本發(fā)明專利技術(shù)公開了一種基于機(jī)器學(xué)習(xí)的工業(yè)設(shè)備故障預(yù)防性識別方法，采用機(jī)器學(xué)習(xí)的人工智能算法，不斷學(xué)習(xí)更新狀態(tài)預(yù)測模型，可實時監(jiān)控預(yù)測工業(yè)設(shè)備的工作狀態(tài)，在第一時間發(fā)現(xiàn)工業(yè)設(shè)備的異常苗頭，及時報警，杜絕事故的發(fā)生；本發(fā)明專利技術(shù)不僅采用工業(yè)設(shè)備全生命周期的典型故障案例作為學(xué)習(xí)對象，更是結(jié)合了工業(yè)設(shè)備的檔案數(shù)據(jù)、使用區(qū)域環(huán)境條件，尤其是關(guān)鍵元器件的可靠性數(shù)據(jù)作為學(xué)習(xí)對象，從多角度評估工業(yè)設(shè)備的可靠性，使預(yù)測結(jié)果更加準(zhǔn)確。
A fault identification method for industrial equipment based on machine learning
The invention discloses a machine learning method based on fault preventive recognition, artificial intelligence algorithm based on machine learning, learning to update the state prediction model, prediction of real-time monitoring of industrial equipment working state, abnormal signs, industrial equipment and alarm in time for the first time, to prevent accidents; the invention not only the typical failure cases of industrial equipment life cycle as the study object, is a combination of the archives data, industrial equipment using regional environmental conditions, especially the key components of the reliability data as study object, the reliability evaluation of industrial equipment from many angles, make more accurate predictions.
【技術(shù)實現(xiàn)步驟摘要】
本專利技術(shù)涉及一種基于機(jī)器學(xué)習(xí)的工業(yè)設(shè)備故障預(yù)防性識別方法。
技術(shù)介紹
工業(yè)設(shè)備的發(fā)展經(jīng)歷了數(shù)字化階段、信息化階段，現(xiàn)在正在邁向智能化階段。智能化工業(yè)設(shè)備的出現(xiàn)，使預(yù)防性維護(hù)技術(shù)的實現(xiàn)成為可能。基于信息系統(tǒng)的智能裝備、智能工廠等智能制造正在引領(lǐng)制造方式變革：協(xié)同設(shè)計、精準(zhǔn)供應(yīng)鏈管理、全生命周期管理等正在重塑產(chǎn)業(yè)價值鏈體系。在第四次工業(yè)革命階段，工業(yè)設(shè)備的全生命周期管理對于使用方越來越重要。人工智能起源于1950年左右，經(jīng)過數(shù)十年的發(fā)展，隨著互聯(lián)網(wǎng)、物聯(lián)網(wǎng)、云計算和大數(shù)據(jù)等新一代信息技術(shù)的發(fā)展與成熟，機(jī)器學(xué)習(xí)成為人工智能的核心研究課題。使計算機(jī)模擬或者實驗人類的學(xué)習(xí)行為來獲得知識和技能，同時不斷根據(jù)新的信息改善性能。