故障状态检测装置的制作方法

1.本发明涉及一种故障状态检测装置、故障状态检测的方法以及故障状态检测装置的机器学习算法的训练方法。


背景技术：

2.诸如振动测量、红外图像或电流值之类的状况监测数据可以用于训练人工智能(ai)系统以自动检测甚至预测故障状态。然而，通常情况下，健康数据的数量远远超过与故障案例相对应的示例。这种类不平衡对机器学习算法和其他相关方法的性能具有负面影响。为了提高性能，我们需要规避原始(训练)数据中类不平衡的影响。然而，这很难实现。
3.需要解决这个问题。


技术实现要素：

4.因此，具有一种改进技术以基于来自这些系统的测量数据来检测系统故障可能会是有利的。
5.本发明的目的通过独立权利要求的主题来解决，其中其他实施例并入从属权利要求中。
6.在第一方面中，提供了一种故障状态检测装置，包括：
[0007]-输入单元；以及
[0008]-处理单元。
[0009]
输入单元被配置为接收状况监测数据。处理单元被配置为实施经训练的机器学习算法以分析所接收的状况监测数据以确定所接收的状况监测数据是否与故障状态相关联。在多个非故障状态状况监测数据和相关联的地面实况信息的基础上以及在多个故障状态状况监测数据和相关联的地面实况信息的基础上对经训练的机器学习算法进行训练。根据一个或多个非故障状态状况监测数据生成多个故障状态状况监测数据的子集。多个故障状态状况监测数据的子集中的故障状态状况监测数据的生成包括：非故障状态状况监测数据到故障状态状况监测数据的转换。
[0010]
因此，开发了一种基于人工智能的途径，该途径将健康状况监测数据的示例作为输入。该输入被到故障状况监测数据的示例。因为通常与健康操作相关联的数据远远超过与故障操作相关联的数据，所以这减少了状况监测数据中非常常见的健康示例和故障示例之间的类不平衡，并且现在，这种不平衡以全新方式得到缓解，以提供更好的机器学习故障检测判断。换句话说，经平衡的数据提供了比经不平衡的版本更好的训练结果。
[0011]
本文中，地面实况信息与数据是与非故障状态相关联还是与故障状态相关联有关。与故障状态相关联的地面真实数据也可以详细说明故障类型。因此，在某些实施例中，该装置不仅可以判断所获取的数据与健康操作相关联还是与故障操作相关联，但如果与故障操作相关联，还可以判断已经导致故障数据的故障类型。
[0012]
在示例中，所接收的状况监测数据包括振动数据，并且多个非故障状态状况监测
数据包括振动数据，并且多个故障状态状况监测数据包括振动数据。然后，非故障状态状况监测数据到故障状态状况监测数据的转换可以包括：振动幅度峰值的增加。
[0013]
在示例中，非故障状态状况监测数据被表示为不同频率区间中的多个幅度。振动幅度峰值的增加可以包括：不同频率区间中的一个频率区间中的幅度的增加。
[0014]
在示例中，所接收的状况监测数据包括振动数据，并且多个非故障状态状况监测数据包括振动数据，并且多个故障状态状况监测数据包括振动数据。非故障状态状况监测数据到故障状态状况监测数据的转换可以包括：振动幅度峰值的减小。
[0015]
在示例中，非故障状态状况监测数据被表示为不同频率区间中的多个幅度。振动幅度峰值的减小可以包括：不同频率区间中的一个频率区间中的幅度的减小。
[0016]
在示例中，所接收的状况监测数据包括振动数据，并且多个非故障状态状况监测数据包括振动数据，并且多个故障状态状况监测数据包括振动数据。非故障状态状况监测数据到故障状态状况监测数据的转换可以包括：振动幅度峰值的偏移。
[0017]
在示例中，非故障状态状况监测数据被表示为不同频率区间中的多个幅度。振动幅度峰值的偏移可以包括：不同频率区间中的第一频率区间中的幅度的增加以及不同频率区间中的第二频率区间中的幅度的相关联的减小。
[0018]
在示例中，非故障状态状况监测数据到故障状态状况监测数据的转换包括：总振动能量的保存。
[0019]
在示例中，非故障状态状况监测数据到故障状态状况监测数据的转换包括：总振动能量的改变。
[0020]
