【技术实现步骤摘要】
本专利技术涉及故障预测技术，尤其涉及基于深度学习的设备日志故障趋势预测方法及系统。
技术介绍
1、随着工业设备的智能化程度不断提升，设备运行过程中会产生大量的日志数据。这些日志数据记录了设备的运行状态、故障信息和维护记录等重要信息。通过对设备日志数据进行分析和挖掘，可以及时发现设备潜在故障，预测故障发展趋势，从而实现设备的预测性维护。目前，国内外学者针对设备日志数据的故障预测研究主要集中在传统机器学习和深度学习等方法。
2、然而，现有的故障预测方法存在以下不足：第一，大多数方法将设备、故障和维护等信息割裂开来进行分析，忽视了实体之间的关联关系，导致预测模型无法充分利用多实体间的结构化信息；第二，现有方法主要关注单一时间点的静态特征，未能有效捕捉设备状态和故障演变过程的动态变化规律，影响预测的准确性；第三，传统方法在处理时序信息时往往采用固定的时间窗口，难以适应不同类型故障的发展周期，降低了预测结果的可靠性。
3、本专利技术旨在解决现有技术中存在的上述问题，提出一种基于深度学习的设备日志故障趋势预测方法。该方法通过...
【技术保护点】
1.基于深度学习的设备日志故障趋势预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，根据所述设备运行历史数据建立设备实体节点、故障实体节点和维护实体节点，在所述设备实体节点与所述故障实体节点之间建立故障关联边，在所述设备实体节点与所述维护实体节点之间建立维护关联边包括：
3.根据权利要求2所述的方法，其特征在于，利用长短时记忆神经网络对所述参数矩阵进行时序特征提取，通过所述长短时记忆神经网络的隐层状态捕获设备运行参数的长期依赖关系，得到设备运行特征向量，根据所述设备运行特征向量和所述设备标识信息构建设备实体节点包括：>
4.根据权利...
【技术特征摘要】
1.基于深度学习的设备日志故障趋势预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，根据所述设备运行历史数据建立设备实体节点、故障实体节点和维护实体节点，在所述设备实体节点与所述故障实体节点之间建立故障关联边，在所述设备实体节点与所述维护实体节点之间建立维护关联边包括：
3.根据权利要求2所述的方法，其特征在于，利用长短时记忆神经网络对所述参数矩阵进行时序特征提取，通过所述长短时记忆神经网络的隐层状态捕获设备运行参数的长期依赖关系，得到设备运行特征向量，根据所述设备运行特征向量和所述设备标识信息构建设备实体节点包括：
4.根据权利要求1所述的方法，其特征在于，计算所述节点动态特征中的设备状态变化信息和故障演变过程信息的时序自相关系数，基于所述时序自相关系数识别故障发生规律和故障演变模式包括：
5.根据权利要求4所述的方法，其特征在于，根据所述故障类型划分结果构建状态转移概率矩阵，基于所述状态转移概率矩阵计算故障演变...
【专利技术属性】
技术研发人员：都书一，赵定峰，李弼，陈燕林，
申请(专利权)人：北京安普利信息技术有限公司，
类型：发明
国别省市：
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。