【技术实现步骤摘要】
本专利技术涉及一种基于时频域中可解释的维护预测模型的工业设备预测性维护方法以及执行该方法的装置，更详细地，涉及一种执行工业设备的预测性维护(predictivemaintenance，pdm)的方法和装置。
技术介绍
1、最近，随着人工智能技术的发展，各类工业正在尝试基于深度神经网络的预测性维护。虽然存在多个基于机器学习(machine learning，ml)和深度学习(deep learning，dl)的预测性维护方法论，但大部分为无法获知算法结果的导出过程的黑匣子(black-box)模型。但是，由于深度神经网络的黑匣子特性，很难应用于现场。另外，虽然为解决此类问题提出了可解释人工智能(explainable artificial intelligence，xai)算法，但这不是端对端(end-to-end)算法，并且存在产生追加开销(overhead)的问题。
技术实现思路
1、专利技术要解决的问题
2、本专利技术所要实现的目的在于提供一种基于时频域中可解释的维护预测模型的工业设备预测性维护方法以及执行该方法的装置，其利用基于时频域中可解释的深度神经网络的维护预测模型来执行工业设备的预测性维护。
3、本专利技术的其他未明示的目的可以在可以根据下述的详细说明以及其效果易于推理出的范围内进一步考虑。
4、用于解决问题的手段
5、为了实现上述目的，根据本专利技术优选实施例的基于时频域中可解释的维护预测模型的工业设备预测性维护方法，包
6、其中，所述维护预测模型可以包括：生成对抗网络(generative adversarialnetwork，gan)，包括基于分布生成二维短时傅立叶变换图像的生成器(generator)与判别通过所述生成器生成的二维短时傅立叶变换图像的判别器(discriminator)，以及编码器神经网络，将二维短时傅立叶变换图像映射至分布。
7、其中，在获取所述剩余寿命和所述导出依据信息的步骤中，可以将所述目标二维短时傅立叶变换图像和所述目标设备数据输入至所述维护预测模型，并且使用作为所述维护预测模型的输出数据的复原二维短时傅立叶变换图像获取所述剩余寿命和所述导出依据信息。
8、其中，在获取所述剩余寿命和所述导出依据信息的步骤中，可以将所述目标二维短时傅立叶变换图像和所述目标设备数据输入至包括将设备数据作为条件(condition)的标签嵌入(label embedding)层的所述编码器神经网络，并且获取与作为所述编码器神经网络的输出的所述目标二维短时傅立叶变换图像对应的目标分布，将基于所述目标分布获取的离散向量输入至包括将设备数据转换为与特征图(feature map)通道相乘的权重的标签嵌入层的所述生成器，并获取作为所述生成器的输出的所述复原二维短时傅立叶变换图像，基于所述目标二维短时傅立叶变换图像和所述复原二维短时傅立叶变换图像来获取所述剩余寿命和所述导出依据信息。
9、其中，在获取所述剩余寿命和所述导出依据信息的步骤中，可以基于异常值分数(anomaly score)获取所述剩余寿命，所述异常值分数是基于所述目标二维短时傅立叶变换图像和所述复原二维短时傅立叶变换图像而获取的。
10、其中，在获取所述剩余寿命和所述导出依据信息的步骤中，可以基于表示所述目标二维短时傅立叶变换图像和所述复原二维短时傅立叶变换图像的差异的均方误差、所述判别器的分数以及表示通过所述编码器神经网络获取的所述目标分布上的距离的均方误差来获取所述异常值分数。
11、其中，所述剩余寿命可以与所述异常值分数成反比例关系。
12、其中，在获取所述剩余寿命和所述导出依据信息的步骤中，可以基于表示所述目标二维短时傅立叶变换图像和所述复原二维短时傅立叶变换图像的差异的均方误差来获取所述导出依据信息。
13、其中，在获取所述剩余寿命和所述导出依据信息的步骤中，可以将表示所述目标二维短时傅立叶变换图像和所述复原二维短时傅立叶变换图像的差异的均方误差视觉化为残差图(residual plot)来获取所述导出依据信息。
14、其中，所述目标振动信号数据可以是表示所述目标工业设备的预定方向的振动信号的数据，所述目标设备数据可以是表示所述目标工业设备的工艺平均钻头压力的离散值和所述目标工业设备的钻头工艺次数的离散值的数据。
15、为了实现上述目的，根据本专利技术优选实施例的基于时频域中可解释的维护预测模型的工业设备预测性维护装置，包括：存储器，存储有用于利用维护预测模型执行工业设备的预测性维护的一个以上的程序，以及一个以上的处理器，根据存储在所述存储器中的所述一个以上的程序并利用所述维护预测模型执行工业设备的预测性维护；所述处理器配置成：获取目标工业设备的目标振动信号数据和目标设备数据，对所述目标振动信号数据进行预处理以获取目标二维短时傅立叶变换图像，以及利用预先学习并构建的所述维护预测模型，基于所述目标二维短时傅立叶变换图像和所述目标设备数据而获取所述目标工业设备的剩余寿命和所述剩余寿命的导出依据信息。
