System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于工业生产故障检测,更具体地说,是涉及一种基于数字孪生的cnn-lstm故障检测方法。
技术介绍
1、随着物联感知、人工智能、工业互联网、高速通信技术等高新技术的兴起,高新技术与制造业的深度融合已然成为新的发展趋势,这种趋势深刻影响了传统制造业的生产方式和产业模式,给传统制造业带来新的发展方向和突破点。
2、目前,在传统制造业中,对于生产过程中生产线故障的诊断主要还是依据专家经验进行判断,再由现场值班维修人员依据专家经验完成对故障快速排除,但是不同专家运维维修经验存在差异,要精确锁定故障并且快速完成故障的排除对专家经验要求较高。因此,如何利用人工智能技术结合大数据科学实现对工业生产线故障进行快速诊断,以减少对专家经验的过度依赖,已成为新的研究课题。
技术实现思路
1、本专利技术的目的在于提供一种基于数字孪生的cnn-lstm故障检测方法,旨在工业生产过程中,利用实时生产数据完成数字孪生的感知映射,并且通过使用实时数据建立深度学习神经网络模型完成对生产线故障的实时检测。
2、为实现上述目的,本专利技术采用的技术方案是:提供一种基于数字孪生的cnn-lstm故障检测方法,包括以下步骤:
3、s1:构建数字孪生数据感知模型,存储生产线历史数据,并建立生产线历史数据与生产线实时数据的映射,获取训练神经网络的训练数据,建立数字孪生虚拟生产线与实际生产线的数据映射,并对训练数据进行预处理;
4、s2:构建cnn-lstm神经网络故障诊
5、s3:使用数字孪生数据感知模型预处理后的训练数据,对cnn-lstm神经网络故障诊断模型进行神经网络训练,如果训练结果的交叉熵损失函数大于既定阈值,则通过adam算法对cnn-lstm神经网络故障诊断模型的结构参数进行优化,并进行下一次的神经网络训练,如果训练结果的交叉熵损失函数小于既定阈值,则认定cnn-lstm神经网络故障诊断模型到达精度要求;
6、s4:通过数字孪生数据感知模型,将实时生产线的实时生产数据输入cnn-lstm神经网络故障诊断模型,进行生产线作业实时检测,并根据反馈状况,进行故障排除。
7、根据本专利技术的基于数字孪生的cnn-lstm故障检测方法,在步骤s1中,采用滑动窗口法对训练数据进行预处理,所述滑动窗口法包括,对一维的时序数据进行有序的分割处理,使得处理过的数据融合特征信息和时延信息,并且可以通过参数的设置,控制时序信息与特征信息的大小与范围,增强数据的可识别性。
8、根据本专利技术的基于数字孪生的cnn-lstm故障检测方法,步骤s2中所述cnn-lstm神经网络故障诊断模型的结构包括五层卷积层,两层池化层,一层lstm层,四层全连接层,所述卷积层用于提取数据的特征信息,所述lstm层用于保留数据的时延特征。
9、根据本专利技术的基于数字孪生的cnn-lstm故障检测方法,步骤s2中所述cnn-lstm神经网络故障诊断模型结构的构建包括以下步骤:
10、t1:构建第一层卷积,第一层卷积为一维神经网络模型,卷积核大小设计为10,步长为10,输入通道数为1,输出通道数为16;
11、t2:构建第二层卷积,第二层卷积为一维神经网络模型,卷积核大小设为13,步长为13,输入通道为16,输出通道为32;
12、t3:构建第三层卷积,第三卷积为一维神经网络模型,卷积核大小设为5,步长为5,输入通道32,输出通道64;
13、t4:加入relu激活函数,加速收敛和缓解梯度消失;
14、t5:构建第四层卷积,第四卷积为一维神经网络模型,卷积核大小设为5,填充为了2,输入通道64,输出通道128;
15、t6:引入第一层平均池化层,防止过拟合,提高模型泛化能力;
16、t7:构建第五层卷积,第五卷积为一维神经网络模型,卷积核大小设为5,输入通道128,输出通道256;
17、t8:引入第二层平均池化层;
18、t9:构建lstm层,输入序列为48,隐藏维度为128,序列长度为3;
19、t10:引入第一层全连接层,对输出的特征进行映射,第一层全连接层输入特征设为128*256,输出特征为64*128;
20、t11:引入第二层全连接层,输入特征设为64*128,输出特征为2048;
21、t12:引入第三层全连接层,输入特征设为2048,输出特征为512;
22、t13:引入第四层全连接层,输入特征设为512,输出特征为2;
23、t14:采用softmax激活函数。
24、根据本专利技术的基于数字孪生的cnn-lstm故障检测方法,在步骤s3中所述的交叉熵损失函数的表达式如下:
25、
26、式中,yj代表标签为j,p(j|x)表示将样本x估计为j的概率,k表示类别数目。
27、根据本专利技术的基于数字孪生的cnn-lstm故障检测方法,所述数字孪生数据感知模型包括三个结构层,三个所述结构自底层至顶层分别为生产设备数据源层、边缘数据处理层、云平台数据处理层。
