【技术实现步骤摘要】
本专利技术涉及工业设备监测，具体涉及一种基于机器学习的工业设备状态监测预警系统及方法。
技术介绍
1、工业设备状态监测预警系统是一种集成了多种先进技术的智能化系统，旨在实时监测工业设备的运行状态，及时发现并预警潜在故障，以保障工业生产的安全和稳定。
2、现有的工业设备状态监测方法是将传统的信号分析方法与机器学习相结合，包括信号的特征提取与特征的识别分类两个阶段。首先，对传感器采集的振动信号进行预处理，对信号进行降维处理，再利用传统的信号分析方法提取信号的相关特征，接着根据不同的应用场景采用合适的浅层神经网络分类器进行故障识别分类，从而通过分类器进行特征识别得到故障诊断信息。
3、然而，传统的分类器大多属于浅层次的学习模型，这种简单的浅层次的架构限制了工业设备状态监测中复杂非线性关系的学习，导致状态监测预警结果的精确度较低。与此同时，传统的神经网络结构较为复杂，一方面造成模型庞大，不便进行部署，另一方面在执行任务时计算量也较大，效率较低，实时性较差。
技术实现思路
1、（一）解决的技术问题
2、针对现有技术所存在的上述缺点，本专利技术提供了一种基于机器学习的工业设备状态监测预警系统及方法，能够有效克服现有技术所存在的难以对工业设备状态进行精准、实时监测预警的缺陷。
3、为实现以上目的，本专利技术通过以下技术方案予以实现：
4、一种基于机器学习的工业设备状态监测预警系统，包括神经网络训练模块、优化剪枝策略生成模块、剪枝神经网络
5、神经网络训练模块，对卷积神经网络进行模型训练，得到训练好的卷积神经网络；
6、优化剪枝策略生成模块，基于训练好的卷积神经网络构建剪枝策略生成模型，并对剪枝策略生成模型进行多目标优化求解，得到优化剪枝策略；
7、剪枝神经网络生成模块，根据优化剪枝策略对训练好的卷积神经网络进行剪枝，得到剪枝卷积神经网络；
8、振动信号采集模块，采集待监测工业设备的振动信号；
9、中央成分能量计算模块，将振动信号转换为空间频率图像，并计算空间频率图像中空间频率的中央成分能量；
10、能量值计算模块，根据空间频率图像中空间频率的中央成分能量，计算能量值；
11、状态监测及预警模块，将能量值输入剪枝卷积神经网络，对待监测工业设备进行状态监测，并根据状态监测结果进行预警。
12、优选地，所述神经网络训练模块对卷积神经网络进行模型训练，得到训练好的卷积神经网络，包括：
13、s11、建立训练数据集，并按照预设比例将训练数据集分成训练集、验证集和测试集；
14、s12、设定卷积神经网络的损失函数和优化器，将训练集输入卷积神经网络进行模型训练；
15、s13、优化器根据损失函数和网络梯度信息更新网络参数；
16、s14、若损失值小于预设阈值，则模型训练结束，当前卷积神经网络即为训练好的卷积神经网络，否则返回s12，继续利用训练集进行模型训练；
17、s15、将验证集输入训练好的卷积神经网络，通过观察验证集上的性能来评估模型的泛化能力，并调优模型的超参数和结构；
18、s16、将测试集输入调优后的卷积神经网络，进行模型性能评估。
19、优选地，s11中建立训练数据集，并按照预设比例将训练数据集分成训练集、验证集和测试集，包括：
20、s111、收集工业设备的历史振动信号，将历史振动信号转换为空间频率图像，并计算空间频率图像中空间频率的中央成分能量；
21、s112、根据空间频率图像中空间频率的中央成分能量，计算能量值；
22、s113、确定历史振动信号对应的状态异常类型，并对历史振动信号对应的能量值进行标注，建立训练数据集；
23、s114、按照预设比例将训练数据集分成训练集、验证集和测试集。
24、优选地，s111中收集工业设备的历史振动信号，将历史振动信号转换为空间频率图像，并计算空间频率图像中空间频率的中央成分能量，包括：
25、s1111、收集工业设备随时间变化的历史振动信号；
26、s1112、对历史振动信号进行短时傅里叶变换，计算出历史振动信号随时间变化的各频率成分的强度信息，并将计算出的强度信息插入时间轴和频率轴，构成时间频率图像；
27、s1113、对时间频率图像进行二维傅里叶变换，生成空间频率图像；
28、s1114、计算空间频率图像中空间频率的中央成分能量。
29、优选地，s112中根据空间频率图像中空间频率的中央成分能量，计算能量值，包括：
30、根据空间频率图像中空间频率的中央成分能量，采用下式计算能量值：
31、；
32、其中， e j为能量值中第 j个元素，， s为频点总数， l为窗口长度，表示向下取整， e i为第 i个频点处的中央成分能量， s为窗口内的频点数量。
33、优选地，s13中优化器根据损失函数和网络梯度信息更新网络参数，包括：
34、s131、基于当前的网络参数和损失函数，利用当前输入的小批量训练集数据计算损失函数关于权重、偏置的梯度；
35、s132、根据损失函数关于权重、偏置的梯度，对一阶矩和二阶矩进行更新；
36、s133、对更新后的一阶矩和二阶矩进行偏差校正；
37、s134、根据偏差校正后的一阶矩和二阶矩，对权重和偏置进行更新；
38、其中，权重和偏置为卷积神经网络需要学习的网络参数，一阶矩用于存储梯度的指数移动平均，初始化为0，二阶矩用于存储梯度平方的指数移动平均，初始化为0。
39、优选地，s132中根据损失函数关于权重、偏置的梯度，对一阶矩和二阶矩进行更新，包括：
40、根据损失函数关于权重、偏置的梯度，采用下式更新一阶矩：
41、；
42、根据损失函数关于权重、偏置的梯度，采用下式更新二阶矩：
43、；
44、其中， m t为第 t次迭代的一阶矩， m t－1为第 t－1次迭代的一阶矩，为一阶矩估计的指数衰减率，常用值为0.9；
45、 v 本文档来自技高网...
【技术保护点】
1.一种基于机器学习的工业设备状态监测预警系统，其特征在于：包括神经网络训练模块、优化剪枝策略生成模块、剪枝神经网络生成模块、振动信号采集模块、中央成分能量计算模块、能量值计算模块和状态监测及预警模块；
2.根据权利要求1所述的基于机器学习的工业设备状态监测预警系统，其特征在于：所述神经网络训练模块对卷积神经网络进行模型训练，得到训练好的卷积神经网络，包括：
3.根据权利要求2所述的基于机器学习的工业设备状态监测预警系统，其特征在于：S11中建立训练数据集，并按照预设比例将训练数据集分成训练集、验证集和测试集，包括：
4.根据权利要求3所述的基于机器学习的工业设备状态监测预警系统，其特征在于：S111中收集工业设备的历史振动信号，将历史振动信号转换为空间频率图像，并计算空间频率图像中空间频率的中央成分能量，包括：
5.根据权利要求3所述的基于机器学习的工业设备状态监测预警系统，其特征在于：S112中根据空间频率图像中空间频率的中央成分能量，计算能量值，包括：
6.根据权利要求2所述的基于机器学习的工业设备状态监测预警系统
7.根据权利要求6所述的基于机器学习的工业设备状态监测预警系统，其特征在于：S132中根据损失函数关于权重、偏置的梯度，对一阶矩和二阶矩进行更新，包括：
8.根据权利要求1所述的基于机器学习的工业设备状态监测预警系统，其特征在于：所述优化剪枝策略生成模块基于训练好的卷积神经网络构建剪枝策略生成模型，并对剪枝策略生成模型进行多目标优化求解，得到优化剪枝策略，包括：
9.根据权利要求8所述的基于机器学习的工业设备状态监测预警系统，其特征在于：S233中在搜索空间中，一部分浣熊个体模拟爬上树去吓唬鬣蜥的行为，其他浣熊个体在树下等待，并根据狩猎策略更新浣熊个体的位置，使种群向搜索空间不断移动，以探索新的解空间，包括：
10.一种基于机器学习的工业设备状态监测预警方法，应用于权利要求1所述的基于机器学习的工业设备状态监测预警系统，其特征在于：包括以下步骤：
...【技术特征摘要】
1.一种基于机器学习的工业设备状态监测预警系统，其特征在于：包括神经网络训练模块、优化剪枝策略生成模块、剪枝神经网络生成模块、振动信号采集模块、中央成分能量计算模块、能量值计算模块和状态监测及预警模块；
2.根据权利要求1所述的基于机器学习的工业设备状态监测预警系统，其特征在于：所述神经网络训练模块对卷积神经网络进行模型训练，得到训练好的卷积神经网络，包括：
3.根据权利要求2所述的基于机器学习的工业设备状态监测预警系统，其特征在于：s11中建立训练数据集，并按照预设比例将训练数据集分成训练集、验证集和测试集，包括：
4.根据权利要求3所述的基于机器学习的工业设备状态监测预警系统，其特征在于：s111中收集工业设备的历史振动信号，将历史振动信号转换为空间频率图像，并计算空间频率图像中空间频率的中央成分能量，包括：
5.根据权利要求3所述的基于机器学习的工业设备状态监测预警系统，其特征在于：s112中根据空间频率图像中空间频率的中央成分能量，计算能量值，包括：
6.根...
【专利技术属性】
技术研发人员：丁祖华，郑中发，周屋梁，李善海，
申请(专利权)人：中能拾贝科技有限公司，
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。