摘要
本公开涉及一种基于深度学习的设备故障预测方法、装置、设备及介质。该基于深度学习的设备故障预测方法包括:采集设备的历史运行数据,并在历史运行数据中标记发生过的设备故障;从历史运行数据中提取与设备故障相关的时域特征、频域特征和时频域特征,将与设备故障相关的时域特征、频域特征和时频域特征与历史运行数据组合为训练数据;构建设备运行数据为输入、设备故障概率为输出的深度学习模型;利用训练数据训练深度学习模型,得到设备故障预测模型;采集设备当前的运行数据输入设备故障预测模型,得到设备故障预测模型输出的当前设备故障概率。本公开通过预测设备故障的概率,提前采取措施进行维修,避免设备停机,减少不必要的定期维修。
技术关键词
历史运行数据
设备故障预测方法
频域特征
时域特征
设备故障概率
采集设备
设备运行数据
训练深度学习模型
局部时空特征
序列
预测设备故障
数据输入设备
短时傅里叶变换
故障预测模型
训练集
集中度
模型训练模块
系统为您推荐了相关专利信息
工业物联网设备
人工智能驱动
故障预测模型
故障预测系统
云端服务器
设备运行数据
电力设备
模式识别算法
故障趋势预测
计算机存储介质
发电机定子
随机梯度下降
局部放电监测
电信号
频域特征
激光切割控制方法
动态光路
轴向位移传感器
分层注意力
锚点
节能电梯控制系统
电梯运行状态
时间差
深度学习模型
指数