【技术实现步骤摘要】
本专利技术涉及多维数据感知融合技术，具体涉及一种基于多维数据感知融合的工业设备故障检测方法及装置。
技术介绍
1、在工业自动化领域，设备预测性维护作为生产制造的核心，广泛应用在工业生产环境中。然而，设备故障和维护不当仍然是一项严重挑战，可能导致生产线的停机，增加维护成本，并降低生产效率。
2、目前常用的工业设备故障检测方法包括以下四种：
3、(1)基于人工神经网络技术的多传感器数据融合：主要是通过对不同传感器的信息进行预处理和特征提取，融合到人工神经网络中进行训练和诊断，实现对故障的检测和定位。这种方法适用于大型的、复杂的机器故障诊断系统，例如航空发动机、火箭发动机等。
4、(2)基于支持向量机技术的多传感器数据融合：主要是通过对不同传感器数据进行融合，建立支持向量机的模型，并通过训练学习来达到故障诊断的目的。与神经网络方法相比，通过支持向量机技术可以获取更高的分类准确率，但其模型训练时间和规模等问题则需要进一步解决。
5、(3)基于贝叶斯网络技术的多传感器数据融合：主要是通过对不同传感器数据进行融合，建立贝叶斯网络模型，并通过训练学习来实现故障诊断。这种方法的优点在于它能够理解故障诊断的过程和知识，可以适应不同的环境和数据，但对于海量以及复杂的故障诊断问题所需的计算量较大，所以在实际应用中存在一些挑战。
6、(4)基于时空特征关联的有源无源数据融合方法：对有源传感器与无源传感器各自获得的数据，从时间和空间两个维度上进行关联，首先将无源辐射源信息与有源目标数据进行关联，
技术实现思路
1、为解决上述技术问题，本专利技术提出了一种基于多维数据感知融合的工业设备故障检测方法及装置，以提前预测设备的潜在故障，通过引入多模态数据融合、自适应实时监测系统、强化学习的维护计划优化和可解释性与可视化方法，提供一系列创新性解决方案，以解决工业设备预测性维护的挑战，进一步提高设备的可靠性、降低维护成本，从而提升生产效率和竞争力。
2、根据本专利技术的目的，第一方面，本专利技术提出了一种基于多维数据感知融合的工业设备故障检测方法，包括：
3、实时获取来自多个不同传感器的多维数据；
4、将所述多维数据输入至预先构建的基于随机森林算法的故障检测模型以输出工业设备故障检测结果；
5、其中，所述多维数据包括设备运行数据以及标签数据，所述故障检测模型在预先构建时通过多次训练后得到多个不同的决策树模型后进行组合，以使得根据所述标签数据匹配出对应的运行数据后输出所述工业设备故障检测结果。
6、进一步的，预先构建的基于随机森林算法的故障检测模型的步骤包括采集设备运行数据并进行预处理后生成样本集的过程，具体为，在一预设时间内以预设的采样频率获取设备运行数据，并进行数据清洗后对所述设备运行数据设定标签数据，并将所述设备运行数据、所述标签数据进行匹配后配置在一预设阈值范围内以生成基于多维数据的样本集。
7、进一步的，预先构建的基于随机森林算法的故障检测模型的步骤还包括将随机森林算法在以决策树为基学习器构建bgaaing集成的基础上，基于所述样本集输入后进行的决策树训练过程中引入随机属性选择，以从已有的特征中随机选择部分特征参与节点划分，以降低多个不同的决策树模型之间的关联性。
8、进一步的，将所述多维数据输入至预先构建的基于随机森林算法的故障检测模型以输出工业设备故障检测结果的步骤还包括获取故障的特征在分类时的多项权重值，将多项所述权重值对应到所述标签数据的标签中，从而对所述样本集进行排序后构成训练集和测试集，通过所述训练集对预先构建的基于随机森林算法的故障检测模型，并基于所述测试集进行测试后构建出基于随机森林算法的故障检测模型。
9、进一步的，将多项所述权重值对应到所述标签数据的标签的步骤包括根据权重值生成基于主电机后轴承时域加速度有效值的改变对状态的影响因子，以及生成基于电机模块电机温度、高速轴轴承1#时域加速度有效值、主电机后轴承时域加速度有效值、主电机后轴承时域加速度峰值的改变对状态诊断的影响因素因子。
10、进一步的，所述预设时间为3天。
11、进一步的，所述采样频率为1分钟1次。
12、进一步的，所述标签数据的标签包括频域速度有效值、状态标签中的一种或两种，其中，所述状态标签包括正常停机、正常运行和故障停机，并对应赋予状态值0,1,2。
13、进一步的，多项所述权重值的和为1。
14、根据本专利技术的目的，第二方面，本专利技术还提出了一种基于多维数据感知融合的工业设备故障检测方法的装置，包括：
15、获取模块，用于实时获取来自多个不同传感器的多维数据；
16、处理模块，用于将所述多维数据输入至预先构建的基于随机森林算法的故障检测模型以输出工业设备故障检测结果；