在示例中，所接收的状况监测数据包括红外图像数据，多个非故障状态状况监测数据包括红外图像数据，并且多个故障状态状况监测数据包括红外图像数据。非故障状态状况监测数据到故障状态状况监测数据的转换可以包括：向非故障状态红外图像添加热点。
[0021]
在示例中，热点被添加在非故障状态红外图像内的随机位置处。
[0022]
在示例中，热点被添加在与经成像的对象的导电部分相关联的非故障状态红外图像内的位置处。
[0023]
在示例中，所接收的状况监测数据包括可见图像数据，多个非故障状态状况监测数据包括可见图像数据，并且多个故障状态状况监测数据包括可见图像数据。非故障状态状况监测数据到故障状态状况监测数据的转换可以包括：向非故障状态可见图像中的对象添加划痕或凹痕。
[0024]
在第二方面中，提供了一种故障状态检测的方法，包括：
[0025]-通过输入单元接收状况监测数据；以及
[0026]-通过由处理单元实施的经训练的机器学习算法分析所接收的状况监测数据以确定所接收的状况监测数据是否与故障状态相关联。
[0027]
在多个非故障状态状况监测数据和相关联的地面实况信息的基础上以及在多个故障状态状况监测数据和相关的地面实况信息的基础上对经训练的机器学习算法进行训练。根据一个或多个非故障状态状况监测数据生成多个故障状态状况监测数据的子集。多个故障状态状况监测数据的子集中的故障状态状况监测数据的生成包括：非故障状态状况监测数据到故障状态状况监测数据的转换。
[0028]
在第三方面中，提供了一种故障状态检测装置的机器学习算法的训练方法，该方法包括：
[0029]-提供多个非故障状态状况监测数据和相关联的地面实况信息；
[0030]-提供多个故障状态状况监测数据和相关联的地面实况信息，该提供包括：根据一个或多个非故障状态状况监测数据生成多个故障状态状况监测数据的子集；并且其中多个故障状态状况监测数据的子集中的故障状态状况监测数据的生成包括：非故障状态状况监测数据到故障状态状况监测数据的转换；
[0031]-在处理单元上实施机器学习算法；以及
[0032]-在多个非故障状态状况监测数据和相关联的地面实况信息的基础上以及在多个故障状态状况监测数据和相关联的地面实况信息的基础上对机器学习算法进行训练。
[0033]
参考下文所描述的实施例，上述方面和示例将变得显而易见并且得以阐明。
附图说明
[0034]
下面参考以下附图对示例性实施例进行描述：
[0035]
图1示出了添加到正常操作的设备的红外图像中的热点以将图像到与正常操作相关联的图像和与故障操作相关联的图像的示意性图示。
具体实施方式
[0036]
图1与可用于故障状态检测装置的数据、故障状态检测的方法和故障状态检测设备的机器学习算法的训练方法有关。
[0037]
根据故障状态检测装置的示例，故障状态检测装置包括输入单元和处理单元。输入单元被配置为接收状况监测数据。处理单元被配置为实施经训练的机器学习算法以分析所接收的状况监测数据以确定所接收的状况监测数据是否与故障状态相关联。在多个非故障状态状况监测数据和相关联的地面实况信息的基础上以及在多个故障状态状况监测数据和相关联的地面实况信息的基础上对经训练的机器学习算法进行训练。根据一个或多个非故障状态状况监测数据生成多个故障状态状况监测数据的子集。多个故障状态状况监测数据的子集中的故障状态状况监测数据的生成包括：非故障状态状况监测数据到故障状态状况监测数据的转换。
[0038]
在示例中，装置被配置为输出所接收的状况监测数据与故障状态相关联的指示。
[0039]
在示例中，经训练的机器学习算法是神经网络。
[0040]
在示例中，经训练的机器学习算法是决策树算法。
[0041]
根据示例，所接收的状况监测数据包括振动数据，并且多个非故障状态状况监测数据包括振动数据，并且多个故障状态状况监测数据包括振动数据。非故障状态状况监测数据到故障状态状况监测数据的转换可以包括：振动幅度峰值的增加。
[0042]
根据示例，非故障状态状况监测数据被表示为不同频率区间中的多个幅度。振动幅度峰值的增加可以包括：不同频率区间中的一个频率区间中的幅度的增加。
[0043]
