本公開涉及狀況監測，并且更具體地涉及使用機器學習模型的傳動系狀況監測。通常，為了檢測發動機和相關傳動系應用或負載，例如泵或風扇的故障，機器學習模型需要用復雜的測量和相當多的專業知識進行訓練。在部署經訓練的模型之前，這需要大量的時間和工作。
背景技術：
1、us2020/0103894?a1公開了一種深度學習系統，其被配置為使用訓練數據集來訓練計算機視覺系統，以識別機械設備的運行特性。
技術實現思路
1、本公開涉及傳動系的狀況監測。機器學習模型被經常用于基于與傳動系部件相關聯的各種傳感器數據來檢測傳動系的部件的狀況。然而，機器學習方法的使用需要大量的測量數據來訓練機器學習模型。
2、這可能特別具有挑戰性，因為累積數據、尤其是對于應用的關鍵缺陷，可能由于例如安全原因而不可行，或者可能非常昂貴。因此，這樣的模型的轉移僅對于類似應用(即相同類型和相同尺寸)是可能的。為了將機器學習模型轉移到不同的應用并實現相同的精度，將需要對現有模型進行耗時的再訓練。此外，為了在特定配置中使用機器學習模型，需要傳動系的參考條件(沒有故障的“良好”健康狀態)下的數據。這對于在棕地中運行的應用經常是困難的或不可能的。因此，如果應用在機器學習模型初始化時遇到故障，則數據可能不可用。因此，需要一種允許訓練機器學習模型而無需大量收集測量數據的方法和設備。
3、因此，本公開描述了一種訓練機器學習模型以檢測與傳動系的至少一個部件相關聯的一個或多個故障的方法。該方法包括提供與傳動系的至少一個部件相關聯的模擬模型，該模擬模型用于模擬傳動系的至少一個部件的運行，使用預定義配置來配置模擬模型以生成用于機器學習模型的訓練數據，使用所配置的模擬模型來生成訓練數據，以及使用所生成的訓練數據來訓練機器學習模型以檢測傳動系的至少一個部件的健康。經訓練的機器學習模型被配置為接收與傳動系的至少一個部件相關聯的傳感器數據，并基于所接收的傳感器數據來檢測與傳動系的至少一個部件相關聯的一個或多個故障。模擬模型被配置為基于預定義配置來模擬多個條件。訓練數據包括多個數據集，其中多個數據集中的至少一個數據集與傳動系的至少一個部件的對應故障相關聯。
4、因此，本公開公開了利用來自模擬模型的合成標記數據來訓練機器學習模型。因此，這允許容易且快速地訓練機器學習模型，用于狀況監測和故障檢測，而無需廣泛收集與傳動系的各種狀況、故障和配置相關聯的測量數據。因此，可以使用與傳動系的部件相關聯的模擬模型來快速地訓練和部署機器學習模型。在一個示例中，傳動系包括使用齒輪箱連接到負載的發動機。
5、另外，所生成的訓練數據可以涵蓋多種故障情況，例如錯位、氣蝕、不平衡等。模擬模型可以被配置為模擬與關注的應用相關聯的多個關鍵故障。可以在不同的運行條件(速度、負載等)下模擬不同的故障嚴重程度(可容忍的、輕微的、嚴重的等)。另外，可以模擬不同的傳動系配置。例如，可以使用各種基礎來將傳動系安裝在不同類型的聯接器上。模擬模型子部件可以被參數化以涵蓋不同的配置和尺寸。
6、在一個實施方式中，預定義配置包括與傳動系的至少一個部件相關聯的多個參數，每個參數進一步包括與對應參數相關聯的多個值。因此，模擬被配置為模擬基于多個參數的值指定的多個條件。因此，所生成的訓練數據涵蓋與傳動系的至少一個部件相關聯的一組全面的場景。