設(shè)備維修是指設(shè)備技術(shù)狀態(tài)裂化或發(fā)生故障后，為恢復(fù)其功能而進(jìn)行的技術(shù)活動，屬于事后行為，設(shè)備維護(hù)是保養(yǎng)與維修的結(jié)合，其基本內(nèi)容包括設(shè)備維護(hù)保養(yǎng)、設(shè)備檢查和設(shè)備修理，其方式經(jīng)歷了反應(yīng)性維護(hù)（事后維修）和預(yù)防性維護(hù)初級階段，正在向預(yù)防性維護(hù)高級階段（智能監(jiān)控與健康管理）轉(zhuǎn)變，在設(shè)備性狀發(fā)生劣化，但還未影響到功能時，就將可能發(fā)生功能缺損部分替換掉。預(yù)防性維護(hù)利用盡可能少的傳感器采集系統(tǒng)的各種數(shù)據(jù)信息，借助各種智能推理算法（如物理模型、神經(jīng)網(wǎng)絡(luò)、大數(shù)據(jù)、模糊邏輯、專家系統(tǒng)等）來評估系統(tǒng)自身的健康狀態(tài)，在系統(tǒng)故障發(fā)生前對其故障進(jìn)行預(yù)測，并結(jié)合各種可利用的資源信息提供一系列的維護(hù)保障措施，達(dá)到系統(tǒng)自身具有對其故障進(jìn)行預(yù)測并對其健康狀態(tài)進(jìn)行管理的能力。目前，國內(nèi)多數(shù)研究集中在系統(tǒng)監(jiān)測和故障診斷方面，對整個系統(tǒng)的診斷模式、故障預(yù)測、知識服務(wù)等方面的研究較少。現(xiàn)有的涉及民用制造業(yè)方面工業(yè)設(shè)備的預(yù)防性維護(hù)，大多是現(xiàn)有工作流程及數(shù)據(jù)的電子信息化，引入機(jī)器學(xué)習(xí)等人工智能算法的尚未涉及。類似的專利有“CN2010101940177網(wǎng)絡(luò)環(huán)境下設(shè)備故障動態(tài)監(jiān)測及預(yù)防維護(hù)管理系統(tǒng)”，但該專利的管理范圍是企業(yè)內(nèi)部的各個設(shè)備，實現(xiàn)了企業(yè)內(nèi)部傳統(tǒng)手工信息和工作流程的電子信息化。專利技術(shù)專利“CN201110095854.9機(jī)電設(shè)備的動態(tài)預(yù)防性維護(hù)方法”以機(jī)電設(shè)備在全生命周期各階段的預(yù)防性維護(hù)內(nèi)容、維護(hù)方式、故障危害程度等來建立預(yù)防性維護(hù)系統(tǒng)，并未考慮機(jī)電設(shè)備以外的因素。類似的專利只是原有工作流程及數(shù)據(jù)的電子信息化，并未引入機(jī)器學(xué)習(xí)等人工智能算法，依靠人工的成分很大，故障預(yù)測效果欠佳。目前工業(yè)設(shè)備的故障識別還處于預(yù)防性維護(hù)初級階段。無論是設(shè)備自帶檢測軟件還是人工定期維護(hù)保養(yǎng)或是兩者結(jié)合，主要還是靠維護(hù)人員的知識和經(jīng)驗，對維護(hù)人員技能要求很高，而且還無法較準(zhǔn)確地去預(yù)測設(shè)備故障發(fā)生的點和時間。工業(yè)設(shè)備往往銷往全國各地甚至國外，靠技術(shù)人員定期去檢測維護(hù)，需要花費(fèi)大量的人力和財力。缺少預(yù)防性維護(hù)的有效措施，工業(yè)設(shè)備突然故障，會給生產(chǎn)和運(yùn)營造成損失，若因不能確診故障原因或關(guān)鍵器件缺貨等無法盡快修復(fù)，造成的損失將更大。現(xiàn)有技術(shù)的缺點在于：1、僅限于現(xiàn)有工作流程和數(shù)據(jù)的電子信息化，工作效率有一定的提高，但人工參與的成分仍很大；2、僅限于企業(yè)內(nèi)部工業(yè)設(shè)備的維護(hù)，樣本量太小，無法實現(xiàn)人工智能；3、僅限于設(shè)備本身的數(shù)據(jù)，未考慮設(shè)備外的影響因素，預(yù)測結(jié)果偏差會較大。也有一些關(guān)于故障預(yù)測識別的研究，但都沒有與工業(yè)設(shè)備預(yù)防性維護(hù)應(yīng)用很好地結(jié)合，實用價值不大。
