CN112462734B - 一种工业生产设备故障预测分析方法及模型 - Google Patents

Abstract

本发明公开了一种工业生产设备的故障预测分析方法及模型。包括以下步骤：步骤S1：划分设备级别并采集运行数据；对一般设备采集各个周期内的故障率、故障类别、故障原因；对关键设备，实时采集设备运行数据；步骤S2：执行设备故障预测分析；对一般设备执行步骤S2.1，本发明涉及工业生产设备技术领域，该工业生产设备的故障预测分析方法及模型通过设备端对数据进行采集，然后将数据传输至故障分析系统，通过故障分析系统对故障的原因进行分析，然后通过故障预警单元接收故障预警信息，并将警报发送给对应的人员和设备，从而可以快速、精准的找到故障，方便工作人员对故障进行维修，从而避免故障影响生产设备的正常运行。

Description

一种工业生产设备故障预测分析方法及模型

技术领域

本发明涉及工业生产设备技术领域，具体为一种工业生产设备的故障预测分析方法及模型。

背景技术

目前国内大部分生产制造企业对生产系统和生产设备的监管还是停留在人工管理的水平，尤其是对设备故障的维修，只能采取事后抢修的方式，不仅无法发现故障隐患，也不利于及时检修，故障检修效率低下，开销巨大，严重地影响企业生产效益。

故障预测与健康管理系统PHM(Prognostic and Health Management)是目前进行设备故障预警和诊断的有效工具，PHM系统可使用集中式、分散式、分层式等多种部署策略，通过算法和模型来预测和管理系统健康状况，当前工业设备故障预测分析研究的主要瓶颈在于：

(1)设备运行参数难以采集，由于工业设备类型多种多样，每种设备都有各自的运行参数，采集设备运行数据代价巨大，难以对所有设备参数进行有效监控；

(2)设备监控的实时性要求较高，工业设备往往需要长时间不间断运作，因此需要实时监控设备运行参数，一旦发现故障隐患立即处理，这要求算法和模型具有快速、精准的能力；

(3)设备故障难以排查，很多工业设备系统非常复杂，轻微的设备故障不容易被察觉，而且工业设备受到复杂的环境因素影响，导致难以明确发生故障的原因。

发明内容

针对现有技术的不足，本发明提供了一种工业生产设备的故障预测分析方法及模型，解决了设备运行中的故障预警、故障原因分析的问题。

为实现以上目的，本发明通过以下技术方案予以实现：一种工业生产设备的故障预测分析方法，包括以下步骤：

步骤S1：划分设备级别并采集运行数据；对一般设备采集各个周期内的故障率、故障类别、故障原因；对关键设备，实时采集设备运行数据；

步骤S2：执行设备故障预测分析；对一般设备执行步骤S2.1，对关键设备执行步骤S2.2；

步骤S2.1：执行一般设备故障预测；

步骤S2.1.1：设原始时序特征为x⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),…,x⁽⁰⁾(n))，采用灰色系统理论对其进行一次加权累加，生成新的数据序列：x⁽¹⁾＝(x⁽¹⁾(1),x⁽¹⁾(2),…,x⁽¹⁾(n))，其中

0＜α＜1为距离权重；

步骤S2.1.2：GM(1,1)模型的背景值为z⁽¹⁾＝(z⁽¹⁾(2),z⁽¹⁾(3),…,z⁽¹⁾(n))，其中 z⁽¹⁾(k)＝0.5(x⁽¹⁾(k)+x⁽¹⁾(k-1))；

步骤S2.1.3：设GM(1,1)的发展系数和灰色作用量分别是a,b，时序序列的预测结果为

步骤S2.2：执行关键设备故障预测；

步骤S2.2.1：使用Embedding技术对设备运行参数进行特征选择，将相关特征输入一个孪生网络，得到每个设备参数的Embedding向量，再通过余弦相似度计算结果，去除无效的冗余参数；

