CN114399066A - 基于弱监督学习的机械设备预知性维护系统和维护方法 - Google Patents

Abstract

本发明公开了一种基于弱监督学习的机械设备预知性维护系统和维护方法，多源异构数据融合模块对原始工况数据关联分析进行融合，增加数据完整性；数据重构模块结合工况优化数据空间分布，经过特征选择制作弱标签数据集；故障检测模块基于弱监督学习，对序列型工况数据建模；实时预测通过对实时工况数据拉取并处理原始数据，输入到训练好的模型，达到预知性维护的目的；模型压缩模块通过对模型的优化，压缩至可边缘计算级，满足部署要求；分布式部署可实现设备的并行预测，同时对系统具有高度复用性与维护性。本发明更加高效便捷，减少了标注成本，解决了故障数据规模小，标注难的问题。

Description

基于弱监督学习的机械设备预知性维护系统和维护方法

技术领域

本发明涉及矿物加工领域，尤其是基于弱监督学习的机械设备预知性维护系统和维护方法。

技术背景

矿物加工过程中涉及各种机械设备，其在生产应用中起着举足轻重的作用。由于在矿物加工领域机械设备的应用复杂程度高，其设备的退化评估是一个具有挑战性的问题。机械设备的工作状态决定了生产效益，因此机械设备的故障维护方法对设备高效稳定运行具有重要意义。

在矿物加工过程中，传感器可以监测到机械设备运行工况数据，但由于设备作业环境的复杂性，传感器通信经常性中断使得数据传输难度增大，采集到的原始数据缺失大量信息，极为不规范，增大了后续数据处理难度。同时由于设备本身的复杂性，工况信息包含各种结构性、半结构性、非结构性数据，使得在多源异构数据中抽离出设备故障信息难度极高，难以建立高准确率的模型。所以故障检测主要还是以传统方法由工人的敲、摸、听来判断，当机械中的机械性能下降到可以听到噪声，感觉到热量或冒烟的程度时，故障就会实质化，从而判断出机械故障。但人工检测经常会由于人为原因导致误判情况发生。

近年来随着深度学习技术的发展，深度学习方法的功能和复杂性通过内部层次结构加深而显著提高，其具有强大的捕捉抽象特征和识别模式的能力，深度学习的模式识别能力推动了故障预测和退化评估方面的发展。此外由于振动监测在表示故障信息方面具有良好的性能，是目前监测机械设备退化的主要监测方法。目前通过深度学习对设备振动信号建模在机械设备故障预测领域有一定研究。但是，在大多数情况下，由于现场的复杂性，采集到的数据很难有准确的标签标定，而在后续的处理过程中，人为的故障数据标定也是难度极高的一项工作。因此目前的机械设备早期故障检测多在实验台仿真搭建物理模型采集带标签数据再进行建模分析，其难以在现场真实环境得以应用。

发明内容

本发明提供一种基于弱监督学习的机械设备预知性维护系统和维护方法，通过对矿物加工领域的机械设备工况数据分析进行故障预测，可替代人工周期性检测，解放劳动力，有效规避主观因素导致的误检漏检，对将可能发生的故障进行预警，提高故障检测的准确度的同时达到预知性维护的目的，保证设备正常运转。

本发明的目的是通过以下技术方案实现的：

一种基于弱监督学习的机械设备预知性维护系统，包括工况数据融合重构单元，预测单元和部署单元；

工况数据融合重构单元，包括多源异构数据融合模块和数据重构模块；将来自矿物加工领域设备的电流、电压、温度、振动、文本、图像、音频结构化、半结构化、非结构化的多源异构数据进行融合；

所述多源异构数据融合模块用于融合具有差异性的工况数据，增加数据完整性；

所述数据重构模块用于重构数据空间分布，进行数据增强，实现弱标签的数据集制作，提高后续网络学习和泛化能力，并增强可解释性；

预测单元，包括故障检测模块，实时预测模块；

所述故障检测模块，耦合了孪生网络，以及特征提取网络形成故障检测网络；其中孪生网络通过设计两个并行的子网络，即共享参数的自编码神经网络；将工况数据融合重构单元生成的正常-正常数据对作为孪生网络的输入，设计损失函数，通过不断优化损失函数，寻找正常数据的特征空间。设计与孪生网络并行的特征提取网络，加载预训练好的孪生网络，耦合成为故障检测网络。将工况数据融合重构单元制作好的“正常-正常”数据对与“故障-正常”数据对混合，将正常数据作为孪生网络的输入，混合数据作为特征提取网络端的输入，训练故障检测网络。当两个网络的输出特征在空间上存在差异性时，检测出故障数据。

