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() 一种基于深度学习的真空设备健康诊断方法和电子设备技术_技高网

一种基于深度学习的真空设备健康诊断方法和电子设备技术

技术编号:44330009 阅读:1 留言:0更新日期:2025-02-18 20:37
本发明专利技术涉及一种基于深度学习的真空设备健康诊断方法和电子设备,该方法包括以下步骤获取目标真空设备关键运行参数的历史数据和实时数据;对获取的数据进行预处理;构建基于堆叠LSTM的检测模型;将预处理的数据输入训练好的检测模型进行预测,并计算得到阈值;将预处理的实时数据输入训练好的检测模型,输出预测值,并基于阈值,进行真空设备健康诊断。与现有技术相比,本发明专利技术具有实现真空设备的实时诊断、减少非计划停机时间以及提高设备运行效率和可靠性等优点。

【技术实现步骤摘要】

本专利技术涉及真空设备健康诊断,尤其是涉及一种基于深度学习的真空设备健康诊断方法和电子设备


技术介绍

1、模拟真空的设备在航天领域起着至关重要的作用。这些设备用于模拟外太空的真空环境,为航天器和其他相关设备的地面测试提供了不可或缺的实验条件。真空环境模拟器能够有效模拟外太空的低压环境,从而测试航天器的耐压性能、材料的耐真空性以及电子设备的性能表现等。传统的监测系统通过传感器实时采集压力、温度、电流等关键参数,并在这些参数超出预设范围时触发报警,以提醒操作人员进行检查和处理。尽管上述方法在一定程度上能够保证真空环境模拟器的正常运行,但传统的监测系统只能在故障发生后通过报警提醒操作人员进行处理,无法提前预测潜在的故障。因此,当操作人员发现异常时,设备可能已经处于故障状态很久了,甚至导致设备的非计划停机,严重影响正常的实验和测试进程。

2、现有的真空设备健康诊断方法仅仅依靠某些参数是否超过特征值阈值来进行监测,依据操作人员经验来判断,并受限于操作人员无法时刻盯着屏幕,因此无法及时有效地进行健康诊断。

3、如何实现真空设备的实时健康诊断,成为需要解决的技术问题。


技术实现思路

1、本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于深度学习的真空设备健康诊断方法和电子设备。

2、本专利技术的目的可以通过以下技术方案来实现:

3、根据本专利技术的一个方面,提供了一种基于深度学习的真空设备健康诊断方法,该方法包括以下步骤:

<p>4、步骤s101:获取目标真空设备关键运行参数的历史数据和实时数据;

5、步骤s102:对步骤s101获取的数据进行预处理;

6、步骤s103:构建基于堆叠lstm的检测模型;

7、步骤s104:将步骤s102预处理的数据输入训练好的检测模型进行预测,并计算得到阈值;

8、步骤s105:将步骤s102预处理的实时数据输入训练好的检测模型,输出预测值,并基于步骤s104的阈值,进行真空设备健康诊断。

9、优选地,所述的目标真空设备关键运行参数包括:真空度、泵的频率、泵的电流和阀门的开关,其中真空度为目标参数。

10、优选地,所述的历史数据为由若干个试验周期的数据组合,每个试验周期又由若干个阶段组成;

11、所述的实时数据为当前试验周期某个阶段产生的实时数据。

12、优选地,所述历史数据的预处理包括:通过时间序列分割算法将历史数据分为若干周期和若干阶段,使用聚类分析将不同周期的相同阶段数据进行聚类,保留数据最多的类别和其对应数据,将不同周期同阶段数据用组合的方法进行数据增强,增强后的数据进行对数归一化,然后将数据序列化;

13、所述实时数据的预处理包括:对数归一化和序列化。

14、更加优选地,所述聚类分析动态时间规整法计算两个时间序列之间的距离,使用层次聚类将同一阶段数据分为两类,保留数据多的一类。

15、优选地,所述堆叠lstm模型包括三层lstm层和一层全连接层。

16、优选地,所述检测模型的训练采用动态调整学习率,若验证损失连续m轮未减小,则将当前学习率乘以设定系数;所述检测模型采用早停策略中断训练,若验证损失在n轮内不再改善,停止训练。

17、优选地,所述步骤s104的过程包括:

18、步骤s102预处理的数据输入训练好的检测模型进行预测,得到每个时间点的误差,将每个时间点的误差利用3σ准则计算得到阈值;其中阈值通过计算拟合误差得到,具体为:将初始训练分为各个周期的同一阶段数据,训练好的检测模型对不同周期的同阶段数据进行拟合,拟合误差等于预测值与真实值的差值,再将同一时刻的误差集合error使用3σ原则,计算出阈值threshold=mean(error)+3*std(error),其中mean(error)为误差集合的平均值,std(error)为误差集合的标准差。

19、优选地,所述步骤s105具体为:将步骤s102预处理的实时数据输入训练好的检测模型,得到下一时刻的预测值,计算预测值与真实值的误差,将误差与对应时间步骤s3中得到的阈值进行比较,若误差大于阈值,则发出警告,提醒工作人员真空设备出现异常情况。

