CN112418455B - 一种设备故障预测与健康管理系统 - Google Patents
一种设备故障预测与健康管理系统 Download PDFInfo
- Publication number
- CN112418455B CN112418455B CN202011361608.9A CN202011361608A CN112418455B CN 112418455 B CN112418455 B CN 112418455B CN 202011361608 A CN202011361608 A CN 202011361608A CN 112418455 B CN112418455 B CN 112418455B
- Authority
- CN
- China
- Prior art keywords
- data
- fusion
- equipment
- physical
- model
- 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
Links
- 230000036541 health Effects 0.000 title claims abstract description 33
- 238000012423 maintenance Methods 0.000 claims abstract description 21
- 238000003745 diagnosis Methods 0.000 claims abstract description 20
- 238000012544 monitoring process Methods 0.000 claims abstract description 5
- 230000004927 fusion Effects 0.000 claims description 129
- 239000011159 matrix material Substances 0.000 claims description 99
- 238000006243 chemical reaction Methods 0.000 claims description 40
- 238000000034 method Methods 0.000 claims description 24
- 238000010586 diagram Methods 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000005520 cutting process Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000007499 fusion processing Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 5
- 238000004806 packaging method and process Methods 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000005299 abrasion Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000003754 machining Methods 0.000 claims description 3
- 230000003542 behavioural effect Effects 0.000 claims description 2
- 238000004393 prognosis Methods 0.000 claims 1
- 230000006399 behavior Effects 0.000 description 10
- 230000009286 beneficial effect Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000003993 interaction Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
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
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Manufacturing & Machinery (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种设备故障预测与健康管理系统,包括:物理模型层,用于获取车间设备的物理数据及信息数据;数据层,与物理模型层连接,用于根据物理数据及信息数据生成车间设备的孪生数据;服务层,与数据层连接,用于根据孪生数据进行设备故障预测与健康管理;应用层,与服务层连接,用于在线监测车间设备状态,根据车间设备状态进行故障预测及故障诊断。有益效果:可以更准确的预测备品备件的需求量,避免不足或过多;设置更加有针对性的维保策略,可以减少设备的故障停机时间,提高设备综合利用率,降低设备维护成本。
