CN114282434A - 一种工业设备健康管理系统及方法 - Google Patents

Abstract

本发明公开了一种工业设备健康管理系统及方法，属于工业设备故障预警领域，包括数据采集模块、数据预处理模块、异常检测模块、故障诊断模块和寿命预测模块；数据采集模块采集工业设备的数据并存入数据库；数据预处理模块构建构造特征和获取最终特征；异常检测模块进行异常点检测计算；故障诊断模块采用多模型融合的方法对设备故障情况进行诊断；寿命预测模块采用神经网络对设备的剩余使用寿命进行预测。本发明实现对工业设备进行全生命周期的监测和管理，便于设备管理人员和企业管理者对所有设备的健康状况有更全面的了解，也便于进行更精细化的管理。

Description

一种工业设备健康管理系统及方法

技术领域

本发明涉及工业设备故障预警技术领域，更为具体的，涉及一种工业设备健康管理系统及方法。

背景技术

随着制造业的高速发展，工业设备的种类越来越多，设备的复杂度也越来越高，工业企业对设备的可靠性要求也越来越高，致使设备管理的难度也越来越大。而工业生产中，一旦设备出现故障，将会对整个生产过程和生产计划产生影响，造成经济损失，严重时甚至会威胁到人员安全。因此，工业设备的健康管理技术对工业发展有着重要的意义。如今，大数据和人工智能技术蓬勃发展，故障诊断和寿命预测技术也得到了前所未有的发展。

现有的设备故障诊断系统一般将设备的状态分为正常和故障两种，而缺乏对中间状态的分析研究。而设备从正常到故障是一个长期累积、逐渐发展的过程，如果不能提前识别预警，有可能会造成重大的损失。

发明内容

本发明的目的在于克服现有技术的不足，提供一种工业设备健康管理系统及方法，实现对工业设备进行全生命周期的监测和管理，便于设备管理人员和企业管理者对所有设备的健康状况有更全面的了解，也便于进行更精细化的管理等。

本发明的目的是通过以下方案实现的：

一种工业设备健康管理系统，包括数据采集模块、数据预处理模块、异常检测模块、故障诊断模块和寿命预测模块；数据采集模块，用于采集工业设备的数据并存入数据库；数据预处理模块，用于利用原始特征中的部分数据得到构造特征，再将原始特征和构造特征输入训练好的神经网络模型，并提取出多个特征作为最终特征，用于后续计算；异常检测模块，用于将预处理后得到的原始特征和构造特征一起作为输入，进行异常点检测计算；故障诊断模块，用于将数据预处理模块中得到的最终特征作为输入，采用多模型融合的方法对设备故障情况进行诊断；寿命预测模块，用于将数据预处理模块中得到的最终特征作为输入，采用神经网络对设备的剩余使用寿命进行预测。

进一步地，所述数据预处理模块包括数据清洗模块、特征构造模块和特征提取模块；数据清洗模块，用于对原始数据进行清洗后进行标准化处理，生成原始特征；特征构造模块，用于利用原始特征中的部分数据构建构造特征；特征提取模块，用于利用卷积神经网络CNN模型进行特征提取，将原始特征和构造特征输入训练好的卷积神经网络CNN模型，提取出多个特征作为所述最终特征。

进一步地，所述异常点检测计算包括：阈值判断：根据历史数据统计结果，设定重要参数的正常范围，当某参数值超出该范围时，判定为异常点；和/或，聚类分析：首先用聚类算法对设定时间段的正常历史数据进行聚类分析，得出k个聚类中心，然后计算实时数据点到每个聚类中心的距离L，当L大于阈值L0时，判定该点为异常点；在t0时间间隔内，若出现异常点个数大于设定数量个，则判定设备出现异常情况。

进一步地，所述采用多模型融合的方法具体为基于Stacking算法模型，且在Stacking算法模型的第一层模型采用XGBoost、支持向量机和随机森林三个模型，第二层模型采用逻辑回归模型；首先对第一层的三个模型分别进行训练，然后用第一层模型的预测输出作为输入训练第二层模型，最终得到的融合模型作为故障诊断模型，用于对设备进行故障诊断。