20、根据本专利技术的另一个方面,提供了一种电子设备,包括存储器和处理器,所述存储器上存储有计算机程序,所述处理器执行所述程序时实现所述的方法。

21、与现有技术相比,本专利技术具有以下有益效果:

22、本专利技术通过获取真空设备的关键运行参数的历史数据和实时数据,并分别进行预处理,将预处理后的数据输入到堆叠lstm模型中进行训练,训练好的模型对训练数据进行预测得到每个时间点的误差,并根据误差计算出阈值,最后将处理后的实时数据输入到模型中得到下一时刻的预测值,计算预测值与真实值的误差,将误差与对应时间的阈值进行比较,实现对真空设备的实时诊断,在异常出现时及时通知维修,从而大大减少了设备的非计划停机时间,降低了维护成本,并提高了真空设备的整体运行效率和可靠性。

23、本专利技术对历史数据进行序列分割、聚类分析、数据增强、归一化和序列化,对实时数据进行归一化和序列化,这些预处理方法加快检测模型的收敛速度,提高实时诊断的效率。

本文档来自技高网
...

【技术保护点】

1.一种基于深度学习的真空设备健康诊断方法,其特征在于,该方法包括以下步骤:

2.根据权利要求1所述的一种基于深度学习的真空设备健康诊断方法,其特征在于,所述的目标真空设备关键运行参数包括:真空度、泵的频率、泵的电流和阀门的开关,其中真空度为目标参数。

3.根据权利要求1所述的一种基于深度学习的真空设备健康诊断方法,其特征在于,所述的历史数据为由若干个试验周期的数据组合,每个试验周期又由若干个阶段组成;

4.根据权利要求1所述的一种基于深度学习的真空设备健康诊断方法,其特征在于,所述历史数据的预处理包括:通过时间序列分割算法将历史数据分为若干周期和若干阶段,使用聚类分析将不同周期的相同阶段数据进行聚类,保留数据最多的类别和其对应数据,将不同周期同阶段数据用组合的方法进行数据增强,增强后的数据进行对数归一化,然后将数据序列化;

5.根据权利要求4所述的一种基于深度学习的真空设备健康诊断方法,其特征在于,所述聚类分析动态时间规整法计算两个时间序列之间的距离,使用层次聚类将同一阶段数据分为两类,保留数据多的一类。

6.根据权利要求1所述的一种基于深度学习的真空设备健康诊断方法,其特征在于,所述堆叠LSTM模型包括三层LSTM层和一层全连接层。

7.根据权利要求1所述的一种基于深度学习的真空设备健康诊断方法,其特征在于,所述检测模型的训练采用动态调整学习率,若验证损失连续m轮未减小,则将当前学习率乘以设定系数;所述检测模型采用早停策略中断训练,若验证损失在n轮内不再改善,停止训练。

8.根据权利要求1所述的一种基于深度学习的真空设备健康诊断方法,其特征在于,所述步骤S104的过程包括:

9.根据权利要求1所述的一种基于深度学习的真空设备健康诊断方法,其特征在于,所述步骤S105具体为:将步骤S102预处理的实时数据输入训练好的检测模型,得到下一时刻的预测值,计算预测值与真实值的误差,将误差与对应时间步骤S3中得到的阈值进行比较,若误差大于阈值,则发出警告,提醒工作人员真空设备出现异常情况。

10.一种电子设备,包括存储器和处理器,所述存储器上存储有计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1~9中任一项所述的方法。

...

【技术特征摘要】

1.一种基于深度学习的真空设备健康诊断方法,其特征在于,该方法包括以下步骤:

2.根据权利要求1所述的一种基于深度学习的真空设备健康诊断方法,其特征在于,所述的目标真空设备关键运行参数包括:真空度、泵的频率、泵的电流和阀门的开关,其中真空度为目标参数。

3.根据权利要求1所述的一种基于深度学习的真空设备健康诊断方法,其特征在于,所述的历史数据为由若干个试验周期的数据组合,每个试验周期又由若干个阶段组成;

4.根据权利要求1所述的一种基于深度学习的真空设备健康诊断方法,其特征在于,所述历史数据的预处理包括:通过时间序列分割算法将历史数据分为若干周期和若干阶段,使用聚类分析将不同周期的相同阶段数据进行聚类,保留数据最多的类别和其对应数据,将不同周期同阶段数据用组合的方法进行数据增强,增强后的数据进行对数归一化,然后将数据序列化;

5.根据权利要求4所述的一种基于深度学习的真空设备健康诊断方法,其特征在于,所述聚类分析动态时间规整法计算两个时间序列之间的距离,使用层次聚类将同一阶段数据分为两类,保留数据多的一类。

6...

【专利技术属性】
技术研发人员:金钢刘仁龙章怀宇
申请(专利权)人:中国科学院上海技术物理研究所
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