基于多模态数据的故障预测方法、装置、设备及存储介质.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN116184988A(43)申请公布日2023.05.30(21)申请号202310487654.0(22)申请日2023.05.04(71)申请人中科航迈数控软件（深圳）有限公司地址518000广东省深圳市南山区桃源街道平山社区留仙大道4168号众冠时代广场A座2301(72)发明人郭媛君肖溱鸽谭勇吴承科(74)专利代理机构北京路浩知识产权代理有限公司11002专利代理师赵娜(51)Int.Cl.G05B23/02(2006.01)G06F18/25(2023.01)G06F18/243(2023.01)G06N3/0442(2023.01)权利要求书2页说明书7页附图2页(54)发明名称基于多模态数据的故障预测方法、装置、设备及存储介质(57)摘要本发明提供基于多模态数据的故障预测方法、装置、设备及存储介质，涉及故障预测领域，方法包括：获取目标设备的若干异常运行数据，其中，各异常运行数据分别对应不同的数据类型；对各异常运行数据进行数据融合，得到融合数据；获取预测模型，将融合数据输入预测模型，得到目标故障预测数据，其中，预测模型包括若干子预测模型，各子预测模型分别基于不同类型的神经网络构建，各子预测模型的权重值基于融合数据的数据分布特征确定。本发明采用多模态数据进行预测，并且在一个预测模型中集成了多个不同的子预测模型，可以有效提高预测模型的故障预测精度。CN116184988ACN116184988A权利要求书1/2页1.一种基于多模态数据的故障预测方法，其特征在于，所述方法包括：获取目标设备的若干异常运行数据，其中，各所述异常运行数据分别对应不同的数据类型；对各所述异常运行数据进行数据融合，得到融合数据；获取预设的预测模型，将所述融合数据输入所述预测模型，得到所述目标设备对应的目标故障预测数据，其中，所述预测模型包括若干子预测模型，各所述子预测模型分别基于不同类型的神经网络构建，各所述子预测模型的权重值基于所述融合数据的数据分布特征确定。2.根据权利要求1所述的基于多模态数据的故障预测方法，其特征在于，每一所述数据类型对应的所述异常运行数据的获取方法包括：获取所述数据类型对应的设备运行数据，将所述设备运行数据作为待滤波数据；对所述待滤波数据进行滤波处理得到滤波数据，根据所述待滤波数据与所述滤波数据确定数据变化值；判断所述数据变化值是否小于预设的变化阈值，当否时，将所述滤波数据作为所述待滤波数据，继续执行所述对所述待滤波数据进行滤波处理得到滤波数据的步骤，直至所述数据变化值小于所述变化阈值，得到所述设备运行数据对应的目标滤波数据；根据所述设备运行数据和所述目标滤波数据，确定所述数据类型对应的所述异常运行数据。3.根据权利要求1所述的基于多模态数据的故障预测方法，其特征在于，每一所述子预测模型的所述权重值的确定方法包括：获取所述融合数据对应的所述数据分布特征；获取所述子预测模型对应的置信度数据库，其中，所述置信度数据库用于反映不同参考数据分布特征下所述子预测模型的预测置信度；将所述数据分布特征与所述置信度数据库进行比对，根据比对结果确定所述数据分布特征对应的目标预测置信度；根据所述目标预测置信度确定所述子预测模型对应的所述权重值。4.根据权利要求3所述的基于多模态数据的故障预测方法，其特征在于，各所述参考数据分布特征和各所述参考数据分布特征分别对应的所述预测置信度的确定方法包括：获取若干历史融合数据和各所述历史融合数据分别对应的故障预测标签，获取各所述历史融合数据的历史数据分布特征两两之间的相似度，根据所述相似度对各所述历史数据分布特征进行分类，得到若干特征集合；根据各所述特征集合，确定各所述特征集合分别对应的融合分布特征，将各所述融合分布特征作为所述参考数据分布特征；根据各所述特征集合对各所述历史融合数据进行分类得到若干测试数据集合，根据各所述测试数据集合和对应的所述故障预测标签确定各所述参考数据分布特征下所述预测模型的识别准确率；根据各所述识别准确率确定各所述参考数据分布特征分别对应的所述预测置信度。5.根据权利要求1所述的基于多模态数据的故障预测方法，其特征在于，所述目标故障预测数据的确定方法包括：2CN116184988A权利要求书2/2页获取各所述子预测模型分别对应的故障预测数据；根据各所述子预测模型的所述权重值和所述故障预测数据进行加权处理，得到所述目标故障预测数据。6.根据权利要求1所述的基于多模态数据的故障预测方法，其特征在于，其中一个所述子预测模型为LSTM模型，所述LSTM模型的损失函数中包含正则化项。7.根据权利要求1所述的基于多模态数据的故障预测方法，其特征在于，各所述异常运行数据包括异常振动数据和异常声波数据。8.一种基于多模态数据的故障