进一步地，所述采用神经网络对设备的剩余使用寿命进行预测，包括：根据已有的设备退化曲线构造训练集和测试集，设置采样间隔，代入预先构建的神经网络，对神经网络进行训练，建立模型；采用多项式曲线拟合法对设备退化曲线进行拟合；通过拟合出的退化曲线对设备的剩余使用寿命进行预测。

进一步地，包括健康管理模块，用于对设备的健康状况进行评估和管理，将设备的健康状况分为多个等级，多个等级包括正常、亚健康、临近失效、故障；当设备正常运行，未出现异常点的状态为正常状态；当异常检测模块检测出设备出现异常点时，设备状态标记为亚健康；当寿命预测模块计算出设备的剩余使用寿命小于设定时间时，设备状态标记为临近失效；当故障诊断模块检测出设备出现故障时，设备状态标记为故障；当设备状态为临近失效或故障时，将设备信息发送给故障报警模块。

进一步地，包括系统性能评估模块，用于根据设备的实际故障情况与系统预测结果进行比较，评估系统的性能，并将评价结果进行反馈到异常检测模块、故障诊断模块和寿命预测模块，用于异常检测、故障诊断和寿命预测的优化。

进一步地，所述系统的性能通过故障诊断准确率、寿命预测准确率两个指标进行评估；

故障诊断准确率F₁采用f1-score来评估，其计算公式为：

其中，R示故障诊断模块的召回率，P表示故障诊断模块的准确率；

寿命预测准确率P_L的计算公式为：

其中，L_real表示某台设备的实际剩余使用寿命，L_pre表示系统模型预测出的剩余使用寿命，N表示计算该准确率所抽取的样本数量。

进一步地，包括故障报警模块、维修决策模块和历史数据库；故障报警模块，用于接收健康管理模块发来的故障或临近失效状态的设备信息，并实时展示给用户；也能够根据用户订阅，实时显示其他设备的健康状态信息；还用于接收异常点信息；数据库管理模块，用于实时数据库和历史数据库之间的数据传输，当接收到历史数据库的数据迁移请求时，根据请求信息编写SQL语句，从实时数据库读取响应的设备数据，然后发送给历史数据库，并保存迁移记录以备查询；实时数据库，用于存储当天的设备数据，并在每天的网络空闲时段将数据上传到历史数据库进行长期保存；采用MySQL存储和管理实时数据，用于存储设备数据、故障数据和维护数据。历史数据库，用于存储实时数据库上传的设备历史数据，用于后续的数据分析和模型训练，也供用户进行历史数据的批量查询。

一种基于如上所述的工业设备健康管理系统的方法，包括步骤：

S1，数据采集模块采集设备的运行数据和物理数据，并发送给实时数据库进行存储；

S2，数据预处理模块从实时数据库读取设备的实时数据并进行特征提取和选择，然后将处理后的数据发送给异常诊断模块；

S3，异常诊断模块首先根据预设的阈值进行异常判断，若阈值范围正常则进行聚类分析判断设备是否出现异常点；若设备运行中出现异常点，则将异常点信息发送给故障诊断模块；

S4，故障诊断模块根据异常点信息，从实时数据库请求设备数据，并代入故障诊断模型判断设备是否出现故障；若判断结果显示设备出现故障，则将结果发送给故障报警模块以通知设备维护人员进行设备维修；若判断结果显示设备未出现故障，则将异常点信息发送给寿命预测模块；

S5，寿命预测模块根据异常点信息，从数据库管理模块请求设备数据，并代入寿命预测模型进行设备剩余使用寿命的预测，将预测结果发送给健康评估模块；若剩余使用寿命大于设定时间，则将设备标记为亚健康状态，并提高该设备的数据采样频率，进行重点监测；若剩余使用寿命小于设定时间，则将设备标记为临近失效状态，通知设备维护人员进行设备维护；