所述实时预测模块，用于拉取设备实时工况信息并处理，对故障实时预警，达到预知性维护的目的；将历史已知正常数据作为故障检测网络的孪生网络端输入，提取正常数据的特征，待预测数据作为特征提取网络端的输入。通过构建相似性密度计算公式，选择相似性度量阈值，将每条正常数据分别与其他正常数据进行相似性度量，大于阈值的数量为其相似性密度值，选择密度大的具有高度代表性的n条正常数据分别与待预测数据配对预测，得到n 个相似性指标，以投票的方法得出本条数据的检测结果。

部署单元，包括模型压缩模块，分布式部署模块。

所述模型压缩模块，利用如模型剪枝，权重低秩近似，权重量化，权重共享，知识蒸馏等保证模型预测效果的前提下，尽可能的降低模型复杂度，便于在移动端部署。

所述分布式部署模块，通过分布式架构增强系统模块的重用性，使得可扩展性更高的同时更易于维护，且由于并行模式也使得预测速度更快。同时制定部署策略，构建预测结果队列，将最近m次的结果依照先后顺序进入队列，当预测出最新结果时移入队列，将最早预测的结果移除出队列，最终以队列内的结果集体投票形式确定最终预测结果，实现高精度预测。

进一步的，多源异构数据融合模块，通过将图像、音频等蕴含的价值密度相对较低的非结构化数据通过自编码神经网络提取特征转化为结构性数据，与电流、电压、温度等结构化时序数据相融合，并结合文本形式的设备状态信息，构造完整性高的时序数据。将时序数据分解为趋势部分，周期部分，残差部分，结合机械设备实际工作状态，探索时序变化规律，进而确定数据关键节点。通过数据周期规律，选择合适的滑窗尺寸，以关键节点为标志滑窗截取数据。

结合设备状态信息，当滑窗截取的数据在正常工作时间周期内发生非正常停机时，以此为节点，获取可能异常的数据作为负样本，其标签是粗粒度的、不完全精确的。当滑窗截取的工作周期内的数据在其前后较长一段时间都为正常状态时，将此作为正样本，从而制作出弱标签数据集。

数据重构模块，通过制作数据对，即两条正常数据对，一条故障数据加一条正常数据对，实现了数据扩充将正负样本比为m:n的数据扩充为

个“正常-正常”数据对以及m×n个“故障- 正常”数据对。对小数量的样本进行扩充，增加了后续模型的泛化能力。

故障检测模块，耦合了一个预训练好的提取正常数据特征空间的孪生网络，以及一个特征提取的transformer网络，作为故障检测网络。对两个并行的网络的输出特征进行相似性度量，给出检测结果。

所述的孪生网络，每次输入为包含两个正常的数据对：x₁，x₂。其子网络为Encoder-Decoder 两部分，其中Encoder部分包含并行的LSTM、CNN自编码神经网络，提取不同尺度的正常数据特征，通过Concatenate层将其连接并计算两条样本之间的相似度，将其作为孪生网络的损失函数loss₁部分，Decoder部分为LSTM层，将Encoder生成的特征解码生成X₁，X₂，通过减小|X₁-x₁|与|X₂-x₂|即生成数据与原始数据的差异性作为损失函数loss₂部分，不断优化损失函数，找到正常数据的特征空间。

所述的特征提取网络其特征在于采用transformer结构，将正常或故障数据作为输入，提取数据特征，寻找到故障数据与孪生网络寻找的正常数据特征空间的差异性。

实时检测模块，将实时读取的工况数据通过权利要求2-3所述的数据融合重构，作为故障检测网络的特征提取网络端的输入，通过构建相似性密度计算公式，选择相似性度量阈值，将每条正常数据分别与其他正常数据进行相似性度量，大于阈值的数量为其相似性密度值，选择密度大的具有高度代表性的n条历史正常样本数据作为并行的孪生网络端的输入，预测 n次得到n个相似度值。将n次结果以投票形式，将其中位数作为实时检测结果，根据相似程度给出不同严重程度的故障判断，提升模型的预测精度。

