[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN117648643A - 基于人工智能的索具预测性诊断方法及装置 - Google Patents

基于人工智能的索具预测性诊断方法及装置 Download PDF

Info

Publication number
CN117648643A
CN117648643A CN202410122466.2A CN202410122466A CN117648643A CN 117648643 A CN117648643 A CN 117648643A CN 202410122466 A CN202410122466 A CN 202410122466A CN 117648643 A CN117648643 A CN 117648643A
Authority
CN
China
Prior art keywords
preset
neural network
data
network
rigging
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202410122466.2A
Other languages
English (en)
Other versions
CN117648643B (zh
Inventor
杜大平
张体学
仇恒臣
王秀刚
秦威
张来星
卢勋
孟海亮
鲁延辉
刘运斌
高琰
王涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Shenli Rigging Co ltd
Original Assignee
Shandong Shenli Rigging Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shandong Shenli Rigging Co ltd filed Critical Shandong Shenli Rigging Co ltd
Priority to CN202410122466.2A priority Critical patent/CN117648643B/zh
Publication of CN117648643A publication Critical patent/CN117648643A/zh
Application granted granted Critical
Publication of CN117648643B publication Critical patent/CN117648643B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0418—Architecture, e.g. interconnection topology using chaos or fractal principles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/094—Adversarial learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明提供了一种基于人工智能的索具预测性诊断方法及装置，涉及数据识别技术领域，包括：获取目标索具的传感器数据；传感器数据包括传感器采集的目标索具在运行状态下的多维度信息；将传感器数据输入至预先训练好的故障预测模型中，输出对应的状态分类结果，进而对目标索具的损伤状态进行预测。其中，故障预测模型通过预设的分类器模型构建，且，构建分类器模型的训练样本集采用预设的智能自适应调节网络特征提取算法进行特征提取。基于此，本发明能够从数据中学习和提取关键特征，以及发现数据之间复杂的模式和关联能够对索具的未来状态进行预测，实现早期故障检测和预防性维护，大幅提高了维护效率并降低了维护成本。