S6，健康管理模块根据健康评估的结果，对所有设备的健康状况进行监测管理，当设备剩余寿命小于设定时间，将设备标记为临近失效状态，通知设备维护人员进行设备维护；

S7，定时将实时数据库中的设备数据和报警信息等通过数据管理模块转移到历史数据库进行长期保存；

S8，模型训练模块定期从历史数据库读取设备历史数据和故障信息，进行异常检测模型、故障诊断模型和寿命预测模型的训练更新，并将更新后的模型参数发送给各模块。

本发明的有益效果是：

1、本发明对工业设备进行全生命周期的监测和管理，便于设备管理人员和企业管理者对所有设备的健康状况有更全面的了解，也便于进行更精细化的管理。具体的实施例中，例如联合异常监测、故障诊断和寿命预测三个模块，对工业设备的健康状况进行全面的监测和判定。

2、本发明细化设备健康状态，增加中间状态，便于设备维护人员及时发现设备异常，并合理安排维护计划，制订更合理的维修策略。具体实施例中，例如将设备健康状态分为正常、亚健康、临近失效和故障四种，增加中间状态，便于设备维护人员及时发现设备异常，并合理安排维护计划。

3、本发明实施例基于融合模型技术stacking算法进行改进，实现设备故障诊断，提高了效率和准确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例的系统组成框架图；

图2为本发明实施例的方法流程图。

具体实施方式

本说明书中所有实施例公开的所有特征，或隐含公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合和/或扩展、替换。

根据附图1～图2，对本发明要解决的技术问题、技术构思、工作原理、功效和工作过程作进一步详细说明。

本发明提供了一种工业设备的健康管理方案，旨在用于对工业企业的生产设备进行故障诊断和健康管理，包括系统方案和方法方案。

在工业设备的健康管理系统方案中，如图1所示，包括数据采集模块、数据预处理模块、异常检测模块、故障诊断模块、寿命预测模块、健康管理模块、故障报警模块、维修决策模块、历史数据库等。

数据采集模块，该模块用于采集工业企业内设备的实时数据并存入实时数据库，包括设备的运行数据和物理数据，其中运行数据包括设备运行时间、设备状态、工况信息等。物理数据包括电压、电流、温度、转速、载荷、振动等。物理数据一部分通过设备自带的控制系统获得，对于关键部件需要外加传感器进行数据采集，对于一些重要的机械部件，如轴承、齿轮等，通常采用振动传感器、声音传感器和温度传感器等。采样频率可以根据设备状态进行调节。

数据预处理模块，该模块主要由数据清洗、特征构造和特征提取三部分功能组成。首先对原始数据，包括设备的运行数据和物理数据，进行清洗，去除重复值、缺失值、异常值等，并进行标准化处理，生成原始特征。然后利用原始特征中的部分数据构建一部分新特征，主要包括振动数据的时域特征、频域特征和小波分析特征。时域特征包括均值、标准差、均方根、峰值因子、峭度指标、偏度指标等，频域特征包括频段能量、重心频率、频率方差、均方频率等，小波分析特征包括频带能量、小波熵等。最后，利用卷积神经网络CNN进行特征提取，即将原始特征和构建的新特征输入训练好的CNN模型，提取出20个特征作为最终的特征，用于后续的计算。

异常检测模块，该模块用于将数据预处理模块中经数据清洗和特征构造两个部分处理后得到的原始特征和新特征两部分数据作为输入，进行异常点检测计算。异常点检测可以采取两种方式：1)阈值判断：根据历史数据统计结果，设定重要参数的正常范围，当某参数值超出该范围时，判定为异常点(阈值修正)；2)聚类分析：首先用k-means算法对近一个月的正常历史数据进行聚类分析，得出k个聚类中心，然后计算实时数据点到每个聚类中心的距离L，当L大于阈值L0时，判定该点为异常点。在t0时间间隔内，若出现异常点个数大于5个，则判定设备出现异常情况，将异常点信息发送给故障报警模块。

故障诊断模块，该模块用于将数据预处理模块中经特征提取处理后得到的最终特征作为输入，采用多模型融合的方法对设备故障情况进行诊断。Stacking的第一层模型采用XGBoost、支持向量机和随机森林三个模型，第二层模型采用逻辑回归模型。首先对第一层的三个模型分别进行训练，然后用第一层模型的预测输出作为输入训练第二层模型。最终得到的融合模型作为故障诊断模型，对设备进行故障诊断。

