CN108268970A - 一种基于htm的传送带故障预测方法、系统及装置 - Google Patents

Abstract

本发明公开了一种基于HTM的传送带故障预测方法、系统及装置，该方法包括：采集传送带设备的状态数据；将传送带设备的状态数据输入至HTM算法模型进行处理，从而输出异常分数。该系统包括：采集单元和处理单元。该装置包括存储器以及用于加载存储器中的程序以执行上述基于HTM的传送带故障预测方法。本发明的传送带故障预测方案无需人工预先定义好规则，无需人工对大量状态进行状态间的规则关联挖掘，无需人工更新规则，大大减少了运营人员的工作量和工作负担，提高工作效率和操作使用便利性，而且还极大地提高了故障预测的准确性和实时有效性。本发明作为一种基于HTM的传送带故障预测方法、系统及装置可广泛应用于机场传送设施中。

Description

一种基于HTM的传送带故障预测方法、系统及装置

技术领域

本发明涉及故障预测技术，尤其涉及一种基于HTM算法的传送带(机场行李传送带)故障预测方法、系统及装置。

背景技术

技术词解释：

HTM：Hierarchical Temporal Memory，分层时间记忆算法。

针对机场行李传送带这一会存在老旧、甚至是过时设备的生产设施而言，它们的维护程序经常会导致不必要的费用，比如，因运行停机而造成的损失、能源浪费和人力成本等。通常，按照传统的维护程序可知，其需要定期进行日常维护，这就意味着操作人员很有可能在对一些并不需要维护的设备进行保养，这就意味着造成了时间和资源的浪费；或者，更换掉那些仍具有使用价值的设备。此外，使用传统的维护程序，如果一个设备没有按规定进行日常维护，那即使有某些征兆显示其要发生事故，也可能被忽视，故障预测实时性差。为了改变目前设备维护不及时这个现状，在大数据的驱动下，预测性维护就应运而生。

预测性维护(Predictive Maintenance，简称PdM)是以状态为依据的维修，在机器运行时，对它的主要(或需要)部位进行定期(或连续)的状态监测和故障诊断，判定装备所处的状态，从而预测装备状态未来的发展趋势，依据装备的状态发展趋势和可能的故障模式，预先制定预测性维修计划，确定机器应该修理的时间、内容、方式和必需的技术和物资支持。可见，所述预测性维修是集装备状态监测、故障诊断、故障(状态)预测、维修决策支持和维修活动于一体，一种新兴的维修方式。

就目前的预测性维护而言，技术上多数是采用“状态监测+规则匹配”的方法来实现故障预测。其中，所述状态监测的方法可依据状态检测手段的不同而分成许多种，常用的包括有振动监测法、噪声监测法、温度监测法、压力监测法、油液分析监测法、声发射监测法等，通过将这些方法采集到的数据与事先定好的规则相匹配，如果匹配中了，就说明存在故障风险，例如，通过温度监测法，得知目前发动机温度为60摄氏度，通过振动监测法，得知目前机器的振动频率为30下/分钟，那么根据定义好的规则“当发动机温度超过55摄氏度，机器振动频率大于18下/分钟时，机器将会发生故障”可知，该规则与状态监测到的结果相吻合，因而该传送带设备被预测为故障，需要被维护。然而，采用“状态监测+规则匹配”的方法来实现故障预测，这却存在不少缺点，例如：1、需要事先根据运营人员经验定义好若干规则，涉及过多人为操作，导致工作人员的工作量大，而且预测准确性低下，容易出现预测失误；2、如果有新的故障类型出现，原规则没法正确匹配，则需要去人为更新规则，更新迭代的时效性低；3、当状态较多时，人工难以发现状态间存在的规则关联，因此，人工定义的规则难以精准地匹配对应各种状态，从而导致故障预测的精准度低下。