Description

基于人工智能的索具预测性诊断方法及装置
技术领域
本发明涉及数据识别技术领域，尤其是涉及一种基于人工智能的索具预测性诊断方法及装置。
背景技术
本发明聚焦于索具预测性诊断方面。索具系统作为重要的工业组件，广泛应用于多种领域，如船舶、港口、建筑和运输等，其安全性和可靠性对于保障操作效率和防止事故发生至关重要。索具系统在使用过程中会受到多种物理、化学和环境因素的影响，如负载应力、疲劳、腐蚀及温度变化等，这些因素都可能导致性能下降甚至突发故障。传统的维护方法通常是基于经验和定期检查，这种方式不仅成本高昂，而且往往无法预见到突发的故障。
随着传感技术和人工智能的发展，现代索具系统开始采用各种传感器，如应力传感器、温度传感器和振动传感器，这些传感器可以实时监测索具的运行状况，生成大量的采集数据。这些数据具有多维度特征，能够反映索具系统的即时状态，为基于条件的监控提供了可能。然而，这也带来了如何有效处理和分析海量数据的挑战，传统的数据分析方法难以应对复杂和非线性的数据特性，且不能满足实时性的需求。
因此，本发明通过采用人工智能和机器学习技术，对采集到的数据进行高效处理和分析，旨在实现索具系统的预测性诊断。这种方法不仅能够处理大规模数据集，而且能够从数据中学习和提取关键特征，以及发现数据之间复杂的模式和关联。本发明能够对索具的未来状态进行预测，实现早期故障检测和预防性维护，大幅提高了维护效率并降低了维护成本。
发明内容
本发明的目的在于提供一种基于人工智能的索具预测性诊断方法及装置，能够对索具的未来状态进行预测，实现早期故障检测和预防性维护，大幅提高了维护效率并降低了维护成本。
第一方面，本发明提供了一种基于人工智能的索具预测性诊断方法，该方法包括：获取目标索具的传感器数据；传感器数据包括传感器采集的目标索具在运行状态下的多维度信息；将传感器数据输入至预先训练好的故障预测模型中，输出传感器数据对应的状态分类结果；根据状态分类结果，对目标索具的损伤状态进行预测；其中，故障预测模型通过预设的分类器模型构建，且，构建分类器模型的训练样本集采用预设的智能自适应调节网络特征提取算法进行特征提取；训练样本集包括多个样本数据，每个样本数据携带有索具在运行状态下的维度信息样本，以及，维度信息样本携带的状态标签。
第二方面，本发明提供了一种基于人工智能的索具预测性诊断装置，该装置包括：数据获取模块，用于获取目标索具的传感器数据；传感器数据包括传感器采集的目标索具在运行状态下的多维度信息；执行模块，用于将传感器数据输入至预先训练好的故障预测模型中，输出传感器数据对应的状态分类结果；输出模块，用于根据状态分类结果，对目标索具的损伤状态进行预测；其中，故障预测模型通过预设的分类器模型构建，且，构建分类器模型的训练样本集采用预设的智能自适应调节网络特征提取算法进行特征提取；训练样本集包括多个样本数据，每个样本数据携带有索具在运行状态下的维度信息样本，以及，维度信息样本携带的状态标签。
本发明实施例带来了以下有益效果：本发明提供一种基于人工智能的索具预测性诊断方法及装置，通过预先训练好的故障预测模型对目标索具的多维度信息进行处理，进而对目标索具的损伤状态进行预测，其中，利用安装在索具上的多种传感器综合采集物理、化学和环境属性等多维度信息，提供了更为全面的数据支撑，为预测性诊断提供了更加丰富的输入。通过多维度数据的综合分析，提供了更精确的索具运行状态预测，能够提高预测精度。
本发明的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本发明的上述技术即可得知。为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施方式，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于人工智能的索具预测性诊断方法的流程图；
图2为本发明实施例提供的另一种基于人工智能的索具预测性诊断方法的流程图；
图3为本发明实施例提供的一种特征提取神经网络的结构示意图；
图4为本发明实施例提供的另一种基于人工智能的索具预测性诊断方法的流程图；
图5为本发明实施例提供的一种基于人工智能的索具预测性诊断装置的结构示意图；
图6为本发明实施例提供的另一种基于人工智能的索具预测性诊断装置的结构示意图；
图7为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
基于上述问题，本发明实施例提供了一种基于人工智能的索具预测性诊断方法及装置，能够对索具的未来状态进行预测，实现早期故障检测和预防性维护，大幅提高了维护效率并降低了维护成本。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种基于人工智能的索具预测性诊断方法进行详细介绍，如图1所示，该方法包括如下具体步骤：
步骤S102，获取目标索具的传感器数据。
步骤S104，将传感器数据输入至预先训练好的故障预测模型中，输出传感器数据对应的状态分类结果。
步骤S106，根据状态分类结果，对目标索具的损伤状态进行预测。
本发明实施例通过模型对目标索具的传感器数据进行识别，确定状态分类结果，进而预测目标索具的损伤状态。既有技术可能主要依赖单一数据源或少数几个数据类型，缺乏对多维度信息的综合利用，这会限制了分析的全面性和准确性。其中，本发明实施例的传感器数据包括传感器采集的目标索具在运行状态下的多维度信息。本发明实施例对多维度信息的综合利用，能够对目标索具进行全面和准确的分析。
具体的，本发明的数据是通过在索具上安装的多种传感器进行采集得到，这些传感器能够捕捉索具在运行状态下的多维度信息，包括但不限于物理、化学和环境属性。其中，传感器包括多种类型，如应力传感器、温度传感器、振动传感器等，每种传感器针对其监测的物理量输出一个测量值。这些测量值通常是通过传感器的内置模数转换器转换得到的，转换的结果是可以直接进行数字化处理的数据。在一个实施例中，数据向量表示为，对应于以下属性：ax1：张力传感器读数，单位是牛顿(N)。ax2：温度传感器读数，单位是摄氏度(℃)。ax3：振动传感器读数，单位是赫兹(Hz)。ax4：化学传感器（如气体分析仪）读数，可能是特定气体的浓度比。ax5：疲劳监测传感器读数，无量纲指标。ax6：湿度传感器读数，单位是百分比(%)。ax7：外部温度传感器读数，单位是摄氏度(℃)。ax8：紫外线强度传感器读数，单位是W/m²。ax9：电导率传感器读数，单位是西门子每米(S/m)。ax10：质量流失传感器读数，单位是克每平方米(g/m²)。
因此，本实施例中的该条数据向量可以表示为：
=[ax1,ax2,ax3,ax4,ax5,ax6,ax7,ax8,ax9,ax10]
对应赋值后，可以表示为：
=[980.0,30.5,55.0,0.25,0.07,65.0,28.0,0.015,5.5,0.005]
进一步地，本发明实施例通过模型对多维度信息融合的数据进行识别，本发明实施例还可以通过改进的数据整合技术进行信息融合，如使用多模型集成学习方法，结合不同类型的机器学习模型来处理和融合数据。
进一步地，通过预先训练好的故障预测模型输出传感器数据对应的状态分类结果。本发明实施例的故障预测模型通过预设的分类器模型构建，且，构建分类器模型的训练样本集采用预设的智能自适应调节网络特征提取算法进行特征提取。其中，本发明实施例通过预设的智能自适应调节网络特征提取算法对传感器数据进行特征提取，得到传感器数据中的目标特征参数，其中，该算法能够模拟生物体神经调节机制的新型特征提取算法，它优化了传统神经网络的信息处理和自我调节过程，提高了特征提取的准确性和网络的自适应能力；再通过预设的分类器模型对目标特征参数进行分类，确定传感器数据对应的状态分类结果。
在具体实现时，本发明实施例利用训练好的故障预测模型，针对新采集的索具数据样本进行状态分类，从而实现对索具潜在问题的早期发现和预防性维护。其中，通过故障预测模型输出对应的状态分类结果对索具进行损伤预测。本发明实施例中，状态分类结果包括目标索具的状态类别。当得到对应的状态类别后，再确定状态类别所指示的索具损伤程度，之后，根据索具损伤程度，确定目标索具的损伤状态。
具体的，本发明实施例构建故障预测模型使用的训练样本集包括多个样本数据，每个样本数据携带有索具在运行状态下的维度信息样本，以及，维度信息样本携带的状态标签。对应于模型的训练阶段，本发明实施例在采集样本数据后，对样本数据进行标注，构建训练样本集，进而构建故障预测模型。在本发明实施例中，对采集到的数据进行标注，由专业维护人员根据经验、定期检查或通过更深入的材料检测来判定。每个数据向量与其对应的状态标签共同构成训练集的一个样本点。状态标签ay是一个分类变量，在一个实施例中，标签类型如下：ay=0：表示索具状态正常。ay=1：表示索具有轻微的磨损或损伤。ay=2：表示索具有明显的损伤需要维修。ay=3：表示索具损伤严重，可能需要更换。将与ay组合，得到完整的标注数据示例：
(,ay)=([980.0,30.5,55.0,0.25,0.07,65.0,28.0,0.015,5.5,0.005],1)
对应的，本发明实施例基于状态标签确定传感器数据的状态分类结果，也即，模型输出的结果为对应的状态类别，在一个实施例中，设新采集的索具数据样本为pX，该样本已经通过预处理和特征提取步骤转换成了模型输入格式。进一步地使用训练好的模型eM来对pX进行预测分类。其类别可能包括以下：ay=0：表示索具状态正常。ay=1：表示索具有轻微的磨损或损伤。ay=2：表示索具有明显的损伤需要维修。ay=3：表示索具损伤严重，可能需要更换。当输出状态类别后，则可以根据该状态类别所指示的索具损伤程度确定目标索具的损伤状态。
