[发明专利]一种低温设备故障预测的方法

说明书

本发明提供一种低温设备故障预测的方法，包括以下模块：数据获取层、数据处理层、故障预测层和健康评估层。在数据获取层，本发明通过各种传感器采集低温设备关键部件的传感数据；在数据处理层，采用特征提取和数据挖掘等方法处理低温设备数据；在故障预测层，利用循环神经网络技术分析、学习和预测低温设备的故障情况；在健康评估层，通过图形化方式量化设备的健康状况并预测设备未来状态趋势，提高低温设备的安全性和可靠性，防止故障发生。

技术领域

本发明涉及人工智能和物联网领域，具体涉及一种低温设备故障预测的方法。

背景技术

随着低温设备结构和功能日益复杂和自动化程度日益提升，使用者对低温设备安全性和可靠性的要求越来越高。事后维修和定期维修已经不能满足维修保障要求，而故障预测技术可以维护设备的安全性和可靠性，节约维修保障成本和减少损失。故障预测技术是利用先进传感器收集低温设备数据，借助合适的的算法模型对目标进行故障预测，同时提供维修保障决策及实施计划的一种视情维修技术。

在传统的故障预测技术算法中神经网络模型是从输入层到隐藏层再到输出层，层与层之间是全连接的，每层之间的节点是无连接的。这种神经网络对于低温设备时间序列数据的学习和分析效果一般，而采用循环神经网络技术可以有效的学习低温设备的时间序列数据。循环神经网络技术的最大优点在于其充分考虑了样本之间的关联关系，这种关联关系是以神经网络之间的连接体现出来的，另外，循环神经网络技术还具有收敛速度快、精度高、稳定性好、扩展型好等优势。在故障预测方面，循环神经网络提高了故障诊断效率，改善了现有神经网络故障诊断方法，适用于复杂设备或系统的实时故障诊断。

发明内容

本发明的目的在于预测和解决低温设备的故障问题，为此提供一种低温设备故障预测的方法。

为了解决上述问题，本发明采用的技术方案如下所述：

S1.通过传感器采集低温设备关键部件的传感数据，然后对采集的数据进行初步的处理和传输；

S2.从数据获取层接收数据并对其进行预处理、特征提取、数据挖掘等分析处理，使数据符合后续使用要求；

S3.根据特征数据创建并调优故障预测模型以及应用模型；

S4.量化设备的健康状况，预测设备未来状态趋势。

步骤S2的具体步骤如下：

S21.对采集的数据进行错误数据和冗余数据的剔除，筛选有效的数据，采用统计分析方法进行数据特征提取；

S22.改变数据格式，使数据符合后续模型训练的要求。

步骤S3的具体步骤如下：

S31.根据低温设备数据特征创建相应循环神经网络模型，具体步骤如下：

A.对低温设备样本数据进行标准化和增加数据维度；

B.设置循环神经网络的输入层和输出层的权重和偏置变量；

C.定义循环神经网络的框架；

D.训练循环神经网络模型并调优模型以降低损失率。

S32.利用训练好的模型进行低温设备故障预测。

与现有技术相比，本方法的优点如下：

通过循环神经网络算法对低温设备进行故障预测，提高设备的安全性和可靠性，节约维修保障成本和减少企业损失。

附图说明

图1是本发明一种低温设备故障预测的方法流程示意图。

图2是本发明实施例中循环神经网络算法框架示意图。