Description
技术领域
本发明涉及设备管理技术领域,特别涉及一种设备故障预测与健康管理系统。
背景技术
在仪器设备管理过程中,企业多是根据经验对设备进行大修、小修、点检等维护,还有一些企业使用了大数据技术进行设备故障的预测,先搜集设备的静态数据和动态数据,然后建立设备状态与多种数据的关联,最后通过获取到的实时数据进行故障预测,这些方法都是基于历史数据和经验对设备进行管理。
现有技术中存在的问题:1、基于历史数据和经验的故障预测方法的预测结果与实际的故障出现情况差异较大,造成备品备件库存过多或不足;2、仪器设备出现故障之后,影响生产任务的达成率,设备的综合利用率仍然较低;3、在仪器设备管理过程中,不能实现有效管理且维护成本较高。
发明内容
本发明旨在至少一定程度上解决上述技术中的技术问题之一。为此,本发明的目的在于提出一种设备故障预测与健康管理系统,基于数字孪生技术的方法能够实现物理与虚拟设备实时交互及全方位状态比对,实时仿真设备的物理状态,实现更加全面的设备运行特征捕捉和更加准确的故障诊断与预测,以及更加精准的维修策略验证;这样可以更准确的预测备品备件的需求量,避免不足或过多;更加有针对性的维保策略可以减少设备的故障停机时间,提高设备综合利用率,降低设备维护成本。
为达到上述目的,本发明实施例提出了一种设备故障预测与健康管理系统,包括:物理模型层、数据层、服务层、应用层;其中,
所述物理模型层,用于获取车间设备的物理数据及信息数据并发送至所述数据层;所述物理数据为车间设备的真实数据;所述信息数据为车间设备的虚拟数据;
所述物理模型层包括:
物理数据获取子模块,用于采集车间设备信息,生成物理数据;
信息数据获取子模块,与所述物理数据获取子模块连接,用于接收所述物理数据获取子模块采集的车间设备信息,将所述车间设备信息输入预先构建的数字孪生模型中,输出信息数据;
所述数据层,与所述物理模型层连接,用于接收所述物理模型层发送的物理数据及信息数据,根据所述物理数据及所述信息数据生成车间设备的孪生数据;
所述服务层,与所述数据层连接,用于接收所述数据层发送的孪生数据,根据所述孪生数据进行设备故障预测与健康管理;
所述应用层,与所述服务层连接,用于在所述服务层根据所述孪生数据进行设备故障预测与健康管理时,在线监测车间设备状态,根据车间设备状态进行故障预测及故障诊断。
根据本发明的一些实施例,所述数字孪生模型包括几何模型、物理模型、行为模型、规则模型;其中,
根据车间设备的构造参数及规则模型构建几何模型;
根据所述几何模型、车间设备的物理参数及规则模型构建物理模型;
根据所述物理模型、车间设备的驱动参数或扰动参数及规则模型构建行为模型。
根据本发明的一些实施例,所述几何模型包括:车间设备的位置、装配关系、形状、尺寸、加工路径中的至少一种;
所述物理模型包括:变形分析、应力分析中的至少一种;
所述行为模型包括:加工行为、协作行为中的至少一种;
所述规则模型包括:推演规则、关联规则、约束规则中的至少一种;其中,
所述推演规则包括:设备温度升高、过载、磨损、时间、振动;
所述关联规则包括:切削速度、切削深度、切削力、刀具磨损;
所述约束规则包括:对刀具磨损宽度、加工精度、刀具振动、刀具检测或更换进行约束。
根据本发明的一些实施例,还包括:现场总线、数据接口、转换模块;其中,
所述物理数据获取子模块,通过所述现场总线与所述转换模块连接;
所述信息数据获取子模块,通过所述数据接口与所述转换模块连接;
所述转换模块,与所述数据层连接,用于接收所述物理数据获取子模块发送的物理数据及所述信息数据获取子模块发送的信息数据进行通讯接口及协议的统一转换,将转换后的物理数据及信息数据传输至所述数据层。
根据本发明的一些实施例,所述根据所述物理数据及所述信息数据生成车间设备的孪生数据,包括:
对所述物理数据及所述信息数据分别进行数据预处理;
将数据预处理后的物理数据及信息数据基于数据融合算法进行信息物理数据融合,生成车间设备的孪生数据。
根据本发明的一些实施例,所述物理数据包括车间设备属性数据、运行状态数据、工作环境数据中的至少一种;
所述信息数据包括数字孪生模型参数、数字孪生模型优化数据、数字孪生模型预测数据中的至少一种;
所述数据融合算法包括:神经网络算法、层次分析法中的至少一种。
根据本发明的一些实施例,所述根据所述孪生数据进行设备故障预测与健康管理,包括:
在观察阶段,对所述车间设备及数字孪生模型进行仿真与交互,比较车间设备与数字孪生模型的一致性,并基于比较结果对车间设备当前状态进行评估;
在分析阶段,根据车间设备与数字孪生模型的一致性的比较结果,确定故障诊断及预测方法;
在决策阶段,基于构建的数字孪生模型设计维修策略,并在实际维修前对所述设计维修策略进行验证与优化。
根据本发明的一些实施例,所述在分析阶段,根据车间设备与数字孪生模型的一致性的比较结果,确定故障诊断及预测方法,包括:
在确定车间设备与数字孪生模型一致时,基于孪生数据进行故障预测与诊断;
在确定车间设备与数字孪生模型不一致时,获取车间设备与数字孪生模型比较的异同数据,根据所述异同数据进行故障预测与诊断。
在一实施例中,所述将数据预处理后的物理数据及信息数据基于数据融合算法进行信息物理数据融合,生成车间设备的孪生数据,包括:
将所述物理数据填充至所述服务层预设第一转换矩阵上,得到所述物理数据在预设第一转换矩阵上的第一矩阵节点,获取所述第一矩阵节点的第一属性;