其中，在数据标注完成之后，进行数据的预处理，以确保数据质量，提高算法的准确性和鲁棒性。进一步地，为了保证数据质量，本发明实施例在获取目标索具的传感器数据后，也可以对传感器数据进行预处理。本发明实施例的预处理步骤如下：
首先进行数据清洗，在一个实施例中，对于从索具传感器收集到的数据，通过数据清洗去除明显的错误值和异常点。具体的，定义异常点检测函数，其目标是识别和处理超出物理限制或统计阈值的读数，则异常点检测的方式可以表示为：
其中，是传感器的读数，是的长期平均值，是的标准偏差，是根据传感器类型和历史数据确定的阈值系数。进一步地，将检测为异常的数据进行删除。进一步地，进行数据标准化处理，标准化是将数据缩放到一个共同的尺度，以便在不同的指标间进行比较。本发明采用bscale(axi)函数来实现此目的，标准化公式可以表示为：
其中，axi是清洗后的传感器的读数，min(ax)和max(ax)分别是在训练集中传感器i读数的最小值和最大值。
进一步地，进行缺失值处理。在索具数据集中，可能存在由于传感器故障或传输错误导致的缺失值。本发明引入bimpute(axi)函数来处理这些缺失值，缺失值插补公式可以表示为：
其中，axi是传感器i的读数，是根据相关传感器数据或历史趋势估算的值。
本发明实施例提供的一种基于人工智能的索具预测性诊断方法，通过预先训练好的故障预测模型对目标索具的多维度信息进行处理，进而对目标索具的损伤状态进行预测，其中，利用安装在索具上的多种传感器综合采集物理、化学和环境属性等多维度信息，提供了更为全面的数据支撑，为预测性诊断提供了更加丰富的输入。通过多维度数据的综合分析，提供了更精确的索具运行状态预测，能够提高预测精度。
进一步地，现有技术的特征提取不够智能化：传统的特征提取方法可能没有充分模拟生物体的神经调节机制，可能在特征提取过程中效率不高，自适应能力弱。此外，模型泛化能力有限：现有的技术可能依赖于简单的网络结构，未能有效限制神经元间的参与度，导致模型对训练数据过拟合，泛化能力不足。还存在梯度问题处理不足的问题：在深度学习模型的训练中，梯度爆炸或消失是一个常见问题。现有技术可能未能有效应对这一问题，导致训练不稳定。进一步地，缺少有效的早停机制：现有技术可能没有有效的机制来监控模型的泛化能力，并在适当时候停止训练，从而防止过拟合。
基于此，在上述实施例的基础上，本发明实施例还提供了另一种基于人工智能的索具预测性诊断方法，通过融合不同来源和类型的数据，采用了高效的方法来处理和整合这些信息，以便更好地理解或分析数据。其中，主要对故障预测模型的训练过程进行说明。本发明实施例的故障预测模型通过预设的分类器模型构建，且，构建分类器模型的训练样本集采用预设的智能自适应调节网络特征提取算法进行特征提取。在具体实现时，本发明实施例首先构建训练样本集，并使用预设的智能自适应调节网络特征提取算法对训练样本集进行特征提取，之后，使用特征提取后的样本构建分类器模型。
本发明实施例通过采用人工智能和机器学习技术，对数据进行高效处理和分析，旨在实现索具系统的预测性诊断。这种方法不仅能够处理大规模数据集，而且能够从数据中学习和提取关键特征，以及发现数据之间复杂的模式和关联。通过对数据的预处理、特征提取、模型训练和分类器算法的应用，本发明能够对索具的未来状态进行预测，实现早期故障检测和预防性维护，大幅提高了维护效率并降低了维护成本。具体的，图2示出了本发明实施例提供的另一种基于人工智能的索具预测性诊断方法的流程图，如图2所示，该方法包括以下步骤：
步骤S200，获取预设的训练样本集。
步骤S202，将预设的训练样本集输入至预设的特征提取神经网络中，输出训练样本集对应的初始提取特征。
其中，本发明的特征提取神经网络包括输入层、第一隐藏层、第二隐藏层和第三隐藏层，结构如下：输入层：包含Nin个神经元，其中Nin为输入到神经网络的数据的拉伸为一维向量后的维度。第一隐藏层：第一隐藏层每层有128个神经元。使用ReLU作为激活函数。第二隐藏层：第一隐藏层每层有256个神经元。使用ReLU作为激活函数。第三隐藏层：第一隐藏层每层有100个神经元。使用ReLU作为激活函数。权重和偏置参数初始化的方式为使用Xavier初始化。参照图3，图3示出了本发明实施例提供的一种特征提取神经网络的结构示意图。
本发明实施例通过特征提取神经网络进行特征提取，并提出一种智能自适应调节网络特征提取算法，借鉴了生物体的神经调节机制，特别是神经递质的释放与回收过程，以及神经系统在环境压力下的自适应与再平衡机制。生物神经系统通过神经递质的多样性和复杂的反馈机制进行信息处理，而这个过程不仅是一个信号传导过程，同时也是一个优化和自我调节的过程。智能自适应调节网络模拟此机制，通过一系列内部调节因子模拟神经递质的作用，利用这些调节因子对网络参数进行动态调整，从而在非梯度的环境中实现神经网络的优化。此外，在该网络中，参数更新不再依赖于梯度下降，而是通过一种内部生成的调节信号，类似于生物体内激素水平的变化，来动态调整网络权重和偏置。同时，每个神经元内部含有一个评估模块，类似于生物神经元的活性状态评估，根据输入信号的强度和频率调整自身的活性状态，影响其对后续层神经元的激活能力。
在具体实现时，本发明实施例包括：1、对参数进行多尺度初始化：通过不同尺度设置不同粒度的初始参数，以适应不同速率的变化。2、动态拓扑调整：根据网络的当前误差和拓扑参数动态调整网络结构。3、内部调节信号复杂化：合成多种内部生成的信号，如模拟神经递质和激素水平，以调节网络行为。4、进化学习周期：通过自然选择类似的机制，淘汰性能不佳的连接和神经元。5、混沌调节模块：利用混沌理论引入不确定性，以探索更广阔的解空间。6、多维度反馈调节：对输出误差进行多维度处理，影响网络的不同方面。7、周期性重构与自我监督：根据长期性能数据进行网络重构，并采用基于历史最优权重的记忆保持机制。
具体的，本发明实施例的特征提取神经网络包括通过预设的多尺度策略初始化的神经网络参数。神经网络参数初始化是深度学习中的关键步骤之一。它涉及设置神经网络中的权重和偏置的初始值。参数初始化的选择和设置对于网络的训练和性能具有重要影响。在训练过程中，本发明实施例首先对神经网络参数进行多尺度初始化。具体的，多尺度初始化过程包括：尺度分层：初始化权重和偏置时，通过不同的尺度（小尺度针对快速变化，大尺度针对慢变化特性）产生不同粒度的初始参数。通过在初始化阶段引入不同尺度的参数，使网络能够更有效地应对和学习具有不同变化速度和特性的数据。小尺度参数专注于捕捉快速、细致的变化，而大尺度参数更适合处理慢速、全局的特征。多尺度初始化的方法不仅提高了网络的适应性和学习效率，还有助于减少过拟合的风险，并使网络能够在更广泛的参数空间内探索，从而找到更优的参数组合。
具体的，在初始化过程中，权重w和偏置b通过多尺度策略来设定。设定小尺度参数ws和大尺度参数wl：
1）对于小尺度参数，设定初始权重为，其中是学习率，是均值为0，方差为的高斯分布。
2）对于大尺度参数，设定初始权重为，其中。
则，初始权重的方式可以表示为：w=α×ws+(1-α)×wl；其中，是控制小尺度和大尺度贡献的混合参数。
进一步地，定义小尺度和大尺度参数的具体形式。小尺度参数ws主要关注高频细节，而大尺度参数wl关注低频的全局信息：
1）小尺度初始化系数定义为，其中为输入到神经元的连接数。2）大尺度初始化系数定义为，以提供更宽的搜索空间。其中，为输入到神经元的连接数，为神经网络的权重参数，为神经网络的偏置参数，为标准差，用于定义权重的初始化范围。为小尺度参数，关注细节特征。为大尺度参数，关注全局特征。为小尺度初始化系数。为大尺度初始化系数。
进一步地，由包含当前神经网络参数的特征提取神经网络输出训练样本集对应的初始提取特征，并基于初始提取特征，对特征提取神经网络进行优化，从而在满足优化要求时，通过该特征提取神经网络进行特征提取。
步骤S204，确定初始提取特征对应的提取误差，并对提取误差进行多维度处理，确定初始提取特征对应的误差向量。
得到初始提取特征后，确定对应的提取误差。其中，通过预设的Softmax分类函数确定提取误差。本发明实施例对输出的误差不再单一地反馈给网络，而是经过多维度的加工处理，从而对神经网络进行多维度反馈调节，分别影响网络的不同方面，如参数更新速率、学习率、拓扑结构调整等。本发明实施例的多维度反馈调节通过对输出误差在多个维度上的精细处理，来增强网络的适应性、优化学习过程，并减少过拟合的风险，使网络能够对学习率和权重更新速率进行更为精确的调整，从而提高整体的学习效率和性能。
具体的，误差多维度处理可以表示为：；其中，是经过多维度处理的误差向量，是第维上的误差处理结果。更新规则为：
其中，是控制第维度反馈强度的系数，是第维度误差关于权重的梯度。
进一步地，多维度误差处理结果定义为每个输出节点的误差，与目标值的差值的平方和：
其中，是第维度的第个输出节点的预测值，是相应的目标值，是输出节点的总数。为第维度的误差。
步骤S206，根据误差向量和预设的调节信号，对特征提取神经网络的神经网络参数和网络拓扑结构进行自适应调节。
进一步地，根据多维度加工处理得到的误差向量对特征提取神经网络进行优化。其中，在每次迭代后，不仅进行参数更新，还进行网络拓扑结构的评估，决定是否需要添加或剪枝神经元及连接。
1）根据误差向量对特征提取神经网络的网络拓扑结构进行自适应调节的步骤，包括：根据特征提取神经网络的网络复杂度和性能，定义对应的拓扑评估函数；根据误差向量和网络拓扑评估函数，计算特征提取神经网络的网络拓扑结构对应的拓扑调整量，并根据拓扑调整量对特征提取神经网络的神经元和连接进行调整。在具体实现时，设定网络拓扑评估函数，其中是网络的当前误差，是拓扑参数（例如神经元数量和层次）。调整拓扑的策略可以表示为：
