CN111191838B - 一种集成人工智能算法的工业设备状态管控方法和装置 - Google Patents

一种集成人工智能算法的工业设备状态管控方法和装置 Download PDF

Info

Publication number
CN111191838B
CN111191838B CN201911381721.0A CN201911381721A CN111191838B CN 111191838 B CN111191838 B CN 111191838B CN 201911381721 A CN201911381721 A CN 201911381721A CN 111191838 B CN111191838 B CN 111191838B
Authority
CN
China
Prior art keywords
industrial equipment
target
physical state
state
information
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911381721.0A
Other languages
English (en)
Other versions
CN111191838A (zh
Inventor
李祎
孟力
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Saiteng Electromechanical Technology Changzhou Co ltd
Original Assignee
Saiteng Electromechanical Technology Changzhou Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Saiteng Electromechanical Technology Changzhou Co ltd filed Critical Saiteng Electromechanical Technology Changzhou Co ltd
Priority to CN201911381721.0A priority Critical patent/CN111191838B/zh
Publication of CN111191838A publication Critical patent/CN111191838A/zh
Application granted granted Critical
Publication of CN111191838B publication Critical patent/CN111191838B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
    • G07C3/005—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles during manufacturing process
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Human Resources & Organizations (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Development Economics (AREA)
  • Molecular Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computational Mathematics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Linguistics (AREA)
  • Primary Health Care (AREA)

Abstract

本发明实施例公开了一种集成人工智能算法的工业设备状态管控方法和装置，其方法包括：获得目标工业设备对应的第一物理状态特征后，进行二次识别，获得第二物理状态特征；基于所述第二物理状态特征对目标工业设备的运行状态进行判断，若运行状态为异常，则基于预设的标准测试工况对所述目标工业设备进行故障检测；若所述故障检测结果符合预设条件，则利用预设的混合模型对所述目标工业设备进行预测，获得预期寿命信息；根据所述预期寿命信息，确定所述目标工业设备的目标运行工况；基于所述目标运行工况，调整设备的实际运行工况。采用本发明方法，能够测算工业设备的实际工况，然后对设置参数进行修正，实现自动管控，提高了工业设备的运行效率。