模型压缩模块，孪生网络通过权重共享，两个子网络采用相同权重对正常数据进行特征提取，特征提取网络采用权重低秩近似，权重量化，知识蒸馏将模型进行压缩至可边缘计算级，进而就地进行边缘部署，完成对机械设备的实时故障预测。

部署模块，将所述的压缩模型以分布式的技术部署至各机械设备不同部位，高效并行检测设备故障并易于维护模型。构建部署策略将其各部位的每次预测结果按时间顺序构造队列，遵循先进先出原则，当预测出新结果时进入队列，最先的预测结果出队，最终以队列的众数作为预测结果，削弱检测的不稳定性，平滑检测结果，实现高精度预测。

一种基于弱监督学习的机械设备预知性维护方法，包括以下步骤：工况数据融合重构，预测和部署；

工况数据融合重构包括：

步骤S11：融合机械设备的结构差异性工况数据，制作弱标签数据集；

步骤S12：通过数据重构完成数据扩充，生成数据对包含两种：“正常-正常”数据对与“故障-正常”数据对，制作孪生网络训练样本集；

预测包括：

步骤S21：故障检测模块通过选择两条正常数据对作为孪生网络输入，通过比较两条正常数据的相似性，训练网络寻找到正常数据特征空间，得到训练好的孪生网络模型；

步骤S22：加载预训练好的孪生网络，并行构建特征提取网络transformer，耦合为故障检测网络。将两种数据对混合作为检测网络的训练数据集。其中混合数据中的正常数据输入预训练孪生网络的一端，另一条数据输入特征提取网络的一端，当特征提取网络端输出的特征与预训练孪生网络一端的正常数据特征空间存在差异时，检测为故障数据；

步骤S23：通过实时预测模块，对机械设备工况数据进行拉取，通过步骤S11-S12对工况数据进行处理，将结果数据输入训练好的故障检测网络的特征提取端，将历史正常数据输入到预训练的孪生网络端，通过对特征的相似性衡量从而进行实时预测，每次选取多条具有高度代表性的不同正常数据，与实时抽取数据分别配对作为检测模型输入，多个模型结果以投票形式，取中位数作为最终检测结果，当与正常数据相似性偏离逐渐增大时，发生故障的可能性也逐渐增大，完成实时预测；

部署包括：

步骤S31:通过模型压缩模块，对模型进行优化并降低复杂度，满足于边缘计算设备的要求；

步骤S32:通过分布式部署模块，对系统进行分布式部署，实现系统的高度重用性与维护性，提高预测速度。构建部署策略，实现设备故障的高预测精度。

其中步骤S12，所述的数据重构，针对图像数据通过卷积网络提取图像特征，针对音频振动类数据通过傅里叶变换将结果经过空洞卷积网络提取信号数据特征，针对文本数据所记录的设备状态信息经过one-hot编码转为结构性数据，并与电流、电压、温度结构化时序数据相融合，重构为完整性高的时序数据。采用加法乘法模型相混合，将时序数据分解为趋势部分，周期部分，残差部分，针对拆封后的各部分信息，结合设备工况寻找到数据的关键节点，确定滑窗尺寸，以此为节点实现数据的重构。生成弱标签数据集。对截取的正常或可能异常数据进行两两配对，生成“正常-正常”数据对以及“故障-正常”数据对。

本发明应用工况数据构建弱监督机器学习模型对机械设备进行预知性维护，通过本发明提出的工况数据融合重构，结合弱监督自编码孪生神经网络在无大量标签数据情况下，达到对矿物加工领域的机械设备故障的高精度预测的目的。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例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，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。

图1为本发明的预知性维护方法各功能模块示意图；

图2为本发明实施例所提供的工况数据融合重构示意图；

图3为本发明实施例所提供的故障检测网络示意图；

图4为本发明实施例所提供的孪生网络示意图；

图5为本发明实施例所提供的特征提取网络示意图；

图6为本发明实施例所提供的系统部署示意图。

具体实施方式

下面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，都属于本发明的保护范围。

下面将结合附图对本发明实施例作进一步地详细描述，如图1所示为本发明基于弱监督学习的机械设备预知性维护系统各功能模块示意图，包括工况数据融合重构单元，预测单元和部署单元三个部分。其中工况数据融合重构单元包括多源异构数据融合模块和数据重构模块；预测单元包括故障检测模块和实时预测模块；部署单元包括模型压缩模块和分布式部署模块。