根据示例，所接收的状况监测数据包括振动数据，并且多个非故障状态状况监测数据包括振动数据，并且多个故障状态状况监测数据包括振动数据。非故障状态状况监测数据到故障状态状况监测数据的转换可以包括：振动幅度峰值的减小。
[0044]
根据示例，非故障状态状况监测数据被表示为不同频率区间中的多个幅度。振动幅度峰值的减小可以包括：不同频率区间中的一个频率区间中的幅度的减小。
[0045]
根据示例，所接收的状况监测数据包括振动数据，并且多个非故障状态状况监测数据包括振动数据，并且多个故障状态状况监测数据包括振动数据。非故障状态状况监测数据到故障状态状况监测数据的转换可以包括：振动幅度峰值的偏移。
[0046]
根据示例，非故障状态状况监测数据被表示为不同频率区间中的多个幅度。振动幅度峰值的偏移可以包括：不同频率区间中的第一频率区间中的幅度的增加以及不同频率区间中的第二频率区间中的幅度的相关联的减小。
[0047]
根据示例，非故障状态状况监测数据到故障状态状况监测数据的转换包括：总振动能量的保存。
[0048]
根据示例，非故障状态状况监测数据到故障状态状况监测数据的转换包括：总振动能量的改变。
[0049]
根据示例，所接收的状况监测数据包括红外图像数据，多个非故障状态状况监测数据包括红外图像数据，并且多个故障状态状况监测数据包括红外图像数据。非故障状态状况监测数据到故障状态状况监测数据的转换可以包括：向非故障状态红外图像添加热点。
[0050]
根据示例，热点被添加在非故障状态红外图像内的随机位置处。
[0051]
根据示例，热点被添加在与经成像的对象的导电部分相关联的非故障状态红外图像内的位置处。
[0052]
根据示例，所接收的状况监测数据包括可见图像数据，多个非故障状态状况监测数据包括可见图像数据，并且多个故障状态状况监测数据包括可见图像数据。非故障状态状况监测数据到故障状态状况监测数据的转换可以包括：向非故障状态可见图像中的对象添加划痕或凹痕。
[0053]
在示例中，所接收的状况监测数据包括电流数据，多个非故障状态状况监测数据包括电流数据，并且多个故障状态状况监测数据包括电流数据。非故障状态状况监测数据到故障状态状况监测数据的转换可以包括：改变非故障状态电流数据中的电流值。
[0054]
在示例中，所接收的状况监测数据包括电压数据，多个非故障状态状况监测数据包括电压数据，并且多个故障状态状况监测数据包括电压数据。非故障状态状况监测数据到故障状态状况监测数据的转换可以包括：改变非故障状态电压数据中的电压值。
[0055]
根据一种故障状态检测的方法，该方法包括：
[0056]
通过输入单元接收状况监测数据；
[0057]
通过由处理单元实施的经训练的机器学习算法分析所接收的状况监测数据以确定所接收的状况监测数据是否与故障状态相关联；
[0058]
其中在多个非故障状态状况监测数据和相关联的实况信息的基础上以及在多个故障状态状况监测数据和相关联的实况信息对经训练的机器学习算法进行训练；
[0059]
其中根据一个或多个非故障状态状况监测数据生成多个故障状态状况监测数据的子集，并且
[0060]
其中多个故障状态状况监测数据的子集中的故障状态状况监测数据的生成包括：非故障状态状况监测数据到故障状态状况监测数据的转换。
[0061]
在示例中，经训练的机器学习算法是神经网络。
[0062]
在示例中，经训练的机器学习算法是决策树算法。
[0063]
在示例中，所接收的状况监测数据包括振动数据，并且多个非故障状态状况监测数据包括振动数据，并且多个故障状态状况监测数据包括振动数据。非故障状态状况监测数据到故障状态状况监测数据的转换可以包括：振动幅度峰值的增加。
[0064]
在示例中，非故障状态状况监测数据被表示为不同频率区间中的多个幅度。振动幅度峰值的增加可以包括：不同频率区间中的一个频率区间中的幅度的增加。
[0065]
在示例中，状况监测数据包括振动数据，并且多个非故障状态状况监测数据包括振动数据，并且多个故障状态状况监测数据包括振动数据。非故障状态状况监测数据到故障状态状况监测数据的转换可以包括：振动幅度峰值的减小。
[0066]