17、其中，所述多维数据包括设备运行数据以及标签数据，所述故障检测模型在预先构建时通过多次训练后得到多个不同的决策树模型后进行组合，以使得根据所述标签数据匹配出对应的运行数据后输出所述工业设备故障检测结果。
18、本专利技术提出了一种基于多维数据感知融合的工业设备故障检测方法及装置，包括，实时获取来自多个不同传感器的多维数据；将所述多维数据输入至预先构建的基于随机森林算法的故障检测模型以输出工业设备故障检测结果。在本专利技术中，所用的随机森林是一种集成学习方法，通过结合多个决策树的结果来进行预测。相比于基于神经网络的多源数据融合具有较强的鲁棒性，能够有效应对传感器数据中的不确定性和变异性，从而提高了系统的稳定性。
本文档来自技高网...【技术保护点】
1.一种基于多维数据感知融合的工业设备故障检测方法，其特征在于，所述方法包括如下步骤：
2.根据权利要求1所述的工业设备故障检测方法，其特征在于，预先构建的基于随机森林算法的故障检测模型的步骤包括采集设备运行数据并进行预处理后生成样本集的过程，具体为，在一预设时间内以预设的采样频率获取设备运行数据，并进行数据清洗后对所述设备运行数据设定标签数据，并将所述设备运行数据、所述标签数据进行匹配后配置在一预设阈值范围内以生成基于多维数据的样本集。
3.根据权利要求2所述的工业设备故障检测方法，其特征在于，预先构建的基于随机森林算法的故障检测模型的步骤还包括将随机森林算法在以决策树为基学习器构建Bgaaing集成的基础上，基于所述样本集输入后进行的决策树训练过程中引入随机属性选择，以从已有的特征中随机选择部分特征参与节点划分，以降低多个不同的决策树模型之间的关联性。
4.根据权利要求3所述的工业设备故障检测方法，其特征在于，将所述多维数据输入至预先构建的基于随机森林算法的故障检测模型以输出工业设备故障检测结果的步骤还包括获取故障的特征在分类时的多项权重值
5.根据权利要求4所述的工业设备故障检测方法，其特征在于，将多项所述权重值对应到所述标签数据的标签的步骤包括根据权重值生成基于主电机后轴承时域加速度有效值的改变对状态的影响因子，以及生成基于电机模块电机温度、高速轴轴承1#时域加速度有效值、主电机后轴承时域加速度有效值、主电机后轴承时域加速度峰值的改变对状态诊断的影响因素因子。
6.根据权利要求2所述的工业设备故障检测方法，其特征在于，所述预设时间为3天。
7.根据权利要求2所述的工业设备故障检测方法，其特征在于，所述采样频率为1分钟1次。
8.根据权利要求2所述的工业设备故障检测方法，其特征在于，所述标签数据的标签包括频域速度有效值、状态标签中的一种或两种，其中，所述状态标签包括正常停机、正常运行和故障停机，并对应赋予状态值0,1,2。
9.根据权利要求5所述的工业设备故障检测方法，其特征在于，多项所述权重值的和为1。
10.一种如权利要求1-9任一项所述的基于多维数据感知融合的工业设备故障检测方法的装置，其特征在于，所述装置包括：
...【技术特征摘要】
1.一种基于多维数据感知融合的工业设备故障检测方法，其特征在于，所述方法包括如下步骤：
2.根据权利要求1所述的工业设备故障检测方法，其特征在于，预先构建的基于随机森林算法的故障检测模型的步骤包括采集设备运行数据并进行预处理后生成样本集的过程，具体为，在一预设时间内以预设的采样频率获取设备运行数据，并进行数据清洗后对所述设备运行数据设定标签数据，并将所述设备运行数据、所述标签数据进行匹配后配置在一预设阈值范围内以生成基于多维数据的样本集。
3.根据权利要求2所述的工业设备故障检测方法，其特征在于，预先构建的基于随机森林算法的故障检测模型的步骤还包括将随机森林算法在以决策树为基学习器构建bgaaing集成的基础上，基于所述样本集输入后进行的决策树训练过程中引入随机属性选择，以从已有的特征中随机选择部分特征参与节点划分，以降低多个不同的决策树模型之间的关联性。
4.根据权利要求3所述的工业设备故障检测方法，其特征在于，将所述多维数据输入至预先构建的基于随机森林算法的故障检测模型以输出工业设备故障检测结果的步骤还包括获取故障的特征在分类时的多项权重值，将多项所述权重值对应到所述标签数据的标签中，从而对所述样本集进行排序后构成训练集和测试集，通过...
【专利技术属性】
技术研发人员：史常浩，杜立伟，李阳，常锋伟，聂忠硕，张旭，盛婉晴，
申请(专利权)人：北京赛博星通科技有限公司，
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。