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() 故障诊断模型的训练方法、故障诊断方法及装置制造方法及图纸_技高网

故障诊断模型的训练方法、故障诊断方法及装置制造方法及图纸

技术编号:40838010 阅读:15 留言:0更新日期:2024-04-01 15:03
本申请涉及故障检测技术领域,公开了一种故障诊断模型的训练方法、故障诊断方法、装置、工程设备及机器可读存储介质。通过获取供电设备的故障样本,其中,故障样本为包括供电设备使用时的工作参数以及对应的故障类型的时间序列数据;并对故障样本进行转换,得到图像序列数据;提升了故障样本的可读性,为后续模型训练提供有效的训练数据基础。基于图像序列数据对预设模型进行训练,得到故障诊断模型,其中,预设模型为基于注意力机制的序列模型。通过图像序列数据进行预设模型的训练,提升了模型训练速度以及对模型训练的有效性,进而提升了训练完成的故障诊断模型的精准性。

【技术实现步骤摘要】

本申请涉及故障检测,具体地涉及一种故障诊断模型的训练方法、故障诊断方法、装置、工程设备及机器可读存储介质。


技术介绍

1、高空作业锂电设备一般采用磷酸电池为其提供动力,电池的电性能及能量密度决定高空作业平台操作安全性。随着锂电池愈来愈广泛的应用于高空作业设备中,其安全性问题也越发被重视。由于锂电池是复杂的非线性系统,传统方法易受不确定因素干扰,为了降低故障对锂电池工作的影响,解决锂电池故障诊断的难题迫在眉睫。


技术实现思路

1、针对现有技术中的上述不足,本专利技术实施例的目的是提供一种故障诊断模型的训练方法、故障诊断方法、装置、工程设备及机器可读存储介质。

2、为了实现上述目的,本申请第一方面提供一种故障诊断模型的训练方法,包括:

3、获取供电设备的故障样本,其中,故障样本为包括供电设备使用时的工作参数以及对应的故障类型的时间序列数据;

4、对故障样本进行转换,得到图像序列数据;

5、基于图像序列数据对预设模型进行训练,得到故障诊断模型,其中,预设模型为基于注意力机制的序列模型。

6、在本申请实施例中,对故障样本进行转换,得到图像序列数据,包括:

7、将故障样本进行规范化处理;

8、将规范化后的故障样本转换为极坐标;

9、基于预设的内积公式和极坐标生成图像序列数据。

10、在本申请实施例中,预设模型包括依次连接的卷积自编码器和transformer的解码器。

11、在本申请实施例中,基于图像序列数据对预设模型进行训练,得到故障诊断模型,包括:

12、基于图像序列数据构建训练数据集和测试数据集;

13、基于训练数据集对预设模型进行训练,得到初始故障诊断模型;

14、将测试数据集输入至初始故障诊断模型,计算初始故障诊断模型在测试数据集上的误差率;

15、在误差率处于预设误差范围内时,将初始故障诊断模型作为故障诊断模型。

16、在本申请实施例中,供电设备包括锂电池,获取供电设备的故障样本,包括:

17、基于预设电池种类获取锂电池对应的工作数据以及工作数据对应的锂电池工作状态;

18、分别基于各个锂电池工作状态确定各个工作数据的故障类型标签,生成故障样本。

19、本申请第二方面提供一种故障诊断方法,包括:

20、获取供电设备的实时数据,其中,实时数据为包括供电设备使用时的工作参数的时间序列数据;

21、将实时数据进行转换,得到实时图像序列数据;

22、将实时图像序列数据输入至故障诊断模型,得到供电设备的故障类型,其中,故障诊断模型通过如上述实施例所述的故障诊断模型的训练方法得到。

23、本申请第三方面提供一种故障诊断模型的训练装置,包括:

24、存储器,被配置成存储指令;以及

25、处理器,被配置成从存储器调用指令以及在执行指令时能够实现如上述实施例所述的故障诊断模型的训练方法。

26、本申请第四方面提供一种故障诊断装置,包括:

27、存储器,被配置成存储指令;以及

28、处理器,被配置成从存储器调用指令以及在执行指令时能够实现如上述实施例所述的故障诊断方法。

29、本申请第五方面提供一种工程设备,包括:

30、如上述实施例所述的故障诊断模型的训练装置;或者

31、如上述实施例所述的故障诊断装置。

32、本申请第六方面提供一种机器可读存储介质,该机器可读存储介质上存储有指令,该指令用于使得机器执行如上述实施例所述的故障诊断模型的训练方法,或者如上述实施例所述的故障诊断方法。

33、通过上述技术方案,获取供电设备的故障样本,其中,故障样本为包括供电设备使用时的工作参数以及对应的故障类型的时间序列数据;并对故障样本进行转换,得到图像序列数据;提升了故障样本的可读性,为后续模型训练提供有效的训练数据基础。基于图像序列数据对预设模型进行训练,得到故障诊断模型,其中,预设模型为基于注意力机制的序列模型。通过图像序列数据进行预设模型的训练,提升了模型训练速度以及对模型训练的有效性,进而提升了训练完成的故障诊断模型的精准性。

34、本申请实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。

本文档来自技高网...

【技术保护点】

1.一种故障诊断模型的训练方法,其特征在于,包括:

2.根据权利要求1所述的训练方法,其特征在于,所述对所述故障样本进行序列转换,得到图像序列数据,包括:

3.根据权利要求1所述的训练方法,其特征在于,所述预设模型包括依次连接的卷积自编码器和Transformer的解码器。

4.根据权利要求1所述的训练方法,其特征在于,所述基于所述图像序列数据对预设模型进行训练,得到故障诊断模型,包括:

5.根据权利要求1所述的训练方法,其特征在于,所述供电设备包括锂电池,所述获取供电设备的故障样本,包括:

6.一种故障诊断方法,其特征在于,包括:

7.一种故障诊断模型的训练装置,其特征在于,包括:

8.一种故障诊断装置,其特征在于,包括:

9.一种工程设备,其特征在于,包括:

10.一种机器可读存储介质,其特征在于,该机器可读存储介质上存储有指令,该指令用于使得机器执行根据权利要求1至5中任一项所述的故障诊断模型的训练方法,或者根据权利要求6所述的故障诊断方法。

【技术特征摘要】

1.一种故障诊断模型的训练方法,其特征在于,包括:

2.根据权利要求1所述的训练方法,其特征在于,所述对所述故障样本进行序列转换,得到图像序列数据,包括:

3.根据权利要求1所述的训练方法,其特征在于,所述预设模型包括依次连接的卷积自编码器和transformer的解码器。

4.根据权利要求1所述的训练方法,其特征在于,所述基于所述图像序列数据对预设模型进行训练,得到故障诊断模型,包括:

5.根据权利要求1所述的训练方法,其特征在于...

【专利技术属性】
技术研发人员:任会礼李平刘琛朱后
申请(专利权)人:湖南中联重科智能高空作业机械有限公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1