技術(shù)實現(xiàn)思路
本專利技術(shù)所要解決的技術(shù)問題是，針對現(xiàn)有技術(shù)不足，提供一種基于機(jī)器學(xué)習(xí)的工業(yè)設(shè)備故障預(yù)防性識別方法。為解決上述技術(shù)問題，本專利技術(shù)所采用的技術(shù)方案是：一種基于機(jī)器學(xué)習(xí)的工業(yè)設(shè)備故障預(yù)防性識別方法，包括以下步驟：1）采集典型數(shù)據(jù)；所述典型數(shù)據(jù)包括：①工業(yè)設(shè)備檔案數(shù)據(jù)，包括生產(chǎn)日期、出廠性能指標(biāo)、安裝日期、安裝區(qū)域、區(qū)域特殊環(huán)境、使用情況、曾出現(xiàn)異常情況；②工業(yè)設(shè)備典型故障案例；③工業(yè)設(shè)備可靠性模型、性能劣化數(shù)據(jù)及曲線；④關(guān)鍵元器件可靠性指標(biāo)、關(guān)鍵元器件典型故障案例；⑤關(guān)鍵元器件庫存數(shù)量和采購周期；⑥工業(yè)設(shè)備維護(hù)標(biāo)準(zhǔn)計劃；⑦典型故障樣例庫；2）將上述除關(guān)鍵元器件庫存數(shù)量和采購周期之外的典型數(shù)據(jù)導(dǎo)入機(jī)器學(xué)習(xí)系統(tǒng)中，將關(guān)鍵元器件庫存數(shù)量和采購周期數(shù)據(jù)導(dǎo)入狀態(tài)預(yù)測系統(tǒng)中；3）采用特征參數(shù)法，將導(dǎo)入機(jī)器學(xué)習(xí)系統(tǒng)中的數(shù)據(jù)按照特征分類抽取特征參數(shù)；4）將上述抽取的特征參數(shù)進(jìn)行標(biāo)準(zhǔn)化處理；5）將標(biāo)準(zhǔn)化處理后的特征參數(shù)按照規(guī)律組成向量矩陣；6）利用智能推理算法建立工業(yè)設(shè)備未來運(yùn)行狀態(tài)預(yù)測模型；7）利用已有的典型故障樣本，輸入狀態(tài)預(yù)測系統(tǒng)，經(jīng)過向量矩陣將數(shù)據(jù)進(jìn)行歸一化，通過深度神經(jīng)網(wǎng)絡(luò)卷積算法來驗證建立的預(yù)測模型是否可行；輸入典型故障樣本參數(shù)，經(jīng)過向量矩陣進(jìn)行歸一化，運(yùn)行狀態(tài)預(yù)測模型，如果得出的結(jié)論與已知故障樣本吻合，則確認(rèn)未來運(yùn)行狀態(tài)預(yù)測模型可行；如果運(yùn)行預(yù)測模型得出不一樣的結(jié)論，則未來運(yùn)行狀態(tài)預(yù)測模型存在偏差，對未來運(yùn)行狀態(tài)預(yù)測模型進(jìn)行修正；8）將確認(rèn)可行的未來運(yùn)行狀態(tài)預(yù)測模型導(dǎo)入狀態(tài)預(yù)測系統(tǒng)中，用于預(yù)測工業(yè)設(shè)備未來的運(yùn)行狀態(tài)。步驟3）的具體實現(xiàn)過程為：將典型的工業(yè)設(shè)備可判斷其運(yùn)行狀態(tài)的參數(shù)建立一個參數(shù)集，針對某一類工業(yè)設(shè)備，輸入要求的參數(shù)，并將這些參數(shù)進(jìn)行分類，按照特征進(jìn)行有序排列組合。步驟6）的具體實現(xiàn)過程為：先采用決策樹算法，粗略預(yù)測工業(yè)設(shè)備未來運(yùn)行狀態(tài)；再使用物理模型進(jìn)一步預(yù)測工業(yè)設(shè)備未來的運(yùn)行狀態(tài)。