寿命预测模块，该模块用于将数据预处理模块中经特征提取处理后得到的最终特征作为输入，采用LSTM网络对设备的剩余使用寿命进行预测。根据已有的设备退化曲线构造训练集和测试集，采样间隔一般选择10秒左右，代入预先构建的LSTM网络，对LSTM网络进行训练，建立模型。采用多项式曲线拟合法对设备退化曲线进行拟合。通过拟合出的退化曲线对设备的剩余使用寿命进行预测。

健康管理模块，该模块用于对所有设备的健康状况进行评估和管理。这里将设备的健康状况分为四个等级：正常、亚健康、临近失效、故障。设备正常运行，未出现异常点的状态为正常状态；当异常检测模块检测出设备出现异常点时，设备状态标记为亚健康；当剩余寿命模块计算出设备的剩余使用寿命小于24小时时，设备状态标记为临近失效；当故障诊断模块检测出设备出现故障时，设备状态标记为故障。当设备状态为临近失效或故障时，将设备信息发送给故障报警模块。

故障报警模块，该模块用于接收健康管理模块发来的故障或临近失效状态的设备信息，并实时展示给用户。也可以根据用户订阅，实时显示其他设备的健康状态信息。

系统性能评估模块，该模块用于根据设备的实际故障情况与系统预测结果进行比较，评估系统的性能，并将评价结果反馈给模型训练模块进行各预测模型的优化。系统性能可通过故障诊断准确率、寿命预测准确率两个指标进行评估。

故障诊断准确率采用f1-score来评估，其计算公式为：

其中，R示故障诊断模块的召回率，P表示故障诊断模块的准确率。

寿命预测准确率的计算公式为：

其中，L_real表示某台设备的实际剩余使用寿命，L_pre表示系统模型预测出的剩余使用寿命，N表示计算该准确率所抽取的样本数量。

数据库管理模块，该模块主要用于实时数据库和历史数据库之间的数据传输。模块接收到历史数据库的数据迁移请求时，根据请求信息(包括设备ID、时间段信息等)编写SQL语句，从实时数据库读取响应的设备数据，然后发送给历史数据库，并保存迁移记录以备查询。

实时数据库，实时数据库主要存储当天的设备数据，方便其他模块调用，并在每天的网络空闲时段将数据上传到历史数据库进行长期保存。这里采用MySQL存储和管理实时数据，主要存储设备数据、故障数据和维护数据。

实时数据库，主要存储以下几类表：

表1.设备信息表EquipmentImformation

字段名称	含义	数据类型
			MaintainerName	维护人姓名	字符型
MaintainerTel	维护人电话	字符型
			MaintainerEmail	维护人邮箱	字符型
MaintainerID	维护人工号	字符型
			MaintainerAddress	维护人地址	字符型
MaintainOperation	维护内容	字符型
			EquipmentName	设备名称	字符型
EquipmentID	设备ID	整数型
			EquipmentModel	设备型号	字符型
EquipmentLocation	设备位置	字符型
			PurchaseDate	购买日期	日期型
ManufacturerName	制造商名称	字符型
			ManufacturerAddress	制造商地址	字符型
ManufacturerEmail	制造商邮箱	字符型
			ManufacturerTel	制造商电话	字符型

表2.设备数据表EquipmentData

表3.故障信息表FaultImformation

字段名称	含义	数据类型
			EquipmentName	设备名称	字符型
EquipmentID	设备ID	整数型
			Timestamp	时间戳	整数型
FaultPart	故障部位	字符型
			FaultName	故障名称	字符型
FaultType	故障类型	字符型
			FaultGrade	故障等级	字符型

表4.维护记录表MaintainLog

字段名称	含义	数据类型
			EquipmentName	设备名称	字符型
EquipmentID	设备ID	整数型
			Timestamp	时间戳	整数型
MaintainName	维护名称	字符型
			MaintainPart	维护部位	字符型
MaintainType	维护类型	字符型