步骤S2.2.2：将预测设备故障的任务看做一个多分类问题，使用单向长短期记忆模型LSTM接收设备运行状态，输出潜在故障因素，LSTM模型从故障数据库中抽取训练样例进行训练，并使用Softmax分类器识别是否发生故障并划分故障类别；

步骤S2.2.3：为防止训练过度而导致过拟合，在LSTM中使用了Dropout 策略，使用随机函数drop(h_t)＝h_t|0将LSTM记忆细胞的输出值h_t随机置零；

步骤S3：故障分析系统将故障预测结果发送给故障预警单元，故障预警单元根据故障类型、等级向相应的人员和监控设备发出预警；

步骤S4：故障发生以后，系统将故障信息记录入故障数据库。

一种工业生产设备的故障预测分析模型，其特征在于，包括：设备端、故障分析系统和监控端，所述设备端包括物联网接口和设备运行参数，所述故障分析系统包括故障曲线单元、灰色GM(1,1)模型、时序参数单元、LSTM 神经网络单元和故障数据库单元，所述监控端包括故障预警单元。

进一步地，所述故障分析系统采用分散式共享策略，集中部署的同类设备(例如电脑、机床等)共享一个故障分析单元，统一实施故障监控；不同的故障分析单元相互独立，互不干扰。

进一步地，所述故障分析系统根据设备的种类和级别将设备分为一般设备和关键设备。

进一步地，所述灰色模型GM(1,1)特征在于：仅以监测周期(通常使用自然日)内发生故障的频率作为灰色模型GM(1,1)的特征输入，设原始时序特征为x⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),…,x⁽⁰⁾(n))，采用灰色系统理论对其进行加权累加，生成新的数据序列：

x⁽¹⁾＝(x⁽¹⁾(1),x⁽¹⁾(2),…,x⁽¹⁾(n))

其中

0＜α＜1为距离权重，使得时序特征中，越靠近当前位置的特征影响越大，GM(1,1)模型的背景值为：

z⁽¹⁾＝(z⁽¹⁾(2),z⁽¹⁾(3),…,z⁽¹⁾(n))

其中z⁽¹⁾(k)＝0.5(x⁽¹⁾(k)+x⁽¹⁾(k-1))，设GM(1,1)的发展系数和灰色作用量分别是a,b，时序序列的预测结果为：

进一步地，所述LSTM神经网络将预测设备故障的任务看做一个多分类问题，使用单向的所述LSTM神经网络接收设备运行状态，输出潜在故障因素，并使用Softmax分类器识别是否发生故障并划分故障类别。

进一步地，所述Softmax分类器的损失函数定义为：

其中

为便于计算，在损失函数中引入一个权值衰减项

对权值过大的参数进行惩罚，解决Softmax回归的参数冗余所带来的数值问题，并促使算法收敛到全局最优，通过迭代算法求解损失函数J(θ)最小化值：

进一步地，所述LSTM神经网络为防止训练过度而导致过拟合，在LSTM 中使用了Dropout策略，使用随机函数drop(h_t)＝h_t|0将LSTM记忆细胞的输出值h_t随机置零。

进一步地，所述故障数据库只记录已实际发生的故障数据，包括设备在发生故障前的一段时间内的运行数据，以及发生故障后的运行参数，所述故障分析系统、所述LSTM神经网络模型调用所述故障数据库中的数据进行训练和优化。

进一步地，还包括用于所述设备运行参数显示的显示屏防护装置，所述防护装置包括固定板，所述固定板的内部开设有滑动槽，所述滑动槽的内部滑动连接有滑动杆，所述显示屏上滑动连接有防护罩；复位装置，所述复位装置固定于所述显示屏上，所述复位装置包括支撑杆，所述支撑杆的表面套接有第一弹簧，并且支撑杆上开设有定位槽；定位装置，所述定位装置固定于所述防护罩上，所述定位装置包括固定壳，所述固定壳的内部固定连接有定位杆，所述定位杆的表面套接有第二弹簧，并且定位杆的表面固定连接有滑动盘。

