一种基于大模型的设备故障预测方法与流程

本技术属于机械振动信号分析领域，具体地说，涉及一种基于大模型的设备故障预测方法。

背景技术：

1、随着社会的不断发展，人们生产生活方面各个领域应用的机械设备更加复杂，机械平台朝着更加大型化、集成化、智能化的先进技术方向发展，机械设备和机械零部件的结构日益复杂多样；机械平台智能化、集成化的结果，就是每一操作环节更加细致入微，各个流程的配合更加紧密，但是我们的机械设备在正常运行的过程中，其主要组成部件又不可避免发生磨损老化进而直接引起故障发生，机械设备运行过程突然发生故障而引发的意外事故不绝于耳，除了直接造成设备停机，会给国家和厂家造成财产损失，甚至威胁现场从业人员的生命安全；这当然对机械设备的稳定性和可靠性提出了更高的要求。

2、在过去的一段时间中，大规模基础模型，如gpt-3和chatgpt，已经展示了具有流畅文本对话的高度智能的自然语言理解能力；大规模的多模态文本和图像理解模型进一步展示了该研究范式在多模态对话、图像生成和分割方面的非凡成就；基于人工智能的深度模型已从单模态、单任务、有限数据研究范式迅速发展到多模态、多任务、海量数据、超大模型研究范式；该模型的实现主要基于以下三个关键部分:有效特征提取模型、无监督表示学习算法和多模态融合算法，此外，广泛的未标记或标记的多模态数据是这种开发的先决条件，然而，在设备故障预测领域如何构建具有跨领域知识的大模型仍然是未知的，对于如何开发适合设备故障预测领域的特征提取、表示学习和多模态融合算法也缺乏足够的分析。

3、利用大模型技术实现机械设备的智能运维和健康管理迫在眉睫，如何调高设备的安全性、稳定性和可靠性，如何应对日益繁重的设备健康管理工作，解决好设备的全寿命周期维修保障工作，降低运行成本，是当前面临的重大问题。

4、现有技术中，有许多种设备故障分析预测方法，其中最常用的两类分别为基于机理模型的故障诊断方法和基于数据驱动的故障诊断方法：

5、基于机理模型的故障诊断方法以振动数据频谱分析为核心，结合设备机械参数及工艺运行参数，自动识别故障频率，及时发现故障类别和定位故障范围；

6、但很多大型设备结构复杂，易损件多，且结构之间的相对运动较多，结构件受力复杂，因此，机械故障具有多样性，且故障之间的关联性强和复杂度高的特点。这些因素就给机理诊断过程增加了难度，使得诊断过程在时间上不够及时，并且诊断结果的准确性很大程度上依赖于诊断专家的经验学识。若诊断信号成分复杂，加之诊断专家的经验不足，可能还会出现误判的情况；

7、基于数据驱动的故障诊断模型将分类、聚类等人工智能算法用于机械设备的故障诊断中，对设备故障信息进行知识挖掘，获得与故障有关的诊断规则，进而识别设备故障状态，以便制订维修策略；利用大数据识别机械设备健康状态的科学，即以传感器系统获取数据为基础、机器学习积累经验知识为途径、智能判别设备健康状态为目的，保障机械设备运行的可靠性。主要利用支持向量机、逻辑回归、神经网络、贝叶斯网络、k近邻等机器学习算法建立故障诊断模型；

8、但是该方法需要大量的标记数据建立故障样本库，通过机器学习算法建立训练模型。实际应用中很难获得充足的故障标记数据，另外基于机器学习模型是电典型的“黑箱”模型，它只能告诉我们预测结果，却无法告诉我们故障原因及故障与哪些关键因素有关，欠缺对故障原因的溯源和设备维修指导建议。

9、综上所述，随着技术的不断发展，现有技术中的机械设备也将会更加智能更加复杂，运过程中不确定因素也会增加，现有技术中基于物理退化模型、统计学的方法难度增加，实际应用更加困难。