p'=p+Δp(e,)
其中，是依据误差和拓扑评估函数梯度计算得到的拓扑调整量。进一步地，定义拓扑评估函数为一个涉及网络复杂度和性能的多元函数，可以表示为：
T(e,p)=γ×e+δ×C(p)
其中，和分别衡量误差和网络复杂度的权重，C(p)是一个衡量网络复杂度的函数，在一个实施例中，其受参数数量、连接密度等进行限定。为拓扑评估函数，涉及误差和网络复杂度。为网络误差。为网络性能指标。为权重参数，用于平衡误差在评估中的影响。为权重参数，用于平衡网络复杂度在评估中的影响。C(p)为网络复杂度评估函数。
2）根据误差向量，对特征提取神经网络的神经网络参数进行自适应调节的步骤，包括：根据误差向量，计算特征提取神经网络的神经网络参数对应于误差向量的误差梯度；基于误差梯度、预设的调节信号和预设的随机变异因素，对神经网络参数按照预先确定的参数更新路径进行参数更新。
在具体实现时，本发明实施例不仅考虑当前的梯度，还引入随机变异因素进行参数更新。且，设计有调节信号进行参数调整，并使参数按照预先确定的参数更新路径进行参数更新，实现对参数更为精确的调整，以提升神经网络整体的性能。其中，参数更新路径是通过对特征提取神经网络的预设状态映射到混沌态后计算的。
在具体实现时，本发明实施例通过混沌理论，将网络的某些状态映射到混沌态，在确定的参数更新路径中引入不确定性，以探索更广阔的解空间。此外，混沌状态下的网络部分会尝试与其他部分的微分状态同步，借鉴生物体内部器官间的协调作用。具体的，设定混沌映射函数C(w')。通过混沌映射更新权重，可以表示为：
w''=w'+η×(C(w' )-w' )
其中，混沌映射函数引入不确定性，增加搜索空间的多样性。进一步地，混沌映射函数基于混沌理论，其形式可以表示为：
C(w' )=λ×w'×(1-w' )
其中，是控制混沌动态的参数，其值通常设定在混沌区间内，如3.57<<4。C(w')为混沌映射函数。
对于神经网络参数的更新，本发明实施例还设计有进化学习周期。具体的，网络的连接和神经元类似于生物体中的基因，它们通过一定的规则进行“进化”，即，每个迭代周期中，性能不佳的连接和神经元将会失效，以适应环境并提升性能。在每个迭代周期中，网络会经历一次“生存竞争”，类似生物进化中的自然选择，性能不佳的连接和神经元会被削弱或淘汰。权重更新不仅考虑当前的梯度，还引入随机变异因素，权重更新的方式可以表示为：
w'=w-η×+μ×R(w)×s
其中，是更新后的权重，是学习率，是关于权重的误差梯度，是权重的随机变异函数；是预设的调节信号，也即，本发明实施例还基于预设的调节信号调整神经网络参数。随机变异因素是一个0到1之间的随机数值，其作用为控制随机变异函数的影响大小。进一步地，随机变异函数为某个概率分布下的随机采样，可以表示为：
R(w' )=ξ×
其中，是一个控制变异程度的系数，是均值为0，方差为的高斯分布。为随机变异函数。为高斯分布的标准差，控制变异范围。
对于上述调节信号，本发明实施例对内部调节信号复杂化设计。调节信号不再是单一的，而是多种内部生成的信号合成，包括但不限于模拟神经递质、激素水平等。在一个实施例中，这些内部信号通过一个独立的小型神经网络（信号调制网络）进行加工处理，输出最终的调节信号。具体的，调节信号合成函数为，其中代表第个内部信号，合成调节信号为，可以表示为：；其中，是Sigmoid非线性函数，用于模拟信号处理过程。
进一步地，内部调节信号的复合函数是一个多元非线性函数，可以表示为：
其中，是调节第个内部信号强度的系数，是双曲正切激活函数，用于引入非线性动态。为内部调节信号的复合函数。为第个内部信号。
步骤S208，直到误差向量满足预设的误差要求，以及，网络拓扑结构和神经网络参数满足预设的周期性评估要求，将当前特征提取神经网络的输出确定为构建分类器模型的训练样本集。
通过上述步骤实现智能自适应调节网络特征提取算法进行特征提取的过程，直到特征提取神经网络对应的误差向量满足误差要求，并且，网络拓扑结构和神经网络参数满足预设的周期性评估要求时，可以通过当前特征提取神经网络进行特征提取，以得到构建分类器模型的训练样本集。
在具体实现时，本发明实施例对特征提取神经网络进行周期性重构与自我监督。其中，周期性地对网络结构和参数进行全面评估，根据长期性能数据决定是否进行大规模的网络重构。具体的，网络重构和记忆保持机制可以表示为：
其中，是重构函数，是记忆保持机制，是网络的历史性能反馈。进一步地，记忆保持机制是一个基于历史最优权重的指数衰减模型，可以表示为：
其中，是历史上表现最佳的权重，是衰减系数，用于调节历史信息的保留程度。为记忆保持机制函数。
进一步地，通过特征提取后的训练样本集构建分类器模型。其中，本发明提出一种基于参与度限制的高阶神经网络，该网络通过结构风险最小化的策略和高阶联结模式来提升索具数据的分类性能。算法的核心在于限制神经元间的参与度，即每个神经元在对网络决策的贡献上设有限制，避免过分依赖某些神经元，从而提高了网络的泛化能力。同时，为了进一步增强模型的泛化能力，本发明引入一个动态参与度调整机制，该机制根据每个神经元在训练过程中的表现动态调整其参与度，从而确保所有神经元在模型训练中发挥作用，避免某些神经元过度活跃而其他神经元处于沉默状态，有利于模型捕捉更加复杂和微妙的数据特征，提升分类精度。
在具体实现时，通过下述步骤S210-S218构建分类器模型。
步骤S210，将预设的训练样本集输入至预设的高阶神经网络中，对训练样本集进行高阶特征映射，确定高维特征空间的特征参数。
在具体实现时，对于高阶神经网络，本发明实施例先进行网络初始化。其中，初始化网络结构，包括高阶联结和神经元层级。即，初始化权重矩阵和参与度矩阵，其中权重矩阵包含了更高阶的交互项。具体的，设为输入数据向量，初始化权重矩阵为，高阶参与度矩阵为。和的维度取决于输入的维度及网络的复杂度。本发明实施例采用高斯分布来初始化和，可以表示为：
同时，定义为能量函数，用于描述整个系统的能量状态，其值越低表示网络的稳定性越高。为高阶神经网络中的权重矩阵，用于连接神经元并传递信号。为输入数据，经过特征提取后用于训练高阶神经网络的数据。为激活函数，用于增加神经网络的非线性。为时间步长，用于累积梯度更新中考虑历史信息的时间窗口大小。为权重更新值，是根据梯度计算出来的，用于在训练过程中调整eW。gij(t)为在时间步的权重eWij的梯度。αk为模型集成中第k个模型的权重，常基于模型的性能分配。yk为第k个模型的输出。yensemble为模型集成后的最终输出。
为预测误差损失，衡量模型预测与真实标签之间的差异。为数据点的数量。为类别数。yij为真实标签的独热编码，第个样本属于第类时为1，否则为0。pij为模型预测第i个样本属于第j类的概率。为网络复杂度损失，用于惩罚过于复杂的网络结构，防止过拟合。为的L2范数，计算所有元素的平方和。为参与度损失，确保模型中不同特征的参与度平衡。为参与度矩阵，反映特征在分类决策中的重要性。为的Frobenius范数，计算所有元素的平方和。
进一步地，进行高阶特征映射。采用一个多项式映射函数，将输入特征转换到一个更高维的特征空间，以捕捉输入数据间的复杂关系。定义一个多项式映射，将eX映射到高维空间，得到高维特征空间的特征参数，可以表示为：
映射后的特征将用于捕捉输入数据间的非线性关系。
步骤S212，对高维特征空间的特征参数进行前向传播。
步骤S214，基于前向传播，计算高阶神经网络对应的损失函数。
得到高维特征空间的特征参数后，对其进行前向传播，并计算损失函数。本发明实施例的损失函数为包含多个项的复杂损失函数，多个项包括预测误差、网络复杂度和动态参与度的损失。
在具体实现时，本发明提出一个包含多个项的复杂损失函数，这包括预测误差、网络复杂度、以及动态参与度的损失。具体的，设定损失函数包含三个部分：预测误差，网络复杂度，参与度损失，则损失函数可以表示为：
进一步地，预测误差是指模型的预测输出与真实标签之间的差异。本发明的预测误差可以表示为：
其中，是数据点的数量，是类别数，yij是第个数据点的真实标签在第类的指示（0或1），pij是模型预测第i个数据点属于第j类的概率。
进一步地，网络复杂度旨在量化模型的复杂度，以避免过拟合。本发明提出的复杂度度量是权重的L2范数，即：
这种正则化可以促使模型学习更小、更平滑的权重，从而提高泛化能力。进一步地，参与度损失用于确保高阶参与度矩阵中的值不会变得太极端，导致某些特征对分类决策的贡献过大或过小。本发明用参与度矩阵的Frobenius范数来衡量，可以表示为：
此外，本发明实施例的高阶神经网络包括多个神经元，每个神经元对应有预设的参与度。在具体实现时，本发明实施例通过一个辅助网络来决定每个神经元的参与度。
步骤S216，基于损失函数和高阶神经网络的当前能量状态，对高阶神经网络的神经元的参与度、学习率和高阶神经网络的权重进行迭代。
进一步地，上述参与度通过预设的动态参与度配置机制确定。本发明实施例引入一个动态参与度调整机制，该机制根据每个神经元在训练过程中的表现动态调整其参与度，从而确保所有神经元在模型训练中发挥作用，避免某些神经元过度活跃而其他神经元处于沉默状态，有利于模型捕捉更加复杂和微妙的数据特征，提升分类精度。其中，本发明实施例通过预设的辅助网络对高阶神经网络的神经元的参与度进行调整，辅助网络的训练基于网络的当前状态和历史表现。具体的，设辅助网络的权重为，用辅助网络输出动态调整，可以表示为：
辅助网络也是通过训练得到，可以采用反向传播算法优化。
进一步地，本发明实施例还基于损失函数，对高阶神经网络的学习率进行自适应调整。具体的，本发明实施例引入自适应学习率机制，基于网络的当前性能和梯度大小动态调整学习率。具体的，根据网络的性能，调整学习率的方式可以表示为：