Description

一种集成人工智能算法的工业设备状态管控方法和装置
技术领域
本发明实施例涉及人工智能技术领域，具体涉及一种集成人工智能算法的工业设备状态管控方法和装置，另外还涉及一种电子设备以及计算机可读存储介质。
背景技术
近年来，随着科学技术的不断发展，各种工业设备得到了更加广泛的应用。尤其是，在自动化流水线上，智能工业设备的逐渐普及，对于自动化流水线上工业设备的管控，需要快速、准确的对产生的各种异常或者故障状态做出诊断，实现预防或者消除故障，提高工业设备运行的可靠性、安全性和有效性，将机械故障损失降低到最低水平。通过在线监控或者巡检可以实现工业设备的诊断与监视。尤其是在设备长期运行后，控制和管理需要调整。然而现有的工业自动化流水线，缺少有效的检测及管控一体化解决方案，往往只停留在PID控制，保证实际工况和额定工况相同，不考虑机械本身是否还能够支持额定工况。当机器本身没有损坏的时候，仅仅是因为长时间工作的磨损，也会影响机器的性能。然而，目前的PID自控程序并不能根据工业设备的运行状态来调整工况使设备在效率和寿命之间维持平衡，达到经济效益的最大化。
另外，工业设备运行状态出现异常时，并不一定是设备本身出了问题，可能是控制设备的PLC设置或者PLC本身出现了问题，此时，需要及时进行修改以避免更严重的损坏，或者需要立刻停止工作，或者需要读取PLC的错误代码。然而，现有的监视系统和控制系统是分离的，操作需要通过人工系统层层审批，因此，存在较大的安全隐患。
发明内容
为此，本发明实施例提供一种集成人工智能算法的工业设备状态管控方法，以解决现有技术中存在的巡检设备功能单一，分析处理能力较差，并且与控制系统相互分离，导致巡检效率和精度无法有效满足实际应用需求的问题。
为了实现上述目的，本发明实施例提供如下技术方案：
第一方面，本发明实施例提供一种集成人工智能算法的工业设备状态管控方法，包括：针对目标工业设备进行建模，并获得所述目标工业设备的零部件在不同故障种类或磨损程度下对应的第一物理状态特征；对所述第一物理状态特征进行二次识别，获得所述零部件对应的第二物理状态特征；利用预设的支持向量机模型，基于所述第二物理状态特征对所述目标工业设备的运行状态是否异常进行判断；若所述目标工业设备的运行状态为异常，则基于预设的标准测试工况和所述支持向量机模型进行第二级匹配分析，对所述目标工业设备进行故障检测，获得故障检测结果；若所述故障检测结果符合预设条件，则利用预设的循环神经网络模型和马尔科夫链模型的混合模型，基于所述零部件的当前故障和/或磨损状态，对所述目标工业设备进行预测，获得所述目标工业设备对应的预期寿命信息；根据所述预期寿命信息，确定所述目标工业设备的目标运行工况；基于所述目标运行工况，调整所述目标工业设备的当前实际运行工况。
进一步的，所述对所述第一物理状态特征进行二次识别，获得所述零部件对应的第二物理状态特征，具体包括：分别对所述第一物理状态特征进行频谱分析和统计指标分析，获得对应的图谱和统计数据；针对所述图谱和所述统计数据进行二次识别，提取出所述零部件对应的第二物理状态特征。
进一步的，所述利用预设的循环神经网络模型和马尔科夫链模型的混合模型，基于所述零部件的当前故障和/或磨损状态，对所述目标工业设备进行预测，获得所述目标工业设备对应的预期寿命信息，具体包括：将所述第二物理状态特征输入到所述混合模型中的马尔科夫链模型，基于所述零部件的当前故障和/或磨损状态，预测之后预设时间范围内产生对应的故障类型和概率；从目标数据库中获取对应所述故障类型的界定的不同状态下的第二物理状态特征，将所述界定的不同状态下的第二物理状态特征输入到所述混合模型中的循环神经网络模型，预测之后预设时间范围内所述界定的不同状态下的第二物理状态特征所对应特征值的变化信息；当所述特征值达到或者超过预设的目标特征值时，将当前对应的时间点作为所述预期寿命信息的时间信息。
进一步的，所述的集成人工智能算法的工业设备状态管控方法，还包括：预测之后预设时间范围内所述界定的不同状态下的第二物理状态特征所对应特征值达到或者超过所述目标特征值的概率值，将所述概率值作为所述预期寿命信息的概率信息。
进一步的，所述信号时间序列为，利用所述目标工业设备上预设的传感器测量所述零部件运行状态的物理信号时所对应的时间序列。
进一步的，所述第一物理状态特征，包括：运动状态特征、振动状态特征、声音状态特征以及温度状态特征中的至少一种。
进一步的，所述第二物理状态特征包括：基于图谱识别获取的波峰波谷信息以及峰值随时间变化的周期信息；基于统计数据获取的数据随时间变化的周期信息以及波峰的相对关系信息。