将所述信息数据填充至所述服务层预设第二转换矩阵上,得到所述信息数据在预设第二转换矩阵上的第二矩阵节点,获取所述第二矩阵节点的第二属性;
分别计算所述第一矩阵节点的第一属性与所述第二矩阵节点的第二属性的语义相似度,筛选出语义相似度大于预设语义相似度的第一矩阵节点及第二矩阵节点并进行打包,作为一组融合节点;
对所述融合节点进行归一化处理,根据归一化处理后的融合节点生成融合示意图;
根据所述融合示意图,获取所述融合节点的融合优先级信息;
根据所述融合优先级信息对融合节点基于数据融合算法进行信息物理数据融合,在融合过程中,获取融合节点内物理数据的第一融合特征序列及信息数据的第二融合特征序列,根据所述第一融合特征序列及所述第二融合特征序列控制融合节点的融合速率;
判断所述融合速率是否在预设融合速率范围内,在确定所述融合速率不在预设融合速率范围内时,终止融合节点的融合进程,并发出报警提示。
在一实施例中,计算所述第一矩阵节点的第一属性与所述第二矩阵节点的第二属性的语义相似度,包括:
计算第一矩阵节点的第一属性的n维语义向量wi:
wi=(Q1i,Q2i,...Qni)T
其中,Qni为第一矩阵节点的第一属性的第n维语义向量;
计算第二矩阵节点的第二属性的n维语义向量wj:
wj=(Q1j,Q2j,...Qnj)T
其中,Qnj为第二矩阵节点的第二属性的第n维语义向量;
根据第一矩阵节点的第一属性的n维语义向量wi及第二矩阵节点的第二属性的n维语义向量wj,计算两者之间的欧氏距离d(wi,wj):
其中,Qmi为第一矩阵节点的第一属性的第m维语义向量;Qmj为第二矩阵节点的第二属性的第m维语义向量;
根据两者之间的欧氏距离d(wi,wj),计算所述第一矩阵节点的第一属性与所述第二矩阵节点的第二属性的语义相似度S:
其中,ε为修正参数。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是根据本发明一个实施例的一种设备故障预测与健康管理系统的框图;
图2是根据本发明又一个实施例的一种设备故障预测与健康管理系统的框图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
如图1所示,本发明实施例提出了一种设备故障预测与健康管理系统,包括:物理模型层、数据层、服务层、应用层;其中,
所述物理模型层,用于获取车间设备的物理数据及信息数据并发送至所述数据层;所述物理数据为车间设备的真实数据;所述信息数据为车间设备的虚拟数据;
所述物理模型层包括:
物理数据获取子模块,用于采集车间设备信息,生成物理数据;
信息数据获取子模块,与所述物理数据获取子模块连接,用于接收所述物理数据获取子模块采集的车间设备信息,将所述车间设备信息输入预先构建的数字孪生模型中,输出信息数据;
所述数据层,与所述物理模型层连接,用于接收所述物理模型层发送的物理数据及信息数据,根据所述物理数据及所述信息数据生成车间设备的孪生数据;
所述服务层,与所述数据层连接,用于接收所述数据层发送的孪生数据,根据所述孪生数据进行设备故障预测与健康管理;
所述应用层,与所述服务层连接,用于在所述服务层根据所述孪生数据进行设备故障预测与健康管理时,在线监测车间设备状态,根据车间设备状态进行故障预测及故障诊断。
上述技术方案的工作原理:通过物理数据获取子模块,用于采集车间设备信息,生成物理数据;在车间设备的关键零部件上部署相关传感器,如转速传感器、压力传感器、激光传感器等进行车间设备信息的采集,生成物理数据。信息数据获取子模块接收所述物理数据获取子模块采集的车间设备信息,将所述车间设备信息输入预先构建的数字孪生模型中,输出信息数据,从而实现对车间设备的高度真实映射。数据层根据所述物理数据及所述信息数据生成车间设备的孪生数据;车间设备作为物理设备,数字孪生模型作为车间设备的虚拟设备,物理设备与虚拟设备同步运行,服务层接收所述数据层发送的孪生数据,根据所述孪生数据进行设备故障预测与健康管理;在孪生数据的驱动下,二者通过状态交互与对比、实际与仿真数据的融合分析、以及虚拟模型验证实现对物理设备的状态检测、故障预测以及维修策略设计等功能。最终将这些功能封装成服务,并以软件界面的形式提供给用户,即通过应用层在所述服务层根据所述孪生数据进行设备故障预测与健康管理时,在线监测车间设备状态,根据车间设备状态进行故障预测及故障诊断。所述物理数据为车间设备的真实数据;所述信息数据为车间设备的虚拟数据;示例的,在机床进行切削作业时,获取机床在进行切削作业过程中的数据作为物理数据;将切削作业作为车间设备信息输入数字孪生模型中,即虚拟设备,在虚拟设备中模拟切削作业过程的数据作为信息数据。
上述技术方案的有益效果:基于数字孪生技术的方法能够实现物理与虚拟设备实时交互及全方位状态比对,实时仿真设备的物理状态,实现更加全面的设备运行特征捕捉和更加准确的故障诊断与预测,以及更加精准的维修策略验证;这样可以更准确的预测备品备件的需求量,避免不足或过多;更加有针对性的维保策略可以减少设备的故障停机时间,提高设备综合利用率,降低设备维护成本。
如图2所示,所述数字孪生模型包括几何模型、物理模型、行为模型、规则模型;其中,
根据车间设备的构造参数及规则模型构建几何模型;
