【技術實現步驟摘要】
本專利技術涉及設備故障預測領域，尤其涉及一種基于ai大模型對工業互聯網中設備故障的預測方法。
技術介紹
1、工業互聯網以網絡體系為基礎，確保了人、機、物的全面互聯與數據流通，能夠實現工業數據的收集、交換、分析和優化，目前，機器人是常見的工業使用設備，智能化的工業控制使得其減少了人力的使用，設備故障的預測是工業控制場景中重要的一環，以減小設備故障帶來的損失，設備故障的預測通常是通過模型學習實現的，但是由于機器人實際運動特征的復雜性，導致設備故障預測模型預測的準確性較差，因此，如何針對提高故障預測模型預測的準確性是本領域技術人員亟待解決的技術問題。
2、中國專利公開號cn114495468a公開了一種機器人故障狀態監測預警方法、電子設備、存儲介質，方法包括：s1、采集故障預測模型的輸入參數；s2、對所述輸入參數進行預處理；s3、采用深度學習的方式建立能夠獲取時序特征的故障預測模型，通過所述故障預測模型對步驟s2得到的經過預處理后的所述輸入參數進行特征提取和訓練；s4、所述故障預測模型根據機器人的信號的變化預測發生的故障；s5、根據所述故障預測模型的預測結果，進行最終決策和解決異常的動作執行。由此可見，上述技術方案存在以下技術問題：無法針對機器人的實際任務動作特征進行學習以確定不同任務動作的模型學習方式，導致單一的模型學習方式無法滿足實際的使用需求。
技術實現思路
1、為此，本專利技術提供一種基于ai大模型對工業互聯網中設備故障的預測方法，用以克服現有技術中無法針對機器人的實
2、為實現上述目的，本專利技術提供一種基于ai大模型對工業互聯網中設備故障的預測方法，包括：
3、獲取待學習任務動作，根據變化節點占比以及動作差異度確定動作狀態；
4、根據動作狀態確定數據處理方式，數據處理方式為根據數據劃分基準確定變化點選取方式并根據變化點針對設備數據進行劃分，或，根據速度變化差異度針對設備數據進行劃分；
5、其中，變化點選取方式為根據節點軌跡或末端軌跡確定變化點；
6、所述數據劃分基準根據軌跡復雜度進行確定，數據劃分基準為方向變化值或預估末端偏差值；
7、根據影響段落占比確定特征集合匹配方式，特征集合匹配方式為根據磨損差異系數確定匹配優化方式或根據抓取影響值進行匹配，匹配優化方式為根據磨損狀態或軌跡參考值進行匹配以獲得訓練特征集合。
8、進一步地，動作狀態根據變化節點占比以及動作差異度確定，動作狀態包括：
9、變化節點占比大于或等于預設變化節點占比且動作差異度大于或等于預設動作差異度的第一動作狀態；
10、變化節點占比小于預設變化節點占比或動作差異度小于預設動作差異度的第二動作狀態。
11、進一步地，根據動作狀態確定數據處理方式；
12、第一動作狀態下，數據處理方式為根據數據劃分基準確定變化點選取方式，并根據變化點針對設備數據進行劃分；
13、第二動作狀態下，數據處理方式為根據速度變化差異度針對設備數據進行劃分；
14、根據速度變化差異度針對設備數據進行劃分包括：檢測各參考時間點對應的速度變化差異度，將速度變化差異度大于預設速度變化差異度的參考時間點作為劃分點針對設備數據進行劃分；
15、所述參考時間點為單個設備數據的首個時間點的參考順序后的各時間點。
16、進一步地，所述數據劃分基準根據軌跡復雜度進行確定；
17、若軌跡復雜度大于或等于預設軌跡復雜度，數據劃分基準為方向變化值；
18、若軌跡復雜度小于預設軌跡復雜度，數據劃分基準為預估末端偏差值。
19、進一步地，根據數據劃分基準確定變化點選取方式；
20、數據劃分基準為方向變化值時，變化點選取方式為根據節點軌跡確定變化點；
21、根據節點軌跡確定變化點時，針對各變化節點進行組合分析，針對單個變化節點進行組合分析時，將該變化節點記為目標節點，將不包括目標節點在內的其他未記入關聯組合的變化節點記為參考節點；
22、將與目標節點的軌跡差異度小于預設軌跡差異度的參考節點以及目標節點的集合記為一關聯組合，并繼續針對未記入關聯組合的變化節點進行組合分析，直至各變化節點均記入關聯組合；
23、逐一選擇各關聯組合中任意一變化節點，將各變化節點對應的移動軌跡中方向變化值大于預設方向變化值的軌跡點對應的時間點記為變化點；
24、數據劃分基準為預估末端偏差值時，變化點選取方式為根據末端軌跡確定變化點；
