CN106598791A - 一种基于机器学习的工业设备故障预防性识别方法 - Google Patents

Abstract

本发明公开了一种基于机器学习的工业设备故障预防性识别方法，采用机器学习的人工智能算法，不断学习更新状态预测模型，可实时监控预测工业设备的工作状态，在第一时间发现工业设备的异常苗头，及时报警，杜绝事故的发生；本发明不仅采用工业设备全生命周期的典型故障案例作为学习对象，更是结合了工业设备的档案数据、使用区域环境条件，尤其是关键元器件的可靠性数据作为学习对象，从多角度评估工业设备的可靠性，使预测结果更加准确。

Description

一种基于机器学习的工业设备故障预防性识别方法

技术领域

本发明涉及一种基于机器学习的工业设备故障预防性识别方法。

背景技术

工业设备的发展经历了数字化阶段、信息化阶段，现在正在迈向智能化阶段。智能化工业设备的出现，使预防性维护技术的实现成为可能。

基于信息系统的智能装备、智能工厂等智能制造正在引领制造方式变革：协同设计、精准供应链管理、全生命周期管理等正在重塑产业价值链体系。在第四次工业革命阶段，工业设备的全生命周期管理对于使用方越来越重要。

人工智能起源于1950年左右，经过数十年的发展，随着互联网、物联网、云计算和大数据等新一代信息技术的发展与成熟，机器学习成为人工智能的核心研究课题。使计算机模拟或者实验人类的学习行为来获得知识和技能，同时不断根据新的信息改善性能。

设备维修是指设备技术状态裂化或发生故障后，为恢复其功能而进行的技术活动，属于事后行为，设备维护是保养与维修的结合，其基本内容包括设备维护保养、设备检查和设备修理，其方式经历了反应性维护（事后维修）和预防性维护初级阶段，正在向预防性维护高级阶段（智能监控与健康管理）转变，在设备性状发生劣化，但还未影响到功能时，就将可能发生功能缺损部分替换掉。预防性维护利用尽可能少的传感器采集系统的各种数据信息，借助各种智能推理算法（如物理模型、神经网络、大数据、模糊逻辑、专家系统等）来评估系统自身的健康状态，在系统故障发生前对其故障进行预测，并结合各种可利用的资源信息提供一系列的维护保障措施，达到系统自身具有对其故障进行预测并对其健康状态进行管理的能力。

目前，国内多数研究集中在系统监测和故障诊断方面，对整个系统的诊断模式、故障预测、知识服务等方面的研究较少。现有的涉及民用制造业方面工业设备的预防性维护，大多是现有工作流程及数据的电子信息化，引入机器学习等人工智能算法的尚未涉及。

类似的专利有“CN2010101940177网络环境下设备故障动态监测及预防维护管理系统”，但该专利的管理范围是企业内部的各个设备，实现了企业内部传统手工信息和工作流程的电子信息化。发明专利“CN201110095854.9机电设备的动态预防性维护方法”以机电设备在全生命周期各阶段的预防性维护内容、维护方式、故障危害程度等来建立预防性维护系统，并未考虑机电设备以外的因素。类似的专利只是原有工作流程及数据的电子信息化，并未引入机器学习等人工智能算法，依靠人工的成分很大，故障预测效果欠佳。

目前工业设备的故障识别还处于预防性维护初级阶段。无论是设备自带检测软件还是人工定期维护保养或是两者结合，主要还是靠维护人员的知识和经验，对维护人员技能要求很高，而且还无法较准确地去预测设备故障发生的点和时间。工业设备往往销往全国各地甚至国外，靠技术人员定期去检测维护，需要花费大量的人力和财力。缺少预防性维护的有效措施，工业设备突然故障，会给生产和运营造成损失，若因不能确诊故障原因或关键器件缺货等无法尽快修复，造成的损失将更大。

现有技术的缺点在于：1、仅限于现有工作流程和数据的电子信息化，工作效率有一定的提高，但人工参与的成分仍很大；2、仅限于企业内部工业设备的维护，样本量太小，无法实现人工智能；3、仅限于设备本身的数据，未考虑设备外的影响因素，预测结果偏差会较大。也有一些关于故障预测识别的研究，但都没有与工业设备预防性维护应用很好地结合，实用价值不大。