與現(xiàn)有技術(shù)相比，本專利技術(shù)所具有的有益效果為：本專利技術(shù)采用機(jī)器學(xué)習(xí)的人工智能算法，不斷學(xué)習(xí)更新狀態(tài)預(yù)測模型，可實時監(jiān)控預(yù)測工業(yè)設(shè)備的工作狀態(tài)，在第一時間發(fā)現(xiàn)工業(yè)設(shè)備的異常苗頭，及時報警，杜絕事故的發(fā)生；本專利技術(shù)不僅采用工業(yè)設(shè)備全生命周期的典型故障案例作為學(xué)習(xí)對象，更是結(jié)合了工業(yè)設(shè)備的檔案數(shù)據(jù)、使用區(qū)域環(huán)境條件，尤其是關(guān)鍵元器件的可靠性數(shù)據(jù)作為學(xué)習(xí)對象，從多角度評估工業(yè)設(shè)備的可靠性，使預(yù)測結(jié)果更加準(zhǔn)確。附圖說明圖1為本專利技術(shù)一實施例流程圖。具體實施方式如圖1所示，本專利技術(shù)一實施例實現(xiàn)過程如下：一、機(jī)器學(xué)習(xí)模塊工作步驟步驟1：采集典型數(shù)據(jù)。采集的數(shù)據(jù)有①工業(yè)設(shè)備檔案數(shù)據(jù)，包括生產(chǎn)日期、出廠性能指標(biāo)、安裝日期、安裝區(qū)域、區(qū)域特殊環(huán)境、使用情況、曾出現(xiàn)異常情況等；②工業(yè)設(shè)備典型故障案例；③工業(yè)設(shè)備可靠性模型、性能劣化數(shù)據(jù)及曲線等；④關(guān)鍵元器件可靠性指標(biāo)、關(guān)鍵元器件典型故障案例；⑤關(guān)鍵元器件庫存數(shù)量和采購周期等；⑥工業(yè)設(shè)備維護(hù)標(biāo)準(zhǔn)計劃；⑦典型故障樣例庫。這些數(shù)據(jù)的采集不是一次性的，而是隨時進(jìn)行的。步驟2：上傳云端系統(tǒng)。將步驟1采集到的數(shù)據(jù)上傳到云端系統(tǒng)。步驟3：機(jī)器學(xué)習(xí)系統(tǒng)。將步驟1中除⑤之外的數(shù)據(jù)導(dǎo)入機(jī)器學(xué)習(xí)系統(tǒng)中。將步驟1中⑤的數(shù)據(jù)導(dǎo)入狀態(tài)預(yù)測系統(tǒng)中。步驟4：抽取特征參數(shù)。采用特征參數(shù)法，將導(dǎo)入機(jī)器學(xué)習(xí)系統(tǒng)中的數(shù)據(jù)按照特征分類抽取特征參數(shù)。步驟5：標(biāo)準(zhǔn)化處理。將抽取的特征參數(shù)進(jìn)行標(biāo)準(zhǔn)化處理。步驟6：組成向量矩陣。將標(biāo)準(zhǔn)化處理后的特征參數(shù)按照規(guī)律組成向量矩陣。步驟7：建立狀態(tài)預(yù)測模型。利用智能推理算法（比如物理模型、決策樹算法、模糊邏輯、神經(jīng)網(wǎng)絡(luò)算法等）建立工業(yè)設(shè)備未來運(yùn)行狀態(tài)預(yù)測模型。步驟8：深度神經(jīng)網(wǎng)絡(luò)卷積算法。利用已有的典型故障樣本，通過深度神經(jīng)網(wǎng)絡(luò)卷積算法來驗證建立的預(yù)測模型是否可行。輸入樣本參數(shù)，運(yùn)行狀態(tài)預(yù)測模型，如果得出的結(jié)論與已知故障樣本基本吻合，則確認(rèn)預(yù)測模型可行；如果運(yùn)行預(yù)測模型得出不一樣的結(jié)論，則預(yù)測模型存本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點】
一種基于機(jī)器學(xué)習(xí)的工業(yè)設(shè)備故障預(yù)防性識別方法，其特征在于，包括以下步驟：1)?采集典型數(shù)據(jù)；所述典型數(shù)據(jù)包括：①工業(yè)設(shè)備檔案數(shù)據(jù)，包括生產(chǎn)日期、出廠性能指標(biāo)、安裝日期、安裝區(qū)域、區(qū)域特殊環(huán)境、使用情況、曾出現(xiàn)異常情況；②工業(yè)設(shè)備典型故障案例；③工業(yè)設(shè)備可靠性模型、性能劣化數(shù)據(jù)及曲線；④關(guān)鍵元器件可靠性指標(biāo)、關(guān)鍵元器件典型故障案例；⑤關(guān)鍵元器件庫存數(shù)量和采購周期；⑥工業(yè)設(shè)備維護(hù)標(biāo)準(zhǔn)計劃；⑦典型故障樣例庫；2)?