在示例中，非故障状态状况监测数据被表示为不同频率区间中的多个幅度。振动幅度峰值的减小可以包括：不同频率区间中的一个频率区间中的幅度的减小。
[0067]
在示例中，所接收的状况监测数据包括振动数据，并且多个非故障状态状况监测数据包括振动数据，并且多个故障状态状况监测数据包括振动数据。非故障状态状况监测数据到故障状态状况监测数据的转换可以包括：振动幅度峰值的偏移。
[0068]
在示例中，非故障状态状况监测数据被表示为不同频率区间中的多个幅度。振动幅度峰值的偏移可以包括：不同频率区间中的第一频率区间中的幅度的增加以及不同频率区间中的第二频率区间中的幅度的相关联的减小。
[0069]
在示例中，非故障状态状况监测数据到故障状态状况监测数据的转换包括：总振动能量的保存。
[0070]
在示例中，非故障状态状况监测数据到故障状态状况监测数据的转换包括：总振动能量的改变。
[0071]
在示例中，所接收的状况监测数据包括红外图像数据，多个非故障状态状况监测数据包括红外图像数据，并且多个故障状态状况监测数据包括红外图像数据。非故障状态状况监测数据到故障状态状况监测数据的转换可以包括：向非故障状态红外图像添加热点。
[0072]
在示例中，热点被添加在非故障状态红外图像内的随机位置处。
[0073]
在示例中，热点被添加在与经成像的对象的导电部分相关联的非故障状态红外图像内的位置处。
[0074]
在示例中，所接收的状况监测数据包括可见图像数据，多个非故障状态状况监测数据包括可见图像数据，并且多个故障状态状况监测数据包括可见图像数据。非故障状态状况监测数据到故障状态状况监测数据的转换可以包括：向非故障状态可见图像中的对象添加划痕或凹痕。
[0075]
在示例中，所接收的状况监测数据包括电流数据，多个非故障状态状况监测数据包括电流数据，并且多个故障状态状况监测数据包括电流数据。非故障状态状况监测数据到故障状态状况监测数据的转换可以包括：使非故障状态电流数据中的电流值发生变化。
[0076]
在示例中，所接收的状况监测数据包括电压数据，多个非故障状态状况监测数据包括电压数据，并且多个故障状态状况监测数据包括电压数据。非故障状态状况监测数据到故障状态状况监测数据的转换可以包括：使非故障状态电压数据中的电压值发生变化。
[0077]
根据一种故障状态检测装置的机器学习算法的训练方法，该方法包括：
[0078]
提供多个非故障状态状况监测数据和相关联的地面实况信息；
[0079]
提供多个故障状态状况监测数据和相关联的地面实况信息，该提供包括：根据一个或多个非故障状态状况监测数据生成多个故障状态状况监测数据的子集，并且其中多个故障状态状况监测数据的子集中的故障状态状况监测数据的生成包括：非故障状态状况监测数据到故障状态状况监测数据的转换；
[0080]
在处理单元上实施机器学习算法；以及
[0081]
在多个非故障状态状况监测数据和相关联的实况信息的基础上以及在多个故障状态状况监测数据和相关联的实况信息的基础上对机器学习算法进行训练。
[0082]
在示例中，机器学习算法是神经网络。
[0083]
在示例中，机器学习算法是决策树算法。
[0084]
在示例中，多个非故障状态状况监测数据包括振动数据，并且多个故障状态状况监测数据包括振动数据。非故障状态状况监测数据到故障状态状况监测数据的转换可以包括：振动幅度峰值的增加。
[0085]
在示例中，非故障状态状况监测数据被表示为不同频率区间中的多个幅度。振动幅度峰值的增加可以包括：不同频率区间中的一个频率区间中的幅度的增加。
[0086]
在示例中，多个非故障状态状况监测数据包括振动数据，并且多个故障状态状况监测数据包括振动数据。非故障状态状况监测数据到故障状态状况监测数据的转换可以包括：振动幅度峰值的减小。
[0087]
在示例中，非故障状态状况监测数据被表示为不同频率区间中的多个幅度。振动幅度峰值的减小可以包括：不同频率区间中的一个振幅中的幅度的减小。
[0088]
在示例中，多个非故障状态状况监测数据包括振动数据，并且多个故障状态状况监测数据包括振动数据。非故障状态状况监测数据到故障状态状况监测数据的转换可以包括：振动幅度峰值的偏移。