第二方面，本发明实施例还提供一种集成人工智能算法的工业设备状态管控装置，包括：建模及第一物理状态特征获得单元，用于针对目标工业设备进行建模，并获得所述目标工业设备的零部件在不同故障种类或磨损程度下对应的第一物理状态特征；第二物理状态特征获得单元，用于对所述第一物理状态特征进行二次识别，获得所述零部件对应的第二物理状态特征；故障检测单元，用于利用预设的支持向量机模型，基于所述第二物理状态特征对所述目标工业设备的运行状态是否异常进行判断；若所述目标工业设备的运行状态为异常，则基于预设的标准测试工况和所述支持向量机模型进行第二级匹配分析，对所述目标工业设备进行故障检测，获得故障检测结果；寿命信息预测单元，用于若所述故障检测结果符合预设条件，则利用预设的循环神经网络模型和马尔科夫链模型的混合模型，基于所述零部件的当前故障和/或磨损状态，对所述目标工业设备进行预测，获得所述目标工业设备对应的预期寿命信息；管控单元，用于根据所述预期寿命信息，确定所述目标工业设备的目标运行工况；基于所述目标运行工况，调整所述目标工业设备的当前实际运行工况。
进一步的，所述第二物理状态特征获得单元具体用于：分别对所述第一物理状态特征进行频谱分析和统计指标分析，获得对应的图谱和统计数据；针对所述图谱和所述统计数据进行二次识别，提取出所述零部件对应的第二物理状态特征。
进一步的，所述寿命信息预测单元具体用于：将所述第二物理状态特征输入到所述混合模型中的马尔科夫链模型，基于所述零部件的当前故障和/或磨损状态，预测之后预设时间范围内产生对应的故障类型和概率；从目标数据库中获取对应所述故障类型的界定的不同状态下的第二物理状态特征，将所述界定的不同状态下的第二物理状态特征输入到所述混合模型中的循环神经网络模型，预测之后预设时间范围内所述界定的不同状态下的第二物理状态特征所对应特征值的变化信息；当所述特征值达到或者超过预设的目标特征值时，将当前对应的时间点作为所述预期寿命信息的时间信息。
进一步的，所述的集成人工智能算法的工业设备状态管控装置中所述寿命信息预测单元具体还用于：预测之后预设时间范围内所述界定的不同状态下的第二物理状态特征所对应特征值达到或者超过所述目标特征值的概率值，将所述概率值作为所述预期寿命信息的概率信息。
进一步的，所述第一物理状态特征，包括：运动状态特征、振动状态特征、声音状态特征以及温度状态特征中的至少一种。
进一步的，所述第二物理状态特征包括：基于图谱识别获取的波峰波谷信息以及峰值随时间变化的周期信息；基于统计数据获取的数据随时间变化的周期信息以及波峰的相对关系信息。
第三方面，本发明实施例还提供一种电子设备，包括：处理器；以及存储器，用于存储集成人工智能算法的工业设备状态管控方法的程序，该电子设备通电并通过所述处理器运行该集成人工智能算法的工业设备状态管控方法的程序后，执行上述任意一项所述的集成人工智能算法的工业设备状态管控方法。
第四方面，本发明实施例还提供一种计算机可读存储介质，所述计算机存储介质中包含一个或多个程序指令，所述一个或多个程序指令用于被服务器执行上述集成人工智能算法的工业设备状态管控方法中任意一项所述的方法。
采用本发明所述的集成人工智能算法的工业设备状态管控方法，能够对采集的工业设备指标数据进行准确分析处理，测算工业设备的实际工况，然后对设置参数进行修正，实现自动管控，提高了工设备的运行效率，从而降低了生产作业成本。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引申获得其它的实施附图。
图1为本发明实施例提供的一种集成人工智能算法的工业设备状态管控方法的流程图；
图2为本发明实施例提供的一种集成人工智能算法的工业设备状态管控装置的示意图；
图3为本发明实施例提供的一种电子设备的示意图；
图4为本发明实施例提供的一种由所述信号采集设备、控制设备以及搭载人工智能分析程序和虚拟上位机的服务器组成的工业设备状态管控系统；
图5为本发明实施例提供的一种离心水泵的结构示意图；
图6为本发明实施例提供的一种为第二物理状态特征获取的流程图；
图7为本发明实施例提供的一种集成人工智能算法的工业设备状态管控方法的完整流程图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明公开的集成人工智能算法的工业设备状态管控方法，能够实现通过人工智能程序的设备故障诊断/寿命预测，计算出最符合当前效益的工作状态，然后调整工业设备的运行工况，以及整条流水线配套设备的调整；另外，还可在特定时间，自动将工业设备调整至专门针对该类型工业设备设计的检测工况下，或者在于检测工况相同的工况下，测量工业设备的振动/温度/噪声等特征，以鉴别工业设备是否状态异常。在工业设备正常工作时，可以按照设定的工况，正常控制工业设备运行即可；但是，当工业设备状态异常时，可及时针对该运行状态异常的工业设备确定目标运行工况，从而及时进行有效的调整，避免产生更大的更严重的损坏。
下面基于本发明所述的一种集成人工智能算法的工业设备状态管控方法，对其实施例进行详细描述。如图1所示，其为本发明实施例提供的一种集成人工智能算法的工业设备状态管控方法的流程图，具体实现过程包括以下步骤：
步骤S101：针对目标工业设备进行建模，并获得所述目标工业设备的零部件在不同故障种类或磨损程度下对应的第一物理状态特征。