其中是初始学习率，是衰减率，是迭代次数。
此外，根据高阶神经网络的当前权重，计算高阶神经网络的能量状态；根据学习率和能量状态的梯度计算初始更新权重，并对初始更新权重引入预设的衰减因子和正则化项，确定高阶神经网络的更新权重。
本发明实施例实施一个能量函数，根据当前的权重和输入数据计算网络的能量状态。能量状态将决定神经元的激活和抑制，模拟生物神经网络的激活模式。定义能量函数为：
能量最小化将驱动前向传播过程。对应的，可以确定初始更新权重。
进一步地，训练过程中引入权重衰减和L1/L2正则化来避免过拟合。权重更新时加入衰减因子和正则化项，可以表示为：
其中，为正则化项。进一步地，在进行权重更新时，对于能量函数的梯度可以表示为：
进一步地，在后向传播中，对于梯度的计算引入梯度剪切来避免梯度爆炸。本发明引入梯度累积的概念，允许在一定时间窗口内累积梯度，然后进行权重更新，这可以稳定训练过程。具体的，如果梯度大于阈值，进行剪切，可以表示为：
进一步地，梯度累积则是将一段时间内的梯度相加后再更新，可以表示为：
累积梯度是为了在一定时间范围内平滑梯度，避免过大的波动。其公式可以表示为：
其中，gij(t)是第个时间步对应的权重eWij的梯度。
步骤S218，直到高阶神经网络满足预设的验证条件，根据当前高阶神经网络构建分类器模型。
其中，本发明实施例使用交叉验证来监控模型的泛化能力，并采用早停策略来避免过拟合。进一步地，本发明实施例通过该分类器模型对传感器数据对应的目标特征参数进行分类，确定传感器数据对应的状态分类结果。该分类器模型为基于参与度限制的高阶神经网络构建，且，通过结构风险最小化的策略和高阶联结模式对目标特征参数进行分类。该算法的核心在于限制神经元间的参与度，即每个神经元在对网络决策的贡献上设有限制，避免过分依赖某些神经元，从而提高了网络的泛化能力。该网络通过结构风险最小化的策略和高阶联结模式来提升索具数据的分类性能。
基于上述实施例，本发明实施例提供的另一种基于人工智能的索具预测性诊断方法，还包括以下技术效果：
1）提升自适应调节能力：模拟生物神经调节机制的算法使得特征提取过程更加高效，提高了算法的自适应调节能力。其中，包括智能化特征提取机制：采用了自动化的特征提取技术，减少了手动特征工程的需求，能够识别并提取最有用的特征用于后续的模型训练和分析。并涉及智能自适应调节网络特征提取算法：模拟生物体神经调节机制的新型特征提取算法，它优化了传统神经网络的信息处理和自我调节过程，提高了特征提取的准确性和网络的自适应能力。
2）还能够增强泛化能力：通过参与度限制和高阶特征映射，模型可以捕获更复杂的数据特征，增强了模型的泛化能力，减少了过拟合的风险。其中，提出基于参与度限制的高阶神经网络：在分类器设计上，通过限制神经元间的参与度，本发明的网络能够防止对单个神经元的过分依赖，提高了模型的泛化能力，同时引入动态参与度调整机制来增强模型的自适应性。并包括高阶特征映射和梯度剪切与累积：高阶特征映射可以捕获输入数据间的复杂关系，梯度剪切与累积避免了梯度爆炸问题，稳定了训练过程。
3）此外，还设计有模型验证与早停机制：使用交叉验证监控模型泛化能力，并采用早停策略避免过拟合。早停机制以防止过拟合：设计了一种有效的早停机制，可以在模型训练过程中及时停止以避免过拟合，提升模型的泛化能力。
4）有效处理梯度消失或爆炸问题：通过算法上的创新，解决了在深度学习中常见的梯度消失或爆炸问题，提高了模型训练的稳定性和效率。
进一步地，在上述实施例的基础上，本发明实施例还提供另一种基于人工智能的索具预测性诊断方法，该方法主要对训练样本集的构建方法进行说明，图4示出了本发明实施例提供的另一种基于人工智能的索具预测性诊断方法的流程图，如图4所示，该方法包括以下步骤：
步骤S11，获取对索具预先采集的传感器数据集。
步骤S12，对传感器数据集进行标注，生成传感器数据集对应的状态标签。
步骤S13，基于状态标签和传感器数据集构建初始样本集，并通过预设的生成对抗网络算法对初始样本集进行数据扩充，生成扩充样本。
步骤S14，根据扩充样本和初始样本集构建训练样本集。
对传感器数据集进行标注的步骤参照上述实施例公开的内容，基于此，得到初始样本集。在一个实施例中，标签类型如下：ay=0：表示索具状态正常。ay=1：表示索具有轻微的磨损或损伤。ay=2：表示索具有明显的损伤需要维修。ay=3：表示索具损伤严重，可能需要更换。将与ay组合，得到完整的标注数据示例：
(,ay)=([980.0,30.5,55.0,0.25,0.07,65.0,28.0,0.015,5.5,0.005],1)
进一步地，本发明实施例对初始样本集进行样本扩充，进而构建训练样本集。具体地，本发明实施例通过预设的生成对抗网络算法对初始样本集进行数据扩充。可以理解的是，数据的采集、标注和预处理是十分耗时耗力的，且若训练样本不足，也会导致模型的泛化能力差。
其中，传统生成算法效率低下：现有的生成对抗网络在参数更新时可能过度依赖于传统的梯度下降方法，这可能导致训练效率低下、收敛速度慢，以及稳定性不足。此外，还缺乏物理特性融合：在生成数据时，可能忽视了与实际物理模型的融合，使得生成的数据与真实情况存在偏差，影响了数据的可信度和应用价值。对应的，本发明提出一种基于拟牛顿法的生成对抗网络算法进行数据扩充，以便更好地适应索具预测性诊断任务。
生成对抗网络是由两个相互竞争的网络组成的，一个是生成器（G），负责生成数据；另一个是鉴别器（D），负责判断数据是真实的还是由生成器生成的。生成对抗网络的训练过程是一个动态的博弈过程，生成器不断学习如何生成越来越真实的数据，而鉴别器则学习如何更好地区分真实数据与生成数据。但是，传统生成对抗网络使用梯度下降方法进行参数更新，迭代次数多，训练速度慢。
本发明使用拟牛顿法进行参数更新，能够在更新生成器的参数时能更快地收敛，并保持稳定性。此外，本发明对生成器和鉴别器的结构进行改进，引入多层次的反馈循环，并添加条件约束，以便更紧密地模拟索具数据的内在复杂性。同时，在生成过程中融合索具数据的物理模型，使得生成的数据不仅在统计特性上与真实数据相似，同时也在物理特性上更接近现实。在具体实现时，生成扩充样本的步骤，包括：
1）将初始样本集输入至预设的生成对抗网络中，进行前向传播，得到假数据，以及假数据对应的鉴别概率。
首先，本发明实施例先对生成对抗网络初始化，设定生成器和鉴别器的初始参数。其中，本发明实施例采用较小的随机值，确保算法的随机性和探索性。具体的，初始化生成器和鉴别器的参数如下：生成器参数：，其中是生成器参数的数量。鉴别器参数：，其中，是鉴别器参数的数量。生成器参数和鉴别器参数是从一个高斯分布中随机采样得到的。
进一步地，进行前向传播，得到假数据和对应的鉴别概率。生成器接收一个随机噪声向量，通过多层网络生成数据样本。即，生成器G接收一个随机噪声向量，通过生成器网络得到假数据。鉴别器分别对来自生成器的假数据和真实数据进行评分。即，鉴别器D对生成的假数据和真实数据进行评分，输出概率和。
2）根据鉴别概率，计算生成对抗网络对应的损失函数，并根据鉴别概率，对生成对抗网络的生成器进行自我调整。
在具体实现时，本发明实施例在生成对抗网络的损失函数中引入条件约束，这些约束来源于索具数据的特性和设备的运行状态，使得生成的数据更加符合索具的实际情况。具体的，在损失函数中引入条件约束，则修改后的生成器损失函数可以表示为：
进一步地，修改后的鉴别器损失函数：
生成器的损失函数定义为：
其中，表示期望，pz表示噪声数据分布，D(G(z))表示鉴别器对生成器生成的数据的评分。
鉴别器的损失函数LD定义为：
其中，是真实数据分布。基于此，总体损失函数定义如下：
其中，是判别器，是生成器，是根据生成样本和真实样本差异动态调整的函数，是的参数，进一步地，该损失函数受影响，可以进行动态损失调整，且定义如下：
其中，是度量生成样本和真实样本之间差异的函数，是控制函数敏感度的参数。即，在生成样本与真实样本差异较大时，损失函数能够更加“宽容”，以促进探索；而当生成样本与真实样本足够接近时，损失函数则变得“严格”，以细化生成样本的质量。
同时，还需要对进行动态调整，设的更新依赖于一个全局指标，其度量了整体生成样本与真实样本的差异，可以表示为：
进一步地，定义的更新规则为：
其中，αas是学习率， (t)和Ψ(t)分别是第轮迭代后的值和Ψ值。当的值减少（即生成样本的质量在提高）时，增加，使损失函数更加严格；反之，当增加时，减少，使损失函数更加宽容。
进一步地，本发明实施例在生成器和鉴别器之间引入反馈机制，生成器可以根据鉴别器的评分进行自我调整。具体的，反馈调整机制可以表达为生成器的损失函数加入鉴别器评分的反馈，生成器损失函数包含鉴别器反馈，表示如下：
其中，是一个关于鉴别器输出的反馈调整函数，用来调整生成器的损失。进一步地，反馈调整函数定义为：
f(x)=-βlog(x)
其中，表示鉴别器的输出，是一个超参数，用于调节反馈强度。进一步地，鉴别器的反馈用于优化生成器的生成过程，以产生更符合实际分布的数据。
3）判断损失函数是否收敛，如果否，应用预设的拟牛顿法对生成对抗网络的参数进行更新，确定新的假数据。
具体的，对于生成器和鉴别器的参数，应用拟牛顿法进行更新。其中，对于生成器的参数更新，采用拟牛顿法中的BFGS公式进行更新，可以表示为：
其中，是近似Hessian矩阵的逆，是损失函数，是学习率，是当前迭代次数。是潜在变量向量，从正态分布中采样，用作生成对抗网络中生成器的输入。进一步地，鉴别器参数更新公式为：
其中，是鉴别器的近似Hessian矩阵的逆，代表从传感器采集的索具数据的属性或特征向量。
进一步地，Hessian矩阵的逆可以通过以下迭代公式更新：