与现有技术相比，本发明的有益效果是：

该工业生产设备的故障预测分析方法及模型，通过设备端对数据进行采集，然后将数据传输至故障分析系统，通过故障分析系统对故障的原因进行分析，然后通过故障预警单元接收故障预警信息，并将警报发送给对应的人员和设备，从而可以快速、精准的找到故障，方便工作人员对故障进行维修，从而避免故障影响生产设备的正常运行。

附图说明

图1为本发明提供的第一实施例的系统框图；

图2为本发明提供的分散式共享策略图；

图3为本发明提供的第二实施例的整体结构示意图；

图4为本发明提供的图3中A处放大图。

图中：1-防护装置、11-固定板、12-滑动槽、13-滑动杆、14-防护罩、 2-复位装置、21-支撑杆、22-第一弹簧、23-定位槽、3-定位装置、31-固定壳、32-定位杆、33-第二弹簧、34-滑动盘。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。

第一实施例

请参阅图1-2，本发明提供一种技术方案：一种工业生产设备的故障预测分析方法，包括以下步骤：

步骤S1：划分设备级别并采集运行数据；对一般设备采集各个周期内的故障率、故障类别、故障原因；对关键设备，实时采集设备运行数据；

步骤S2：执行设备故障预测分析；对一般设备执行步骤S2.1，对关键设备执行步骤S2.2；

步骤S2.1：执行一般设备故障预测；

步骤S2.1.1：设原始时序特征为x⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),…,x⁽⁰⁾(n))，采用灰色系统理论对其进行一次加权累加，生成新的数据序列：x⁽¹⁾＝(x⁽¹⁾(1),x⁽¹⁾(2),…,x⁽¹⁾(n))，其中

0＜α＜1为距离权重；

步骤S2.1.2：GM(1,1)模型的背景值为z⁽¹⁾＝(z⁽¹⁾(2),z⁽¹⁾(3),…,z⁽¹⁾(n))，其中 z⁽¹⁾(k)＝0.5(x⁽¹⁾(k)+x⁽¹⁾(k-1))；

步骤S2.1.3：设GM(1,1)的发展系数和灰色作用量分别是a,b，时序序列的预测结果为

步骤S2.2：执行关键设备故障预测；

步骤S2.2.1：使用Embedding技术对设备运行参数进行特征选择，将相关特征输入一个孪生网络，得到每个设备参数的Embedding向量，再通过余弦相似度计算结果，去除无效的冗余参数；

步骤S2.2.2：将预测设备故障的任务看做一个多分类问题，使用单向长短期记忆模型LSTM接收设备运行状态，输出潜在故障因素，LSTM模型从故障数据库中抽取训练样例进行训练，并使用Softmax分类器识别是否发生故障并划分故障类别；

步骤S2.2.3：为防止训练过度而导致过拟合，在LSTM中使用了Dropout 策略，使用随机函数drop(h_t)＝h_t|0将LSTM记忆细胞的输出值h_t随机置零；

步骤S3：故障分析系统将故障预测结果发送给故障预警单元，故障预警单元根据故障类型、等级向相应的人员和监控设备发出预警；

步骤S4：故障发生以后，系统将故障信息记录入故障数据库。

故障信息包括：

(1)故障设备、故障类别、发生时间；

(2)故障前的设备运行数据；

(3)故障后的设备运行数据；

(4)故障处理措施。

一种工业生产设备的故障预测分析模型，其特征在于，包括：设备端、故障分析系统和监控端，所述设备端包括物联网接口和设备运行参数，所述故障分析系统包括故障曲线单元、灰色GM(1,1)模型、时序参数单元、LSTM 神经网络单元和故障数据库单元，所述监控端包括故障预警单元。