基于弱监督学习的机械设备预知性维护维护方法，各模块按照如下步骤进行：

工况数据融合重构单元：

步骤S11：融合机械设备的结构差异性工况数据，制作弱标签数据集；

步骤S12：通过数据重构完成数据扩充，生成数据对包含两种：“正常-正常”数据对与“故障-正常”数据对，制作孪生网络训练样本集；

预测单元：

步骤S21：故障检测模块通过选择两条正常数据对作为孪生网络输入，通过比较两条正常数据的相似性，预训练出能寻找到正常数据特征空间的孪生网络模型；

步骤S22：加载预训练好的孪生网络，并行构建特征提取网络transformer，耦合为故障检测网络。将两种数据对混合作为检测网络的训练数据集。其中混合中的正常数据输入预训练孪生网络的一端，另一条数据输入特征提取网络的一端，当特征提取网络端输出的特征与预训练孪生网络一端的正常数据特征空间存在差异时，检测为故障数据；

步骤S23：通过实时预测模块，对机械设备工况数据进行拉取，通过步骤S11-S12对工况数据进行处理，将结果数据输入训练好的故障检测网络的特征提取端，将历史正常数据输入到预训练的孪生网络端，通过对特征的相似性衡量从而进行实时预测，每次选取多条具有高度代表性的不同正常数据，与实时抽取数据分别配对作为检测模型输入，多个模型结果以投票形式，取中位数作为最终检测结果，当与正常数据相似性偏离逐渐增大时，发生故障的可能性也逐渐增大，完成实时预测；

部署单元：

步骤S31:通过模型压缩模块，对模型进行优化并降低复杂度，满足于边缘计算设备的要求；

步骤S32:通过分布式部署模块，对系统进行分布式部署，实现系统的高度重用性与维护性，提高预测速度。构建部署策略，实现设备故障的高预测精度。

具体地，参照图2，本发明利用工况数据融合模块，对采集到的机械设备原始数据进行关联分析，通过对图像、音频、文本等非结构化的数据处理，与结构化数据耦合，增加数据的完整性。其中图像数据通过设计卷积神经网络，通过构建编码器与解码器，通过卷积与池化操作，利用输入与输出间的映射关系，实现数据重构，提取到图像特征。针对音频数据通过傅里叶变换处理原始数据，将结果计算对应的mfcc特征，将特征归一化作为空洞卷积网络的输入。输入经过一维空洞卷积进入到残差块中，残差块对数据再进行一次一维卷积，分为并行两路，一路采用tanh激活函数，另一路采用sigmoid作为激活函数，将结果进行合并，再经过一层一维空洞卷积，最后经过全连接层，最终得到特征。对于文本记录的设备状态数据经过one-hot编码构造为向量，最后将非结构化、半结构化数据提取到的特征与结构化数据特征进行融合。将数据结合工况，寻找到设备工作周期，将工作周期内的非正常数据定义为异常，其标签是粗粒度的不确定的。根据关键节点划分数据，制作弱标签数据集。再将数据两两配对，生成正常-正常数据对、故障-正常数据对，以供后续训练使用。

进一步地，参照图3，本发明构造了故障检测网络，其耦合了孪生神经网络与特征提取网络。其中孪生网络的输入为一个正常数据对，通过预训练，寻找到正常数据的特征空间。故障检测网络加载预训练好的孪生网络，冻结其参数，不参与后续的训练。同时并行构建特征提取网络。故障检测网络的输入是“正常-正常”数据对与“故障-正常”数据对混合的数据集。正常数据在预训练的孪生网络端输入，其目的是提取到正常数据的特征。混合数据在特征提取网络端输入，当其输出的特征与正常数据的特征相似性较高时，判别为正常数据，当其差异性较大时检测为故障数据。设计相似性密度计算公式，对正常数据中的每条数据分别与其它正常数据进行相似度度量，设计阈值，大于阈值的总数量为该条数据的相似性密度，密度越大其越具有代表性。最终构建具有高度代表性的正常数据集。当实际进行故障预测时，在具有高度代表性的数据集中随机抽取n条历史正常数据作为孪生网络端的输入，实际预测数据作为特征提取网络端的输入。输出实际预测数据与历史正常数据的相似程度，重复n次，最终由 n次结果以投票形式的出最终结果，由相似程度决定故障的严重程度，实现故障的分级预测。