根据所述几何模型、车间设备的物理参数及规则模型构建物理模型;
根据所述物理模型、车间设备的驱动参数或扰动参数及规则模型构建行为模型。
上述技术方案的工作原理:针对设备多样、复杂的现状,分析车间设备及其数据类型,从几何、物理、行为三个层次对设备进行建模;基于构建的几何-物理-行为三层模型,构建反映设备运行及演化规律的评估、优化、预测等规则模型,实现物理设备的真实刻画;基于规则模型进行融合与集成,最终形成完整映射设备的数字孪生模型。物理参数如时间等;驱动参数包括电机动力参数等,扰动参数包括摩擦阻力参数等,车间设备的构造参数为车间设备的形状,尺寸参数等。
上述技术方案的有益效果:使得构建的数字孪生模型更加的准确且全面。
根据本发明的一些实施例,所述几何模型包括:车间设备的位置、装配关系、形状、尺寸、加工路径中的至少一种;
所述物理模型包括:变形分析、应力分析中的至少一种;
所述行为模型包括:加工行为、协作行为中的至少一种;
所述规则模型包括:推演规则、关联规则、约束规则中的至少一种;其中,
所述推演规则包括:设备温度升高、过载、磨损、时间、振动;
所述关联规则包括:切削速度、切削深度、切削力、刀具磨损;
所述约束规则包括:对刀具磨损宽度、加工精度、刀具振动、刀具检测或更换进行约束。
上述技术方案的有益效果:实现对数字孪生模型的准确构建。
根据本发明的一些实施例,还包括:现场总线、数据接口、转换模块;其中,
所述物理数据获取子模块,通过所述现场总线与所述转换模块连接;
所述信息数据获取子模块,通过所述数据接口与所述转换模块连接;
所述转换模块,与所述数据层连接,用于接收所述物理数据获取子模块发送的物理数据及所述信息数据获取子模块发送的信息数据进行通讯接口及协议的统一转换,将转换后的物理数据及信息数据传输至所述数据层。
上述技术方案的工作原理:物理数据获取子模块,通过所述现场总线与所述转换模块连接;信息数据获取子模块,通过所述数据接口与所述转换模块连接;转换模块,与所述数据层连接。通过现场总线将车间设备的物理数据传输至转换模块,通过数据接口将数字孪生模型,即虚拟设备,输出的信息数据传输至转换模块。
上述技术方案的有益效果:将物理数据及信息数据完整且准确的传输至服务层,实现物理数据与信息数据的同步传输,避免因两者数据类型、协议类型的不一致导致数据传输的不同步,进而提高数据传输的准确性及兼容性。
根据本发明的一些实施例,所述根据所述物理数据及所述信息数据生成车间设备的孪生数据,包括:
对所述物理数据及所述信息数据分别进行数据预处理;
将数据预处理后的物理数据及信息数据基于数据融合算法进行信息物理数据融合,生成车间设备的孪生数据。
上述技术方案的工作原理:针对所述物理数据及所述信息数据类型多、时间尺度大、粒度不一致的特点,通过多维数据的预处理方法进行数据预处理,分析预处理后的数据特点,建立物理及信息数据描述模型,实现对数据的统一描述。分析信息-物理数据之间的关联关系,使用信息-物理数据的融合算法,实现数据的高效融合。基于融合后的信息物理数据,构建车间设备的孪生数据。
上述技术方案的有益效果:通过数据预处理实现冗余数据的有效剔除;通过对物理数据且信息数据的全面且统一的处理,有利于提高数据融合的准确率及高效性,减少等待时间,使得构建的车间设备的孪生数据更加准确。
根据本发明的一些实施例,所述物理数据包括车间设备属性数据、运行状态数据、工作环境数据中的至少一种;
所述信息数据包括数字孪生模型参数、数字孪生模型优化数据、数字孪生模型预测数据中的至少一种;
所述数据融合算法包括:神经网络算法、层次分析法中的至少一种。
根据本发明的一些实施例,所述根据所述孪生数据进行设备故障预测与健康管理,包括:
在观察阶段,对所述车间设备及数字孪生模型进行仿真与交互,比较车间设备与数字孪生模型的一致性,并基于比较结果对车间设备当前状态进行评估;
在分析阶段,根据车间设备与数字孪生模型的一致性的比较结果,确定故障诊断及预测方法;
在决策阶段,基于构建的数字孪生模型设计维修策略,并在实际维修前对所述设计维修策略进行验证与优化。
上述技术方案的工作原理:分析现有设备故障预测与健康管理的特点,可以分为观察、分析及决策三个阶段,三个阶段均由孪生数据驱动。具体来说,在观察阶段,比较物理设备与数字孪生模型的交互及一致性,并基于比较结果对设备当前状态进行评估;在分析阶段,根据仪器设备与其模型间的一致性情况,确定设备与模型交互的故障诊断及预测方法;在决策阶段,基于构建的数字孪生模型设计维修策略,并在实际维修前对其进行验证与优化。
上述技术方案的有益效果:基于该实现流程,构建设备预测与健康管理模型,为后面应用层实现故障预测和健康管理提供模型支撑;分析设备故障预测与健康管理的功能特点,封装设备故障预测等服务,最终实现孪生数据驱动的设备故障预测与健康管理。
根据本发明的一些实施例,所述在分析阶段,根据车间设备与数字孪生模型的一致性的比较结果,确定故障诊断及预测方法,包括:
在确定车间设备与数字孪生模型一致时,基于孪生数据进行故障预测与诊断;
在确定车间设备与数字孪生模型不一致时,获取车间设备与数字孪生模型比较的异同数据,根据所述异同数据进行故障预测与诊断。
上述技术方案的工作原理:在确定车间设备与数字孪生模型一致时,基于孪生数据进行故障预测与诊断;在确定车间设备与数字孪生模型不一致时,获取车间设备与数字孪生模型比较的异同数据,根据所述异同数据进行故障预测与诊断。
