一种基于机器学习的工业设备状态监测预警系统及方法技术方案

本发明专利技术涉及工业设备监测，具体涉及一种基于机器学习的工业设备状态监测预警系统及方法，对卷积神经网络进行模型训练，得到训练好的卷积神经网络；基于训练好的卷积神经网络构建剪枝策略生成模型，并对剪枝策略生成模型进行多目标优化求解，得到优化剪枝策略；根据优化剪枝策略对训练好的卷积神经网络进行剪枝，得到剪枝卷积神经网络；采集待监测工业设备的振动信号，将振动信号转换为空间频率图像，并计算空间频率图像中空间频率的中央成分能量；根据空间频率图像中空间频率的中央成分能量，计算能量值；将能量值输入剪枝卷积神经网络进行状态监测；本发明专利技术提供的技术方案能够有效克服难以对工业设备状态进行精准、实时监测预警的缺陷。

【技术实现步骤摘要】

本专利技术涉及工业设备监测，具体涉及一种基于机器学习的工业设备状态监测预警系统及方法。

技术介绍

1、工业设备状态监测预警系统是一种集成了多种先进技术的智能化系统，旨在实时监测工业设备的运行状态，及时发现并预警潜在故障，以保障工业生产的安全和稳定。

2、现有的工业设备状态监测方法是将传统的信号分析方法与机器学习相结合，包括信号的特征提取与特征的识别分类两个阶段。首先，对传感器采集的振动信号进行预处理，对信号进行降维处理，再利用传统的信号分析方法提取信号的相关特征，接着根据不同的应用场景采用合适的浅层神经网络分类器进行故障识别分类，从而通过分类器进行特征识别得到故障诊断信息。

3、然而，传统的分类器大多属于浅层次的学习模型，这种简单的浅层次的架构限制了工业设备状态监测中复杂非线性关系的学习，导致状态监测预警结果的精确度较低。与此同时，传统的神经网络结构较为复杂，一方面造成模型庞大，不便进行部署，另一方面在执行任务时计算量也较大，效率较低，实时性较差。

技术实现思路

1、（一）解决的技术问本文档来自技高网...

【技术保护点】

1.一种基于机器学习的工业设备状态监测预警系统，其特征在于：包括神经网络训练模块、优化剪枝策略生成模块、剪枝神经网络生成模块、振动信号采集模块、中央成分能量计算模块、能量值计算模块和状态监测及预警模块；

2.根据权利要求1所述的基于机器学习的工业设备状态监测预警系统，其特征在于：所述神经网络训练模块对卷积神经网络进行模型训练，得到训练好的卷积神经网络，包括：

3.根据权利要求2所述的基于机器学习的工业设备状态监测预警系统，其特征在于：S11中建立训练数据集，并按照预设比例将训练数据集分成训练集、验证集和测试集，包括：

4.根据权利要求3所述的基于机器学...

【技术特征摘要】

1.一种基于机器学习的工业设备状态监测预警系统，其特征在于：包括神经网络训练模块、优化剪枝策略生成模块、剪枝神经网络生成模块、振动信号采集模块、中央成分能量计算模块、能量值计算模块和状态监测及预警模块；

2.根据权利要求1所述的基于机器学习的工业设备状态监测预警系统，其特征在于：所述神经网络训练模块对卷积神经网络进行模型训练，得到训练好的卷积神经网络，包括：

3.根据权利要求2所述的基于机器学习的工业设备状态监测预警系统，其特征在于：s11中建立训练数据集，并按照预设比例将训练数据集分成训练集、验证集和测试集，包括：

4.根据权利要求3所述的基于机器学习的工业设备状态监测预警系统，其特征在于：s111中收集工业设备的历史振动信号，将历史振动信号转换为空间频率图像，并计算空间频率图像中空间频率的中央成分能量，包括：

5.根据权利要求3所述的基于机器学习的工业设备状态监测预警系统，其特征在于：s112中根据空间频率图像中空间频率的中央成分能量，计算能量值，包括：

6.根...

【专利技术属性】
技术研发人员：丁祖华，郑中发，周屋梁，李善海，
申请(专利权)人：中能拾贝科技有限公司，
类型：发明
国别省市：