进一步地，参照图4，本发明利用孪生神经网络，设计参数共享的并行网络。将一对正常数据对作为输入。其中各网络分别包含Encoder与Decoder两部分。Encoder由并行的LSTM与 CNN组层，LSTM共有三层，每层包含500个cell，units为128，CNN将数据经过Conv1D，BatchNormalization，MaxPool1D，重复三次，再经过一次全局平均池化，将LSTM的输出与CNN输出连接再经过Dense层，将两个并行的Encoder的输出做相似性测量，其结果作为损失函数的一部分。再分别对Encoder进行解码。Decoder部分包含一个Dense层，通过RepeatVector 扩充特征维度，再经过三层LSTM得到输出。编码器部分将将输入压缩为潜在空间表征h＝f(x)，设置编码器部分的输出维度为1x16。解码器部分通过这种表征重构输出r＝g(h),整个自编码器可以用函数g(f(x))＝r来描述，通过设计损失函数使得输出r与原始输入x相近，通过无监督学习得到数据中重要的特征，获得具有价值属性的潜在表征。将其作为损失函数的另一部分。通过不断优化损失函数，最终得到模型，从而获得正常数据的特征空间。

进一步地，参照图5，特征提取网络采用Transformer构建网络提取数据特征，其主要由 6个Encoder与6个Decoder两部分组成，Encoder部分负责把输入的电流数据映射为隐藏层，首先通过位置嵌入对输入的时序电流数据进行位置标定，位置嵌入的维度为26x50与输入x 的维度相同，将x与位置向量相加得到网络的真正输入X。然后定义了三个维度为26x26矩阵W_Q，W_K，W_V，使用三个矩阵对所有的输入向量进行三次线性变换。衍生出三个新向量 q_t，k_t，v_t，获得查询矩阵Q，键矩阵K，值矩阵V，通过将查询向量与键矩阵K相乘，再经过softmax，将权重分别乘对应向量的值向量v_t，最后求和便为第一个向量的输出，对其他输入向量执行相同的操作，可得到self-attention后的所有输出，定义八组Q，K，V执行相同操作，便完成了Multi-HeadAttention，将上一步得到结果与输入做残差连接，再经过LayerNormalization归一为标准正态分布，加快训练速度，将结果输出给全连接层，D全连接层同样包括一个残差连接和一个LayerNormalization，最后再输出给下一个Encoder循环6次。 Decoder部分负责把隐藏层映射为结果输出，和Encoder一样包含残差连接和LayerNormalization，不同的是在attention部分的K，V为Encoder的输出，得到构建好的特征提取网络。将特征提取网络与上一步预训练好的孪生神经网络并联耦合为故障检测网络，最后通过对实时工况数据以1秒每次的频率访问拉取数据，经过步骤S11-S13，将处理后的数据输入到训练好的故障检测网络，达到实时预测的目的。

进一步地，参照图6，本发明利用包括但不限于模型剪枝，权重低秩近似，权重量化，权重共享，知识蒸馏等方法对模型进行优化与压缩，通过上述手段，在不影响模型预测准确率的情况下，使得模型复杂度达到可边缘计算机，满足部署要求。综合考虑系统的复用性与维护性，通过在机械设备不同部位进行分布式部署。同时制定部署策略，选取最近连续m次的预测结果构建依照时间顺序构建队列，当产生新的预测值时将其移入队列，最早的预测值移除队列，每次预测结果依赖上m-1次的预测结果，对预测结果数据进行平滑，实现高效、高精度的预知性维护。

说明书中所列举的实施例方案及网络结构参数，只是为了帮助读者理解本发明的原理以及阐述本发明所具有的优势，并不代表已经达到了最优化情况，本领域的技术人员可以通过对本发明的各项参数进行优化来得到更好的效果。本领域技术人员应当理解在本发明的基础上所作出的各种可能的等同替换和改变，均属于本发明申请保护的范围。

Claims (3)

1.基于弱监督学习的机械设备预知性维护系统，其特征在于，包括工况数据融合重构单元，预测单元和部署单元；

工况数据融合重构单元，包括多源异构数据融合模块和数据重构模块；

所述多源异构数据融合模块，用于融合具有差异性的工况数据，增加数据完整性；

所述数据重构模块，用于重构数据空间分布，进行数据增强，实现弱标签的数据集制作，提高后续网络学习和泛化能力，并增强可解释性；

预测单元，包括故障检测模块，实时预测模块；

所述故障检测模块，耦合了孪生网络，以及特征提取网络形成故障检测网络；其中孪生网络通过设计两个并行的子网络，即共享参数的自编码神经网络；将工况数据融合重构单元生成的正常-正常数据对作为孪生网络的输入，设计损失函数，通过不断优化损失函数，寻找正常数据的特征空间；设计与孪生网络并行的特征提取网络，加载预训练好的孪生网络，耦合成为故障检测网络；将工况数据融合重构单元制作好的“正常-正常”数据对与“故障-正常”数据对混合，将正常数据作为孪生网络的输入，混合数据作为特征提取网络端的输入，训练故障检测网络；当两个网络的输出特征在空间上存在差异性时，检测出故障数据；

