设备故障识别模型训练及故障识别方法、装置及电子设备与流程

本公开涉及故障识别，尤其涉及一种设备故障识别模型训练方法、装置及电子设备。

背景技术：

1、火电厂设备如不能安全运行，就会造成人身伤亡、设备损坏和事故，而且不能连续向用户供电，酿成重大经济损失。因此，如何准确识别设备的故障信息将影响火电厂的经济效益以及工作人员工作时的安全性。

技术实现思路

1、本公开提出了一种设备故障识别模型训练方法、装置及电子设备，旨在至少在一定程度上解决相关技术中的技术问题之一。

2、本公开第一方面实施例提出了一种设备故障识别模型训练方法，包括：获取目标设备的训练数据集，其中，训练数据集包括目标设备每次故障发生时刻之前一段时间的历史特征数据，历史特征数据包括与目标设备相关的电气数据、和/或机械数据、和/或热力数据、和/或环境数据；确定每条历史特征数据的故障标签，其中，故障标签至少包括故障类型、故障时间节点、故障特征；以及利用每条历史特征数据及对应的故障标签对基础神经网络模型进行训练，以得到目标设备的故障识别模型。

3、本公开第二方面实施例提出了设备故障识别方法，方法包括：获取目标设备在一段时间运行时的实时特征数据；将实时特征数据输入至如上述设备故障识别模型训练方法训练得到的故障识别模型，以输出目标设备实时的故障类型、故障时间节点、故障特征；根据实时的故障类型、故障时间节点、故障特征，确定目标设备的故障原因。

4、本公开第三方面实施例提出了一种设备故障识别模型训练装置，包括：第一获取模块，用于获取目标设备的训练数据集，其中，训练数据集包括目标设备每次故障发生时刻之前一段时间的历史特征数据，历史特征数据包括与目标设备相关的电气数据、和/或机械数据、和/或热力数据、和/或环境数据；第一确定模块，用于确定每条历史特征数据的故障标签，其中，故障标签至少包括故障类型、故障时间节点、故障特征；以及训练模块，用于利用每条历史特征数据及对应的故障标签对基础神经网络模型进行训练，以得到目标设备的故障识别模型。

5、本公开第四方面实施例提出了一种设备故障识别装置，装置包括：第二获取模块，用于获取目标设备在一段时间运行时的实时特征数据；预测模块，用于将实时特征数据输入至如上述设备故障识别模型训练装置训练得到的故障识别模型，以输出目标设备实时的故障类型、故障时间节点、故障特征；第二确定模块，用于根据实时的故障类型、故障时间节点、故障特征，确定目标设备的故障原因。

6、本公开第五方面实施例提出了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开实施例的设备故障识别模型训练方法，或者执行设备故障识别方法。

7、本公开第六方面实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本公开实施例公开的设备故障识别模型训练方法，或者执行设备故障识别方法。

8、本实施例中，通过获取目标设备的训练数据集，其中，训练数据集包括目标设备每次故障发生时刻之前一段时间的历史特征数据，历史特征数据包括与目标设备相关的电气数据、和/或机械数据、和/或热力数据、和/或环境数据，并确定每条历史特征数据的故障标签，其中，故障标签至少包括故障类型、故障时间节点、故障特征，以及利用每条历史特征数据及对应的故障标签对基础神经网络模型进行训练，以得到目标设备的故障识别模型，并进一步利用故障识别模型识别目标设备实时运行过程中的故障类型、故障时间节点、故障特征，并根据实时的故障类型、故障时间节点、故障特征，确定目标设备的故障原因，因此在模型训练过程中综合电气数据、机械数据、热力数据以及环境数据等多方面的特征，保证模型对故障识别的准确性；此外，本实施例还可以综合故障类型、故障时间节点、故障特征，确定目标设备的故障原因，从而可以提升故障原因的准确性。因此，可以提升火电厂的运行安全性。

9、本公开附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。

技术特征：

1.一种设备故障识别模型训练方法，其特征在于，所述方法包括：

2.如权利要求1所述的方法，其特征在于，所述利用每条历史特征数据及对应的所述故障标签对基础神经网络模型进行训练之前，还包括：

3.如权利要求1所述的方法，其特征在于，所述利用每条历史特征数据及对应的所述故障标签对基础神经网络模型进行训练之前，还包括：

4.如权利要求1所述的方法，其特征在于，其中，训练过程采用二分类的交叉熵作为损失函数，优化器选择随机梯度下降。

5.一种设备故障识别方法，其特征在于，所述方法包括：

6.一种设备故障识别模型训练装置，其特征在于，包括：

7.如权利要求6所述的装置，其特征在于，所述装置还包括：预处理模块，用于过滤所述历史特征数据中的异常值和缺失值，并对过滤后的所述历史特征数据进行归一化处理。

8.如权利要求6所述的装置，其特征在于，其中，训练过程采用二分类的交叉熵作为损失函数，优化器选择随机梯度下降。

9.一种设备故障识别装置，其特征在于，所述装置包括：

10.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-4中任一项所述的方法，或者执行根据权利要求5所述的方法。

技术总结
本公开提出一种设备故障识别模型训练方法、装置及电子设备，方法包括：获取目标设备的训练数据集，其中，训练数据集包括目标设备每次故障发生时刻之前一段时间的历史特征数据，历史特征数据包括与目标设备相关的电气数据、和/或机械数据、和/或热力数据、和/或环境数据，并确定每条历史特征数据的故障标签，其中，故障标签至少包括故障类型、故障时间节点、故障特征，以及利用每条历史特征数据及对应的故障标签对基础神经网络模型进行训练，以得到目标设备的故障识别模型，并进一步利用故障识别模型识别目标设备实时运行过程中的故障类型、故障时间节点、故障特征，并根据实时的故障类型、故障时间节点、故障特征，确定目标设备的故障原因。

技术研发人员：吕尚霖,侯中峰,王家驹,刘瞻,南江,杨博
受保护的技术使用者：西安热工研究院有限公司
技术研发日：
技术公布日：2024/5/10