历史数据库，历史数据库主要存储实时数据库上传的设备历史数据，用于后续的数据分析和模型训练，也供用户进行历史数据的批量查询。因设备数据量巨大，可以采用hadoop平台的分布式文件系统HDFS进行历史数据的存储。Hadoop平台定时向数据库管理模块发起数据迁移请求，数据库管理模块自动编写SQL语句命令从实时数据库读取过期的数据，并写入到文件中，然后将文件传送给hadoop平台，系统的架构图如图1所示。

本发明实施例的系统工作流程，如图2所示，包括如下步骤：

1、数据采集模块采集设备的运行数据和物理数据，并发送给实时数据库进行存储。

2、数据预处理模块从实时数据库读取设备的实时数据并进行特征提取和选择，然后将处理后的数据发送给异常诊断模块。

3、异常诊断模块首先根据预设的阈值进行异常判断，若阈值范围正常则进行聚类分析判断设备是否出现异常点。若设备运行中出现异常点，则将异常点信息发送给故障诊断模块。

4、故障诊断模块根据异常点信息，从实时数据库请求设备数据，并代入故障诊断模型判断设备是否出现故障。若判断结果显示设备出现故障，则将结果发送给故障报警模块以通知设备维护人员进行设备维修；若判断结果显示设备未出现故障，则将异常点信息发送给寿命预测模块。

5、寿命预测模块根据异常点信息，从数据库管理模块请求设备数据，并代入寿命预测模型进行设备剩余使用寿命的预测，将预测结果发送给健康评估模块。若剩余使用寿命大于24小时，则将设备标记为亚健康状态，并提高该设备的数据采样频率，进行重点监测；若剩余使用寿命小于24小时，则将设备标记为临近失效状态，通知设备维护人员进行设备维护。

6、健康管理模块根据健康评估的结果，对所有设备的健康状况进行监测管理，当设备剩余寿命小于24小时时，将设备标记为临近失效状态，通知设备维护人员进行设备维护。

7、每天定时将实时数据库中的设备数据和报警信息等通过数据管理模块转移到历史数据库进行长期保存。

8、模型训练模块定期从历史数据库读取设备历史数据和故障信息，进行异常检测模型、故障诊断模型和寿命预测模型的训练更新，并将更新后的模型参数发送给各模块。

实施例1：一种工业设备健康管理系统，包括数据采集模块、数据预处理模块、异常检测模块、故障诊断模块和寿命预测模块；数据采集模块，用于采集工业设备的数据并存入数据库；数据预处理模块，用于利用原始特征中的部分数据得到构造特征，再将原始特征和构造特征输入训练好的神经网络模型，并提取出多个特征作为最终特征，用于后续计算；异常检测模块，用于将预处理后得到的原始特征和构造特征一起作为输入，进行异常点检测计算；故障诊断模块，用于将数据预处理模块中得到的最终特征作为输入，采用多模型融合的方法对设备故障情况进行诊断；寿命预测模块，用于将数据预处理模块中得到的最终特征作为输入，采用神经网络对设备的剩余使用寿命进行预测。

实施例2：在实施例1的基础上，所述数据预处理模块包括数据清洗模块、特征构造模块和特征提取模块；数据清洗模块，用于对原始数据进行清洗后进行标准化处理，生成原始特征；特征构造模块，用于利用原始特征中的部分数据构建构造特征；特征提取模块，用于利用卷积神经网络CNN模型进行特征提取，将原始特征和构造特征输入训练好的卷积神经网络CNN模型，提取出多个特征作为所述最终特征。

实施例3：在实施例1的基础上，所述异常点检测计算包括：阈值判断：根据历史数据统计结果，设定重要参数的正常范围，当某参数值超出该范围时，判定为异常点；和/或，聚类分析：首先用聚类算法对设定时间段的正常历史数据进行聚类分析，得出k个聚类中心，然后计算实时数据点到每个聚类中心的距离L，当L大于阈值L0时，判定该点为异常点；在t0时间间隔内，若出现异常点个数大于设定数量个，则判定设备出现异常情况。

