发明内容
本申请实施例提供了一种钢管束生产设备的寿命预测方法、系统、设备及存储介质。为了对披露的实施例的一些方面有一个基本的理解,下面给出了简单的概括。该概括部分不是泛泛评述,也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念,以此作为后面的详细说明的序言。
第一方面,本申请实施例提供了一种钢管束生产设备的寿命预测方法,包括:
获取钢管束生产过程中的设备运行数据以及环境数据;
将设备运行数据以及环境数据组成的多维数据流输入寿命预测模型,寿命预测模型计算多维数据流对应的权重向量以及隐藏变量的个数,根据权重向量以及隐藏变量的个数计算多维数据流对应的隐藏变量;根据隐藏变量计算钢管束生产设备的剩余寿命,得到预测的剩余寿命以及寿命影响因素;
其中,寿命预测模型计算多维数据流对应的权重向量以及隐藏变量的个数,包括:初始化多维数据流对应的权重向量和隐藏变量的个数,根据初始化后的权重向量计算隐藏变量,根据计算出来的隐藏变量计算能量值以及误差值,根据能量值、误差值以及隐藏变量更新初始化后的权重向量,得到计算出来的多维数据流对应的权重向量;根据计算出来的隐藏变量计算还原的输入值和还原度,当还原度大于第一阈值时,隐藏变量的个数减1,当还原度低于第二阈值时,隐藏变量的个数加1;
根据预测的剩余寿命以及寿命影响因素进行故障预警。
在一个可选地实施例中,根据权重向量以及隐藏变量的个数计算多维数据流对应的隐藏变量,包括:根据如下公式计算多维数据流对应的隐藏变量:
其中,
表示t时刻的隐藏变量,
表示权重向量,
表示t时刻的n维数据流,
, k表示隐藏变量的个数。
在一个可选地实施例中,根据隐藏变量计算钢管束生产设备的剩余寿命,包括:根据如下公式计算钢管束生产设备的剩余寿命:
其中,
表示t时刻钢管束生产设备的剩余寿命,
表示t时刻的隐藏变量,
是满足正态分布的变量,表征寿命随时间退化的斜率,
为常数,a为权重参数,可根据最小二乘法确定。
在一个可选地实施例中,将设备运行数据以及环境数据输入寿命预测模型,得到预测的寿命影响因素,包括:
寿命预测模型根据每个维度的数据流对应的权重向量与权重参数的乘积,得到每个维度的数据对寿命的影响程度;
按照每个维度的数据对寿命的影响程度从大到小排序,将排在前面的预设数量个维度数据对应的因素作为预测的寿命影响因素。
在一个可选地实施例中,根据预测的剩余寿命以及寿命影响因素进行故障预警,包括:
根据预测的剩余寿命以及寿命影响因素,确定对应的预警信息以及维修指示信息;
将预警信息以及维修指示信息发送到客户端。
第二方面,本申请实施例提供了一种钢管束生产设备的寿命预测系统,包括:
数据采集模块、通信模块、服务器以及客户端;
其中,数据采集模块用于采集钢管束生产过程中的设备运行数据以及环境数据;
通信模块用于将数据采集模块采集的设备运行数据以及环境数据发送到服务器;
服务器用于获取钢管束生产过程中的设备运行数据以及环境数据,将设备运行数据以及环境数据组成的多维数据流输入寿命预测模型,寿命预测模型计算多维数据流对应的权重向量以及隐藏变量的个数,根据权重向量以及隐藏变量的个数计算多维数据流对应的隐藏变量;根据隐藏变量计算钢管束生产设备的剩余寿命,得到预测的剩余寿命以及寿命影响因素;
其中,寿命预测模型计算多维数据流对应的权重向量以及隐藏变量的个数,包括:初始化多维数据流对应的权重向量和隐藏变量的个数,根据初始化后的权重向量计算隐藏变量,根据计算出来的隐藏变量计算能量值以及误差值,根据能量值、误差值以及隐藏变量更新初始化后的权重向量,得到计算出来的多维数据流对应的权重向量;根据计算出来的隐藏变量计算还原的输入值和还原度,当还原度大于第一阈值时,隐藏变量的个数减1,当还原度低于第二阈值时,隐藏变量的个数加1;根据预测的剩余寿命以及寿命影响因素,确定对应的预警信息以及维修指示信息,将预警信息以及维修指示信息发送到客户端;
客户端用于接收预警信息以及维修指示信息。