设备端：数据采集装置(温度计、电压计、电流计等)，通过物联网接口将实时数据传输给故障分析系统。

故障分析系统：包括用于一般设备定期监控的灰色GM(1,1)模型，用于关键设备实时监控的LSTM模型，用于记录故障信息并支撑神经网络训练的故障数据库。

监控端：故障预警单元接收故障预警信息，并将警报发送给对应的人员和设备。

所述故障分析系统采用分散式共享策略，集中部署的同类设备(例如电脑、机床等)共享一个故障分析单元，统一实施故障监控；不同的故障分析单元相互独立，互不干扰。

所述故障分析系统根据设备的种类和级别将设备分为一般设备和关键设备。

对一般设备，采用灰色模型GM(1,1)进行周期性浅层分析和预测，减少分析和计算的开销，对关键设备，使用长短期记忆模型LSTM(LongShort-Term Memory)开展深度学习，实时监控和预测潜在的设备故障风险。

所述灰色模型GM(1,1)特征在于：仅以监测周期(通常使用自然日)内发生故障的频率作为灰色模型GM(1,1)的特征输入，设原始时序特征为 x⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),…,x⁽⁰⁾(n))，采用灰色系统理论对其进行加权累加，生成新的数据序列：

x⁽¹⁾＝(x⁽¹⁾(1),x⁽¹⁾(2),…,x⁽¹⁾(n))

其中

0＜α＜1为距离权重，使得时序特征中，越靠近当前位置的特征影响越大，GM(1,1)模型的背景值为：

z⁽¹⁾＝(z⁽¹⁾(2),z⁽¹⁾(3),…,z⁽¹⁾(n))

其中z⁽¹⁾(k)＝0.5(x⁽¹⁾(k)+x⁽¹⁾(k-1))，设GM(1,1)的发展系数和灰色作用量分别是a,b，时序序列的预测结果为：

所述LSTM神经网络将预测设备故障的任务看做一个多分类问题，使用单向的所述LSTM神经网络接收设备运行状态，输出潜在故障因素，并使用 Softmax分类器识别是否发生故障并划分故障类别。

使用Embedding技术对设备运行参数进行特征选择，将相关特征输入一个孪生网络，得到每个设备参数的Embedding向量，再通过余弦相似度计算结果，去除无效的冗余参数。

所述Softmax分类器的损失函数定义为：

其中

为便于计算，在损失函数中引入一个权值衰减项

对权值过大的参数进行惩罚，解决Softmax回归的参数冗余所带来的数值问题，并促使算法收敛到全局最优，通过迭代算法求解损失函数J(θ)最小化值：

所述LSTM神经网络为防止训练过度而导致过拟合，在LSTM中使用了 Dropout策略，使用随机函数drop(h_t)＝h_t|0将LSTM记忆细胞的输出值h_t随机置零。

所述故障数据库只记录已实际发生的故障数据，包括设备在发生故障前的一段时间内的运行数据，以及发生故障后的运行参数，所述故障分析系统、所述LSTM神经网络模型调用所述故障数据库中的数据进行训练和优化。

工作时：

设备端使用物联网实时采集设备温度、电压、电流等设备运行数据，并上报给分析系统，故障分析系统对设备运行数据进行分析，确定设备发生故障的可能性以及故障类别，并上报给故障预警单元，故障预警单元根据设备类型、设备级别以及故障类别向相关部门和人员发出预警，系统跟踪已经发生的设备故障，将相关数据记录入故障数据库。

第二实施例

请参阅图3、图4，基于本申请的第一实施例提供的一种工业生产设备的故障预测分析模型，本申请的第二实施例提出另一种工业生产设备的故障预测分析模型。第二实施例仅仅是第一实施例优选的方式，第二实施例的实施对第一实施例的单独实施不会造成影响。