上述技术方案的有益效果:根据车间设备与数字孪生模型的一致性情况,选择不同的故障预测与诊断方法,实现对故障预测与诊断的准确性。
在一实施例中,所述将数据预处理后的物理数据及信息数据基于数据融合算法进行信息物理数据融合,生成车间设备的孪生数据,包括:
将所述物理数据填充至所述服务层预设第一转换矩阵上,得到所述物理数据在预设第一转换矩阵上的第一矩阵节点,获取所述第一矩阵节点的第一属性;
将所述信息数据填充至所述服务层预设第二转换矩阵上,得到所述信息数据在预设第二转换矩阵上的第二矩阵节点,获取所述第二矩阵节点的第二属性;
分别计算所述第一矩阵节点的第一属性与所述第二矩阵节点的第二属性的语义相似度,筛选出语义相似度大于预设语义相似度的第一矩阵节点及第二矩阵节点并进行打包,作为一组融合节点;
对所述融合节点进行归一化处理,根据归一化处理后的融合节点生成融合示意图;
根据所述融合示意图,获取所述融合节点的融合优先级信息;
根据所述融合优先级信息对融合节点基于数据融合算法进行信息物理数据融合,在融合过程中,获取融合节点内物理数据的第一融合特征序列及信息数据的第二融合特征序列,根据所述第一融合特征序列及所述第二融合特征序列控制融合节点的融合速率;
判断所述融合速率是否在预设融合速率范围内,在确定所述融合速率不在预设融合速率范围内时,终止融合节点的融合进程,并发出报警提示。
上述技术方案的工作原理:在预设第一转换矩阵上填充物理数据,将物理数据根据第一转换矩阵的填充规则进行数据分割后,分类分层次的填充,得到在预设第一转换矩阵上的第一矩阵节点,获取所述第一矩阵节点的第一属性;在预设第二转换矩阵上填充信息数据,将信息数据根据第二转换矩阵的填充规则进行数据分割后,分类分层次的填充,得到在预设第二转换矩阵上的第二矩阵节点,获取所述第二矩阵节点的第二属性;属性包括形状、大小等;分别计算所述第一矩阵节点的第一属性与所述第二矩阵节点的第二属性的语义相似度,筛选出语义相似度大于预设语义相似度的第一矩阵节点及第二矩阵节点并进行打包,作为一组融合节点;示例的,第一矩阵节点A的第一属性为尺寸参数,第一矩阵节点B的第一属性为形状参数,第二矩阵节点C的第二属性为大小参数,将第一矩阵节点A及第二矩阵节点C打包作为一组融合节点;对所述融合节点进行归一化处理,根据归一化处理后的融合节点生成融合示意图;根据所述融合示意图,获取所述融合节点的融合优先级信息;根据所述融合优先级信息对融合节点基于数据融合算法进行信息物理数据融合,在融合过程中,获取融合节点内物理数据的第一融合特征序列及信息数据的第二融合特征序列,根据所述第一融合特征序列及所述第二融合特征序列控制融合节点的融合速率;第一融合特征序列为物理数据已融合部分的序列值;第二融合特征序列为信息数据已融合部分的序列值。判断所述融合速率是否在预设融合速率范围内,在确定所述融合速率不在预设融合速率范围内时,终止融合节点的融合进程,并发出报警提示。
上述技术方案的有益效果:将物理数据及信息数据分层次分类的分别设置在第一转换矩阵、第二转换矩阵上,有利于分类对物理数据及信息数据进行融合,便于提高融合速率。从众多第一矩阵节点及第二矩阵节点中筛选出融合节点,便于提高融合节点的准确性,便于准确融合。根据融合优先级依次进行融合,保证融合后形成数据在时间或逻辑上的准确性。在融合过程中控制融合节点的融合速率,保证融合节点的有序进行,避免在融合速率过高时,导致融合错误的出现,同时也避免在融合速率过低时,系统响应速度慢,延长等待时间,将融合速率控制在预设融合速率范围内,在保证融合速率的同时,也保证融合的准确性。
在一实施例中,计算所述第一矩阵节点的第一属性与所述第二矩阵节点的第二属性的语义相似度,包括:
计算第一矩阵节点的第一属性的n维语义向量wi:
wi=(Q1i,Q2i,...Qni)T
其中,Qni为第一矩阵节点的第一属性的第n维语义向量;
计算第二矩阵节点的第二属性的n维语义向量wj:
wj=(Q1j,Q2j,...Qnj)T
其中,Qnj为第二矩阵节点的第二属性的第n维语义向量;
根据第一矩阵节点的第一属性的n维语义向量wi及第二矩阵节点的第二属性的n维语义向量wj,计算两者之间的欧氏距离d(wi,wj):
其中,Qmi为第一矩阵节点的第一属性的第m维语义向量;Qmj为第二矩阵节点的第二属性的第m维语义向量;
根据两者之间的欧氏距离d(wi,wj),计算所述第一矩阵节点的第一属性与所述第二矩阵节点的第二属性的语义相似度S:
其中,ε为修正参数。
上述技术方案的工作原理及有益效果:设置第一矩阵节点的第一属性的n维语义向量及第二矩阵节点的第二属性的n维语义向量,准确计算出两者之间的欧氏距离,进而准确计算出第一矩阵节点的第一属性与所述第二矩阵节点的第二属性的语义相似度,提高判断语义相似度与预设语义相似度大小的准确性,进而保证确定的融合节点的准确性,保证融合进程的有序进行。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种设备故障预测与健康管理系统,其特征在于,包括:物理模型层、数据层、服务层、应用层;其中,
所述物理模型层,用于获取车间设备的物理数据及信息数据并发送至所述数据层;所述物理数据为车间设备的真实数据;所述信息数据为车间设备的虚拟数据;