发明内容

为了解决上述技术问题，本发明的目的是提供一种基于HTM的传送带故障预测方法、系统及装置，可避免过多的人为操作，极大地提高预测的实时有效性和精准度。

本发明所采用的第一技术方案是：一种基于HTM的传送带故障预测方法，包括以下步骤：

采集传送带设备的状态数据；

将传送带设备的状态数据输入至HTM算法模型进行处理，从而输出异常分数。

进一步，所述将传送带设备的状态数据输入至HTM算法模型进行处理，从而输出异常分数这一步骤，其具体包括：

对采集得到的传送带设备的状态数据进行清理归集处理，从而剔除异常的状态数据；

将清理归集处理后得到的状态数据输入至HTM算法模型进行处理，从而输出异常分数。

进一步，所述HTM算法模型中的自我学习子模型采用了随机淘汰机制来实现；所述自我学习子模型所对应的自我学习步骤包括：

利用预设数据范围，对输入至HTM算法模型的状态数据进行随机数分配；

当状态数据所分配到的随机数小于选定随机值时，淘汰该状态数据。

进一步，所述选定随机值的获取步骤包括：

从预设数据范围中随机选取一数值；

将选取出的数值作为选定随机值。

进一步，所述传送带设备的状态数据是由设置在传送带设备上的传感器检测得到的。

进一步，所述传感器包括温度传感器、振动传感器、噪声传感器和/或压力传感器。

进一步，所述将传送带设备的状态数据输入至HTM算法模型进行处理，从而输出异常分数这一步骤之后设有以下步骤：

判断异常分数是否大于等于阈值，若是，则判断传送带设备处于异常状态；反之，则判断传送带设备处于正常状态。

本发明所采用的第二技术方案是；一种基于HTM的传送带故障预测系统，包括：

采集单元，用于采集传送带设备的状态数据；

处理单元，用于将传送带设备的状态数据输入至HTM算法模型进行处理，从而输出异常分数。

进一步，还包括：

判断单元，用于判断异常分数是否大于等于阈值，若是，则判断传送带设备处于异常状态；反之，则判断传送带设备处于正常状态。

本发明所采用的第三技术方案是：一种基于HTM的传送带故障预测装置，包括：

至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如第一技术方案所述一种基于HTM的传送带故障预测方法。

本发明方法、系统及装置的有益效果是：本发明将HTM算法模型应用于机场传送带的故障预测领域中，通过将采集得到的传送带设备的状态数据输入至HTM算法模型进行数据处理后输出该状态所对应的异常分数，而该异常分数可直接决定了传送带设备目前是否处于异常状态，因此由此可见，通过使用本发明的方案，能快速准确地实现传送带设备的故障预测，并且无需人工预先定义好规则，无需人工对大量状态进行状态间的规则关联挖掘，无需人工更新规则，大大减少了运营人员的工作量和工作负担，提高工作效率和操作使用便利性，而且还极大地提高了故障预测的准确性和实时有效性，为传送带设备的维护工作提供了有效且准确的依据，减少大量不必要的损耗(例如成本损耗、能源损耗等)，具有非常高的商用价值。

附图说明

图1是本发明一种基于HTM的传送带故障预测方法的步骤流程图；

图2是本发明一种基于HTM的传送带故障预测方法的一具体优选实施例步骤流程图；

图3是本发明一种基于HTM的传送带故障预测系统的结构框图；

图4是本发明一种基于HTM的传送带故障预测装置的结构框图。

具体实施方式

下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。

如图1所示，本发明实施例提供了一种基于HTM的传送带故障预测方法，包括以下步骤：

S101、采集传送带设备的状态数据；

具体地，对传送带设备的状态进行实时检测，并对实时检测到的状态数据进行采集；

S102、将传送带设备的状态数据输入至HTM算法模型进行处理，从而输出异常分数；

具体地，将步骤S101采集得到的传送带设备的状态数据作为传送带设备的特征向量，然后，将传送带设备的特征向量输入至HTM算法模型进行处理，从而输出得到一个异常分数，即anomalyScore，此分数会直接决定传送带设备目前是否处于异常状态。

由上述可得，本发明通过采用HTM算法模型来实现传送带设备的故障预测，其所包含的优点有：

(1)、由于HTM算法模型能够根据历史输入数据寻找规律，因此将HTM算法模型应用于传送带设备的故障预测中，则无需预先按照运营人员的经验来定义好若干的匹配规则，这样不仅能减少工作人员的工作量和工作负担，而且还能避免因涉及过多人为定义和操作而导致故障预测的可靠性和准确性低下的问题，提高了整体故障预测的有效性和准确度；

(2)、由于HTM算法模型能够根据输入的数据流来自主学习新出现的故障模式，因此将HTM算法模型应用于传送带设备的故障预测中，则无需人为去更新匹配规则，这样不仅减少了因人生更新匹配规则而造成的资源浪费(如成本资源、时间资源等)，而且还保证了故障预测的实时有效性和可靠稳定性；

(3)、由于HTM算法模型能够深层次地挖掘出状态间的规则关联，因此将HTM算法模型应用于传送带设备的故障预测中，可大大提高异常分数这一预测值的准确性以及预测全面性；

