[发明专利]基于LSTM循环神经网络工业设备故障预测方法及装置有效
| 申请号： | 201910026193.0 | 申请日： | 2019-01-11 |
| 公开（公告）号： | CN109814527B | 公开（公告）日： | 2020-11-13 |
| 发明（设计）人： | 黄必清;武千惠;许昕 | 申请（专利权）人： | 清华大学 |
| 主分类号： | G05B23/02 | 分类号： | G05B23/02;G06N3/04;G06N3/08 |
| 代理公司： | 北京清亦华知识产权代理事务所(普通合伙) 11201 | 代理人： | 张润 |
| 地址： | 10008*** | 国省代码： | 北京;11 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种基于LSTM循环神经网络工业设备故障预测方法及装置，其中，方法包括以下步骤：获取目标设备周边的多个传感器的状态监测数据集，其中，状态监测数据集包括0时刻至当前时刻的监测数据；利用特征选择标准从状态监测数据集中选择包含预设故障信息的预测特征，其中，特征选择标准包括相关性指标和单调性指标；将预测特征进行特征转换得到预测特征向量；根据预测特征向量和故障预测网络模型对目标设备进行单步故障预测、长期故障预测和剩余寿命预测。该方法能够有效避免由不合理预设故障阈值造成的预测精度不足，在单步性能预测的场合下能够给出置信区间，可以实现对设备性能和剩余寿命的长期预测。 | ||
| 搜索关键词： | 基于 lstm 循环 神经网络 工业 设备 故障 预测 方法 装置 | ||
【主权项】：
1.一种基于LSTM循环神经网络工业设备故障预测方法，其特征在于，包括以下步骤：步骤S101：获取目标设备周边的多个传感器的状态监测数据集，其中，所述状态监测数据集包括0时刻至当前时刻的监测数据；步骤S102：利用特征选择标准从所述状态监测数据集中选择包含预设故障信息的预测特征，其中，所述特征选择标准包括相关性指标和单调性指标；步骤S103：将所述预测特征进行特征转换得到预测特征向量；步骤S104：根据所述预测特征向量和故障预测网络模型对所述目标设备进行单步故障预测、长期故障预测和剩余寿命预测。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于清华大学，未经清华大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910026193.0/，转载请声明来源钻瓜专利网。