所述物理模型层包括:
物理数据获取子模块,用于采集车间设备信息,生成物理数据;
信息数据获取子模块,与所述物理数据获取子模块连接,用于接收所述物理数据获取子模块采集的车间设备信息,将所述车间设备信息输入预先构建的数字孪生模型中,输出信息数据;
所述数据层,与所述物理模型层连接,用于接收所述物理模型层发送的物理数据及信息数据,根据所述物理数据及所述信息数据生成车间设备的孪生数据;
所述服务层,与所述数据层连接,用于接收所述数据层发送的孪生数据,根据所述孪生数据进行设备故障预测与健康管理;
所述应用层,与所述服务层连接,用于在所述服务层根据所述孪生数据进行设备故障预测与健康管理时,在线监测车间设备状态,根据车间设备状态进行故障预测及故障诊断;
所述根据所述物理数据及所述信息数据生成车间设备的孪生数据,包括:
对所述物理数据及所述信息数据分别进行数据预处理;
将数据预处理后的物理数据及信息数据基于数据融合算法进行信息物理数据融合,生成车间设备的孪生数据;
所述将数据预处理后的物理数据及信息数据基于数据融合算法进行信息物理数据融合,生成车间设备的孪生数据,包括:
将所述物理数据填充至所述服务层预设第一转换矩阵上,得到所述物理数据在预设第一转换矩阵上的第一矩阵节点,获取所述第一矩阵节点的第一属性;
将所述信息数据填充至所述服务层预设第二转换矩阵上,得到所述信息数据在预设第二转换矩阵上的第二矩阵节点,获取所述第二矩阵节点的第二属性;
分别计算所述第一矩阵节点的第一属性与所述第二矩阵节点的第二属性的语义相似度,筛选出语义相似度大于预设语义相似度的第一矩阵节点及第二矩阵节点并进行打包,作为一组融合节点;
对所述融合节点进行归一化处理,根据归一化处理后的融合节点生成融合示意图;
根据所述融合示意图,获取所述融合节点的融合优先级信息;
根据所述融合优先级信息对融合节点基于数据融合算法进行信息物理数据融合,在融合过程中,获取融合节点内物理数据的第一融合特征序列及信息数据的第二融合特征序列,根据所述第一融合特征序列及所述第二融合特征序列控制融合节点的融合速率;
判断所述融合速率是否在预设融合速率范围内,在确定所述融合速率不在预设融合速率范围内时,终止融合节点的融合进程,并发出报警提示。
2.如权利要求1所述的设备故障预测与健康管理系统,其特征在于,所述数字孪生模型包括几何模型、物理模型、行为模型、规则模型;其中,
根据车间设备的构造参数及规则模型构建几何模型;
根据所述几何模型、车间设备的物理参数及规则模型构建物理模型;
根据所述物理模型、车间设备的驱动参数或扰动参数及规则模型构建行为模型。
3.如权利要求2所述的设备故障预测与健康管理系统,其特征在于,所述几何模型包括:车间设备的位置、装配关系、形状、尺寸、加工路径中的至少一种;
所述物理模型包括:变形分析、应力分析中的至少一种;
所述行为模型包括:加工行为、协作行为中的至少一种;
所述规则模型包括:推演规则、关联规则、约束规则中的至少一种;其中,
所述推演规则包括:设备温度升高、过载、磨损、时间、振动;
所述关联规则包括:切削速度、切削深度、切削力、刀具磨损;
所述约束规则包括:对刀具磨损宽度、加工精度、刀具振动、刀具检测或更换进行约束。
4.如权利要求1所述的设备故障预测与健康管理系统,其特征在于,还包括:现场总线、数据接口、转换模块;其中,
所述物理数据获取子模块,通过所述现场总线与所述转换模块连接;
所述信息数据获取子模块,通过所述数据接口与所述转换模块连接;
所述转换模块,与所述数据层连接,用于接收所述物理数据获取子模块发送的物理数据及所述信息数据获取子模块发送的信息数据进行通讯接口及协议的统一转换,将转换后的物理数据及信息数据传输至所述数据层。
5.如权利要求4所述的设备故障预测与健康管理系统,其特征在于,所述物理数据包括车间设备属性数据、运行状态数据、工作环境数据中的至少一种;
所述信息数据包括数字孪生模型参数、数字孪生模型优化数据、数字孪生模型预测数据中的至少一种;
所述数据融合算法包括:神经网络算法、层次分析法中的至少一种。
6.如权利要求1所述的设备故障预测与健康管理系统,其特征在于,所述根据所述孪生数据进行设备故障预测与健康管理,包括:
在观察阶段,对所述车间设备及数字孪生模型进行仿真与交互,比较车间设备与数字孪生模型的一致性,并基于比较结果对车间设备当前状态进行评估;
在分析阶段,根据车间设备与数字孪生模型的一致性的比较结果,确定故障诊断及预测方法;
在决策阶段,基于构建的数字孪生模型设计维修策略,并在实际维修前对所述设计维修策略进行验证与优化。
7.如权利要求6所述的设备故障预测与健康管理系统,其特征在于,所述在分析阶段,根据车间设备与数字孪生模型的一致性的比较结果,确定故障诊断及预测方法,包括:
在确定车间设备与数字孪生模型一致时,基于孪生数据进行故障预测与诊断;
在确定车间设备与数字孪生模型不一致时,获取车间设备与数字孪生模型比较的异同数据,根据所述异同数据进行故障预测与诊断。
8.如权利要求1所述的设备故障预测与健康管理系统,其特征在于,计算所述第一矩阵节点的第一属性与所述第二矩阵节点的第二属性的语义相似度,包括:
计算第一矩阵节点的第一属性的n维语义向量wi:
wi=(Q1i,Q2i,...Qni)T
其中,Qni为第一矩阵节点的第一属性的第n维语义向量;
