【技术实现步骤摘要】
本专利技术属于设备智能监测，具体涉及一种机电设备故障概率预计计算模型。
技术介绍
1、机电设备一般指机械、电器及电气自动化设备，在建筑中多指除土工、木工、钢筋、泥水之外的机械、管道设备的统称。它不同于五金，多指能实现一定功能的成品。随着人民生活水平的不断提高，人们在日常生活中对机电设备的需求越来越多，从交通工具到各种家用电器、计算机、打印机等已成为人们生活中不可缺少的机电产品。先进的机电设备不仅能大大提高劳动生产率，减轻劳动强度，改善生产环境，完成人力无法完成的工作，而且作为国家工业基础之一，对整个国民经济的发展，以及科技、国防实力的提高有着直接的、重要的影响，还是衡量一个国家科技水平和综合国力的重要标志。
2、而在机电设备生产运行过程当中往往会因设备失去或降低其规定功能的事件或现象。表现为设备的某些零件失去原有的精度或性能，使设备不能正常运行、技术性能降低，致使设备中断生产或效率降低而影响生产。
3、现有的机电设备的监测方法中，往往通过监测机电设备的异常信号来确定机电设备是否出现故障，然而，当机电设备明显表现出某一方面的异常信号时，故障其实已经发生并且只给工作人员较短的反映时间去判断故障类型，却缺少一种通过对机电设备各项状态的宏观分析对下一刻机电设备发生故障时的故障类型进行实时的预测方法。
技术实现思路
1、有鉴于此，本专利技术的目的在于提出了一种机电设备故障概率预计计算模型，用以实现对机电设备状态的实时监测，并对下一刻机电设备发生故障时的故障类型进行实时
2、为达到上述目的，本专利技术提供如下技术方案：
3、本专利技术所提供的一种机电设备故障概率预计计算模型，包括：
4、故障数据采集模块，用于根据历史数据筛选其中所存在的故障数据并进行数据预处理得到计算模型的训练样本；
5、神经网络构建模块，用于构建基于多头注意力机制的神经网络模型，并利用训练样本进行训练得到训练完毕的神经网络模型；
6、故障概率分析模块，用于采集目标机电设备的设备状态信息，并作为输入利用神经网络模型输出设备状态信息对神经网络模型各种输出样本的概率隶属度；
7、故障概率预计模块，用于根据概率隶属度对目标机电设备的故障概率分布进行预计计算并得到计算结果。
8、优选的，所述故障数据采集模块包括：
9、历史数据采集单元，用于采集同种机电设备全寿命周期下的历史数据信息；
10、故障数据筛选单元，用于对历史数据信息进行筛选，去除人为导致的故障数据以及使用寿命大于设计寿命的机电设备所对应的历史数据信息，得到自然使用状态下纯粹的故障数据；
11、数据预处理单元，用于对故障数据进行故障细分领域的层级划分，得到多组相同故障类型的故障数据并分别处理得到多组训练样本以及其对应的验证样本。
12、优选的，所述神经网络构建模块构建包括由一个bert模型处理单元、一个rnn网络输入层、一个rnn网络隐含层、一个多头注意力机制单元以及一个rnn网络输出层；
13、其中rnn网络输入层、rnn网络隐含层以及rnn网络输出层的神经元的关系公式为：
14、
15、
16、式中，为隐藏层的非线性激活函数，为输出层的激活函数，为机电设备电气故障诊断过程中的输入层到隐含层的权重，为隐含层内部的权重，为隐含层到输出层的权重，为输入层的第i个输入，是隐藏层的输出，是输出层的输出；
17、将机电设备相同故障类型的训练样本作为数据输入对神经网络模型进行训练，从rnn网络隐含层输出同种故障类型的故障特征向量后经过多头注意力机制单元再送入输出层，形成最后的故障类型诊断，从而对单故障类型输出样本对应的网络权值进行训练调节；
18、在训练完毕后得到可用于机电设备故障类型判断的神经网络模型。
19、优选的，所述多头注意力机制单元执行以下操作：
20、根据机电设备电气故障特征向量生成3个矩阵：
21、
22、其中，为机电设备电气故障的特征向量，为机电设备电气故障的查询矩阵，为机电设备电气故障的键矩阵，为机电设备电气故障的值矩阵，为查询权重，为键权重，为值权重；