第三方面,本申请实施例提供了一种钢管束生产设备的寿命预测设备,包括处理器和存储有程序指令的存储器,处理器被配置为在执行程序指令时,执行上述实施例提供的钢管束生产设备的寿命预测方法。
第四方面,本申请实施例提供了一种计算机可读介质,其上存储有计算机可读指令,计算机可读指令被处理器执行以实现上述实施例提供的一种钢管束生产设备的寿命预测方法。
本申请实施例提供的技术方案可以包括以下有益效果:
根据本申请实施例提供的生产设备寿命预测方法,可以对传感器采集的数据进行统一解析,基于设备运行数据、环境监测数据等多影响因素对钢管束生产设备进行实时快速的疲劳周期分析与预测,并对故障触发关键原因进行诊断与预警,降低了设备接入难度,提高了数据管理规范度、计算实时性与设备管理效率,为钢管束设备的正常生产运营提供了保障。且本申请中的寿命预测模型,对于新增输入,无需重新对整个模型进行训练,而是利用新增数据增量式更新参数,降低了算法的计算复杂度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
具体实施方式
以下描述和附图充分地示出本发明的具体实施方案,以使本领域的技术人员能够实践它们。
应当明确,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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是如所附权利要求书中所详述的、本发明的一些方面相一致的系统和方法的例子。
目前,钢管束生产设备的维护与检修主要依赖人工周期性查看,然而,周期性巡检费时费力,设备疲劳问题发现时间滞后,响应速度慢,无法提前对设备问题进行预警,在高负荷生产时难以抵抗风险。另外,生产环境复杂,设备受影响因素众多,环境变化与生产强度不同也会导致疲劳周期的变化,且难以对设备疲劳原因进行诊断,多监测参数也会导致计算复杂度高、模型更新实时性低等问题。
基于此,本申请实施例提供了一种增量式多参数融合的钢管束生产设备的寿命预测方法,基于设备运行数据、环境监测数据等多影响因素对钢管束生产设备进行实时快速的疲劳周期分析与预测,并对故障触发关键原因进行诊断与预警,成为了钢管束设备自动化监测、维护与保障正常生产的关键。
下面将结合附图对本申请实施例提供的钢管束生产设备的寿命预测方法进行详细介绍。参见图1,该方法具体包括以下步骤。
S101获取钢管束生产过程中的设备运行数据以及环境数据。
在一种可能的实现方式中,利用设备所搭载的控制器或传感器采集设备生产节拍、加工次数、开机时间、生产型材类型、过热状态、故障时间等运行指标数据,得到钢管束生产过程中的设备运行数据。同时利用温度、湿度、粉尘、压力等传感器感知生产环境指标数据,得到环境数据。采集的设备运行数据以及环境数据均为流数据。
进一步地,通过提供统一的面向数据的抽象编程,对传感器数据接口差异进行屏蔽,对各传感器采集的流数据进行规范化接入,所述流数据包括指标名称、指标单位、时间、数值、设备标识码等。
进一步地,对接入的多源异构数据进行规范化的解析和结构化处理,包括对异常数据进行删除、填充、修正等预处理,对预处理后的数据进行格式转换,得到结构化的数据等。在一个实施例中,对于时间t,所采集的多维数据流为
。
图3是根据一示例性实施例示出的一种数据采集与解析方法的示意图,如图3所示,首先可以通过传感器采集设备的运行数据以及环境数据,然后通过提供统一的面向数据的抽象编程,对传感器数据接口差异进行屏蔽,对各传感器采集的流数据进行规范化接入,并对接入的数据进行解析与结构化。根据该步骤,可以对多种类型的传感器数据进行统一解析,降低了设备接入难度,提高了数据管理规范度。
S102将设备运行数据以及环境数据输入寿命预测模型,得到预测的剩余寿命以及寿命影响因素。
在一个可选地实施例中,首先,将设备运行数据以及环境数据组成的多维数据流
输入寿命预测模型。
进一步地,寿命预测模型计算多维数据流对应的权重向量。