对于生成器，设：
则：
同样地，鉴别器的Hessian矩阵的逆更新公式为：
其中，为在某次迭代中生成器的参数向量，为第次迭代时生成器的参数向量，为连续两次迭代中损失函数对生成器参数梯度差的差，为连续两次迭代中生成器参数向量的差，为第次迭代时生成器的逆海森矩阵近似，为单位矩阵。cd为在某次迭代中鉴别器的参数向量，为第次迭代时鉴别器的参数向量，为连续两次迭代中损失函数对鉴别器参数梯度差的差，为连续两次迭代中鉴别器参数向量的差，为第次迭代时鉴别器的逆海森矩阵近似。进一步地，利用当前的梯度信息和历史梯度信息估算Hessian矩阵，加速学习过程。
对生成器和鉴别器的参数更新后，生成新的假数据，直到损失函数收敛。其中，本发明实施例的假数据基于预设的索具物理模型生成，且，用于生成假数据的噪声根据当前假数据的状态进行自我调整。
具体地，本发明实施例将索具数据的物理特性模型融入生成过程，调整生成数据，使其不仅在分布上，也在物理特性上接近真实数据。具体的，物理特性融合可以通过条件约束来实现，引入索具的物理模型，则约束函数可以表示为：
C(cx)=λ(cx-M(cx))2
其中，是约束系数，用于调整物理模型约束的强度。约束系数通过交叉验证来选择一个使模型性能最优的值。进一步地，除第一次迭代时，噪声为随机初始化的方式生成。在之后每次迭代中，噪声不仅仅是从固定分布中抽样，而是根据当前生成样本的状态进行自我调整。具体的，定义噪声调整函数为，它将当前迭代的生成样本作为输入，并输出调整后的噪声。噪声调整函数的作用是根据当前生成样本的特性来调整噪声分布的参数，如均值和方差。噪声的获得方式可以表示为：
其中，是噪声调整函数的参数集。进一步地，为了使噪声调整函数适应生成样本的特性，需要定义一个学习目标，本发明使用生成样本和真实样本之间差异的度量来指导的学习。定义目标函数为：
其中，是度量生成样本和真实样本之间差异的函数，可以使用均方误差或其他距离度量。进一步地，优化，首先计算对的梯度,可以表示为：
由于d和f可能是非线性函数，直接计算上述期望的梯度可能非常困难。因此，采用蒙特卡洛采样方法来近似这个梯度：
其中，是从噪声分布中抽取的样本，是从真实数据分布中抽取的样本。
进一步地，通过迭代更新来最小化，以让噪声调整函数学会基于生成样本的状态调整噪声分布，进而增强生成器的表现。
4）直到损失函数收敛，根据预设的筛选阈值对当前假数据进行筛选，并将保留的假数据确定为初始样本集对应的扩充样本。
不断重复上述步骤，直到达到预设的迭代次数。此外，本发明实施例还对生成的数据进行筛选，剔除那些不满足物理约束或条件约束的数据，以确保数据质量。具体的，对于生成器产生的数据，需要确保它们满足索具的物理特性，因此需要对生成数据进行后处理和筛选，后处理函数可以表示为：
其中，是一个阈值，用于决定何时保留或丢弃数据，由人为预设。在一个实施例中，可以为0.5。
综上，本发明实施例提供的另一种基于人工智能的索具预测性诊断方法，包括以下技术效果：
1）模型泛化能力的强化：强化了模型在新领域或数据集上的泛化能力，使其能够在不同的应用环境中都保持较高的性能。其中，设计有物理特性融合的数据生成：在数据生成过程中，本发明不仅追求数据的统计特性与真实数据相似，还通过融合索具的物理模型，将物理特性与数据的深度融合，将物理学原理或物理特性与数据处理相结合，这在模型训练时能增加额外的约束，增强了生成数据的现实性，提高了数据扩充的质量，并提高模型预测的准确性和可靠性。
2）增强模型鲁棒性：通过引入物理模型和拟牛顿法的生成对抗网络，生成的数据更加接近真实情况，提高了模型在处理真实世界数据时的鲁棒性。其中，提出改进的生成对抗网络：创新性地使用了生成对抗网络来生成或增强数据。这可能涉及到网络架构的改进，以增强网络的稳定性和生成数据的质量。
3）并且，提出基于拟牛顿法的生成对抗网络算法进行数据扩充：这一点改进了传统生成对抗网络的参数更新策略，使用BFGS等拟牛顿方法来更新参数，相较于梯度下降法，能够更快地收敛，同时保持稳定性，这在数据生成过程中极为重要。基于此，可以提升算法效率：拟牛顿法的使用大大提高了参数更新的速度，减少了训练时间。
基于上述实施例，本发明实施例还提供了一种基于人工智能的索具预测性诊断装置，图5示出了本发明实施例提供的一种基于人工智能的索具预测性诊断装置的结构示意图，如图5所示，该装置包括：数据获取模块100，用于获取目标索具的传感器数据；传感器数据包括传感器采集的目标索具在运行状态下的多维度信息；执行模块200，用于将传感器数据输入至预先训练好的故障预测模型中，输出传感器数据对应的状态分类结果；输出模块300，用于根据状态分类结果，对目标索具的损伤状态进行预测；其中，故障预测模型通过预设的分类器模型构建，且，构建分类器模型的训练样本集采用预设的智能自适应调节网络特征提取算法进行特征提取；训练样本集包括多个样本数据，每个样本数据携带有索具在运行状态下的维度信息样本，以及，维度信息样本携带的状态标签。
本发明实施例所提供的基于人工智能的索具预测性诊断装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，方法实施例部分未提及之处，可参考前述方法实施例中相应内容。
进一步地，本发明实施例还提供另一种基于人工智能的索具预测性诊断装置，图6示出了本发明实施例提供的另一种基于人工智能的索具预测性诊断装置的结构示意图，参照图6，状态分类结果包括目标索具的状态类别；上述输出模块300，还用于确定状态类别所指示的索具损伤程度；根据索具损伤程度，确定目标索具的损伤状态。进一步地，上述执行模块200，还用于通过预设的智能自适应调节网络特征提取算法对传感器数据进行特征提取，得到传感器数据中的目标特征参数； 通过预设的分类器模型对目标特征参数进行分类，确定传感器数据对应的状态分类结果。
进一步地，该装置还包括模型构建模块400，用于获取预设的训练样本集；将预设的训练样本集输入至预设的高阶神经网络中，对训练样本集进行高阶特征映射，确定高维特征空间的特征参数；对高维特征空间的特征参数进行前向传播；基于前向传播，计算高阶神经网络对应的损失函数；其中，损失函数为包含多个项的复杂损失函数，多个项包括预测误差、网络复杂度和动态参与度的损失；高阶神经网络包括多个神经元，每个神经元对应有预设的参与度；参与度通过预设的动态参与度配置机制确定；基于损失函数和高阶神经网络的当前能量状态，对高阶神经网络的神经元的参与度、学习率和高阶神经网络的权重进行迭代；直到高阶神经网络满足预设的验证条件，根据当前高阶神经网络构建分类器模型。
上述模型构建模块400，还用于基于损失函数，对高阶神经网络的学习率进行自适应调整，以及，通过预设的辅助网络对高阶神经网络的神经元的参与度进行调整；根据高阶神经网络的当前权重，计算高阶神经网络的能量状态；根据学习率和能量状态的梯度计算初始更新权重，并对初始更新权重引入预设的衰减因子和正则化项，确定高阶神经网络的更新权重。
上述模型构建模块400，还用于获取预设的训练样本集；将预设的训练样本集输入至预设的特征提取神经网络中，输出训练样本集对应的初始提取特征；其中，特征提取神经网络包括通过预设的多尺度策略初始化的神经网络参数；确定初始提取特征对应的提取误差，并对提取误差进行多维度处理，确定初始提取特征对应的误差向量；根据误差向量，对特征提取神经网络的神经网络参数和网络拓扑结构进行自适应调节；直到误差向量满足预设的误差要求，以及，网络拓扑结构和神经网络参数满足预设的周期性评估要求，将当前特征提取神经网络的输出确定为构建分类器模型的训练样本集。
上述模型构建模块400，还用于根据特征提取神经网络的网络复杂度和性能，定义对应的拓扑评估函数；根据误差向量和网络拓扑评估函数，计算特征提取神经网络的网络拓扑结构对应的拓扑调整量，并根据拓扑调整量对特征提取神经网络的神经元和连接进行调整；上述模型构建模块400，还用于根据误差向量，计算特征提取神经网络的神经网络参数对应于误差向量的误差梯度；基于误差梯度、预设的调节信号和预设的随机变异因素，对神经网络参数按照预先确定的参数更新路径进行参数更新；其中，参数更新路径是通过对特征提取神经网络的预设状态映射到混沌态后计算的。
上述模型构建模块400，还用于获取对索具预先采集的传感器数据集； 对传感器数据集进行标注，生成传感器数据集对应的状态标签；基于状态标签和传感器数据集构建初始样本集，并通过预设的生成对抗网络算法对初始样本集进行数据扩充，生成扩充样本；其中，生成对抗网络算法通过预设的拟牛顿法进行参数更新；根据扩充样本和初始样本集构建训练样本集。
上述模型构建模块400，还用于将初始样本集输入至预设的生成对抗网络中，进行前向传播，得到假数据，以及假数据对应的鉴别概率；其中，假数据基于预设的索具物理模型生成，且，用于生成假数据的噪声根据当前假数据的状态进行自我调整；根据鉴别概率，计算生成对抗网络对应的损失函数，并根据鉴别概率，对生成对抗网络的生成器进行自我调整；判断损失函数是否收敛，如果否，应用预设的拟牛顿法对生成对抗网络的参数进行更新，确定新的假数据；直到损失函数收敛，根据预设的筛选阈值对当前假数据进行筛选，并将保留的假数据确定为初始样本集对应的扩充样本。
本发明实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述图1至图4任一所示的方法的步骤。本发明实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述图1至图4任一所示的方法的步骤。本发明实施例还提供了一种电子设备的结构示意图，如图7所示，为该电子设备的结构示意图，其中，该电子设备包括处理器71和存储器70，该存储器70存储有能够被该处理器71执行的计算机可执行指令，该处理器71执行该计算机可执行指令以实现上述图1至图4任一所示的方法。
