[发明专利]一种基于自我注意力机制与时序卷积网络的工业设备故障预测方法

权利要求书

1.一种基于自我注意力机制与时序卷积网络的工业设备故障预测方法，其特征在于，对数据进行时序处理与标签平移，再输入多头自注意力多维时序卷积网络进行训练，并将工业设备运行数据矩阵输入模型进行工业设备状态预测，具体包括以下步骤：

步骤(1)：将工业设备数据进行预处理，去除零值、异常值，使用拟合的方式填补缺失值，并以时序化的方式切割数据集形成工业设备时序数据集；

步骤(2)：根据预测需求与数据采集间隔，将工业设备时序数据集中的设备故障状态情况进行时序平移；

步骤(3)：搭建模型，并将工业设备时序数据集中的数据取前80％作为训练集，后20％作为测试集进行切割，将训练集输入多头自注意力多维时序卷积网络进行一定次数的训练，使用测试集对网络进行测试，完成模型训练，存储模型；

步骤(4)：在设备运行时，将工业设备运行数据进行积累形成工业设备运行数据矩阵，输入到模型中；

步骤(5)：根据模型给出设备故障预测情况向用户进行展示，完成当前时刻的设备故障预测，再反复进行步骤(4)继续下一时刻的工业设备故障预测；

2.根据权利要求1所述的一种基于自我注意力机制与时序卷积网络的工业设备故障预测方法，其特征在于，在对工业设备故障进行预处理时，采用时间窗口的形式依次遍历每个时间步，并根据预测时间需求，以当前时刻后某个时刻设备的状态作为当前时间窗口的标签进行热编码形成工业设备故障数据集。

3.根据权利要求1所述的一种基于自我注意力机制与时序卷积网络的工业设备故障预测方法，其特征在于，该多头自注意力多维时序卷积网络由以下模块组成：多头自我注意力机制层、时序卷积残差块、全连接层，时序卷积残差块包含了因果卷积、扩张卷积、残差连接，整个模型的组成方式为输入层连接多个堆叠的时序卷积残差块，多个堆叠的时序卷积残差块的末端块连接一个多头注意力层与全连接层，再连接一个神经元数量为设备所有故障数量加一的全连接层。

4.根据权利要求1或3所述的一种基于自我注意力机制与时序卷积网络的工业设备故障预测方法，其特征在于，使用了多头自注意力机制以便模型发现不同特征维度与当前时刻的前某多个时间步的关联关系与设备故障与某多个设备特征的关联关系，以提高模型诊断设备的故障准确度，同时模型使用了多个时序卷积残差块以便模型可以同时处理工业设备的多个维度信息进行处理。

5.根据权利要求1所述的一种基于自我注意力机制与时序卷积网络的工业设备故障预测方法，其特征在于，在对该模型进行测试时，当模型预测该设备状态为即将故障，同时当前时间窗口后的指定时间该模型也为故障时，则预测正确；当模型预测该设备状态为正常，同时当前时间窗口后的指定时间该模型也为正常时，则预测正确；其余预测情况均为预测错误。因此，该模型的准确率计算方式为预测正确数除以预测总数。

6.根据权利要求1所述的一种基于自我注意力机制与时序卷积网络的工业设备故障预测方法，其特征在于，在使用模型进行实际预测时，对工业设备数据进行积累的方式构建数据矩阵，当当前工业设备数据矩阵行数不足模型预测的最低要求行数数量时，则不进行预测，并将当前工业设备状态作为数据矩阵的一行添加到工业设备数据矩阵的最后一行，当当前工业设备数据矩阵行数足够进行预测时，则将当前设备状态作为数据矩阵的一行添加到工业设备数据矩阵的最后一行，同时剔除工业设备数据矩阵的第一行，再将数据矩阵输入到模型中，进行设备状态的预测。

7.根据权利要求1或6所述的一种基于自我注意力机制与时序卷积网络的工业设备故障预测方法，其特征在于，构建数据集的数据窗口与预测时所使用的工业设备数据矩阵的行数是由采集频率与预测时间要求决定的，其数量的计算方式为预测时间与一分钟数据采集频率的乘积。