具体地,初始化多维数据流对应的权重向量和隐藏变量的个数,根据初始化后的权重向量计算隐藏变量,根据计算出来的隐藏变量计算能量值以及误差值,根据能量值、误差值以及隐藏变量更新初始化后的权重向量,得到计算出来的多维数据流对应的权重向量。
进一步地,根据计算出来的隐藏变量计算还原的输入值和还原度,当还原度大于第一阈值时,隐藏变量的个数减1,当还原度低于第二阈值时,隐藏变量的个数加1。
在一种可能的实现方式中,初始化
,隐藏变量个数
,
维权重向量
初始化为单位向量,其中,
,
,…,
,初始化能量值
。
进一步地,获取当前时刻
的n维输入流数据
,根据初始化后的权重向量对n维输入流数据进行降维,计算可以描述原输入的隐藏变量
,降低计算复杂度。
然后根据计算出来的隐藏变量更新能量值,能量值
,并计算误差值
,根据计算出来的能量值、误差值以及隐藏变量更新权重向量,
。
进一步地,计算由隐藏变量还原的输入值
,并计算还原度
;根据计算的还原度判断是否调整隐藏变量的个数取值k,当还原度大于第一阈值时,隐藏变量的个数减1,当还原度小于第二阈值时,隐藏变量的个数加1。例如,当
时,
,当
时,
。
进一步地,对当前时刻输入的n维数据流进行降维,计算多维数据流对应的隐藏变量。在一个可选地实施例中,根据权重向量计算多维数据流对应的隐藏变量,包括:根据如下公式计算多维数据流对应的隐藏变量:
其中,
表示t时刻的隐藏变量,
表示权重向量,
表示t时刻的n维数据流,
, k表示隐藏变量的个数。
最后,根据隐藏变量计算钢管束生产设备的剩余寿命。
在一个可选地实施例中,根据隐藏变量计算钢管束生产设备的剩余寿命,包括:根据如下公式计算钢管束生产设备的剩余寿命:
其中,
表示t时刻钢管束生产设备的剩余寿命,
表示t时刻的隐藏变量,
是满足正态分布的变量,表征寿命随时间退化的斜率,
为常数,a为权重参数,可根据最小二乘法确定。
在一个可选地实施方式中,可根据下述公式计算预测寿命:
其中,
表示t时刻钢管束生产设备的剩余寿命,
表示t时刻的n维数据流,
是满足正态分布的变量,表征寿命随时间退化的斜率,
为常数,a为权重参数,可根据最小二乘法确定,
为a与w的乘积。
在一个实施例中,针对t+1时刻新输入数据
进行对隐藏变量
的增量式计算,模型参数自动更新,获得新的剩余寿命
。
图4是根据一示例性实施例示出的一种寿命预测模型的计算方法示意图,如图4所示,模型的计算方法包括如下步骤。
(a):进行初始化,初始化
,隐藏变量数量
,
维权重向量
初始化为单位向量,其中,
,
,…,
,初始化能量值
。
(b):获取当前时刻
的n维输入流数据
,根据初始化后的权重向量对n维输入流数据进行降维,计算可以描述原输入的隐藏变量
,降低计算复杂度。
(c):根据计算出来的隐藏变量更新能量值,能量值
,并计算误差值
,根据计算出来的能量值、误差值以及隐藏变量更新权重向量,
。
(d):判断
是否成立,若成立,则
,并跳转至步骤b,否则跳转至步骤e;
(e):计算由隐藏变量还原的输入值
,并计算还原度
;
(f):根据计算的还原度判断是否调整隐藏变量的个数取值k,若
,则
,若
,则
。
(g):构建考虑设备运行数据与生产环境数据的设备寿命预测模型,预测剩余寿命
;
其中,
表示t时刻钢管束生产设备的剩余寿命,
表示t时刻的隐藏变量,
是满足正态分布的变量,表征寿命随时间退化的斜率,
为常数,a为权重参数,可根据最小二乘法确定。
(h):判断是否继续获取数据,若是则
,并跳转至步骤b,否则结束。
可见,本申请中的寿命预测模型,对于新增输入,无需像传统的降维方法利用新增数据和历史数据作为输入向量并进行协方差矩阵分解,而是基于流数据的新增值进行增量式模型参数更新,能够对实时数据有更及时的响应,且降低了算法的计算复杂度。
在一个可选地实施例中,还可以根据每个维度的数据流对应的权重向量与权重参数的乘积,得到每个维度的数据对寿命的影响程度。例如,
其中,
为权重参数a与权重向量w的乘积,表示每个维度的数据对寿命的影响程度。数值越大代表对寿命影响程度越高,当权重为正时,采集指标与寿命为正相关,当权重为负时,采集指标与寿命为负相关。
