[发明专利]机械设备的故障预测分析方法及装置

说明书

本发明提供了一种机械设备的故障预测分析方法及装置，包括：获取机械设备的参数数据，作为特征数据；将所述特征数据输入训练好的深度网络模型中，得到预设层级数量的目标结果；根据所述目标结果，分析机械设备的故障率。利用深度网络模型与流氏降维算法结合，对特征数据进行降维，提出异常数据，提高预测的准确性。

技术领域

本发明涉及机械故障分析技术领域，具体而言，涉及一种机械设备的故障预测分析方法及装置。

背景技术

随着工业生产的发展，生产设备的可靠性设计水平也得到了提升。由于目前很多技术领域采集的数据维度比较多，有些特征值不是我们必需的，我们需要对他们处理，得到相对更有意义的较少的特征值，这也即是降维的过程。比如工程机械工况数据的特征值比较多(主要特征值有车型、工作模式、档位、工作月份、工作时间等)，由于传感器未正常工作等原因，导致特征异常值很多进而导致模型结果偏离真实值、准确率低。

发明内容

针对上述现有技术中存在的问题，本发明提供了一种机械设备的故障预测分析方法及装置。

第一方面，本发明实施例提供了一种机械设备的故障预测分析方法，所述方法包括：

获取机械设备的参数数据，作为特征数据；

将所述特征数据输入训练好的深度网络模型中，得到预设层级数量的目标结果；

根据所述目标结果，分析机械设备的故障率。

进一步的，所述深度网络模型的训练过程，包括：

获取机械设备参数的历史数据，作为训练特征数据；

将所述训练特征数据输入流式降维算法，输出预设层级数量的特征结果；

将所述训练特征数据输入待训练的深度网络模型，输出与所述特征结果层级数量相同的训练数据；

利用所述特征结果和特征结果对待训练的深度网络模型进行训练。

进一步的，利用所述特征结果和特征结果对待训练的深度网络模型进行训练，包括：

利用所述特征结果和特征结果，得到损失函数值；

利用所述特征结果和特征结果对待训练的深度网络模型进行训练，直到所述损失函数值收敛，得到训练好的深度网络模型。

进一步的，所述流式降维算法为UMAP算法。

进一步的，获取机械设备的参数数据，作为特征数据，包括：

对所述参数数据进行筛选，去除异常值，经过筛选的参数数据作为特征数据。

第二方面，本发明实施例还提供了一种机械设备的故障预测分析装置，所述装置包括：

获取模块，用于获取机械设备的参数数据，作为特征数据；

输出模块，用于将所述特征数据输入训练好的深度网络模型中，得到预设层级数量的目标结果；

分析模块，用于根据所述目标结果，分析机械设备的故障率。

进一步的，所述深度网络模型的训练过程，包括：

获取机械设备参数的历史数据，作为训练特征数据；

将所述训练特征数据输入流式降维算法，输出预设层级数量的特征结果；

将所述训练特征数据输入待训练的深度网络模型，输出与所述特征结果层级数量相同的训练数据；

利用所述特征结果和特征结果对待训练的深度网络模型进行训练。

进一步的，利用所述特征结果和特征结果对待训练的深度网络模型进行训练，包括：