7、在一個實施方式中，多個數據集包括至少另外的數據集，其中該至少另外的數據集與傳動系的至少一個部件的正常運行相關聯。因此，使用反映故障狀況和健康狀況的數據集來訓練機器學習模型。在一個實施方式中，傳感器數據包括與傳動系的至少一個部件相關聯的振動數據。因此，機器學習模型被配置為從一個或多個振動傳感器接收振動數據，并在振動數據的基礎上檢測至少一個部件的狀況。
8、在一個實施方式中，多個參數包括第一組參數和第二組參數，第一組參數與同傳動系的至少一個部件相關聯的一個或多個故障相關聯，第二組參數與傳動系的至少一個部件的運行相關聯。因此，模擬模型被配置為結合多個傳動系配置來模擬多個故障狀況。
9、另一方面，本公開描述了一種用于訓練機器學習模型以檢測與傳動系的至少一個部件相關聯的一個或多個故障的計算設備。該計算設備包括連接到存儲器模塊的一個或多個處理器。該一個或多個處理器被配置為使用預定義配置來配置模擬模型，以生成用于機器學習模型的訓練數據，其中模擬模型被配置為基于預定義配置在多個條件下模擬傳動系的至少一個部件的運行，使用所配置的模擬模型來生成訓練數據，其中訓練數據包括多個數據集，其中多個數據集中的至少一個數據集與傳動系的至少一個部件的對應故障相關聯；以及使用所生成的訓練數據來訓練機器學習模型以檢測傳動系的至少一個部件的健康；其中經訓練的機器學習模型被配置為接收與傳動系的至少一個部件相關聯的傳感器數據，并基于所接收的傳感器數據來檢測與傳動系的至少一個部件相關聯的一個或多個故障。類似地，本公開描述了一種含有多個指令的非瞬態存儲介質，當在一個或多個處理器上執行時，該多個指令使一個或多個處理器使用預定義配置來配置模擬模型，以生成用于機器學習模型的訓練數據，其中模擬模型被配置為基于預定義配置在多個條件下模擬傳動系的至少一個部件的運行，使用所配置的模擬模型來生成訓練數據，其中訓練數據包括多個數據集，其中多個數據集中的至少一個數據集與傳動系的至少一個部件的對應故障相關聯；以及使用所生成的訓練數據來訓練機器學習模型以檢測傳動系的至少一個部件的健康；其中經訓練的機器學習模型被配置為接收與傳動系的至少一個部件相關聯的傳感器數據，并基于所接收的傳感器數據來檢測與傳動系的至少一個部件相關聯的一個或多個故障。該方法的優點適用于設備和非瞬態存儲介質。這些方面將結合圖1-3進一步解釋。
1.一種訓練機器學習模型以檢測與傳動系的至少一個部件相關聯的一個或多個故障的方法，所述方法包括：
2.根據權利要求1所述的方法，其中，所述預定義配置包括與所述傳動系的所述至少一個部件相關聯的多個參數，每個參數進一步包括與對應的所述參數相關聯的多個值。
3.根據權利要求1所述的方法，其中，所述多個數據集包括至少另外的數據集，其中所述至少另外的數據集與所述傳動系的所述至少一個部件的正常運行相關聯。
4.根據權利要求1所述的方法，其中，所述傳感器數據包括與所述傳動系的所述至少一個部件相關聯的振動數據。
5.根據權利要求1所述的方法，其中，所述傳動系包括使用齒輪箱連接到負載的發動機。
6.根據權利要求2所述的方法，其中，所述多個參數包括第一組參數和第二組參數，所述第一組參數與同所述傳動系的所述至少一個部件相關聯的一個或多個故障相關聯，所述第二組參數與所述傳動系的所述至少一個部件的運行相關聯。
7.一種用于訓練機器學習模型以檢測與傳動系的至少一個部件相關聯的一個或多個故障的計算設備，所述計算設備包括：
8.一種包含多個指令的非瞬態存儲介質，當所述多個指令在一個或多個處理器上執行時，使所述一個或多個處理器：