具体的，本申请的第二实施例提供的工业生产设备的故障预测分析模型的不同之处在于，工业生产设备的故障预测分析模型，还包括用于所述设备运行参数显示的显示屏防护装置1，所述防护装置1包括固定板11，所述固定板11的内部开设有滑动槽12，所述滑动槽12的内部滑动连接有滑动杆13，所述显示屏上滑动连接有防护罩14；复位装置2，所述复位装置2固定于所述显示屏上，所述复位装置2包括支撑杆21，所述支撑杆21的表面套接有第一弹簧22，并且支撑杆21上开设有定位槽23；定位装置3，所述定位装置3 固定于所述防护罩14上，所述定位装置3包括固定壳31，所述固定壳31的内部固定连接有定位杆32，所述定位杆32的表面套接有第二弹簧33，并且定位杆32的表面固定连接有滑动盘34。

滑动杆13的一端与防护罩14固定连接，支撑杆21与防护罩14滑动连接。

工作原理：

当需要对显示屏进行防护时，向下推动防护罩14，防护罩14向下移动会带动定位杆32向下移动，当定位杆32移动至定位槽23的一侧时，由第二弹簧33向左推动滑动盘34，滑动盘34向左移动会带动定位杆32向左移动，定位杆32向左移动会使定位杆32与定位槽23卡接，从而对向下移动后的防护罩14进行固定，并且当需要使用显示屏时，向右拉动定位杆32，定位杆32 向右移动会使定位杆32的一端与定位槽23不再卡接，从而由第一弹簧22向上推动防护罩14，使防护罩14不再对显示屏进行防护。

有益效果：

此装置结构简单，通过向下移动防护罩14，使防护罩14对显示屏进行防护，从而可以避免不使用显示屏时灰尘会粘附在显示屏上，从而影响对显示屏上的数据观看的清晰度，并且防护罩14还可以避免异物对显示屏进行碰撞，从而造成显示屏的损坏。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种工业生产设备的故障预测分析方法，其特征在于，包括以下步骤：

步骤S1：划分设备级别并采集运行数据；对一般设备采集各个周期内的故障率、故障类别、故障原因；对关键设备，实时采集设备运行数据；

步骤S2：执行设备故障预测分析；对一般设备执行步骤S2.1，对关键设备执行步骤S2.2；

步骤S2.1：执行一般设备故障预测；

步骤S2.1.1：设原始时序特征为x⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),…,x⁽⁰⁾(n))，采用灰色系统理论对其进行一次加权累加，生成新的数据序列：x⁽¹⁾＝(x⁽¹⁾(1),x⁽¹⁾(2),…,x⁽¹⁾(n))，其中

0＜α＜1为距离权重；

步骤S2.1.2：GM(1,1)模型的背景值为z⁽¹⁾＝(z⁽¹⁾(2),z⁽¹⁾(3),…,z⁽¹⁾(n))，其中z⁽¹⁾(k)＝0.5(x⁽¹⁾(k)+x⁽¹⁾(k-1))；

步骤S2.1.3：设GM(1,1)的发展系数和灰色作用量分别是a,b，时序序列的预测结果为

步骤S2.2：执行关键设备故障预测；

步骤S2.2.1：使用Embedding技术对设备运行参数进行特征选择，将相关特征输入一个孪生网络，得到每个设备参数的Embedding向量，再通过余弦相似度计算结果，去除无效的冗余参数；

步骤S2.2.2：将预测设备故障的任务看做一个多分类问题，使用单向长短期记忆模型LSTM接收设备运行状态，输出潜在故障因素，LSTM模型从故障数据库中抽取训练样例进行训练，并使用Softmax分类器识别是否发生故障并划分故障类别；

步骤S2.2.3：为防止训练过度而导致过拟合，在LSTM中使用了Dropout策略，使用随机函数drop(h_t)＝h_t|0将LSTM记忆细胞的输出值h_t随机置零；