在图7示出的实施方式中，该电子设备还包括总线72和通信接口73，其中，处理器71、通信接口73和存储器70通过总线72连接。其中，存储器70可能包含高速随机存取存储器（RAM，Random Access Memory），也可能还包括非易失性存储器（non-volatile memory），例如至少一个磁盘存储器。通过至少一个通信接口73（可以是有线或者无线）实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。总线72可以是ISA（Industry Standard Architecture，工业标准体系结构）总线、PCI（PeripheralComponent Interconnect，外设部件互连标准）总线或EISA（Extended Industry StandardArchitecture，扩展工业标准结构）总线等，还可以是AMBA（Advanced MicrocontrollerBus Architecture，片上总线的标准）总线，其中，AMBA定义了三种总线，包括APB（AdvancedPeripheral Bus）总线、AHB（Advanced High-performance Bus）总线和AXI（AdvancedeXtensible Interface）总线。总线72可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
处理器71可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器71中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器71可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessor，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器71读取存储器中的信息，结合其硬件完成前述图1至图4任一所示的方法。
本发明实施例所提供的一种基于人工智能的索具预测性诊断方法及装置的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于人工智能的索具预测性诊断方法，其特征在于，所述方法包括：
获取目标索具的传感器数据；所述传感器数据包括传感器采集的所述目标索具在运行状态下的多维度信息；
将所述传感器数据输入至预先训练好的故障预测模型中，输出所述传感器数据对应的状态分类结果；
根据所述状态分类结果，对所述目标索具的损伤状态进行预测；
其中，所述故障预测模型通过预设的分类器模型构建，且，构建所述分类器模型的训练样本集采用预设的智能自适应调节网络特征提取算法进行特征提取；所述训练样本集包括多个样本数据，每个所述样本数据携带有索具在运行状态下的维度信息样本，以及，所述维度信息样本携带的状态标签。
2.根据权利要求1所述的方法，其特征在于，所述状态分类结果包括所述目标索具的状态类别；
根据所述状态分类结果，对所述目标索具的损伤状态进行预测的步骤，包括：
确定所述状态类别所指示的索具损伤程度；
根据所述索具损伤程度，确定所述目标索具的损伤状态。
3.根据权利要求1所述的方法，其特征在于，将所述传感器数据输入至预先训练好的故障预测模型中，输出所述传感器数据对应的状态分类结果的步骤，包括：
通过预设的智能自适应调节网络特征提取算法对所述传感器数据进行特征提取，得到所述传感器数据中的目标特征参数；
通过预设的分类器模型对所述目标特征参数进行分类，确定所述传感器数据对应的状态分类结果。
4.根据权利要求3所述的方法，其特征在于，所述分类器模型的构建方法，包括：
获取预设的训练样本集；
将预设的训练样本集输入至预设的高阶神经网络中，对所述训练样本集进行高阶特征映射，确定高维特征空间的特征参数；
对高维特征空间的特征参数进行前向传播；
基于所述前向传播，计算所述高阶神经网络对应的损失函数；其中，所述损失函数为包含多个项的复杂损失函数，所述多个项包括预测误差、网络复杂度和动态参与度的损失；所述高阶神经网络包括多个神经元，每个所述神经元对应有预设的参与度；所述参与度通过预设的动态参与度配置机制确定；
基于所述损失函数和所述高阶神经网络的当前能量状态，对所述高阶神经网络的神经元的参与度、学习率和所述高阶神经网络的权重进行迭代；
直到所述高阶神经网络满足预设的验证条件，根据当前高阶神经网络构建分类器模型。
5.根据权利要求4所述的方法，其特征在于，基于所述损失函数和所述高阶神经网络的当前能量状态，对所述高阶神经网络的神经元参与度、学习率和所述高阶神经网络的权重进行迭代的步骤，包括：
基于所述损失函数，对所述高阶神经网络的学习率进行自适应调整，以及，通过预设的辅助网络对所述高阶神经网络的神经元的参与度进行调整；
根据所述高阶神经网络的当前权重，计算所述高阶神经网络的能量状态；
根据所述学习率和所述能量状态的梯度计算初始更新权重，并对所述初始更新权重引入预设的衰减因子和正则化项，确定所述高阶神经网络的更新权重。
6.根据权利要求3所述的方法，其特征在于，采用预设的智能自适应调节网络特征提取算法进行特征提取，得到构建分类器模型的训练样本集的步骤，包括：
获取预设的训练样本集；
将预设的训练样本集输入至预设的特征提取神经网络中，输出所述训练样本集对应的初始提取特征；其中，所述特征提取神经网络包括通过预设的多尺度策略初始化的神经网络参数；
确定所述初始提取特征对应的提取误差，并对所述提取误差进行多维度处理，确定所述初始提取特征对应的误差向量；
根据所述误差向量，对所述特征提取神经网络的神经网络参数和网络拓扑结构进行自适应调节；
直到所述误差向量满足预设的误差要求，以及，所述网络拓扑结构和所述神经网络参数满足预设的周期性评估要求，将当前特征提取神经网络的输出确定为构建分类器模型的训练样本集。
7.根据权利要求6所述的方法，其特征在于，预设的调节信号根据所述误差向量，对所述特征提取神经网络的网络拓扑结构进行自适应调节的步骤，包括：
根据所述特征提取神经网络的网络复杂度和性能，定义对应的拓扑评估函数；
根据所述误差向量和所述网络拓扑评估函数，计算所述特征提取神经网络的网络拓扑结构对应的拓扑调整量，并根据所述拓扑调整量对所述特征提取神经网络的神经元和连接进行调整；
根据所述误差向量，对所述特征提取神经网络的神经网络参数进行自适应调节的步骤，包括：
根据所述误差向量，计算所述特征提取神经网络的神经网络参数对应于所述误差向量的误差梯度；
基于所述误差梯度、预设的调节信号和预设的随机变异因素，对所述神经网络参数按照预先确定的参数更新路径进行参数更新；其中，所述参数更新路径是通过对所述特征提取神经网络的预设状态映射到混沌态后计算的。
8.根据权利要求1所述的方法，其特征在于，所述训练样本集的构建方法，包括：
获取对索具预先采集的传感器数据集；
对所述传感器数据集进行标注，生成所述传感器数据集对应的状态标签；
基于所述状态标签和所述传感器数据集构建初始样本集，并通过预设的生成对抗网络算法对所述初始样本集进行数据扩充，生成扩充样本；其中，所述生成对抗网络算法通过预设的拟牛顿法进行参数更新；
根据所述扩充样本和所述初始样本集构建训练样本集。
9.根据权利要求8所述的方法，其特征在于，通过预设的生成对抗网络算法对所述初始样本集进行数据扩充，生成扩充样本的步骤，包括：
将所述初始样本集输入至预设的生成对抗网络中，进行前向传播，得到假数据，以及所述假数据对应的鉴别概率；其中，所述假数据基于预设的索具物理模型生成，且，用于生成所述假数据的噪声根据当前假数据的状态进行自我调整；
根据所述鉴别概率，计算所述生成对抗网络对应的损失函数，并根据所述鉴别概率，对所述生成对抗网络的生成器进行自我调整；
判断所述损失函数是否收敛，如果否，应用预设的拟牛顿法对所述生成对抗网络的参数进行更新，确定新的假数据；
直到所述损失函数收敛，根据预设的筛选阈值对当前假数据进行筛选，并将保留的假数据确定为初始样本集对应的扩充样本。
10.一种基于人工智能的索具预测性诊断装置，其特征在于，所述装置包括：
数据获取模块，用于获取目标索具的传感器数据；所述传感器数据包括传感器采集的所述目标索具在运行状态下的多维度信息；
执行模块，用于将所述传感器数据输入至预先训练好的故障预测模型中，输出所述传感器数据对应的状态分类结果；
输出模块，用于根据所述状态分类结果，对所述目标索具的损伤状态进行预测；
其中，所述故障预测模型通过预设的分类器模型构建，且，构建所述分类器模型的训练样本集采用预设的智能自适应调节网络特征提取算法进行特征提取；所述训练样本集包括多个样本数据，每个所述样本数据携带有索具在运行状态下的维度信息样本，以及，所述维度信息样本携带的状态标签。
CN202410122466.2A 2024-01-30 2024-01-30 基于人工智能的索具预测性诊断方法及装置 Active CN117648643B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410122466.2A CN117648643B (zh) 2024-01-30 2024-01-30 基于人工智能的索具预测性诊断方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410122466.2A CN117648643B (zh) 2024-01-30 2024-01-30 基于人工智能的索具预测性诊断方法及装置