25、根據末端軌跡確定變化點時，將機械臂末端對應的移動軌跡記為末端軌跡，將末端軌跡中預估末端偏差值大于預設預估末端偏差值的軌跡點對應的時間點記為變化點。
26、進一步地，根據變化點針對設備數據進行劃分，其中，
27、按照參考順序針對各變化點進行劃分分析，針對單個變化點進行劃分分析時，將該變化點記為目標變化點，將不包括目標變化點在內的未記為無效劃分點的變化點記為參考變化點；
28、將與目標變化點的時間參考值小于預設時間參考值的各參考變化點記為無效劃分點，并繼續針對滿足預設條件的變化點進行劃分分析，直至各變化點均滿足預設條件；
29、以未記為無效劃分點的變化點為基點針對設備數據進行劃分；
30、所述預設條件為未進行劃分分析且未記為無效劃分點。
31、進一步地，根據影響段落占比確定特征集合匹配方式；
32、若影響段落占比大于或等于預設影響段落占比，特征集合匹配方式為根據磨損差異系數確定匹配優化方式；
33、若影響段落占比小于預設影響段落占比，特征集合匹配方式為根據抓取影響值進行匹配；
34、影響段落為節點速度差異值大于或等于預設節點速度差異值或速度波動均值大于或等于預設速度波動均值的劃分段落。
35、進一步地，根據磨損差異系數確定匹配優化方式；
36、若磨損差異系數大于或等于預設磨損差異系數，匹配優化方式為根據磨損狀態進行匹配；
37、若磨損差異系數小于預設磨損差異系數，匹配優化方式為根據軌跡參考值進行匹配；
38、根據軌跡參考值進行匹配時，將軌跡參考值大于或等于預設軌跡參考值的各劃分段落的集合以及軌跡參考值小于預設軌跡參考值的各劃分段落的集合均記為訓練特征集合。
39、進一步地，根據磨損狀態進行匹配，其中，
40、將處于第一磨損狀態的各劃分段落的集合以及處于第二磨損狀態的各劃分段落的集合均記為訓練特征集合；
41、所述磨損狀態根據磨損節點占比以及最大磨損度進行確定，磨損狀態包括：
42、磨損節點占比大于或等于預設磨損節點占比或最大磨損度大于或等于預設最大磨損度的第一磨損狀態；
43、磨損節點占比小于預設本文檔來自技高網...
【技術保護點】
1.一種基于AI大模型對工業互聯網中設備故障的預測方法，其特征在于，包括：
2.根據權利要求1所述的基于AI大模型對工業互聯網中設備故障的預測方法，其特征在于，動作狀態根據變化節點占比以及動作差異度確定，動作狀態包括：
3.根據權利要求2所述的基于AI大模型對工業互聯網中設備故障的預測方法，其特征在于，根據動作狀態確定數據處理方式；
4.根據權利要求3所述的基于AI大模型對工業互聯網中設備故障的預測方法，其特征在于，所述數據劃分基準根據軌跡復雜度進行確定；
5.根據權利要求4所述的基于AI大模型對工業互聯網中設備故障的預測方法，其特征在于，根據數據劃分基準確定變化點選取方式；
6.根據權利要求5所述的基于AI大模型對工業互聯網中設備故障的預測方法，其特征在于，根據變化點針對設備數據進行劃分，其中，
7.根據權利要求6所述的基于AI大模型對工業互聯網中設備故障的預測方法，其特征在于，根據影響段落占比確定特征集合匹配方式；
8.根據權利要求7所述的基于AI大模型對工業互聯網中設備故障的預測方法，其特征
9.根據權利要求8所述的基于AI大模型對工業互聯網中設備故障的預測方法，其特征在于，根據磨損狀態進行匹配，其中，
10.根據權利要求7所述的基于AI大模型對工業互聯網中設備故障的預測方法，其特征在于，根據抓取影響值進行匹配，其中，
...【技術特征摘要】
1.一種基于ai大模型對工業互聯網中設備故障的預測方法，其特征在于，包括：
2.根據權利要求1所述的基于ai大模型對工業互聯網中設備故障的預測方法，其特征在于，動作狀態根據變化節點占比以及動作差異度確定，動作狀態包括：
3.根據權利要求2所述的基于ai大模型對工業互聯網中設備故障的預測方法，其特征在于，根據動作狀態確定數據處理方式；
4.根據權利要求3所述的基于ai大模型對工業互聯網中設備故障的預測方法，其特征在于，所述數據劃分基準根據軌跡復雜度進行確定；
5.根據權利要求4所述的基于ai大模型對工業互聯網中設備故障的預測方法，其特征在于，根據數據劃分基準確定變化點選取方式；
6...
【專利技術屬性】
技術研發人員：黃錫雄，邢雁，黃灼，劉琰，
申請(專利權)人：廣州機智云物聯網科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。