將上述除關(guān)鍵元器件庫存數(shù)量和采購周期之外的典型數(shù)據(jù)導(dǎo)入機(jī)器學(xué)習(xí)系統(tǒng)中，將關(guān)鍵元器件庫存數(shù)量和采購周期數(shù)據(jù)導(dǎo)入狀態(tài)預(yù)測系統(tǒng)中；3)?采用特征參數(shù)法，將導(dǎo)入機(jī)器學(xué)習(xí)系統(tǒng)中的數(shù)據(jù)按照特征分類抽取特征參數(shù)；4)?將上述抽取的特征參數(shù)進(jìn)行標(biāo)準(zhǔn)化處理；5)?將標(biāo)準(zhǔn)化處理后的特征參數(shù)按照規(guī)律組成向量矩陣；6)?利用智能推理算法建立工業(yè)設(shè)備未來運(yùn)行狀態(tài)預(yù)測模型；7)?利用已有的典型故障樣本，輸入狀態(tài)預(yù)測系統(tǒng)，經(jīng)過向量矩陣將數(shù)據(jù)進(jìn)行歸一化，通過深度神經(jīng)網(wǎng)絡(luò)卷積算法來驗證建立的預(yù)測模型是否可行；輸入典型故障樣本參數(shù)，經(jīng)過向量矩陣進(jìn)行歸一化，運(yùn)行狀態(tài)預(yù)測模型，如果得出的結(jié)論與已知故障樣本吻合，則確認(rèn)未來運(yùn)行狀態(tài)預(yù)測模型可行；如果運(yùn)行預(yù)測模型得出不一樣的結(jié)論，則未來運(yùn)行狀態(tài)預(yù)測模型存在偏差，對未來運(yùn)行狀態(tài)預(yù)測模型進(jìn)行修正；8)?將確認(rèn)可行的未來運(yùn)行狀態(tài)預(yù)測模型導(dǎo)入狀態(tài)預(yù)測系統(tǒng)中，用于預(yù)測工業(yè)設(shè)備未來的運(yùn)行狀態(tài)。...
【技術(shù)特征摘要】
1.一種基于機(jī)器學(xué)習(xí)的工業(yè)設(shè)備故障預(yù)防性識別方法，其特征在于，包括以下步驟：1)采集典型數(shù)據(jù)；所述典型數(shù)據(jù)包括：①工業(yè)設(shè)備檔案數(shù)據(jù)，包括生產(chǎn)日期、出廠性能指標(biāo)、安裝日期、安裝區(qū)域、區(qū)域特殊環(huán)境、使用情況、曾出現(xiàn)異常情況；②工業(yè)設(shè)備典型故障案例；③工業(yè)設(shè)備可靠性模型、性能劣化數(shù)據(jù)及曲線；④關(guān)鍵元器件可靠性指標(biāo)、關(guān)鍵元器件典型故障案例；⑤關(guān)鍵元器件庫存數(shù)量和采購周期；⑥工業(yè)設(shè)備維護(hù)標(biāo)準(zhǔn)計劃；⑦典型故障樣例庫；2)將上述除關(guān)鍵元器件庫存數(shù)量和采購周期之外的典型數(shù)據(jù)導(dǎo)入機(jī)器學(xué)習(xí)系統(tǒng)中，將關(guān)鍵元器件庫存數(shù)量和采購周期數(shù)據(jù)導(dǎo)入狀態(tài)預(yù)測系統(tǒng)中；3)采用特征參數(shù)法，將導(dǎo)入機(jī)器學(xué)習(xí)系統(tǒng)中的數(shù)據(jù)按照特征分類抽取特征參數(shù)；4)將上述抽取的特征參數(shù)進(jìn)行標(biāo)準(zhǔn)化處理；5)將標(biāo)準(zhǔn)化處理后的特征參數(shù)按照規(guī)律組成向量矩陣；6)利用智能推理算法建立工業(yè)設(shè)備未來運(yùn)行狀態(tài)預(yù)測模型；7)利用已有的典型故障樣本，輸入狀態(tài)預(yù)測系統(tǒng)，經(jīng)過向量矩陣將數(shù)據(jù)進(jìn)行...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：周迪平，鄭亞娟，
申請(專利權(quán))人：湖南微軟創(chuàng)新中心有限公司，
類型：發(fā)明
國別省市：湖南;43
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。