基于因果关系检测的工业装备故障预测模型构建方法及装置.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115860187A(43)申请公布日2023.03.28(21)申请号202211411740.5G06N3/08(2023.01)(22)申请日2022.11.11G06F16/901(2019.01)G06N5/04(2023.01)(71)申请人江西科骏实业有限公司地址330100江西省南昌市新建区长堎镇子实路1589号2栋(72)发明人邓仰东肖罡姜友友万可谦曹奥刘小兰杨钦文(74)专利代理机构湖南兆弘专利事务所(普通合伙)43008专利代理师胡君(51)Int.Cl.G06Q10/04(2023.01)G06Q10/00(2023.01)G06N3/0464(2023.01)G06N3/049(2023.01)权利要求书2页说明书7页附图2页(54)发明名称基于因果关系检测的工业装备故障预测模型构建方法及装置(57)摘要本发明公开一种基于因果关系检测的工业装备故障预测模型构建方法及装置，该方法步骤包括：S01.获取待测工业设备的运行时序数据；S02.根据待测工业设备的运行时序数据分析待测工业设备中部件间的因果关系，得到因果关系分析结果；S03.根据因果关系分析结果构建卷积神经网络，构建形成因果时间卷积神经网络；S04.使用训练集训练因果时间卷积网络，得到预测模型以用于预测待测工业设备的状态。本发明具有实现方法简单、成本低、预测效率以及精度高等优点。CN115860187ACN115860187A权利要求书1/2页1.一种基于因果关系检测的工业装备故障预测模型构建方法，其特征在于，步骤包括：S01.获取待测工业设备的运行时序数据；S02.根据所述待测工业设备的运行时序数据分析待测工业设备中部件间的因果关系，得到因果关系分析结果；S03.根据所述因果关系分析结果构建卷积神经网络，构建形成因果时间卷积神经网络；S04.使用训练集训练所述因果时间卷积网络，得到预测模型以用于预测待测工业设备的状态。2.根据权利要求1所述的基于因果关系检测的工业装备故障预测模型构建方法，其特征在于，所述步骤S01中，采用格兰杰因果关系检测方法分析待测工业设备中部件间的因果关系。3.根据权利要求2所述的基于因果关系检测的工业装备故障预测模型构建方法，其特征在于，所述采用格兰杰因果关系检测方法分析待测工业设备中部件间的因果关系的步骤包括：S101.生成有向图；S102.对所述待测工业设备的运行时序数据按变量分别进行归一化处理；S103.基于所述待测工业设备的运行时序数据生成VAR模型；S104.根据所述VAR模型，对所述待测工业设备的运行时序数据中所有参数两两之间进行格兰杰因果关系检验，最终得到包含所有参数两两之间因果关系的因果关系图。4.根据权利要求3所述的基于因果关系检测的工业装备故障预测模型构建方法，其特征在于，所述步骤S104中，若[A，B]两参数的检验结果为在当前显著性水平下拒绝没有格兰杰因果关系的假设，则判定参数A是参数B的格兰杰原因，在所述有向图中添加边A→B。5.根据权利要求3所述的基于因果关系检测的工业装备故障预测模型构建方法，其特征在于，所述步骤S103中生成VAR模型时，阶数根据AIC准则确定得到。6.根据权利要求1～5中任意一项所述的基于因果关系检测的工业装备故障预测模型构建方法，其特征在于，所述因果时间卷积神经网络包括依次连接的输入层、时序卷积神经网络、因果串接层、连接层以及输出层，所述时序卷积神经网络包括一个主网络以及对应各时间序列的多个子网络，所述主网络的输入端接入所有输入时序数据，每个所述子网络的输入端分别对应接入一个输入时序数据，通过所述因果串接层将主网络分别与各子网络的输出进行串接后输出。7.根据权利要求6所述的基于因果关系检测的工业装备故障预测模型构建方法，其特征在于，所述主网络、各所述子网络均为时间卷积神经网络TCN，所述主网络的规模大于所述子网络。8.一种基于因果关系检测的工业装备故障预测模型构建装置，其特征在于，包括：获取模块，用于获取待测工业设备的运行时序数据；因果关系分析模块，用于根据所述待测工业设备的运行时序数据分析待测工业设备中部件间的因果关系，得到因果关系分析结果；神经网络构建模块，用于根据所述因果关系分析结果构建卷积神经网络，构建形成因果时间卷积神经网络；2CN115860187A权利要求书2/2页训练模块，用于使用训练集训练所述因果时间卷积网络，得到预测模型以用于预测待测工业设备的状态。9.一种计算机装置，包括处理器以及存储器，所述存储器用于存储计算机程序，其特征在于，所述处理器用于执行所述计算机程序以执行如权利要求1～7中任意一项所述方法。10.一种存储有计算机程序的计算机可读存储介质，其特征在于，所述计算机程序执行时实现如权