计算第二矩阵节点的第二属性的n维语义向量wj:
wj=(Q1j,Q2j,...Qnj)T
其中,Qnj为第二矩阵节点的第二属性的第n维语义向量;
根据第一矩阵节点的第一属性的n维语义向量wi及第二矩阵节点的第二属性的n维语义向量wj,计算两者之间的欧氏距离d(wi,wj):
其中,Qmi为第一矩阵节点的第一属性的第m维语义向量;Qmj为第二矩阵节点的第二属性的第m维语义向量;
根据两者之间的欧氏距离d(wi,wj),计算所述第一矩阵节点的第一属性与所述第二矩阵节点的第二属性的语义相似度S:
其中,ε为修正参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011361608.9A CN112418455B (zh) | 2020-11-28 | 2020-11-28 | 一种设备故障预测与健康管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011361608.9A CN112418455B (zh) | 2020-11-28 | 2020-11-28 | 一种设备故障预测与健康管理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112418455A CN112418455A (zh) | 2021-02-26 |
CN112418455B true CN112418455B (zh) | 2021-07-20 |
Family
ID=74843673
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011361608.9A Active CN112418455B (zh) | 2020-11-28 | 2020-11-28 | 一种设备故障预测与健康管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112418455B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113515848A (zh) * | 2021-05-13 | 2021-10-19 | 三一重型装备有限公司 | 矿山设备的结构设计优化方法、系统和可读存储介质 |
CN113379123A (zh) * | 2021-06-09 | 2021-09-10 | 中德(珠海)人工智能研究院有限公司 | 基于数字孪生的故障预测方法、装置、服务器及存储介质 |
CN113421008A (zh) * | 2021-07-02 | 2021-09-21 | 北自所(北京)科技发展有限公司 | 一种数字孪生纺织成套装备健康管控方法和系统 |
CN113808725B (zh) * | 2021-09-06 | 2024-06-28 | 武汉联影医疗科技有限公司 | 设备预警系统和方法 |
CN114048629B (zh) * | 2021-11-26 | 2024-08-06 | 江苏科技大学 | 一种船舶柴油机健康管控系统及管控方法 |
CN114329849B (zh) * | 2022-03-03 | 2022-06-21 | 河北工业大学 | 基于数字孪生的充液成形设备健康管控系统和方法 |
CN117952323B (zh) * | 2024-03-26 | 2024-06-21 | 大连豪森软件有限公司 | 一种基于数字孪生的产品创建系统、方法、设备及介质 |
CN118348882A (zh) * | 2024-05-17 | 2024-07-16 | 东莞市研科智能科技有限公司 | 一种基于数字孪生的锂电池生产线故障监控系统及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107807539A (zh) * | 2017-10-17 | 2018-03-16 | 广东工业大学 | 一种玻璃深加工生产线分布式集成方法及其系统 |
CN107861478A (zh) * | 2017-10-17 | 2018-03-30 | 广东工业大学 | 一种智能车间平行控制方法及系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9026304B2 (en) * | 2008-04-07 | 2015-05-05 | United Parcel Service Of America, Inc. | Vehicle maintenance systems and methods |
CN106530111A (zh) * | 2016-12-01 | 2017-03-22 | 东华大学 | 一种面向智能棉纺生产的cps架构 |
JP6812312B2 (ja) * | 2017-06-21 | 2021-01-13 | 三菱重工業株式会社 | プラント支援評価システム及びプラント支援評価方法 |
CN109326003B (zh) * | 2018-11-28 | 2022-09-20 | 合肥哈工热气球数字科技有限公司 | 一种基于虚拟仿真的工厂三维监控系统 |