在本发明实施例中，所述的针对目标工业设备进行建模具体为，针对目标工业设备进行建模拆分成一些分立的零部件，内容可包括：基于大数据的进行建模：根据目标工业设备在不同工况和不同状态下采集到的工况数据(比如温度变化率、温度、振动加速度/速度/位移、声音以及电磁场等)，建立不同工况下失效对应的数据模型，便于后续进行人工智能识别；基于大数据同时建立设备寿命模型，用于对目标工业设备的预期寿命信息进行预测。针对目标工业设备本身的机械结构进行动力学建模：通过被监测目标工业设备的机械结构数据或者零部件数据(比如齿轮模数、传动比、电机级数、轴承尺寸以及运动行程)，建立针对所述目标工业设备的动力学模型，便于后续进行人工智能识别。利用预先获取的故障数据和正常运行数据，训练人工智能算法(比如神经网络算法)，预先建立固定的算法模型(比如所述支持向量机模型等)，用于后续诊断出现的故障。
如图4所示，其为本发明实施例提供的一种由所述信号采集设备、控制设备以及搭载人工智能分析程序和虚拟上位机的服务器组成的工业设备状态管控系统。在具体实施过程中，服务器端，或者由所述信号采集设备、控制设备以及搭载人工智能分析程序和虚拟上位机的服务器组成的工业设备状态管控系统可预先针对目标工业设备进行建模，并通过目标工业设备上预设的传感器和采集线路获得所述目标工业设备的零部件在不同故障种类或磨损程度下对应的第一物理状态特征。其中，所述的目标工业设备可以是指流水线上待检测的工业设备；所述第一物理状态特征是时间序列记录的数据，包括但不限于运动状态特征、振动状态特征、声音状态特征以及温度状态特征等，在此不做具体限定。
在具体实施过程中，假设一个目标工业设备有N个待检测的零部件，且零部件之间存在两两对应关系，那么可以生成一个NxN的上三角矩阵。从1到N的整数为零部件的编号，零部件的编号以及两两对应关系如下表所示：
X1,1 X1,2 X1,3 …… X1,N
0 X2,2 X2,3 …… X2,N
0 0 X3,3 …… ……
0 0 0 …… ……
0 0 0 0 XN,N
其中，Xi,j是矩阵中，第i行第j列的值。
Xi,j代表了编号i和编号j的零部件之间的物理状态。如果i＝j，那么表示的是某个零部件本身的物理状态。
每个Xi,j本身是一个一维的数组，包含了描述物理状态的值。包含m个数，m≥1。Xi,j,m为零部件i和零部件j之间第m个可以描述其物理关系的指标(即第一物理状态特征)。该指标包括，但不限于：转速、温度、振动、声音等。
举例而言，如图5所示，其为离心水泵的结构示意图。所述零部件可包括联轴器、输入轴、第一轴承、第二轴承、机封编号、叶片编号以及外壳编号等。
中的联轴器的编号为1，输入轴编号为2，第一轴承(轴承1)编号为3，第二轴承(轴承2)编号为4，机封编号为5，叶片编号为6，外壳编号为7，则矩阵为：
X1,1 X1,2 0 0 0 0 0
X2,2 X2,3 X2,4 X2,5 0 0
X3,3 0 0 X3,6 0
X4,4 0 X4,6 0
X5,5 0 X6,7
X6,6 0
X7,7
其中，X1,1共有两个值，分别为X1,1,1＝二分之一倍频波峰，X1,1,2＝振动幅值。
步骤S102：对所述第一物理状态特征进行二次识别，获得所述零部件对应的第二物理状态特征。
在上述步骤S101中得所述目标工业设备的零部件在不同故障种类或磨损程度下对应的第一物理状态特征之后，本步骤中可对所述第一物理状态特征进行二次识别，进一步获得所述零部件对应的第二物理状态特征。
在本发明实施例中，所述的对所述第一物理状态特征进行二次识别，即对第一物理状态特征的时间序列记录的数据进行分析，获得所述零部件对应的第二物理状态特征，具体实现过程包括如下部分：分别对所述第一物理状态特征进行频谱分析和统计指标分析，获得对应的图谱和统计数据；针对所述图谱和所述统计数据进行二次识别，提取出所述零部件对应的第二物理状态特征。当然，也可对所述第一物理状态特征进行倒谱分析、时频联合分析以及小波分析等，在此不做具体限定。
其中，所述第二物理状态特征为经过二次识别获得的所述第一物理状态特征的一些图像特征，比如包括：基于图谱识别获取的波峰波谷信息以及峰值随时间变化的周期信息；以及基于统计数据获取的数据随时间变化的周期信息以及波峰的相对关系信息。所述信号时间序列为利用所述目标工业设备上预设的传感器测量所述零部件运行状态的物理信号时所对应的时间序列。
接着上述步骤S101中的举例进行描述，如图6所示，其为本发明实施例提供的一种为第二物理状态特征获取的流程图。每一个工业设备可能有K个传感器，K≥1。每个传感器可能只能覆盖部分Xi,j，也可能覆盖全部的Xi,j。每个传感器所测量到的信号时间序列，会进行传统的频谱计算，得到其图谱，以及传统的统计指标分析，获得统计数据。当得到了传统的图谱与统计数据后，会对其进行二次识别。图谱识别中包括但不限于：波峰波谷，峰值随时间变化周期。统计数据分析识别中包括但不限于：统计指标随时间变化周期，波峰相对关系，对应设备转速。