技术实现思路

1、为解决上述问题和技术缺陷，本技术实施例采用如下的技术方案，一种基于大模型的设备故障预测方法，包括以下步骤：

2、步骤一、采集振动信号样本，并将采集的振动信号样本进行特征提取，使用boosting算法对提取处理后的特征数据进行训练计算，得到boosting算法模型，并部署boosting算法模型；

3、步骤二、获取设备的维修记录及历史报告信息，利用自然语言处理技术解析文字信息提取设备故障特征、维修保养的建议，使用长短期记忆网络对提取的文本信息进行训练计算，得到长短期记忆网络模型，并部署长短期记忆网络模型，

4、步骤三、实时监测采集振动信号，使用boosting算法模型对实时采集的振动信号进行计算，得到目标振动信号的分类结果，使用长短期记忆网络模型对分类结果进行计算识别，得到与目标振动信号的故障分类结果对应的设备故障特征和预测结果，提出维修保养的建议。

5、优选地，所述使用傅里叶变换方法计算振动信号的频谱是使用连续傅里叶变换及其反变换实现振动信号时域和频域之间的相互转换，得到振动信号的频谱。

6、优选地，所述步骤一在进行特征提取时采用小波变化特征提取，所述小波变化特征提取主要用于振动信号中检测出故障信号的特征，小波函数具体公式为：

7、

8、优选地，所述boosting算法用于提高弱分类算法准确度，通过boosting框架对训练样本集的操作，得到不同的训练样本子集，用该样本子集去训练生成弱分类器，在给定训练轮数n后，就可产生n个弱分类器，然后boosting框架算法将这n个弱分类器进行加权融合，产生一个最后的强分类器。

9、进一步地，所述弱分类器的公式为：

10、ht：x→{-1，+1}

11、所述强分类器的公式为：

12、

13、再进一步地，所述训练得到弱分类器的方式为给定m个训练样本(x1，y1)，(x2，y2)，...(xm，ym)，其中xi∈x，yi∈y＝{-1，+1}，初始化样本权重

14、对于t＝1，…，t，其中t为集成模型个数；

15、在训练时，在样本分布dt上训练弱分类器。

16、还进一步地，，在获取训练的弱分类器时，需要保证ht在分布dt上的分类错误率，具体为：

17、

18、优选地，所述步骤二中自然语言处理技术主要为nlp算法，具体步骤包括：

19、s1、文本分割；将文本中的一句话分解成单独的单词、字母；

20、s2、one-hot编码：使用字典统计一下各个单词在整个文本中所出现过的次数，使用key记录文字，使用value记录单词出现的次数；

21、s3、词嵌入：统一长度，将每个单词的高维one-hot向量映射到低维连续向量中。

22、进一步地，所述步骤s3在统一长度时，当待处理的文字长度大于指定长度，就省略前面或后面；当长度小于指定长度，使用空格补全。

23、再进一步地，所述步骤二在使用长短期记忆网络对文本信息进行训练计算时，还需要调整长短期记忆网络的参数，所述参数包括权重初始化、网络模型结构设计和优化器。

24、再进一步地，在训练弱分类器时，需要计算弱分类器权重向量，计算公式为：

25、

26、在初始化样本权重时，需要更新样本权重，更新公式为：

27、

28、其中：

29、

30、相比于现有技术，本技术实施例的有益效果为：

31、本技术通过boosting算法模型，通过经验风险最小化来确定下一个弱分类器的参数，综合提取振动信号和故障最紧密的特征信息，提高诊断效果；

32、通过长短期记忆网络方法模型可以对输入数据进行过滤、选择性地遗忘过去的信息，并且控制输出信息；在分析监测过程中，基于故障振动信号信息和设备维修信息，利用boosting算法模型结合长短期记忆网络方法构造大模型，实现工业现场多模态数据的融合，提高设备故障诊断和预测性维护效果。