实施例4：在实施例1的基础上，所述采用多模型融合的方法具体为基于Stacking算法模型，且在Stacking算法模型的第一层模型采用XGBoost、支持向量机和随机森林三个模型，第二层模型采用逻辑回归模型；首先对第一层的三个模型分别进行训练，然后用第一层模型的预测输出作为输入训练第二层模型，最终得到的融合模型作为故障诊断模型，用于对设备进行故障诊断。

实施例5：在实施例1的基础上，所述采用神经网络对设备的剩余使用寿命进行预测，包括：根据已有的设备退化曲线构造训练集和测试集，设置采样间隔，代入预先构建的神经网络，对神经网络进行训练，建立模型；采用多项式曲线拟合法对设备退化曲线进行拟合；通过拟合出的退化曲线对设备的剩余使用寿命进行预测。

实施例6：在实施例1的基础上，包括健康管理模块，用于对设备的健康状况进行评估和管理，将设备的健康状况分为多个等级，多个等级包括正常、亚健康、临近失效、故障；当设备正常运行，未出现异常点的状态为正常状态；当异常检测模块检测出设备出现异常点时，设备状态标记为亚健康；当寿命预测模块计算出设备的剩余使用寿命小于设定时间时，设备状态标记为临近失效；当故障诊断模块检测出设备出现故障时，设备状态标记为故障；当设备状态为临近失效或故障时，将设备信息发送给故障报警模块。

实施例7：在实施例1的基础上，包括系统性能评估模块，用于根据设备的实际故障情况与系统预测结果进行比较，评估系统的性能，并将评价结果进行反馈到异常检测模块、故障诊断模块和寿命预测模块，用于异常检测、故障诊断和寿命预测的优化。

实施例8：在实施例1的基础上，所述系统的性能通过故障诊断准确率、寿命预测准确率两个指标进行评估；

故障诊断准确率F₁采用f1-score来评估，其计算公式为：

其中，R示故障诊断模块的召回率，P表示故障诊断模块的准确率；

寿命预测准确率P_L的计算公式为：

其中，L_real表示某台设备的实际剩余使用寿命，L_pre表示系统模型预测出的剩余使用寿命，N表示计算该准确率所抽取的样本数量。

实施例9：在任一实施例1～8的基础上，包括故障报警模块、维修决策模块和历史数据库；故障报警模块，用于接收健康管理模块发来的故障或临近失效状态的设备信息，并实时展示给用户；也能够根据用户订阅，实时显示其他设备的健康状态信息；还用于接收异常点信息；数据库管理模块，用于实时数据库和历史数据库之间的数据传输，当接收到历史数据库的数据迁移请求时，根据请求信息编写SQL语句，从实时数据库读取响应的设备数据，然后发送给历史数据库，并保存迁移记录以备查询；实时数据库，用于存储当天的设备数据，并在每天的网络空闲时段将数据上传到历史数据库进行长期保存；采用MySQL存储和管理实时数据，用于存储设备数据、故障数据和维护数据。历史数据库，用于存储实时数据库上传的设备历史数据，用于后续的数据分析和模型训练，也供用户进行历史数据的批量查询。

实施例10：在实施例9的基础上，一种基于如上所述的工业设备健康管理系统的方法，包括步骤：

S1，数据采集模块采集设备的运行数据和物理数据，并发送给实时数据库进行存储；

S2，数据预处理模块从实时数据库读取设备的实时数据并进行特征提取和选择，然后将处理后的数据发送给异常诊断模块；

S3，异常诊断模块首先根据预设的阈值进行异常判断，若阈值范围正常则进行聚类分析判断设备是否出现异常点；若设备运行中出现异常点，则将异常点信息发送给故障诊断模块；

S4，故障诊断模块根据异常点信息，从实时数据库请求设备数据，并代入故障诊断模型判断设备是否出现故障；若判断结果显示设备出现故障，则将结果发送给故障报警模块以通知设备维护人员进行设备维修；若判断结果显示设备未出现故障，则将异常点信息发送给寿命预测模块；