步骤S103：利用预设的支持向量机模型，基于所述第二物理状态特征对所述目标工业设备的运行状态是否异常进行判断；若所述目标工业设备的运行状态为异常，则基于预设的标准测试工况和所述支持向量机模型进行第二级匹配分析，对所述目标工业设备进行故障检测，获得故障检测结果。
在上述步骤S102中获得所述零部件对应的第二物理状态特征之后，本步骤中可利用预设的支持向量机模型，基于所述第二物理状态特征对所述对目标工业设备的运行状态进行异常分析，并根据异常分析结果进行第二级匹配分析，获得故障检测结果。
步骤S104：若所述故障检测结果符合预设条件，则利用预设的循环神经网络模型和马尔科夫链模型的混合模型，基于所述零部件的当前故障和/或磨损状态，对所述目标工业设备进行预测，获得所述目标工业设备对应的预期寿命信息。
在上述步骤S103中获得故障检测结果之后，本步骤中可利用预设的混合模型对所述目标工业设备进行预测，获得所述目标工业设备对应的预期寿命信息。
在本发明实施例中，所述利用预设的循环神经网络模型和马尔科夫链模型的混合模型，基于所述零部件的当前故障和/或磨损状态，对所述目标工业设备进行预测，获得所述目标工业设备对应的预期寿命信息，具体实现过程可包括如下部分：将所述第二物理状态特征输入到所述混合模型中的马尔科夫链模型，基于所述零部件的当前故障和/或磨损状态，预测之后预设时间范围内产生对应的故障类型和概率；从目标数据库中获取对应所述故障类型的界定的不同状态下的第二物理状态特征，将所述界定的不同状态下的第二物理状态特征输入到所述混合模型中的循环神经网络模型，预测之后预设时间范围内所述界定的不同状态下的第二物理状态特征所对应特征值的变化信息；当所述特征值达到或者超过预设的目标特征值时，将当前对应的时间点作为所述预期寿命信息的时间信息。进一步的，预测之后预设时间范围内所述界定的不同状态下的第二物理状态特征所对应特征值达到或者超过所述目标特征值的概率值，将所述概率值作为所述预期寿命信息的概率信息。
所述预设条件具体包括：所述工业设备没有发生故障，或者存在故障但并不需要引起停机的工业设备两个条件。
如图7所示，其为本发明实施例提供的一种集成人工智能算法的工业设备状态管控方法的完整流程图。在层次4的具体实施过程中，对于没有发生故障的工业设备，或者存在故障但并不需要引起停机的工业设备，需要对其进行寿命/故障预测。利用循环神经网络模型可以预测指标的变化；然而工业设备的磨损或者故障恶化虽然有渐变的过程，但也经常由于错误操作或者意外而损坏，出现不连续的变化，如叶片长期工作疲劳后变形，导致突然和外壳接触发生刮碰；另外，马尔科夫模型只能用于预测状态出现的概率，无法预测准确的值，无法判断是否会导致停机。因此，本发明采用循环神经网络模型和马尔科夫链模型的混合模型，对寿命/故障进行概率性的预测。
其中，马尔科夫模型的训练数据来自长期现场收集的数据，用来预测当某种故障/磨损出现时，接下来出现某种故障/磨损的概率。其关注焦点在故障。循环神经网络模型的训练数据，也来自和训练马尔科夫模型相同的输入数据，其被训练为能够跟踪某种特征在某故障下的变化趋势。其关注焦点在故障对应的特征。
比如：判断一个故障/磨损在未来某时间周期T内引起更严重故障的种类和概率。其输入数据来自支持向量机模型的提取到的第二物理状态特征。
根据上述判断的引起更严重故障的种类和概率，预测下一个时间周期T内可能出现的该故障的种类和概率，循环N次。
每次开始下一个循环之前，根据预测的故障的种类，从预设的目标数据库中取出其对应的故障界定的不同状态下的第二物理状态特征，并计算其正态分布的范围，带入匹配该故障该特征的循环神经网络模型，按照其预测其在一个时间周期T内的界定的不同状态下的第二物理状态特征对应特征值的变化信息。
当某特征值到达一个符合支持向量机模型认为会出现停机故障的目标特征值时(该目标特征值为人工定义的仍然能够工作但不合适继续工作的值，或者绝对的会导致机器无法运转的值)，当前时间对应的时间点为预期寿命信息的时间点。
借助此混合模型，通过调整设备实际工况，采集数据，计算其当前指标，降低故障出现的概率，以及故障时故障特征发展的趋势，从而寻找最佳工业设备的目标运行工况，并进行及时调整。
步骤S105：根据所述预期寿命信息，确定所述目标工业设备的目标运行工况；基于所述目标运行工况，调整所述目标工业设备的当前实际运行工况。
在上述步骤S104中获得所述目标工业设备对应的预期寿命信息之后，本步骤中可进一步确定所述目标工业设备的目标运行工况，并基于所述目标运行工况调整所述目标工业设备的当前实际运行工况。
设置完运行参数后其实工业设备的工况和实际值是有差别的，本发明实施例中可测算工业设备的实际工况，然后对运行参数进行修正，从而实现有效的自动控制。
采用本发明所述的一种集成人工智能算法的工业设备状态管控方法，能够测算出工业设备的实际工况，然后对设置参数进行修正，实现自动管控，提高了工设备的运行效率，从而降低了生产作业成本。