Publications (2)

Publication Number Publication Date
CN117648643A true CN117648643A (zh) 2024-03-05
CN117648643B CN117648643B (zh) 2024-04-16

Family

ID=90045483

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410122466.2A Active CN117648643B (zh) 2024-01-30 2024-01-30 基于人工智能的索具预测性诊断方法及装置

Country Status (1)

Country Link
CN (1) CN117648643B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117874639A (zh) * 2024-03-12 2024-04-12 山东能源数智云科技有限公司 基于人工智能的机械设备寿命预测方法及装置
CN117892251A (zh) * 2024-03-18 2024-04-16 山东神力索具有限公司 基于人工智能的索具锻造工艺参数监测预警方法及装置
CN117892182A (zh) * 2024-03-14 2024-04-16 山东神力索具有限公司 基于人工智能的索具耐用性测试方法及装置
CN118032327A (zh) * 2024-04-15 2024-05-14 山东能源数智云科技有限公司 基于人工智能的设备智能润滑监测方法及装置
CN118070682A (zh) * 2024-04-19 2024-05-24 山东神力索具有限公司 基于人工智能的螺旋栓吊环受损评估方法及装置
CN118277719A (zh) * 2024-06-04 2024-07-02 山东神力索具有限公司 一种用于计数型矿用索具计算的数据智能处理方法
CN118484724A (zh) * 2024-07-16 2024-08-13 山东神力索具有限公司 基于人工智能的系留固定索具的性能评估方法及装置

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103557884A (zh) * 2013-09-27 2014-02-05 杭州银江智慧城市技术集团有限公司 一种输电线路杆塔监控的多传感器数据融合预警方法
CN109799533A (zh) * 2018-12-28 2019-05-24 中国石油化工股份有限公司 一种基于双向循环神经网络的储层预测方法
US20190172232A1 (en) * 2017-12-05 2019-06-06 Samsung Eletrônica da Amazônia Ltda. Method and system for sensor data recognition using data enrichment for the learning process
CN109948693A (zh) * 2019-03-18 2019-06-28 西安电子科技大学 基于超像素样本扩充和生成对抗网络高光谱图像分类方法
US20200210824A1 (en) * 2018-12-28 2020-07-02 Utopus Insights, Inc. Scalable system and method for forecasting wind turbine failure with varying lead time windows
CN111539302A (zh) * 2020-04-20 2020-08-14 山东理工大学 基于多尺度深层扰动神经网络的玻璃绝缘子自爆识别方法
CN113742809A (zh) * 2021-11-04 2021-12-03 山东神力索具有限公司 索具网格的调整方法、装置以及电子设备
CN116384224A (zh) * 2023-03-01 2023-07-04 南京航空航天大学 一种基于条件化参数动态卷积神经网络的航空发动机寿命预测方法
CN117009876A (zh) * 2023-10-07 2023-11-07 长春光华学院 基于人工智能的运动状态量评估方法
WO2023231995A1 (zh) * 2022-05-30 2023-12-07 浙大城市学院 一种基于迁移学习的航空发动机寿命预测与健康评估方法
CN117290732A (zh) * 2023-11-24 2023-12-26 山东理工昊明新能源有限公司 故障分类模型的构建方法、风电设备故障分类方法及装置

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103557884A (zh) * 2013-09-27 2014-02-05 杭州银江智慧城市技术集团有限公司 一种输电线路杆塔监控的多传感器数据融合预警方法
US20190172232A1 (en) * 2017-12-05 2019-06-06 Samsung Eletrônica da Amazônia Ltda. Method and system for sensor data recognition using data enrichment for the learning process
CN109799533A (zh) * 2018-12-28 2019-05-24 中国石油化工股份有限公司 一种基于双向循环神经网络的储层预测方法
US20200210824A1 (en) * 2018-12-28 2020-07-02 Utopus Insights, Inc. Scalable system and method for forecasting wind turbine failure with varying lead time windows
CN109948693A (zh) * 2019-03-18 2019-06-28 西安电子科技大学 基于超像素样本扩充和生成对抗网络高光谱图像分类方法
CN111539302A (zh) * 2020-04-20 2020-08-14 山东理工大学 基于多尺度深层扰动神经网络的玻璃绝缘子自爆识别方法
CN113742809A (zh) * 2021-11-04 2021-12-03 山东神力索具有限公司 索具网格的调整方法、装置以及电子设备
WO2023231995A1 (zh) * 2022-05-30 2023-12-07 浙大城市学院 一种基于迁移学习的航空发动机寿命预测与健康评估方法
CN116384224A (zh) * 2023-03-01 2023-07-04 南京航空航天大学 一种基于条件化参数动态卷积神经网络的航空发动机寿命预测方法
CN117009876A (zh) * 2023-10-07 2023-11-07 长春光华学院 基于人工智能的运动状态量评估方法
CN117290732A (zh) * 2023-11-24 2023-12-26 山东理工昊明新能源有限公司 故障分类模型的构建方法、风电设备故障分类方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
LI, HUIHUI;GOU, LINFENG;LI, HUACONG;LIU, ZHIDAN;: "Physics-Guided Neural Network Model for Aeroengine Control System Sensor Fault Diagnosis under Dynamic Conditions", AEROSPACE, 6 August 2023 (2023-08-06), pages 1 - 24 *
周杰；罗云芳等；: "基于时空优化的多尺度卷积神经网络空气质量预测模型", 计算机科学, 31 December 2020 (2020-12-31), pages 535 - 540 *
张为;魏晶晶;: "嵌入DenseNet结构和空洞卷积模块的改进YOLO v3火灾检测算法", 天津大学学报(自然科学与工程技术版), no. 09, 29 June 2020 (2020-06-29), pages 976 - 983 *
闫丽萍;董学智;张永军;王涛;高庆;谭春青;: "基于深度置信网络的燃气轮机气路故障诊断方法", 工程热物理学报, no. 04, 15 April 2020 (2020-04-15), pages 840 - 844 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117874639A (zh) * 2024-03-12 2024-04-12 山东能源数智云科技有限公司 基于人工智能的机械设备寿命预测方法及装置
CN117892182A (zh) * 2024-03-14 2024-04-16 山东神力索具有限公司 基于人工智能的索具耐用性测试方法及装置
CN117892182B (zh) * 2024-03-14 2024-06-07 山东神力索具有限公司 基于人工智能的索具耐用性测试方法及装置
CN117892251A (zh) * 2024-03-18 2024-04-16 山东神力索具有限公司 基于人工智能的索具锻造工艺参数监测预警方法及装置
CN117892251B (zh) * 2024-03-18 2024-06-07 山东神力索具有限公司 基于人工智能的索具锻造工艺参数监测预警方法及装置
CN118032327A (zh) * 2024-04-15 2024-05-14 山东能源数智云科技有限公司 基于人工智能的设备智能润滑监测方法及装置
CN118070682A (zh) * 2024-04-19 2024-05-24 山东神力索具有限公司 基于人工智能的螺旋栓吊环受损评估方法及装置
CN118070682B (zh) * 2024-04-19 2024-07-23 山东神力索具有限公司 基于人工智能的螺旋栓吊环受损评估方法及装置
CN118277719A (zh) * 2024-06-04 2024-07-02 山东神力索具有限公司 一种用于计数型矿用索具计算的数据智能处理方法
CN118484724A (zh) * 2024-07-16 2024-08-13 山东神力索具有限公司 基于人工智能的系留固定索具的性能评估方法及装置

Also Published As

Publication number Publication date
CN117648643B (zh) 2024-04-16

Similar Documents

Publication Publication Date Title
CN117648643B (zh) 基于人工智能的索具预测性诊断方法及装置
Wen et al. A generalized remaining useful life prediction method for complex systems based on composite health indicator
Wang et al. A novel deep learning based fault diagnosis approach for chemical process with extended deep belief network
Izakian et al. Anomaly detection and characterization in spatial time series data: A cluster-centric approach
WO2021257128A2 (en) Quantum computing based deep learning for detection, diagnosis and other applications
CN117892182B (zh) 基于人工智能的索具耐用性测试方法及装置
CN112200104A (zh) 一种基于增强主成分分析新型贝叶斯框架的化工故障诊断方法
CN117041017B (zh) 数据中心的智能运维管理方法及系统
CN117892251A (zh) 基于人工智能的索具锻造工艺参数监测预警方法及装置
CN118171180B (zh) 基于人工智能的设备状态预测方法和装置
CN118032327B (zh) 基于人工智能的设备智能润滑监测方法及装置
CN117874639B (zh) 基于人工智能的机械设备寿命预测方法及装置
CN116956197B (zh) 基于深度学习的能源设施故障预测方法、装置及电子设备
CN118070682B (zh) 基于人工智能的螺旋栓吊环受损评估方法及装置
CN117349583A (zh) 用于低温液体储罐的智能检测方法及系统
Cuentas et al. An SVM-GA based monitoring system for pattern recognition of autocorrelated processes
Yousefpour et al. Unsupervised anomaly detection via nonlinear manifold learning
Chen et al. Bayesian hierarchical graph neural networks with uncertainty feedback for trustworthy fault diagnosis of industrial processes
Abdullah et al. Evolving spiking neural networks methods for classification problem: a case study in flood events risk assessment
Sánchez et al. Obtaining transparent models of chaotic systems with multi-objective simulated annealing algorithms
CN118155662B (zh) 基于人工智能的变压器声纹故障识别方法
Aizpurua et al. Prognostics & health management methods & tools for transformer condition monitoring in smart grids
Liu et al. Information-based Gradient enhanced Causal Learning Graph Neural Network for fault diagnosis of complex industrial processes
CN118378912B (zh) 基于ai大模型的应急场景智能分析与决策支持方法
Abudurexiti et al. An explainable unsupervised anomaly detection framework for Industrial Internet of Things

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant