[发明专利]设备故障发现方法及系统

权利要求书

1.一种设备故障发现方法，其特征在于，包括：

传感器组采集设备运行过程中的设备运行状态反馈数据，并发送至本地存储器进行存储；

从所述本地存储器，将所述设备运行状态反馈数据导入机器学习系统中提取特征参数；

对提取的所述特征参数进行标准化处理后，发送至神经网络进行建模，得到神经网络模型；

将所述神经网络模型发送至预测系统，以对所述设备的未来运行状态进行预测。

2.如权利要求1所述的设备故障发现方法，其特征在于，将所述设备运行状态反馈数据导入机器学习系统中提取特征参数，包括：

将运行状态反馈数据的数据包分割成多个固定长度的数据段，获取分割得到的数据段的偏移值；

对各个数据段的进行归类，生成与数据段及其偏移值对应的各个数据段类型值；

获取每个数据段类型值对应的偏移值的数量，提取数量大于或等于预设偏移值命中阈值的数据段类型值；

将提取的数据段类型值及对应的偏移值作为所述特征参数。

3.如权利要求1所述的设备故障发现方法，其特征在于，对提取的所述特征参数进行标准化处理后，发送至神经网络进行建模，得到神经网络模型，包括：

对提取的所述特征参数进行标准化处理；

初始化神经网络模型的参数；

根据所述神经网络模型的参数及所述特征参数，计算所述神经网络模型的输出；

根据所述神经网络模型的参数及所述特征参数，计算所述神经网络模型的输出相对于输入的增益；

将所述增益通过极值优化算法，指导所述神经网络模型进行参数的迭代学习，直至得到优化后的神经网络模型。

4.如权利要求1所述的设备故障发现方法，其特征在于，所述传感器组包括电流传感器、电压传感器、故障监测传感器和停机传感器。

5.一种设备故障发现系统，其特征在于，包括：

采集模块，用于传感器组采集设备运行过程中的设备运行状态反馈数据，并发送至本地存储器进行存储；

特征模块，用于从所述本地存储器，将所述设备运行状态反馈数据导入机器学习系统中提取特征参数；

建模模块，用于对提取的所述特征参数进行标准化处理后，发送至神经网络进行建模，得到神经网络模型；

预设模块，用于将所述神经网络模型发送至预测系统，以对所述设备的未来运行状态进行预测。

6.如权利要求5所述的设备故障发现系统，其特征在于，所述特征模块，用于将运行状态反馈数据的数据包分割成多个固定长度的数据段，获取分割得到的数据段的偏移值；对各个数据段的进行归类，生成与数据段及其偏移值对应的各个数据段类型值；获取每个数据段类型值对应的偏移值的数量，提取数量大于或等于预设偏移值命中阈值的数据段类型值；将提取的数据段类型值及对应的偏移值作为所述特征参数。

7.如权利要求5所述的设备故障发现系统，其特征在于，所述建模模块，用于对提取的所述特征参数进行标准化处理；初始化神经网络模型的参数；根据所述神经网络模型的参数及所述特征参数，计算所述神经网络模型的输出；根据所述神经网络模型的参数及所述特征参数，计算所述神经网络模型的输出相对于输入的增益；将所述增益通过极值优化算法，指导所述神经网络模型进行参数的迭代学习，直至得到优化后的神经网络模型。

8.如权利要求5所述的设备故障发现系统，其特征在于，所述传感器组包括电流传感器、电压传感器、故障监测传感器和停机传感器。

9.一种计算机可读存储介质，其上存储有计算机可执行指令，其中，该计算机可执行指令被处理器执行时使得该处理器：

传感器组采集设备运行过程中的设备运行状态反馈数据，并发送至本地存储器进行存储；

从所述本地存储器，将所述设备运行状态反馈数据导入机器学习系统中提取特征参数；

对提取的所述特征参数进行标准化处理后，发送至神经网络进行建模，得到神经网络模型；

将所述神经网络模型发送至预测系统，以对所述设备的未来运行状态进行预测。

10.一种计算器设备，其中，包括：

处理器；以及

被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：

传感器组采集设备运行过程中的设备运行状态反馈数据，并发送至本地存储器进行存储；

从所述本地存储器，将所述设备运行状态反馈数据导入机器学习系统中提取特征参数；

对提取的所述特征参数进行标准化处理后，发送至神经网络进行建模，得到神经网络模型；

将所述神经网络模型发送至预测系统，以对所述设备的未来运行状态进行预测。