CN109785180A (zh) * | 2019-02-19 | 2019-05-21 | 山东大学 | 一种面向数字孪生车间的场景感知系统及方法 |
CN110889238B (zh) * | 2019-12-06 | 2021-06-15 | 北京航空航天大学 | 一种数字孪生驱动的热压罐管控系统 |
CN111159893A (zh) * | 2019-12-30 | 2020-05-15 | 北京理工大学 | 一种基于数字孪生的故障复现及预测系统 |
-
2020
- 2020-11-28 CN CN202011361608.9A patent/CN112418455B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107807539A (zh) * | 2017-10-17 | 2018-03-16 | 广东工业大学 | 一种玻璃深加工生产线分布式集成方法及其系统 |
CN107861478A (zh) * | 2017-10-17 | 2018-03-30 | 广东工业大学 | 一种智能车间平行控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112418455A (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112418455B (zh) | 一种设备故障预测与健康管理系统 | |
Ruschel et al. | Industrial maintenance decision-making: A systematic literature review | |
Wang | Towards zero-defect manufacturing (ZDM)—a data mining approach | |
US12032366B2 (en) | Method and apparatus for simulating the machining on a machine tool using a self-learning system | |
CN115562158A (zh) | 一种数字孪生驱动的数控机床智能诊断方法、系统及终端机 | |
CN109933923A (zh) | 一种基于数字孪生的机电装备精益设计方法 | |
CN112818490A (zh) | 一种云边架构的装备数字孪生平行仿真系统及方法 | |
CN117111589B (zh) | 一种基于Petri网的数控机床控制系统故障诊断方法 | |
TWI794907B (zh) | 用於系統管理之故障預測與健康管理系統與相關方法 | |
CN115422814A (zh) | 一种数字孪生驱动的复杂机电产品闭环优化设计方法 | |
CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统 | |
CN116976862B (zh) | 一种工厂设备信息化管理系统及方法 | |
CN115562225A (zh) | 工业机器人运维管理方法、装置、计算机设备和存储介质 | |
CN116992346A (zh) | 一种基于人工智能大数据分析的企业生产数据处理系统 | |
CN116822353A (zh) | 一种制造工艺过程的数字孪生模型快速构建方法 | |
CN113420465A (zh) | 一种基于数字孪生模型的液压支架全寿命周期管理方法 | |
El Kihel et al. | Maintenance 4.0 Model Development for Production Lines in Industry 4.0 Using a Deep Learning Approach and IoT Data in Real-Time: an Experimental Case Study | |
Xin et al. | Dynamic probabilistic model checking for sensor validation in Industry 4.0 applications | |
CN115879238A (zh) | 一种发动机整机及试验孪生体系模型构建方法 | |
CN114265891A (zh) | 基于多源数据融合的智慧车间系统、方法及存储介质 | |
KR20210100399A (ko) | 인공 지능을 이용한 가공품질 예측 시스템 및 방법 | |
Qu et al. | Degradation principle of machines influenced by maintenance | |
CN117952323B (zh) | 一种基于数字孪生的产品创建系统、方法、设备及介质 | |
Hatami | Data requirements for analysis of manufacturing systems using computer simulation | |
CN118233325B (zh) | 基于物联网的it设备一体化运维管理评估方法及系统 |
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 |