发明内容

本发明所要解决的技术问题是，针对现有技术不足，提供一种基于机器学习的工业设备故障预防性识别方法。

为解决上述技术问题，本发明所采用的技术方案是：一种基于机器学习的工业设备故障预防性识别方法，包括以下步骤：

1）采集典型数据；所述典型数据包括：①工业设备档案数据，包括生产日期、出厂性能指标、安装日期、安装区域、区域特殊环境、使用情况、曾出现异常情况；②工业设备典型故障案例；③工业设备可靠性模型、性能劣化数据及曲线；④关键元器件可靠性指标、关键元器件典型故障案例；⑤关键元器件库存数量和采购周期；⑥工业设备维护标准计划；⑦典型故障样例库；

2）将上述除关键元器件库存数量和采购周期之外的典型数据导入机器学习系统中，将关键元器件库存数量和采购周期数据导入状态预测系统中；

3）采用特征参数法，将导入机器学习系统中的数据按照特征分类抽取特征参数；

4）将上述抽取的特征参数进行标准化处理；

5）将标准化处理后的特征参数按照规律组成向量矩阵；

6）利用智能推理算法建立工业设备未来运行状态预测模型；

7）利用已有的典型故障样本，输入状态预测系统，经过向量矩阵将数据进行归一化，通过深度神经网络卷积算法来验证建立的预测模型是否可行；输入典型故障样本参数，经过向量矩阵进行归一化，运行状态预测模型，如果得出的结论与已知故障样本吻合，则确认未来运行状态预测模型可行；如果运行预测模型得出不一样的结论，则未来运行状态预测模型存在偏差，对未来运行状态预测模型进行修正；

8）将确认可行的未来运行状态预测模型导入状态预测系统中，用于预测工业设备未来的运行状态。

步骤3）的具体实现过程为：将典型的工业设备可判断其运行状态的参数建立一个参数集，针对某一类工业设备，输入要求的参数，并将这些参数进行分类，按照特征进行有序排列组合。

步骤6）的具体实现过程为：先采用决策树算法，粗略预测工业设备未来运行状态；再使用物理模型进一步预测工业设备未来的运行状态。

与现有技术相比，本发明所具有的有益效果为：本发明采用机器学习的人工智能算法，不断学习更新状态预测模型，可实时监控预测工业设备的工作状态，在第一时间发现工业设备的异常苗头，及时报警，杜绝事故的发生；本发明不仅采用工业设备全生命周期的典型故障案例作为学习对象，更是结合了工业设备的档案数据、使用区域环境条件，尤其是关键元器件的可靠性数据作为学习对象，从多角度评估工业设备的可靠性，使预测结果更加准确。

附图说明

图1为本发明一实施例流程图。

具体实施方式

如图1所示，本发明一实施例实现过程如下：

一、机器学习模块工作步骤

步骤1：采集典型数据。采集的数据有①工业设备档案数据，包括生产日期、出厂性能指标、安装日期、安装区域、区域特殊环境、使用情况、曾出现异常情况等；②工业设备典型故障案例；③工业设备可靠性模型、性能劣化数据及曲线等；④关键元器件可靠性指标、关键元器件典型故障案例；⑤关键元器件库存数量和采购周期等；⑥工业设备维护标准计划；⑦典型故障样例库。这些数据的采集不是一次性的，而是随时进行的。