S5，寿命预测模块根据异常点信息，从数据库管理模块请求设备数据，并代入寿命预测模型进行设备剩余使用寿命的预测，将预测结果发送给健康评估模块；若剩余使用寿命大于设定时间，则将设备标记为亚健康状态，并提高该设备的数据采样频率，进行重点监测；若剩余使用寿命小于设定时间，则将设备标记为临近失效状态，通知设备维护人员进行设备维护；

S6，健康管理模块根据健康评估的结果，对所有设备的健康状况进行监测管理，当设备剩余寿命小于设定时间，将设备标记为临近失效状态，通知设备维护人员进行设备维护；

S7，定时将实时数据库中的设备数据和报警信息等通过数据管理模块转移到历史数据库进行长期保存；

S8，模型训练模块定期从历史数据库读取设备历史数据和故障信息，进行异常检测模型、故障诊断模型和寿命预测模型的训练更新，并将更新后的模型参数发送给各模块。

本发明功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，在一台计算机设备(可以是个人计算机，服务器，或者网络设备等)以及相应的软件中执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、或者光盘等各种可以存储程序代码的介质，进行测试或者实际的数据在程序实现中存在于只读存储器(Random Access Memory，RAM)、随机存取存储器(Random Access Memory，RAM)等。

Claims (10)

1.一种工业设备健康管理系统，其特征在于，包括数据采集模块、数据预处理模块、异常检测模块、故障诊断模块和寿命预测模块；

数据采集模块，用于采集工业设备的数据并存入数据库；

数据预处理模块，用于利用原始特征中的部分数据得到构造特征，再将原始特征和构造特征输入训练好的神经网络模型，并提取出多个特征作为最终特征，用于后续计算；

异常检测模块，用于将预处理后得到的原始特征和构造特征一起作为输入，进行异常点检测计算；

故障诊断模块，用于将数据预处理模块中得到的最终特征作为输入，采用多模型融合的方法对设备故障情况进行诊断；

寿命预测模块，用于将数据预处理模块中得到的最终特征作为输入，采用神经网络对设备的剩余使用寿命进行预测。

2.根据权利要求1所述的工业设备健康管理系统，其特征在于，所述数据预处理模块包括数据清洗模块、特征构造模块和特征提取模块；

数据清洗模块，用于对原始数据进行清洗后进行标准化处理，生成原始特征；

特征构造模块，用于利用原始特征中的部分数据构建构造特征；

特征提取模块，用于利用卷积神经网络CNN模型进行特征提取，将原始特征和构造特征输入训练好的卷积神经网络CNN模型，提取出多个特征作为所述最终特征。

3.根据权利要求1所述的工业设备健康管理系统，其特征在于，所述异常点检测计算包括：

阈值判断：根据历史数据统计结果，设定重要参数的正常范围，当某参数值超出该范围时，判定为异常点；和/或，

聚类分析：首先用聚类算法对设定时间段的正常历史数据进行聚类分析，得出k个聚类中心，然后计算实时数据点到每个聚类中心的距离L，当L大于阈值L0时，判定该点为异常点；在t0时间间隔内，若出现异常点个数大于设定数量个，则判定设备出现异常情况。

4.根据权利要求1所述的工业设备健康管理系统，其特征在于，所述采用多模型融合的方法具体为基于Stacking算法模型，且在Stacking算法模型的第一层模型采用XGBoost、支持向量机和随机森林三个模型，第二层模型采用逻辑回归模型；首先对第一层的三个模型分别进行训练，然后用第一层模型的预测输出作为输入训练第二层模型，最终得到的融合模型作为故障诊断模型，用于对设备进行故障诊断。

5.根据权利要求1所述的工业设备健康管理系统，其特征在于，所述采用神经网络对设备的剩余使用寿命进行预测，包括：

根据已有的设备退化曲线构造训练集和测试集，设置采样间隔，代入预先构建的神经网络，对神经网络进行训练，建立模型；采用多项式曲线拟合法对设备退化曲线进行拟合；通过拟合出的退化曲线对设备的剩余使用寿命进行预测。