所述实时预测模块，用于拉取设备实时工况信息并处理，对故障实时预警，达到预知性维护的目的；将历史已知正常数据作为故障检测网络的孪生网络端输入，提取正常数据的特征，待预测数据作为特征提取网络端的输入；通过设计相似性密度计算公式，构建高度代表性的正常数据集，每次在集合中抽取n个最具代表性的正常数据分别与待预测数据配对预测，得到n个相似性指标，以投票的方法得出本条数据的检测结果；

部署单元，包括模型压缩模块，分布式部署模块；

所述模型压缩模块，保证模型预测效果的前提下，降低模型复杂度，便于在移动端部署；

所述分布式部署模块，通过分布式架构增强系统模块的重用性；同时制定部署策略，构建预测结果队列，将最近m次的结果依照先后顺序进入队列，当预测出最新结果时移入队列，将最早预测的结果移除出队列，最终以队列内的结果集体投票形式确定最终预测结果，实现高精度预测。

2.基于弱监督学习的机械设备预知性维护方法，其特征在于，采用权利要求1所述的基于弱监督学习的机械设备预知性维护系统，包括以下步骤：工况数据融合重构，预测和部署；

工况数据融合重构包括：

步骤S11：融合机械设备的结构差异性工况数据，制作弱标签数据集；

步骤S12：通过数据重构完成数据扩充，生成数据对包含两种：“正常-正常”数据对与“故障-正常”数据对，制作孪生网络训练样本集；

预测包括：

步骤S21：故障检测模块通过选择两条正常数据对作为孪生网络输入，通过比较两条正常数据的相似性，训练网络寻找到正常数据特征空间，得到训练好的孪生网络模型；

步骤S22：加载预训练好的孪生网络，并行构建特征提取网络transformer，耦合为故障检测网络；将两种数据对混合作为检测网络的训练数据集；其中混合数据中的正常数据输入预训练孪生网络的一端，另一条数据输入特征提取网络的一端，当特征提取网络端输出的特征与预训练孪生网络一端的正常数据特征空间存在差异时，检测为故障数据；

步骤S23：通过实时预测模块，对机械设备工况数据进行拉取，通过步骤S11-S12对工况数据进行处理，将结果数据输入训练好的故障检测网络的特征提取端，将历史正常数据输入到预训练的孪生网络端，通过对特征的相似性衡量从而进行实时预测，每次选取多条不同具有高度代表性的正常数据，与实时抽取数据分别配对作为检测模型输入，多个模型结果以投票形式，取中位数作为最终检测结果，当与正常数据相似性偏离逐渐增大时，发生故障的可能性也逐渐增大，完成实时预测；

部署包括：

步骤S31:通过模型压缩模块，对模型进行优化并降低复杂度，满足于边缘计算设备的要求；

步骤S32:通过分布式部署模块，对系统进行分布式部署，实现系统的高度重用性与维护性，提高预测速度；构建部署策略，实现设备故障的高预测精度。

3.根据权利要求2所述的基于弱监督学习的机械设备预知性维护方法，其特征在于，步骤S12中，所述的数据重构，针对图像数据通过卷积网络提取图像特征，针对音频振动类数据通过傅里叶变换将结果经过空洞卷积网络提取信号数据特征，针对文本数据所记录的设备状态信息经过one-hot编码转为结构性数据，并与电流、电压、温度结构化时序数据相融合，重构为完整性高的时序数据；采用加法乘法模型相混合，将时序数据分解为趋势部分，周期部分，残差部分，针对拆封后的各部分信息，结合设备工况寻找到数据的关键节点，确定滑窗尺寸，以此为节点实现数据的重构；生成弱标签数据集；对截取的正常或可能异常数据进行两两配对，生成“正常-正常”数据对以及“故障-正常”数据对。

Images