[发明专利]一种基于分层神经网络分布式训练的故障预测方法

说明书

本发明公开了一种基于分层神经网络分布式训练的故障预测方法，具体为：将卷积神经网络划分为不同的网络层，得到每层均可输出模型参数和模型训练精度的模型训练网络；使用分层的卷积神经网络和设备能够训练的最大网络层数，对输入数据进行特征提取，输入数据在每一层网络中均训练至收敛，得到的模型参数传至下一层网络进行训练，在完成规定训练的最大网络层数后，得到相应的故障检测模型；将卷积神经网络分为三个子层卷积神经网络，分别部署在设备端、边缘端和云端，每层均输出对输入数据是否含有故障的预测值，得到一个故障预测网络，对未含有故障标签和非故障标签的数据进行故障预测。本发明能够合理利用设备的计算资源以及存储空间。

技术领域

本发明涉及机器学习领域，具体涉及一种基于分层神经网络分布式训练的故障预测方法。

背景技术

随着科学技术的发展和人民日益增长的生活需求，现代化机械设备的生产效率和工作强度也在逐渐增大，随之设备的复杂度和自动化程度也在随着技术的发展而不断增强。设备的各个模块之间的关联性愈加紧密，某个模块微小的故障就可能会导致整个设备的瘫痪，进而影响工厂的正常运行和经济效益。近年来，对设备的预知故障检测已成为研究的热点和难点。传统的故障检测系统只能对已知故障进行诊断，并且没有自组织自学习的能力，当出现新型故障时，就失去了检测诊断的能力。近年来，人工神经网络被广泛应用到故障检测中，并展示出了更加广阔的应用前景。

人工神经网络或称作连接模型是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，不需要诊断和推理的规则，通过神经元之间的拓扑结构和权值分布逼近非线性系统，从而具有一定的泛化能力。但在解决复杂系统的故障诊断中，基于神经网络的诊断系统十分的庞大，无论是在根据已知故障和正常数据训练出包含所有数据特征的模型还是使用已知模型对现有数据进行故障预测诊断，都对设备的计算能力和存储能力有较大的挑战。同时如果需要在设备工作时，实时监督设备的某个零件是否发生了故障，则对设备自身性能的要求会更高。但目前已有的使用人工神经网络对设备故障检测的方法都无法解决输入数据较大，模型较为复杂而设备的计算能力以及存储能力不足的问题，导致对数据特征提取过程以及故障检测时效率低下，无法适应目前的设备工作强度较大问题。

发明内容

本发明的目的在于提供一种基于分层神经网络分布式训练的故障预测方法，使得设备可动态选择训练和推理网络的层数，从而合理利用设备的计算资源或适应存储空间。

实现本发明目的的技术解决方案为：一种基于分层神经网络分布式训练的故障预测方法，包括以下步骤：

步骤1、将卷积神经网络划分为不同的网络层，每个子层网络输出的向量维度与下一层网络的输入向量维度大小相同，得到一个包含多个子层且每层均可输出模型参数和模型训练精度的模型训练网络；

步骤2、根据设备参数和输入的具有故障标签及非故障标签的数据的大小，计算设备能够训练的最大网络层数；

步骤3、在设备算力资源和存储能力受限的情况下，使用步骤1中经过分层处理的卷积神经网络和在步骤2中得到的训练的最大网络层数，对步骤2中输入数据进行特征提取，输入数据在每一层网络中均训练至收敛，训练过程中得到的模型参数传至下一层网络进行训练，在完成规定训练的最大网络层数后，得到相应的故障检测模型；

步骤4、将与步骤1中相同的卷积神经网络分为三个子层卷积神经网络，将三个子层神经网络分别部署在设备端、边缘端和云端，每层均输出对输入数据是否含有故障的预测值，部署在设备端、边缘端和云端的神经网络之间能够相互通信，得到一个故障预测网络；

步骤5、使用步骤4得到的故障预测网络和步骤3中得到的故障检测模型，对未含有故障标签和非故障标签的数据进行故障预测，先在设备端进行预测，得到输入数据是否含有故障的预测值，根据该值的大小和实际需求，判断是否在边缘端和云端进行预测。