在一种可能的实现方式中,按照每个维度的数据对寿命的影响程度从大到小排序,将排在前面的预设数量个维度数据对应的因素作为预测的寿命影响因素。例如,可以将影响程度较大的前三个因素作为寿命影响因素,也可以将影响程度最大的第一个因素作为寿命影响因素。
根据该步骤,利用降维算法对采集数据进行降维,并基于知识库对设备寿命进行预测与分析,为钢管束设备的正常生产运营提供了保障。
S103根据预测的剩余寿命以及寿命影响因素进行故障预警。
在一种可能的实现方式中,根据寿命预测结果,结合内部预设的专家知识库,进行数据分析,专家知识库可以根据预测的剩余寿命以及寿命影响因素,确定对应的预警信息以及维修指示信息,对设备使用、检修及更换情况进行建议和预警,并将预警信息以及维修指示信息发送到客户端。
图5是根据一示例性实施例示出的一种诊断预警方法的示意图,如图5所示,首先,获取钢结构生产过程中的设备运行数据以及环境数据,将所述设备运行数据以及环境数据输入构建的寿命预测模型,得到预测的剩余寿命,并诊断出寿命影响因素。专家知识库可以根据预测的剩余寿命以及寿命影响因素,确定对应的预警信息以及维修指示信息,对设备使用、检修及更换情况进行建议和预警。
为了便于理解本申请实施例提供的钢管束生产设备的寿命预测方法,下面结合附图2进行说明。如图2所示,该方法包括如下步骤。
首先,通过钢结构生产设备上的控制器和传感器采集设备运行数据以及环境数据,然后通过提供统一的面向数据的抽象编程,对传感器数据接口差异进行屏蔽,对各传感器采集的流数据进行规范化接入,并对接入的数据进行解析与结构化。
进一步地,将数据传输到服务器进行分析预测。将设备运行数据以及环境数据输入寿命预测模型,得到预测的剩余寿命以及寿命影响因素。专家知识库可以根据预测的剩余寿命以及寿命影响因素,确定对应的预警信息以及维修指示信息,对设备使用、检修及更换情况进行建议和预警。
根据本申请实施例提供的生产设备寿命预测方法,可以对传感器采集的数据进行统一解析,基于设备运行数据、环境监测数据等多影响因素对钢管束生产设备进行实时快速的疲劳周期分析与预测,并对故障触发关键原因进行诊断与预警,为钢管束设备的正常生产运营提供了保障。
本申请实施例还提供一种钢管束生产设备的寿命预测系统,图6是根据一示例性实施例示出的一种钢管束生产设备的寿命预测系统的结构示意图。
如图6所示,钢管束生产设备的寿命预测系统,包括:数据采集模块、通信模块、服务器以及客户端。
其中,数据采集模块包括设备控制器以及传感器,用于采集钢管束生产过程中的设备运行数据以及环境数据,并将采集到的设备运行数据和环境数据发送到通信模块。
通信模块用于将数据采集模块采集的设备运行数据以及环境数据发送到服务器,在一种可能的实现方式中,服务器包括计算服务器和存储服务器,先将采集的数据发送到计算服务器。
计算服务器用于获取钢管束生产过程中的设备运行数据以及环境数据,将设备运行数据以及环境数据组成的多维数据流输入寿命预测模型,寿命预测模型计算多维数据流对应的权重向量以及隐藏变量的个数,根据权重向量以及隐藏变量的个数计算多维数据流对应的隐藏变量;根据隐藏变量计算钢管束生产设备的剩余寿命,得到预测的剩余寿命以及寿命影响因素;
其中,寿命预测模型计算多维数据流对应的权重向量以及隐藏变量的个数,包括:初始化多维数据流对应的权重向量和隐藏变量的个数,根据初始化后的权重向量计算隐藏变量,根据计算出来的隐藏变量计算能量值以及误差值,根据能量值、误差值以及隐藏变量更新初始化后的权重向量,得到计算出来的多维数据流对应的权重向量;根据计算出来的隐藏变量计算还原的输入值和还原度,当还原度大于第一阈值时,隐藏变量的个数减1,当还原度低于第二阈值时,隐藏变量的个数加1。根据预测的剩余寿命以及寿命影响因素,确定对应的预警信息以及维修指示信息。可以将预警信息以及维修指示信息存入存储服务器,也可以将预警信息以及维修指示信息发送到客户端。
客户端用于接收预警信息以及维修指示信息,也可以向存储服务器发送数据访问请求,获取预测结果与预警信息。