6.根据权利要求1所述的工业设备健康管理系统，其特征在于，包括健康管理模块，用于对设备的健康状况进行评估和管理，将设备的健康状况分为多个等级，多个等级包括正常、亚健康、临近失效、故障；当设备正常运行，未出现异常点的状态为正常状态；当异常检测模块检测出设备出现异常点时，设备状态标记为亚健康；当寿命预测模块计算出设备的剩余使用寿命小于设定时间时，设备状态标记为临近失效；当故障诊断模块检测出设备出现故障时，设备状态标记为故障；当设备状态为临近失效或故障时，将设备信息发送给故障报警模块。

7.根据权利要求1所述的工业设备健康管理系统，其特征在于，包括系统性能评估模块，用于根据设备的实际故障情况与系统预测结果进行比较，评估系统的性能，并将评价结果进行反馈到异常检测模块、故障诊断模块和寿命预测模块，用于异常检测、故障诊断和寿命预测的优化。

8.根据权利要求7所述的工业设备健康管理系统，其特征在于，所述系统的性能通过故障诊断准确率、寿命预测准确率两个指标进行评估；

故障诊断准确率F₁采用f1-score来评估，其计算公式为：

其中，R示故障诊断模块的召回率，P表示故障诊断模块的准确率；

寿命预测准确率P_L的计算公式为：

其中，L_real表示某台设备的实际剩余使用寿命，L_pre表示系统模型预测出的剩余使用寿命，N表示计算该准确率所抽取的样本数量。

9.根据权利要求1～8任一项所述的工业设备健康管理系统，其特征在于，包括故障报警模块、维修决策模块和历史数据库；

故障报警模块，用于接收健康管理模块发来的故障或临近失效状态的设备信息，并实时展示给用户；也能够根据用户订阅，实时显示其他设备的健康状态信息；还用于接收异常点信息；

数据库管理模块，用于实时数据库和历史数据库之间的数据传输，当接收到历史数据库的数据迁移请求时，根据请求信息编写SQL语句，从实时数据库读取响应的设备数据，然后发送给历史数据库，并保存迁移记录以备查询；

实时数据库，用于存储当天的设备数据，并在每天的网络空闲时段将数据上传到历史数据库进行长期保存；采用MySQL存储和管理实时数据，用于存储设备数据、故障数据和维护数据。

历史数据库，用于存储实时数据库上传的设备历史数据，用于后续的数据分析和模型训练，也供用户进行历史数据的批量查询。

10.一种基于权利要求9所述的工业设备健康管理系统的方法，其特征在于，包括步骤：

S1，数据采集模块采集设备的运行数据和物理数据，并发送给实时数据库进行存储；

S2，数据预处理模块从实时数据库读取设备的实时数据并进行特征提取和选择，然后将处理后的数据发送给异常诊断模块；

S3，异常诊断模块首先根据预设的阈值进行异常判断，若阈值范围正常则进行聚类分析判断设备是否出现异常点；若设备运行中出现异常点，则将异常点信息发送给故障诊断模块；

S4，故障诊断模块根据异常点信息，从实时数据库请求设备数据，并代入故障诊断模型判断设备是否出现故障；若判断结果显示设备出现故障，则将结果发送给故障报警模块以通知设备维护人员进行设备维修；若判断结果显示设备未出现故障，则将异常点信息发送给寿命预测模块；

S5，寿命预测模块根据异常点信息，从数据库管理模块请求设备数据，并代入寿命预测模型进行设备剩余使用寿命的预测，将预测结果发送给健康评估模块；若剩余使用寿命大于设定时间，则将设备标记为亚健康状态，并提高该设备的数据采样频率，进行重点监测；若剩余使用寿命小于设定时间，则将设备标记为临近失效状态，通知设备维护人员进行设备维护；

S6，健康管理模块根据健康评估的结果，对所有设备的健康状况进行监测管理，当设备剩余寿命小于设定时间，将设备标记为临近失效状态，通知设备维护人员进行设备维护；

S7，定时将实时数据库中的设备数据和报警信息等通过数据管理模块转移到历史数据库进行长期保存；

S8，模型训练模块定期从历史数据库读取设备历史数据和故障信息，进行异常检测模型、故障诊断模型和寿命预测模型的训练更新，并将更新后的模型参数发送给各模块。

Images