(4)、通过使用本发明方案，发现能节省60％的费用以及节省70％的时间，效果非常显著，达到意想不到的性能提升，因此，本发明方案具有非常高的实用性和商用价值。

进一步作为本方法的优选实施方式，所述将传送带设备的状态数据输入至HTM算法模型进行处理，从而输出异常分数这一步骤S102，其具体包括：

S1021、对采集得到的传送带设备的状态数据进行清理归集处理，从而剔除异常的状态数据；

S1022、将清理归集处理后得到的状态数据输入至HTM算法模型进行处理，从而输出异常分数。

具体地，通过对采集得到的状态数据进行清理归集处理，从而剔除异常的状态数据后，再将正常的状态数据输入至HTM算法模型进行处理，这样能够进一步地提高异常分数这一预测值的精确性，而且有利于HTM算法模型的训练和自我学习。

进一步作为本方法的优选实施方式，所述HTM算法模型中的自我学习子模型采用了随机淘汰机制来实现；所述自我学习子模型所对应的自我学习步骤包括：

S10221、利用预设数据范围，对输入至HTM算法模型的状态数据进行随机数分配；

具体地，从预设数据范围中随机选取数值并分配给输入的状态数据，即为每一个流入的数据分配一个随机数，而这一随机数是从预设数据范围随机选取获得的；

S10222、当状态数据所分配到的随机数小于选定随机值时，淘汰该状态数据，即剔除掉该状态数据，而淘汰掉的状态数据所隐藏的模式则不被HTM算法模型所学习的。

具体地，传统的HTM算法在模式的记忆上采取的是所有数据的模式都进行储存，但是这样则会造成HTM算法很快会陷入局部最优，从而造成后续进入模型的数据都会向局部最优附近靠拢。因此，为了解决这个局部最优问题，本发明实施例采用了一个“随机淘汰机制”，即预先从预设数据范围(如[0,1])内选定一个随机值a(即选定随机值)，假设a为0.13，然后每个流入的数据也给其分配一个[0,1]范围内的随机数，当该状态数据所分配得到的随机数小于a时，则该状态数据所隐藏的模式就不被HTM算法所学习。

进一步作为本方法的优选实施方式，所述选定随机值的获取步骤S10220包括：

S102201、从预设数据范围中随机选取一数值；

S102202、将选取出的数值作为选定随机值。

进一步作为本方法的优选实施方式，所述传送带设备的状态数据是由设置在传送带设备上的传感器检测得到的。相较于其它专业的检测设备，利用传感器来实现状态数据的获取，成本低，体积小，节省费用和摆放空间，而且运营人员不具备技术专业知识也能操作使用，进一步提高操作便利性。

进一步作为本方法的优选实施方式，所述传感器包括温度传感器、振动传感器、噪声传感器和/或压力传感器，也就是说，所述状态数据包含有温度数据、振动数据、噪音数据和/或压力数据。优选地，将同一时间采集得到的温度、振幅、噪声、压力作为一输入特征向量并结合HTM算法来实现传送带设备的故障预测，这能更符合传送带设备这一领域的需求，进一步提高HTM算法模型所输出的异常分数的准确性，而且还具有易于实现操作，便利性高的优点。

进一步作为本方法的优选实施方式，所述将传送带设备的状态数据输入至HTM算法模型进行处理，从而输出异常分数这一步骤S102之后设有以下步骤：

S103、判断异常分数是否大于等于阈值，若是，则判断传送带设备处于异常状态；反之，则判断传送带设备处于正常状态。

具体地，所述预设定的阈值可根据实际需求，从数值范围[0,1]中选取。

以下结合具体优选实施例来对本发明方法做更进一步的详细阐述。

如图2所示，一种基于HTM的传送带故障预测方法，其具体包括以下步骤。

S201、采集传送带设备的状态数据；

具体地，在传送带设备上会设置各种检测传感器，然后实时采集传感器的数据流；在本优选实施例中，所述状态数据包括温度数据、振幅数据、噪声数据及压力数据。

S202、对采集得到的传送带设备的状态数据进行清理归集处理，从而剔除异常的状态数据；

具体地，对上述步骤S201采集到的数据流进行清理归集处理，将异常的数据进行剔除，并将同一时刻采集得到的温度数据、振幅数据、噪声数据及压力数据作为一输入特征向量，因此，清理归集处理后所得到的数据格式如表1所示：