28、根据本专利技术的基于数字孪生的cnn-lstm故障检测方法,所述生产设备数据源层用于获取并存储生产现场中的各种物理设备在实际的生产过程中产生的加工过程数据以及加工数据的实时变化。
29、根据本专利技术的基于数字孪生的cnn-lstm故障检测方法,所述边缘设备处理层包括边缘网关和边缘服务器组成,所述边缘网关主要接受plc中地址位数据,在边缘服务器中通过物联网服务系统的部署,来统一协调数据采集的格式,针对多源异构数据,在数据传输过程中标准化数据格式,进行数据的命名分类。
30、根据本专利技术的基于数字孪生的cnn-lstm故障检测方法,所述数字中心处理层用于对于数据处理分析应用,打破各个数据源之间的数据孤岛,完成相应的数据融合与分析。
31、本专利技术提供的基于数字孪生的cnn-lstm故障检测方法的有益效果在于:与现有技术相比,本专利技术基于数字孪生的cnn-lstm故障检测方法,首先,采用数字孪生的方法使得数字空间能够实时准确反映实际生产线的生产状态,使用滑动窗口法处理时序数据从而更好的保留数据的时序特征,其次,构建cnn-lstm神经网络基本结构,并且通过训练和adam方法对网络参数进行优化保证其识别的准确性,最后使用实时生产数据输入神经网络,完成对实际生产线的事实状态检测与故障诊断,以此解决工业生产过程中的故障诊断问题,减少生产线故障诊断对专家经验的过度依赖。
32、另外,本专利技术使用cnn-lstm神经网络故障诊断模型,融合两种模型的技术优势,cnn网络进行故障特征的提取,lstm网络则是处理时延信息,两者结合能更有效的提升工业场景中的生产数据进行故障检测的速度与准确性。
33、本专利技术使用数字孪生的数据交互映射方法,实现实际产业与虚拟生产线同步映射,本文档来自技高网...
【技术保护点】
1.基于数字孪生的CNN-LSTM故障检测方法,其特征在于,包括以下步骤:
2.如权利要求1所述的基于数字孪生的CNN-LSTM故障检测方法,其特征在于,在步骤S1中,采用滑动窗口法对训练数据进行预处理,所述滑动窗口法包括,对一维的时序数据进行有序的分割处理,使得处理过的数据融合特征信息和时延信息,并且可以通过参数的设置,控制时序信息与特征信息的大小与范围,增强数据的可识别性。
3.如权利要求1所述的基于数字孪生的CNN-LSTM故障检测方法,其特征在于,步骤S2中所述CNN-LSTM神经网络故障诊断模型的结构包括五层卷积层,两层池化层,一层LSTM层,四层全连接层,所述卷积层用于提取数据的特征信息,所述LSTM层用于保留数据的时延特征。
4.如权利要求3所述的基于数字孪生的CNN-LSTM故障检测方法,其特征在于,步骤S2中所述CNN-LSTM神经网络故障诊断模型结构的构建包括以下步骤:
5.如权利要求1所述的基于数字孪生的CNN-LSTM故障检测方法,其特征在于,在步骤S3中所述的交叉熵损失函数的表达式如下:
6.如
7.如权利要求6所述的基于数字孪生的CNN-LSTM故障检测方法,其特征在于,所述生产设备数据源层用于获取并存储生产现场中的各种物理设备在实际的生产过程中产生的加工过程数据以及加工数据的实时变化。
8.如权利要求6所述的基于数字孪生的CNN-LSTM故障检测方法,其特征在于,所述边缘设备处理层包括边缘网关和边缘服务器组成,所述边缘网关主要接受PLC中地址位数据,在边缘服务器中通过物联网服务系统的部署,来统一协调数据采集的格式,针对多源异构数据,在数据传输过程中标准化数据格式,进行数据的命名分类。
9.如权利要求6所述的基于数字孪生的CNN-LSTM故障检测方法,其特征在于,所述数字中心处理层用于对于数据处理分析应用,打破各个数据源之间的数据孤岛,完成相应的数据融合与分析。
...【技术特征摘要】
1.基于数字孪生的cnn-lstm故障检测方法,其特征在于,包括以下步骤:
2.如权利要求1所述的基于数字孪生的cnn-lstm故障检测方法,其特征在于,在步骤s1中,采用滑动窗口法对训练数据进行预处理,所述滑动窗口法包括,对一维的时序数据进行有序的分割处理,使得处理过的数据融合特征信息和时延信息,并且可以通过参数的设置,控制时序信息与特征信息的大小与范围,增强数据的可识别性。
3.如权利要求1所述的基于数字孪生的cnn-lstm故障检测方法,其特征在于,步骤s2中所述cnn-lstm神经网络故障诊断模型的结构包括五层卷积层,两层池化层,一层lstm层,四层全连接层,所述卷积层用于提取数据的特征信息,所述lstm层用于保留数据的时延特征。
4.如权利要求3所述的基于数字孪生的cnn-lstm故障检测方法,其特征在于,步骤s2中所述cnn-lstm神经网络故障诊断模型结构的构建包括以下步骤:
5.如权利要求1所述的基于数字孪生的cnn-lstm故障检测方法,其特征在于,在步骤s3中所述的交叉熵损...
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。