根据本申请实施例提供的生产设备寿命预测系统,可以对传感器采集的数据进行统一解析,基于设备运行数据、环境监测数据等多影响因素对钢管束生产设备进行实时快速的疲劳周期分析与预测,并对故障触发关键原因进行诊断与预警,为钢管束设备的正常生产运营提供了保障。
需要说明的是,上述实施例提供的钢管束生产设备的寿命预测系统在执行钢管束生产设备的寿命预测方法时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的钢管束生产设备的寿命预测系统与钢管束生产设备的寿命预测方法实施例属于同一构思,其体现实现过程详见方法实施例,这里不再赘述。
本申请实施例还提供一种与前述实施例所提供的钢管束生产设备的寿命预测方法对应的电子设备,以执行上述钢管束生产设备的寿命预测方法。
请参考图7,其示出了本申请的一些实施例所提供的一种电子设备的示意图。如图7所示,电子设备包括:处理器700,存储器701,总线702和通信接口703,处理器700、通信接口703和存储器701通过总线702连接;存储器701中存储有可在处理器700上运行的计算机程序,处理器700运行计算机程序时执行本申请前述任一实施例所提供的钢管束生产设备的寿命预测方法。
其中,存储器701可能包含高速随机存取存储器(RAM:Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口703(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网、广域网、本地网、城域网等。
总线702可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。其中,存储器701用于存储程序,处理器700在接收到执行指令后,执行程序,前述本申请实施例任一实施方式揭示的钢管束生产设备的寿命预测方法可以应用于处理器700中,或者由处理器700实现。
处理器700可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器700中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器700可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(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申请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。结合本申请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。该存储介质位于存储器701,处理器700读取存储器701中的信息,结合其硬件完成上述方法的步骤。
本申请实施例提供的电子设备与本申请实施例提供的钢管束生产设备的寿命预测方法出于相同的发明构思,具有与其采用、运行或实现的方法相同的有益效果。
本申请实施例还提供一种与前述实施例所提供的钢管束生产设备的寿命预测方法对应的计算机可读存储介质,请参考图8,其示出的计算机可读存储介质为光盘800,其上存储有计算机程序(即程序产品),计算机程序在被处理器运行时,会执行前述任意实施例所提供的钢管束生产设备的寿命预测方法。
需要说明的是,计算机可读存储介质的例子还可以包括,但不限于相变内存(PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他光学、磁性存储介质,在此不再一一赘述。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的钢管束生产设备的寿命预测方法出于相同的发明构思,具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。