步骤2：上传云端系统。将步骤1采集到的数据上传到云端系统。

步骤3：机器学习系统。将步骤1中除⑤之外的数据导入机器学习系统中。将步骤1中⑤的数据导入状态预测系统中。

步骤4：抽取特征参数。采用特征参数法，将导入机器学习系统中的数据按照特征分类抽取特征参数。

步骤5：标准化处理。将抽取的特征参数进行标准化处理。

步骤6：组成向量矩阵。将标准化处理后的特征参数按照规律组成向量矩阵。

步骤7：建立状态预测模型。利用智能推理算法（比如物理模型、决策树算法、模糊逻辑、神经网络算法等）建立工业设备未来运行状态预测模型。

步骤8：深度神经网络卷积算法。利用已有的典型故障样本，通过深度神经网络卷积算法来验证建立的预测模型是否可行。输入样本参数，运行状态预测模型，如果得出的结论与已知故障样本基本吻合，则确认预测模型可行；如果运行预测模型得出不一样的结论，则预测模型存在偏差，对状态预测模型进行修正。这个过程不是一次性的，而是贯穿预测系统软件的全生命周期，在状态预测过程中一直保持学习与修正状态。

步骤9：输出状态预测模型。将确认的状态预测模型导入状态预测系统中，用于预测工业设备未来的运行状态。

二、状态预测处理模块工作步骤

步骤10：在线采集工业设备动态状态参数。

步骤11：上传云端系统。将采集到的状态参数上传到云端系统中。

步骤12：状态预测系统。将动态参数先导入到状态预测系统中，运行状态预测模型。

步骤13：预测未来运行状态。利用状态预测模型给出未来一段时间内工业设备的预测运行状态。

步骤14：维护计划。根据预测的工业设备未来一段时间内的运行状态，给出维护计划。

步骤15：关键元器件需求计划。如果维护计划中涉及有关键元器件的需求计划，则系统会根据关键元器件的库存数量及采购周期，给出关键元器件采购计划。

步骤16：实施维护。根据维护计划对工业设备展开维护实施。

步骤17：处理结果。记录、反馈具体维护实施情况。如果维护工作一切正常，则将该维护记录上传云端计入工业设备档案中；如果在维护过程中发现有偏差或异常，也将该记录上传云端计入工业设备档案中，有必要的时候将该结果反馈至状态预测模型建立流程，对状态预测模型进行修正。

Claims (3)

1.一种基于机器学习的工业设备故障预防性识别方法，其特征在于，包括以下步骤：

1) 采集典型数据；所述典型数据包括：①工业设备档案数据，包括生产日期、出厂性能指标、安装日期、安装区域、区域特殊环境、使用情况、曾出现异常情况；②工业设备典型故障案例；③工业设备可靠性模型、性能劣化数据及曲线；④关键元器件可靠性指标、关键元器件典型故障案例；⑤关键元器件库存数量和采购周期；⑥工业设备维护标准计划；⑦典型故障样例库；

2) 将上述除关键元器件库存数量和采购周期之外的典型数据导入机器学习系统中，将关键元器件库存数量和采购周期数据导入状态预测系统中；

3) 采用特征参数法，将导入机器学习系统中的数据按照特征分类抽取特征参数；

4) 将上述抽取的特征参数进行标准化处理；

5) 将标准化处理后的特征参数按照规律组成向量矩阵；

6) 利用智能推理算法建立工业设备未来运行状态预测模型；

7) 利用已有的典型故障样本，输入状态预测系统，经过向量矩阵将数据进行归一化，通过深度神经网络卷积算法来验证建立的预测模型是否可行；输入典型故障样本参数，经过向量矩阵进行归一化，运行状态预测模型，如果得出的结论与已知故障样本吻合，则确认未来运行状态预测模型可行；如果运行预测模型得出不一样的结论，则未来运行状态预测模型存在偏差，对未来运行状态预测模型进行修正；

8) 将确认可行的未来运行状态预测模型导入状态预测系统中，用于预测工业设备未来的运行状态。

2.根据权利要求1所述的基于机器学习的工业设备故障预防性识别方法，其特征在于，步骤3）的具体实现过程为：将典型的工业设备可判断其运行状态的参数建立一个参数集，针对某一类工业设备，输入要求的参数，并将这些参数进行分类，按照特征进行有序排列组合。

3.根据权利要求1所述的基于机器学习的工业设备故障预防性识别方法，其特征在于，步骤6）的具体实现过程为：先采用决策树算法，粗略预测工业设备未来运行状态；再使用物理模型进一步预测工业设备未来的运行状态。