23、根据自注意力机制的计算方法，通过多次自注意力机制的运算得到电气故障智能诊断过程重的多个注意力头，其中计算公式为：
24、
25、式中，为注意力机制函数，为归一化函数，为键矩阵的维度；
26、将得到的多个注意力头进行融合，形成电气故障智能诊断过程中特征语义向量，公式包括：
27、
28、式中，为特征语义向量，m为故障类型总数，为融合函数，为线性变换矩阵。
29、优选的，所述故障概率预计模块执行以下步骤：
30、基于设备状态信息对神经网络模型各种输出样本的概率隶属度得到概率表达式：
31、
32、式中，表示设备状态信息对第i种故障类型的概率隶属度，表示故障类型的总数量；
33、对于机电设备的第i种故障类型，确定其所对应设备状态信息深度提取的故障特征矩阵并将其作为故障原因依据，并统计该故障原因依据判定成功的概率作为该故障原因依据的可信度，其中，且；
34、根据目标机电设备的设备状态信息，确定目标机电设备当前状态下所有满足可能产生故障的故障原因依据的逻辑判断值，并将故障原因依据判据为真的分为一组，判据为假的分为另一组，得到一组判据为真的故障原因依据，以及另外的一组判据为假的故障原因依据，其中满足；
35、确定综合考虑故障原因的概率隶属度分布和可信度影响，得到概率之和的表达式：
36、
37、将概率之和作为故障概率预计计算的计算结果进行输出。
38、优选的，还包括：根据故障概率服从时间同步增长的特征，对原始的概率表达式进行修正，修正步骤为：
39、对概率隶属度进行归一化处理，得到机电设备第i种故障类型修正后的概率：
40、
41、确定修正后的故障原因概率符合规定：
42、
43、引入基于时间的故障概率系数对故障原因概率进行修正，得到：
44、
45、其中，为统计得到的当前时刻机电设备发生故障的基于时间的故障概率系数。
46、本专利技术至少取得了以下有益效果：
47、1. 实现对机电设备状态的实时监测，并对下一刻机电设备发生故障时的故障类型进行实时的预测，方便用户提前做出应对措施。
48、2. 引入基于时间的故障概率系数对故障原因概率进行修正，从而得到考虑时变效应参与的电设备发生故障的故障概率系数，能够有效降低误判机率。
49、本专利技术的其他优点、目标和特征将在随后的说明书中进行阐述，并且在某种程度上对本领域技术人员而言是显而易见的，或者本领域技术人本文档来自技高网...
【技术保护点】
1.一种机电设备故障概率预计计算模型，其特征在于，包括：
2.根据权利要求1所述的一种机电设备故障概率预计计算模型，其特征在于，所述故障数据采集模块包括：
3.根据权利要求1所述的一种机电设备故障概率预计计算模型，其特征在于，所述神经网络构建模块构建包括由一个BERT模型处理单元、一个RNN网络输入层、一个RNN网络隐含层、一个多头注意力机制单元以及一个RNN网络输出层；
4.根据权利要求3所述的一种机电设备故障概率预计计算模型，其特征在于，所述多头注意力机制单元执行以下操作：
5.根据权利要求1所述的一种机电设备故障概率预计计算模型，其特征在于，所述故障概率预计模块执行以下步骤：
6.根据权利要求5所述的一种机电设备故障概率预计计算模型，其特征在于，还包括：根据故障概率服从时间同步增长的特征，对原始的概率表达式进行修正，修正步骤为：
【技术特征摘要】
1.一种机电设备故障概率预计计算模型，其特征在于，包括：
2.根据权利要求1所述的一种机电设备故障概率预计计算模型，其特征在于，所述故障数据采集模块包括：
3.根据权利要求1所述的一种机电设备故障概率预计计算模型，其特征在于，所述神经网络构建模块构建包括由一个bert模型处理单元、一个rnn网络输入层、一个rnn网络隐含层、一个多头注意力机制单元以及一个rnn网络输出层；
【专利技术属性】
技术研发人员：朱兴高，赵伟，代永德，栾家辉，米海波，刘鹏飞，陈皓，
申请(专利权)人：中国航天标准化研究所，
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。