与上述提供的一种集成人工智能算法的工业设备状态管控方法相对应，本发明还提供一种集成人工智能算法的工业设备状态管控装置。由于该装置的实施例相似于上述方法实施例，所以描述的比较简单，相关之处请参见上述方法实施例部分的说明即可，下面描述的一种集成人工智能算法的工业设备状态管控装置的实施例仅是示意性的。请参考图2所示，其为本发明实施例提供的一种集成人工智能算法的工业设备状态管控装置的示意图。
本发明所述的一种集成人工智能算法的工业设备状态管控装置包括如下部分：
建模及第一物理状态特征获得单元201，用于针对目标工业设备进行建模，并获得所述目标工业设备的零部件在不同故障种类或磨损程度下对应的第一物理状态特征。
第二物理状态特征获得单元202，用于对所述第一物理状态特征进行二次识别，获得所述零部件对应的第二物理状态特征。
故障检测单元203，用于利用预设的支持向量机模型，基于所述第二物理状态特征对所述目标工业设备的运行状态是否异常进行判断；若所述目标工业设备的运行状态为异常，则基于预设的标准测试工况和所述支持向量机模型进行第二级匹配分析，对所述目标工业设备进行故障检测，获得故障检测结果。
寿命信息预测单元204，用于若所述故障检测结果符合预设条件，则利用预设的循环神经网络模型和马尔科夫链模型的混合模型，基于所述零部件的当前故障和/或磨损状态，对所述目标工业设备进行预测，获得所述目标工业设备对应的预期寿命信息。
管控单元205，用于根据所述预期寿命信息，确定所述目标工业设备的目标运行工况；基于所述目标运行工况，调整所述目标工业设备的当前实际运行工况。
采用本发明所述的一种集成人工智能算法的工业设备状态管控装置，能够测算出工业设备的实际工况，然后对设置参数进行修正，实现自动管控，提高了工设备的运行效率，从而降低了生产作业成本。
与上述提供的集成人工智能算法的工业设备状态管控方法相对应，本发明还提供一种基于集成人工智能算法的工业设备状态管控方法实现的电子设备。由于该电子设备的实施例相似于上述方法实施例，所以描述的比较简单，相关之处请参见上述方法实施例部分的说明即可，下面描述的电子设备仅是示意性的。如图5所示，其为本发明所述的电子设备的示意图。
本发明所述的一种电子设备包括如下部分：
处理器301和存储器302；该存储器用于存储集成人工智能算法的工业设备状态管控方法的程序303，该电子设备通电并通过所述处理器301运行该集成人工智能算法的工业设备状态管控方法的程序303后，执行上述任意一项所述的集成人工智能算法的工业设备状态管控方法。
另外，与上述提供的一种集成人工智能算法的工业设备状态管控方法相对应，本发明还提供一种计算机存储介质。由于该计算机存储介质的实施例相似于上述方法实施例，所以描述的比较简单，相关之处请参见上述方法实施例部分的说明即可，下面描述的计算机存储介质仅是示意性的。
所述计算机存储介质中包含一个或多个程序指令，所述一个或多个程序指令用于被服务器执行上述所述的集成人工智能算法的工业设备状态管控方法。
在本发明实施例中，处理器或处理模块可以是一种集成电路芯片，具有信号的处理能力。处理器可以是通用处理器、数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。处理器读取存储介质中的信息，结合其硬件完成上述方法的步骤。
存储介质可以是存储器，例如可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。
其中，非易失性存储器可以是只读存储器(Read-Only Memory，简称ROM)、可编程只读存储器(Programmable ROM，简称PROM)、可擦除可编程只读存储器(Erasable PROM，简称EPROM)、电可擦除可编程只读存储器(Electrically EPROM，简称EEPROM)或闪存。
易失性存储器可以是随机存取存储器(Random Access Memory，简称RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，简称SRAM)、动态随机存取存储器(Dynamic RAM，简称DRAM)、同步动态随机存取存储器(Synchronous DRAM，简称SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data Rate SDRAM，简称DDRSDRAM)、增强型同步动态随机存取存储器(EnhancedSDRAM，简称ESDRAM)、同步连接动态随机存取存储器(Synch link DRAM，简称SLDRAM)和直接内存总线随机存取存储器(Direct Ram bus RAM，简称DRRAM)。
本发明实施例描述的存储介质旨在包括但不限于这些和任意其它适合类型的存储器。
本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件与软件组合来实现。当应用软件时，可以将相应功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。

