【技术实现步骤摘要】
本申请涉及数据处理，尤其涉及基于数据驱动的设备故障预测方法及系统。
技术介绍
1、随着工业设备的复杂性和自动化程度的不断提高，设备故障预防与管理的需求也愈发迫切。传统的基于经验和人工检查的设备故障预测方法已难以满足现代工业的需求，因此，故障自动化预测应运而生。
2、故障自动化预测依赖于大量的实时或历史数据，并利用机器学习和数据挖掘技术来分析和提取故障特征，从而建立模型进行故障检测和预测。但是，设备运行过程会产生多种参数，现有技术中对于多模态异构数据的融合分析效果不佳，进而导致故障预测精度不足。
技术实现思路
1、本申请的目的是提供基于数据驱动的设备故障预测方法及系统，用以解决现有技术中存在由于对于多模态异构数据的融合分析效果不佳，进而导致故障预测精度不足的技术问题。
2、鉴于上述问题，本申请提供了基于数据驱动的设备故障预测方法及系统。
3、第一方面，本申请提供了基于数据驱动的设备故障预测方法，所述方法通过基于数据驱动的设备故障预测系统实现，所述方法包括：...
【技术保护点】
1.基于数据驱动的设备故障预测方法，其特征在于，所述方法包括：
2.如权利要求1所述的方法，其特征在于，引入图规则化因子和全连接神经网络进行建模，包括：
3.如权利要求2所述的方法，其特征在于，通过最小化目标函数对所述深度特征提取模型进行梯度下降优化，所述目标函数为：
4.如权利要求3所述的方法，其特征在于，所述全连接神经网络的交叉熵损失函数表达式包括：
5.如权利要求2所述的方法，其特征在于，所述方法还包括：
6.如权利要求5所述的方法，其特征在于，融合所述多个私有深度匹配网络，生成跨模态深度匹配网络，包括
7....
【技术特征摘要】
1.基于数据驱动的设备故障预测方法，其特征在于，所述方法包括：
2.如权利要求1所述的方法，其特征在于，引入图规则化因子和全连接神经网络进行建模，包括：
3.如权利要求2所述的方法，其特征在于，通过最小化目标函数对所述深度特征提取模型进行梯度下降优化，所述目标函数为：
4.如权利要求3所述的方法，其特征在于，所述全连接神经网络的交叉熵损失函数表达式包括：
5.如权利要求2所述的方法，其特征在于，所述方法还包括：
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。