步骤S3：故障分析系统将故障预测结果发送给故障预警单元，故障预警单元根据故障类型、等级向相应的人员和监控设备发出预警；

步骤S4：故障发生以后，系统将故障信息记录入故障数据库。

2.一种用于权利要求1所述的工业生产设备的故障预测分析方法的工业生产设备的故障预测分析模型，其特征在于，包括：设备端、故障分析系统和监控端，所述设备端包括物联网接口和设备运行参数，所述故障分析系统包括故障曲线单元、灰色GM(1,1)模型、时序参数单元、LSTM神经网络单元和故障数据库单元，所述监控端包括故障预警单元。

3.根据权利要求2所述的一种工业生产设备的故障预测分析模型，其特征在于：所述故障分析系统采用分散式共享策略，集中部署的同类设备共享一个故障分析单元，统一实施故障监控；不同的故障分析单元相互独立，互不干扰。

4.根据权利要求2所述的一种工业生产设备的故障预测分析模型，其特征在于：所述故障分析系统根据设备的种类和级别将设备分为一般设备和关键设备。

5.根据权利要求2所述的一种工业生产设备的故障预测分析模型，其特征在于：所述灰色模型GM(1,1)特征在于：仅以监测周期内发生故障的频率作为灰色模型GM(1,1)的特征输入，设原始时序特征为x⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),…,x⁽⁰⁾(n))，采用灰色系统理论对其进行加权累加，生成新的数据序列：

x⁽¹⁾＝(x⁽¹⁾(1),x⁽¹⁾(2),…,x⁽¹⁾(n))

其中

0＜α＜1为距离权重，使得时序特征中，越靠近当前位置的特征影响越大，GM(1,1)模型的背景值为：

z⁽¹⁾＝(z⁽¹⁾(2),z⁽¹⁾(3),…,z⁽¹⁾(n))

其中z⁽¹⁾(k)＝0.5(x⁽¹⁾(k)+x⁽¹⁾(k-1))，设GM(1,1)的发展系数和灰色作用量分别是a,b，时序序列的预测结果为：

6.根据权利要求2所述的一种工业生产设备的故障预测分析模型，其特征在于：所述LSTM神经网络将预测设备故障的任务看做一个多分类问题，使用单向的所述LSTM神经网络接收设备运行状态，输出潜在故障因素，并使用Softmax分类器识别是否发生故障并划分故障类别。

7.根据权利要求2所述的一种工业生产设备的故障预测分析模型，其特征在于：所述Softmax分类器的损失函数定义为：

其中

为便于计算，在损失函数中引入一个权值衰减项

对权值过大的参数进行惩罚，解决Softmax回归的参数冗余所带来的数值问题，并促使算法收敛到全局最优，通过迭代算法求解损失函数J(θ)最小化值：

8.根据权利要求2所述的一种工业生产设备的故障预测分析模型，其特征在于：所述LSTM神经网络为防止训练过度而导致过拟合，在LSTM中使用了Dropout策略，使用随机函数drop(h_t)＝h_t|0将LSTM记忆细胞的输出值h_t随机置零。

9.根据权利要求2所述的一种工业生产设备的故障预测分析模型，其特征在于：所述故障数据库只记录已实际发生的故障数据，包括设备在发生故障前的一段时间内的运行数据，以及发生故障后的运行参数，所述故障分析系统、所述LSTM神经网络模型调用所述故障数据库中的数据进行训练和优化。

10.根据权利要求2所述的一种工业生产设备的故障预测分析模型，其特征在于：还包括用于所述设备运行参数显示的显示屏防护装置，所述防护装置包括固定板，所述固定板的内部开设有滑动槽，所述滑动槽的内部滑动连接有滑动杆，所述显示屏上滑动连接有防护罩；

复位装置，所述复位装置固定于所述显示屏上，所述复位装置包括支撑杆，所述支撑杆的表面套接有第一弹簧，并且支撑杆上开设有定位槽；

定位装置，所述定位装置固定于所述防护罩上，所述定位装置包括固定壳，所述固定壳的内部固定连接有定位杆，所述定位杆的表面套接有第二弹簧，并且定位杆的表面固定连接有滑动盘。

Images