Claims (8)

1.一种集成人工智能算法的工业设备状态管控方法，其特征在于，包括：
针对目标工业设备进行建模，并获得所述目标工业设备的零部件在不同故障种类或磨损程度下对应的第一物理状态特征，所述第一物理状态特征是基于时间序列记录的数据，包括：运动状态特征、振动状态特征、声音状态特征以及温度状态特征中的至少一种；
对所述第一物理状态特征的时间序列记录的数据进行分析，获得所述零部件对应的第二物理状态特征，所述第二物理状态特征包括：基于图谱识别获取的波峰波谷信息以及峰值随时间变化的周期信息、基于统计数据获取的数据随时间变化的周期信息以及波峰的相对关系信息；
利用预设的支持向量机模型，基于所述第二物理状态特征对所述目标工业设备的运行状态是否异常进行判断；若所述目标工业设备的运行状态为异常，则基于预设的标准测试工况和所述支持向量机模型进行第二级匹配分析，对所述目标工业设备进行故障检测，获得故障检测结果；
若所述故障检测结果符合预设条件，则利用预设的循环神经网络模型和马尔科夫链模型的混合模型，基于所述零部件的当前故障和/或磨损状态，对所述目标工业设备进行预测，获得所述目标工业设备对应的预期寿命信息；
根据所述预期寿命信息，确定所述目标工业设备的目标运行工况；基于所述目标运行工况，调整所述目标工业设备的当前实际运行工况。
2.根据权利要求1所述的集成人工智能算法的工业设备状态管控方法，其特征在于，所述对第一物理状态特征的时间序列记录的数据进行分析，获得所述零部件对应的第二物理状态特征，具体包括：
分别对所述第一物理状态特征进行频谱分析和统计指标分析，获得对应的图谱和统计数据；
针对所述图谱和所述统计数据进行二次识别，提取出所述零部件对应的第二物理状态特征。
3.根据权利要求1所述的集成人工智能算法的工业设备状态管控方法，其特征在于，所述利用预设的循环神经网络模型和马尔科夫链模型的混合模型，基于所述零部件的当前故障和/或磨损状态，对所述目标工业设备进行预测，获得所述目标工业设备对应的预期寿命信息，具体包括：
将所述第二物理状态特征输入到所述混合模型中的马尔科夫链模型，基于所述零部件的当前故障和/或磨损状态，预测之后预设时间范围内产生对应的故障类型和概率；
从目标数据库中获取对应所述故障类型的界定的不同状态下的第二物理状态特征，将所述界定的不同状态下的第二物理状态特征输入到所述混合模型中的循环神经网络模型，预测之后预设时间范围内所述界定的不同状态下的第二物理状态特征所对应特征值的变化信息；当所述特征值达到或者超过预设的目标特征值时，将当前对应的时间点作为所述预期寿命信息的时间信息。
4.根据权利要求3所述的集成人工智能算法的工业设备状态管控方法，其特征在于，还包括：预测之后预设时间范围内所述界定的不同状态下的第二物理状态特征所对应特征值达到或者超过所述目标特征值的概率值，将所述概率值作为所述预期寿命信息的概率信息。
5.一种集成人工智能算法的工业设备状态管控装置，其特征在于，包括：
建模及第一物理状态特征获得单元，用于针对目标工业设备进行建模，并获得所述目标工业设备的零部件在不同故障种类或磨损程度下对应的第一物理状态特征，所述第一物理状态特征是基于时间序列记录的数据，包括：运动状态特征、振动状态特征、声音状态特征以及温度状态特征中的至少一种；
第二物理状态特征获得单元，用于对第一物理状态特征的时间序列记录的数据进行分析，获得所述零部件对应的第二物理状态特征，所述第二物理状态特征包括：基于图谱识别获取的波峰波谷信息以及峰值随时间变化的周期信息、基于统计数据获取的数据随时间变化的周期信息以及波峰的相对关系信息；
故障检测单元，用于利用预设的支持向量机模型，基于所述第二物理状态特征对所述目标工业设备的运行状态是否异常进行判断；若所述目标工业设备的运行状态为异常，则基于预设的标准测试工况和所述支持向量机模型进行第二级匹配分析，对所述目标工业设备进行故障检测，获得故障检测结果；
寿命信息预测单元，用于若所述故障检测结果符合预设条件，则利用预设的循环神经网络模型和马尔科夫链模型的混合模型，基于所述零部件的当前故障和/或磨损状态，对所述目标工业设备进行预测，获得所述目标工业设备对应的预期寿命信息；
管控单元，用于根据所述预期寿命信息，确定所述目标工业设备的目标运行工况；基于所述目标运行工况，调整所述目标工业设备的当前实际运行工况。
6.根据权利要求5所述的集成人工智能算法的工业设备状态管控装置，其特征在于，所述第二物理状态特征获得单元具体用于：
分别对所述第一物理状态特征进行频谱分析和统计指标分析，获得对应的图谱和统计数据；
针对所述图谱和所述统计数据进行二次识别，提取出所述零部件对应的第二物理状态特征。
7.一种电子设备，其特征在于，包括：
处理器；以及
存储器，用于存储集成人工智能算法的工业设备状态管控方法的程序，该电子设备通电并通过所述处理器运行该集成人工智能算法的工业设备状态管控方法的程序后，执行上述权利要求1-4中任意一项所述的集成人工智能算法的工业设备状态管控方法。
8.一种计算机可读存储介质，其特征在于，该计算机存储介质中包含一个或多个程序指令，所述一个或多个程序指令用于被服务器执行如权利要求1-4中任意一项所述的集成人工智能算法的工业设备状态管控方法。
CN201911381721.0A 2019-12-27 2019-12-27 一种集成人工智能算法的工业设备状态管控方法和装置 Active CN111191838B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911381721.0A CN111191838B (zh) 2019-12-27 2019-12-27 一种集成人工智能算法的工业设备状态管控方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911381721.0A CN111191838B (zh) 2019-12-27 2019-12-27 一种集成人工智能算法的工业设备状态管控方法和装置