16、其中，所述维护预测模型可以包括：生成对抗网络，包括基于分布生成二维短时傅立叶变换图像的生成器与判别通过所述生成器生成的二维短时傅立叶变换图像的判别器，以及编码器神经网络，将二维短时傅立叶变换图像映射至分布。
17、其中，所述处理器可以配置成：将所述目标二维短时傅立叶变换图像和所述目标设备数据输入至所述维护预测模型，并且使用作为所述维护预测模型的输出数据的复原二维短时傅立叶变换图像获取所述剩余寿命和所述导出依据信息。
18、其中，所述处理器可以配置成：将所述目标二维短时傅立叶变换图像和所述目标设备数据输入至包括将设备数据作为条件的标签嵌入层的所述编码器神经网络，并且获取与作为所述编码器神经网络的输出的所述目标二维短时傅立叶变换图像对应的目标分布，将基于所述目标分布获取的离散向量输入至包括将设备数据转换为与特征图通道相乘的权重的标签嵌入层的所述生成器，并获取作为所述生成器的输出的所述复原二维短时傅立叶变换图像，基于所述目标二维短时傅立叶变换图像和所述复原二维短时傅立叶变换图像来获取所述剩余寿命和所述导出依据信息。
19、其中，所述处理器可以配置成：基于异常值分数获取所述剩余寿命，所述异常值分数是基于所述目标二维短时傅立叶变换图像和所述复原二维短时傅立叶变换图像而获取的。
20、其中，所述处理器可以配置成：基于表示所述目标二维短时傅立叶变换图像和所述复原二维短时傅立叶变换图像的差异的均方本文档来自技高网...
【技术保护点】
1.一种基于时频域中可解释的维护预测模型的工业设备预测性维护方法，其中，包括如下步骤：
2.根据权利要求1所述的基于时频域中可解释的维护预测模型的工业设备预测性维护方法，其中，
3.根据权利要求2所述的基于时频域中可解释的维护预测模型的工业设备预测性维护方法，其中，
4.根据权利要求3所述的基于时频域中可解释的维护预测模型的工业设备预测性维护方法，其中，
5.根据权利要求4所述的基于时频域中可解释的维护预测模型的工业设备预测性维护方法，其中，
6.根据权利要求5所述的基于时频域中可解释的维护预测模型的工业设备预测性维护方法，其中，
7.根据权利要求6所述的基于时频域中可解释的维护预测模型的工业设备预测性维护方法，其中，
8.根据权利要求4所述的基于时频域中可解释的维护预测模型的工业设备预测性维护方法，其中，
9.根据权利要求8所述的基于时频域中可解释的维护预测模型的工业设备预测性维护方法，其中，
10.根据权利要求1所述的基于时频域中可解释的维护预测模型的工业设备预测性维护
11.一种基于时频域中可解释的维护预测模型的工业设备预测性维护装置，其中，包括：
12.根据权利要求11所述的基于时频域中可解释的维护预测模型的工业设备预测性维护装置，其中，
13.根据权利要求12所述的基于时频域中可解释的维护预测模型的工业设备预测性维护装置，其中，
14.根据权利要求13所述的基于时频域中可解释的维护预测模型的工业设备预测性维护装置，其中，
15.根据权利要求14所述的基于时频域中可解释的维护预测模型的工业设备预测性维护装置，其中，
16.根据权利要求15所述的基于时频域中可解释的维护预测模型的工业设备预测性维护装置，其中，
17.根据权利要求16所述的基于时频域中可解释的维护预测模型的工业设备预测性维护装置，其中，
18.根据权利要求14所述的基于时频域中可解释的维护预测模型的工业设备预测性维护装置，其中，
19.根据权利要求18所述的基于时频域中可解释的维护预测模型的工业设备预测性维护装置，其中，
20.根据权利要求11所述的基于时频域中可解释的维护预测模型的工业设备预测性维护装置，其中，
...【技术特征摘要】
1.一种基于时频域中可解释的维护预测模型的工业设备预测性维护方法，其中，包括如下步骤：
2.根据权利要求1所述的基于时频域中可解释的维护预测模型的工业设备预测性维护方法，其中，
3.根据权利要求2所述的基于时频域中可解释的维护预测模型的工业设备预测性维护方法，其中，
4.根据权利要求3所述的基于时频域中可解释的维护预测模型的工业设备预测性维护方法，其中，
5.根据权利要求4所述的基于时频域中可解释的维护预测模型的工业设备预测性维护方法，其中，
6.根据权利要求5所述的基于时频域中可解释的维护预测模型的工业设备预测性维护方法，其中，
7.根据权利要求6所述的基于时频域中可解释的维护预测模型的工业设备预测性维护方法，其中，
8.根据权利要求4所述的基于时频域中可解释的维护预测模型的工业设备预测性维护方法，其中，
9.根据权利要求8所述的基于时频域中可解释的维护预测模型的工业设备预测性维护方法，其中，
10.根据权利要求1所述的基于时频域中可解释的维护预测模型的工业设备预测性维护方法，其中，
11.一...
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。