表1

S203、将清理归集处理后得到的状态数据输入至HTM算法模型进行处理，从而输出异常分数；

具体地，将清理归集处理后得到的输入特征向量输入至HTM算法模型中进行处理后，会输出一个anomalyScore，即异常分数值，分数会直接决定传送带目前是否处在异常状态；同时，HTM算法会记忆并学习该输入特征向量数据潜在的模式，而在本实施例中则会采用“随机淘汰机制”来实现自我学习：首先预先从[0,1]内选定一个随机值a，选出的a为0.13，然后每个流入HTM算法模型的数据也给其分配一个[0,1]范围内的随机数，当该状态数据所分配得到的随机数小于a时，则该状态数据所隐藏的模式就不被HTM算法所学习；反之，该状态数据所隐藏的模式则会被HTM算法所学习。

对于输入至HTM算法模型进行处理的状态数据，以及HTM算法模型所输出的对应的anomalyScore，它们的具体数据值可如表2所示。

表2

S204、判断异常分数是否大于等于阈值，若是，则判断传送带设备处于异常状态；反之，则判断传送带设备处于正常状态；

具体地，在本实施例中，所述预设的阈值为0.8，即判断步骤S203所得到的anomalyScore是否大于等于0.8，若是，则判定传送带设备出现异常，处于异常状态；反之，则判断传送带设备处于正常状态。可见，对于此故障预测的结果如表3所示。

表3

如图3所示，本发明实施例还提供了一种基于HTM的传送带故障预测系统，包括：

采集单元301，用于采集传送带设备的状态数据；

处理单元302，用于将传送带设备的状态数据输入至HTM算法模型进行处理，从而输出异常分数。

进一步作为本系统的优选实施方式，还包括：

判断单元303，用于判断异常分数是否大于等于阈值，若是，则判断传送带设备处于异常状态；反之，则判断传送带设备处于正常状态。所述判断单元303设置在处理单元302之后。

上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。

如图4所示，本发明实施例还提供了一种基于HTM的传送带故障预测装置，包括：

至少一个处理器401；

至少一个存储器402，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器401执行，使得所述至少一个处理器401实现如上述方法实施例所述的一种基于HTM的传送带故障预测方法。

上述方法实施例中的内容均适用于本装置实施例中，本装置实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。

以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.一种基于HTM的传送带故障预测方法，其特征在于，包括以下步骤：

采集传送带设备的状态数据；

将传送带设备的状态数据输入至HTM算法模型进行处理，从而输出异常分数。

2.根据权利要求1所述一种基于HTM的传送带故障预测方法，其特征在于，所述将传送带设备的状态数据输入至HTM算法模型进行处理，从而输出异常分数这一步骤，其具体包括：

对采集得到的传送带设备的状态数据进行清理归集处理，从而剔除异常的状态数据；

将清理归集处理后得到的状态数据输入至HTM算法模型进行处理，从而输出异常分数。

3.根据权利要求1或2所述一种基于HTM的传送带故障预测方法，其特征在于，所述HTM算法模型中的自我学习子模型采用了随机淘汰机制来实现；所述自我学习子模型所对应的自我学习步骤包括：

利用预设数据范围，对输入至HTM算法模型的状态数据进行随机数分配；

当状态数据所分配到的随机数小于选定随机值时，淘汰该状态数据。

4.根据权利要求3所述一种基于HTM的传送带故障预测方法，其特征在于，所述选定随机值的获取步骤包括：

从预设数据范围中随机选取一数值；

将选取出的数值作为选定随机值。

5.根据权利要求1或2所述一种基于HTM的传送带故障预测方法，其特征在于，所述传送带设备的状态数据是由设置在传送带设备上的传感器检测得到的。

6.根据权利要求6所述一种基于HTM的传送带故障预测方法，其特征在于，所述传感器包括温度传感器、振动传感器、噪声传感器和/或压力传感器。

7.根据权利要求1或2所述一种基于HTM的传送带故障预测方法，其特征在于，所述将传送带设备的状态数据输入至HTM算法模型进行处理，从而输出异常分数这一步骤之后设有以下步骤：

判断异常分数是否大于等于阈值，若是，则判断传送带设备处于异常状态；反之，则判断传送带设备处于正常状态。

8.一种基于HTM的传送带故障预测系统，其特征在于，包括：

采集单元，用于采集传送带设备的状态数据；

处理单元，用于将传送带设备的状态数据输入至HTM算法模型进行处理，从而输出异常分数。

9.根据权利要求8所述一种基于HTM的传送带故障预测系统，其特征在于，还包括：

判断单元，用于判断异常分数是否大于等于阈值，若是，则判断传送带设备处于异常状态；反之，则判断传送带设备处于正常状态。

10.一种基于HTM的传送带故障预测装置，其特征在于，包括：

至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1-7任一项所述一种基于HTM的传送带故障预测方法。