Publications (2)

Publication Number Publication Date
CN111191838A CN111191838A (zh) 2020-05-22
CN111191838B true CN111191838B (zh) 2023-09-22

Family

ID=70709530

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911381721.0A Active CN111191838B (zh) 2019-12-27 2019-12-27 一种集成人工智能算法的工业设备状态管控方法和装置

Country Status (1)

Country Link
CN (1) CN111191838B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112002403A (zh) * 2020-08-25 2020-11-27 上海至数企业发展有限公司 用于医疗设备的量化评估方法、装置、设备及存储介质
CN112215108B (zh) * 2020-09-29 2021-11-12 三一专用汽车有限责任公司 搅拌车故障预判方法、装置和计算机可读存储介质
CN113656238B (zh) * 2021-08-17 2023-07-04 北京京航计算通讯研究所 一种智能终端的ai工业应用能力测试方法和系统
WO2023082200A1 (en) * 2021-11-12 2023-05-19 Abb Beijing Drive Systems Co., Ltd. Method and apparatus of monitoring drive

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102236783A (zh) * 2010-04-29 2011-11-09 索尼公司 检测异常行为的方法和设备及生成检测器的方法和设备
CN109814527A (zh) * 2019-01-11 2019-05-28 清华大学 基于lstm循环神经网络工业设备故障预测方法及装置
CN110472695A (zh) * 2019-08-22 2019-11-19 李世鹏 一种工业生产过程的异常工况检测和分类方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102236783A (zh) * 2010-04-29 2011-11-09 索尼公司 检测异常行为的方法和设备及生成检测器的方法和设备
CN109814527A (zh) * 2019-01-11 2019-05-28 清华大学 基于lstm循环神经网络工业设备故障预测方法及装置
CN110472695A (zh) * 2019-08-22 2019-11-19 李世鹏 一种工业生产过程的异常工况检测和分类方法

Also Published As

Publication number Publication date
CN111191838A (zh) 2020-05-22

Similar Documents

Publication Publication Date Title
CN111191838B (zh) 一种集成人工智能算法的工业设备状态管控方法和装置
EP1982301B1 (en) Method of condition monitoring
CN115034248A (zh) 用于设备的自动诊断方法、系统和存储介质
EP2857917A1 (en) State diagnosing method and state diagnosing apparatus
US20060230313A1 (en) Diagnostic and prognostic method and system
KR102206737B1 (ko) 기계학습 기반 펌프수차 고장 진단 방법 및 시스템
CN112629905A (zh) 基于深度学习的设备异常检测方法、系统及计算机介质
US11726469B2 (en) Error-based method for calculating a remaining useful life of an apparatus
CN111551383A (zh) 一种基于异质多传感器的机械状态监测方法及系统
CN116625683A (zh) 一种风电机组轴承故障识别方法、系统、装置及电子设备
Calabrese et al. An event based machine learning framework for predictive maintenance in industry 4.0
CN113530850B (zh) 一种基于esa和堆叠胶囊自编码器的离心泵故障诊断方法
CN116235148A (zh) 干泵宕机的预警方法、装置、电子设备、存储介质及程序
CN113503289A (zh) 一种液压马达故障检测方法、装置、系统及挖掘机
CN116186479A (zh) 用于泵车工况数据的处理方法、处理器、装置及存储介质
KR20220068799A (ko) 자동화설비의 고장 검출 시스템 및 그 방법
Boukra et al. Identifying new prognostic features for remaining useful life prediction
He et al. Probabilistic model based algorithms for prognostics
KR20220089576A (ko) 회전기 이상 진단 방법 및 장치
CN110836786B (zh) 机械故障监测方法、装置、系统、介质和计算设备
Li et al. Fuzzy feature fusion and multimodal degradation prognosis for mechanical components
Tang et al. Application of vibration signals for the quantitative analysis of the optimal threshold of bearing failure
CN113447813B (zh) 海上风力发电机组的故障诊断方法及设备
CN110864887A (zh) 机械设备运转状况确定方法、装置、介质和计算设备
CN117869208A (zh) 一种基于lstm自动编码器的风力发电机组异常检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant