得到个文本字向量和；
4、步骤三、基于embedding层的嵌入表示结果，构建多通道层级变换网络结构模型；
5、步骤四、将个文本字向量和进行组合，得到训练样本数据的文本特征矩阵；将个文本字向量和进行组合，得到测试样本数据的文本特征矩阵；
6、分别将训练样本数据的文本特征矩阵和测试样本数据的文本特征矩阵输入至多通道层级变换网络结构模型中，并将采用分成两条分支路同时进行变换操作，得到其中一条分支路变换操作后的结果以及另一条分支路变换操作后的结果，将和相加，得到最终变换操作后的结果；
7、将最终变换操作后的结果输入至多通道层级变换网络结构模型中的全连接层中，经过全连接层的操作，得到该文本数据的故障概率比对结果；
8、根据该文本数据的故障概率比对结果判断其所对应的故障类型。
9、可选的，在对设备历史日志数据进行划分时，当设备历史日志数据的数据量为100万条以下时，以（7-8）:（3-2）的比例将其划分为训练样本数据和测试样本数据；当设备历史日志数据的数据量为100万条以上时，以98:2的比例将其划分为训练样本数据和测试样本数据。
10、可选的，在对设备历史日志数据进行划分时，划分后的训练样本数据和测试样本数据为相互独立的数据。
11、可选的，将训练样本数据和测试样本数据中的任意一条文本数据转化成向量的表示方式的具体过程如下：
12、步骤2.1、使用tokenizer将文本数据进行转换，得到转换后的文本输入数据；
13、步骤2.2、采用token embedding、segment embedding、position embedding相结合的方式对文本输入数据进行文本特征的提取。
14、可选的，采用token embedding、segment embedding、position embedding相结合的方式对文本输入数据进行文本特征的提取的具体过程如下：
15、①采用token embedding将文本输入数据中的每一个字通过词表映射成一个第一维向量，其向量表示采用示意；
16、采用segment embedding将文本输入数据进行段落的区分，并对文本输入数据中的每个字生成一个相应的第二维向量，其向量表示采用示意；
17、采用position embedding表示文本输入数据中的每个字的顺序性，即经过position embedding对文本输入数据中的每个字生成一个位置向量；
18、②将token embedding所生成的第一维向量、segment embedding所生成的第二维向量以及position embedding所生成的位置向量进行求和，得到文本数据对应的嵌入表示：
19、；
20、其中：为文本数据经过token embedding之后得到的嵌入表示，为文本数据经过 segment embedding之后得到的嵌入表示，为文本数据经过position embedding之后得到的嵌入表示且由和两者共同组成。
21、可选的，使用position embedding对文本输入数据中的每一个字计算其位置向量进行计算的方式如下：
22、采用下式对位置向量的偶数维度的值进行计算：
23、；
24、采用下式对位置向量的奇数维度的值进行计算：
25、；
26、其中：为当前的字在文本输入数据中的位置；为采用transformer模型生成的位置向量的维度，且与采用token embedding生成的第一维向量的维度、采用segment embedding生成的第二维向量的维度三者相等；为中的偶数维度；为中的奇数维度；为文本输入数据中在位置上字的位置向量的偶数维度的值，其向量表示采用示意；为文本输入数据中在位置上字的位置向量的奇数维度的值，其向量表示采用示意。
27、可选的，通过多通道层级变换网络结构模型中的有向无环图分别对训练样本数据的文本特征矩阵和测试样本数据的文本特征矩阵进行层级变换操作。
28、可选的，对训练样本数据的文本特征矩阵和测试样本数据的文本特征矩阵进行层级变换操作的具体方式为：
29、将有向无环图中的每一条边中的前驱节点与后继节点之间的一次完整的变换操作，得到结果；
30、其中，所述前驱节点为训练样本数据中每一条文本数据的embedding层嵌入表示结果或者是测试样本数据中每一条文本数据的embedding层嵌入表示结果；所述后继节点为其所有前驱节点进行变换操作之后的总和。
31、可选的，对训练样本数据的文本特征矩阵和测试样本数据的文本本文档来自技高网...
【技术保护点】
1.一种基于多通道层级变换网络结构的设备故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多通道层级变换网络结构的设备故障诊断方法，其特征在于，在对设备历史日志数据进行划分时，当设备历史日志数据的数据量为100万条以下时，以（7-8）:（3-2）的比例将其划分为训练样本数据和测试样本数据；当设备历史日志数据的数据量为100万条以上时，以98:2的比例将其划分为训练样本数据和测试样本数据。
3.根据权利要求2所述的基于多通道层级变换网络结构的设备故障诊断方法，其特征在于，在对设备历史日志数据进行划分时，划分后的训练样本数据和测试样本数据为相互独立的数据。
4.根据权利要求1所述的基于多通道层级变换网络结构的设备故障诊断方法，其特征在于，将训练样本数据和测试样本数据中的任意一条文本数据转化成向量的表示方式的具体过程如下：
5.根据权利要求4所述的基于多通道层级变换网络结构的设备故障诊断方法，其特征在于，采用词嵌入、段嵌入、位置嵌入相结合的方式对文本输入数据进行文本特征的提取的具体过程如下：
6.根据权利要
7.根据权利要求6所述的基于多通道层级变换网络结构的设备故障诊断方法，其特征在于，通过多通道层级变换网络结构模型中的有向无环图分别对训练样本数据的文本特征矩阵和测试样本数据的文本特征矩阵进行层级变换操作。
8.根据权利要求7所述的基于多通道层级变换网络结构的设备故障诊断方法，其特征在于，对训练样本数据的文本特征矩阵和测试样本数据的文本特征矩阵进行层级变换操作的具体方式为：
9.根据权利要求8所述的基于多通道层级变换网络结构的设备故障诊断方法，其特征在于，对训练样本数据的文本特征矩阵和测试样本数据的文本特征矩阵采用其中一个分支路进行变换操作时的具体过程如下：
10.根据权利要求9所述的基于多通道层级变换网络结构的设备故障诊断方法，其特征在于，对训练样本数据的文本特征矩阵和测试样本数据的文本特征矩阵采用另一个分支路进行变换操作时的具体过程如下：
...【技术特征摘要】
1.一种基于多通道层级变换网络结构的设备故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多通道层级变换网络结构的设备故障诊断方法，其特征在于，在对设备历史日志数据进行划分时，当设备历史日志数据的数据量为100万条以下时，以（7-8）:（3-2）的比例将其划分为训练样本数据和测试样本数据；当设备历史日志数据的数据量为100万条以上时，以98:2的比例将其划分为训练样本数据和测试样本数据。
3.根据权利要求2所述的基于多通道层级变换网络结构的设备故障诊断方法，其特征在于，在对设备历史日志数据进行划分时，划分后的训练样本数据和测试样本数据为相互独立的数据。
4.根据权利要求1所述的基于多通道层级变换网络结构的设备故障诊断方法，其特征在于，将训练样本数据和测试样本数据中的任意一条文本数据转化成向量的表示方式的具体过程如下：
5.根据权利要求4所述的基于多通道层级变换网络结构的设备故障诊断方法，其特征在于，采用词嵌入、段嵌入、位置嵌入相结合的方式对文本输入数据进行文本特征的提取的具体过程如下：<...
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。