[0089]
在示例中，非故障状态状况监测数据被表示为不同频率区间中的多个幅度。振动幅度峰值的偏移可以包括：不同频率区间中的第一频率区间中的幅度的增加以及不同频率区间中的第二频率区间中的幅度的相关联的减小。
[0090]
在示例中，非故障状态状况监测数据到故障状态状况监测数据的转换包括：总振动能量的保存。
[0091]
在示例中，非故障状态状况监测数据到故障状态状况监测数据的转换包括：总振动能量的改变。
[0092]
在示例中，多个非故障状态状况监测数据包括红外图像数据，并且多个故障状态状况监测数据包括红外图像数据。非故障状态状况监测数据到故障状态状况监测数据的转换可以包括：向非故障状态红外图像添加热点。
[0093]
在示例中，热点被添加在非故障状态红外图像内的随机位置处。
[0094]
在示例中，热点被添加在与经成像的对象的导电部分相关联的非故障状态红外图像内的位置处。
[0095]
在示例中，多个非故障状态状况监测数据包括可见图像数据，并且多个故障状态状况监测数据包括可见图像数据。非故障状态状况监测数据到故障状态状况监测数据的转
换可以包括：向非故障状态可见图像中的对象添加划痕或凹痕。
[0096]
在示例中，多个非故障状态状况监测数据包括电流数据，并且多个故障状态状况监测数据包括电流数据。非故障状态状况监测数据到故障状态状况监测数据的转换可以包括：使非故障状态电流数据中的电流值发生变化。
[0097]
在示例中，多个非故障状态状况监测数据包括电压数据，并且多个故障状态状况监测数据包括电压数据。非故障状态状况监测数据到故障状态状况监测数据的转换可以包括：使非故障状态电压数据中的电压值发生变化。
[0098]
因此，为了解决训练数据不平衡，生成类似于故障案例的数据并且该数据用于扩充训练数据。所生成的故障案例是所有可能故障的“超集”。附加地，数据中甚至可能存在一些在实际生活中永远不会发生的“故障模式”。然而，只要了解基本原理(“shotgun途径”)，就无需完全理解故障机制；并且如果使用在实际生活中实际上不会看到的训练数据，则这无关紧要，因为经训练的机器学习算法不会将这种不在实际生活中生成的数据指派给正在被测量的实际数据。重要的是，与故障相关联的经训练的数据具有足够的实际故障数据。因此，可以使用实际故障数据，并且如果有必要，则可以由人员检查根据实际数据生成的故障数据，以验证它是可能与实际故障相关联的数据。
[0099]
还可以通过以下示例对这种新概念进行解释：
[0100]
振动数据由不同频率区间的幅度列表组成。可以通过减少和/或增加特定区间来改变健康数据。可以保存或不保存全部数量的能量。众所周知，故障表现为峰值增加，有时还伴随着峰值偏移。对于与特定故障机制相对应的特定峰值的改变，存在很强的物理论据。可以考虑这些规则，但可以出于数据生成的目的对其进行简化。因此，实际故障将会是所有生成案例的子集。然而，由于“不切实际的”故障永远不会发生，所以它们不会对系统的性能产生负面影响。
[0101]
ir图像可以用于监测电气系统中的热点。检测热点并且将它们与正常发热区分开来对人类而言很容易。对于ai系统，这是一项图像识别任务。生成故障数据的一种方法是在对受监视系统拍摄的图像中随机添加具有视觉说服力的热点。在图1中，拍摄了一张健康图像。增强算法将该图像作为输入，选择随机点(可能通过一些指导)，并且通过非均匀地将值添加到局部温度来添加热点。虽然并非所有热点都对应于实际故障情形(例如，热点可能出现在非导电区域上)，但该算法将了解它必须寻找的内容。
[0102]
此外，电流数据和电压数据同样可以用于修改非故障数据以增强健康数据，以用于训练机器学习算法，该机器学习算法然后用于故障检测。
[0103]
虽然在附图和前述说明中对本发明进行了详细说明和描述，但这种说明和描述应被认为是说明性或示例性的而非限制性的。本发明不限于所公开的实施例。通过研究附图、公开内容和从属权利要求，本领域技术人员在实践所要求保护的发明时可以理解和实现所公开的实施例的其他变化。