CN114780732B - 基于贝叶斯分类模型的锻造液压机预测性维护方法及系统 - Google Patents

Abstract

本发明公开了一种基于贝叶斯分类模型的锻造液压机预测性维护方法及系统，属于锻造液压机预测性维护技术领域，其特征在于，所述基于贝叶斯分类模型的锻造液压机预测性维护方法包括如下步骤：S1、构建故障知识库；S2、预测液压机部件衰退；S3、根据预测信息，调用故障知识库和案例库的信息，进行维保工作。本发明通过贝叶斯分类模型和BP神经网络输出液压机某个部件出现故障的概率，从而提醒用户采取预测性维护措施。

Description

基于贝叶斯分类模型的锻造液压机预测性维护方法及系统

技术领域

本发明属于锻造液压机预测性维护技术领域，具体涉及一种基于贝叶斯分类模型的锻造液压机预测性维护方法及系统。

背景技术

众所周知，锻造液压机的加工对象价值高，设备故障造成产品报废导致的经济损失巨大，装备健康保障重要且迫切。采用传统的事后维修和定期维修方式保障其健康可靠对人员和资金的投入有极高要求。近年来，融合物联网、大数据和人工智能等技术的快速发展为锻造液压机的运维提供了一定的技术基础。因此，本文提出了一种采用贝叶斯分类模型进行锻造液压机预测性维护的新方法。

发明内容

本发明为解决公知技术中存在的技术问题，提供一种基于贝叶斯分类模型的锻造液压机预测性维护方法及系统，通过贝叶斯分类模型和BP神经网络输出液压机某个部件出现故障的概率，从而提醒用户采取预测性维护措施。

本发明的第一目的是提供一种基于贝叶斯分类模型的锻造液压机预测性维护方法，包括：

S1、构建故障知识库；

S101、创建故障代码并编辑故障代码、设备类型、设备型号、故障名称和备注；创建故障工单并编辑目标设备、故障代码、报修类型、工单名称、执行人和备注；

S102、接收故障工单并进行故障处理，根据故障处理结果新增维修知识至维修知识库，并撰写故障报告；

S103、根据维修知识库编辑故障知识库；根据故障知识库编辑故障案例库；

S2、预测液压机部件衰退；

S201、在锻造液压机运行过程中，汇总各元件和部件的机能衰退因素，并建立时间t的指标抽象集合X；

S202、将元件衰退抽象为集合A={a₁,a₂,a₃,…,a_x}，发生的概率为P(a₁)，P(a₂)，P(a₃)，……，P(a_x)；

S203、通过BP神经网络计算P(A)；

S204、将部件衰退抽象为集合B={b₁,b₂,b₃,…,b_y}，根据设备的维修知识库的故障记录，计算发生的概率为P(b₁)，P(b₂)，P(b₃)，……，P(b_y)；

S205、根据设备的故障知识库，计算各部件衰退集合B发生的条件下，集合A发生的概率为P(A|b₁)，P(A|b₂)，P(A|b₃)，……，P(A|b_y)；

S206、取元件衰退集合A发生的概率最大值P(A|b_max)=max{P(A|b₁)，P(A|b₂)，P(A|b₃)，……，P(A|b_y)}，根据最大似然函数则计算得出：

；

S207、得出各元件衰退集合A发生的情况下各部件衰退集合B发生的反向概率；

根据贝叶斯公式，计算得出：

；

取P(B|A)中最大值为P(b_max|A)作为输出值，通过如下公式进行计算：

；

S208、根据系统预制的规则提出报警；

S3、根据预测信息，调用故障知识库和案例库的信息，进行维保工作。

本发明的第二目的是提供一种基于贝叶斯分类模型的锻造液压机预测性维护系统，包括：

构建模块：构建故障知识库；

创建故障代码并编辑故障代码、设备类型、设备型号、故障名称和备注；创建故障工单并编辑目标设备、故障代码、报修类型、工单名称、执行人和备注；

接收故障工单并进行故障处理，根据故障处理结果新增维修知识至维修知识库，并撰写故障报告；

根据维修知识库编辑故障知识库；根据故障知识库编辑故障案例库；

部件衰退预测模块：预测液压机部件衰退；

在锻造液压机运行过程中，汇总各元件和部件的机能衰退因素，并建立时间t的指标抽象集合X；

将元件衰退抽象为集合A={a₁,a₂,a₃,…,a_x}，发生的概率为P(a₁)，P(a₂)，P(a₃)，……，P(a_x)；

通过BP神经网络计算P(A)；

将部件衰退抽象为集合B={b₁,b₂,b₃,…,b_y}，根据设备的维修知识库的故障记录，计算发生的概率为P(b₁)，P(b₂)，P(b₃)，……，P(b_y)；

根据设备的故障知识库，计算各部件衰退集合B发生的条件下，集合A发生的概率为P(A|b₁)，P(A|b₂)，P(A|b₃)，……，P(A|b_y)；

取元件衰退集合A发生的概率最大值P(A|b_max)=max{P(A|b₁)，P(A|b₂)，P(A|b₃)，……，P(A|b_y)}，根据最大似然函数则计算得出：

；

得出各元件衰退集合A发生的情况下各部件衰退集合B发生的反向概率；

根据贝叶斯公式，计算得出：

；

取P(B|A)中最大值为P(b_max|A)作为输出值，通过如下公式进行计算：

；

根据系统预制的规则提出报警；

维护模块：根据预测信息，调用故障知识库和案例库的信息，进行维保工作。

本发明具有的优点和积极效果是：

一、本发明专利通过故障知识库总结锻造液压机的同种设备型号的共性故障知识训练神经网络模型，并通过故障案例库继承故障知识库的共性故障知识，总结具体设备的个性故障知识训练贝叶斯分类模型，不仅减轻了神经网络的计算负担，而且使得具体设备的贝叶斯分类模型更为精准。

二、本发明专利将锻造液压机的执行部件的故障预测问题转化为了部件机能下降的概率问题，通过贝叶斯分类模型计算各个部件某个时间故障的概率，从而提示用户进行预防性维护。

附图说明

图 1为本发明优选实施例的流程示意图。

具体实施方式

为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下：

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。基于本发明中的技术方案，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。

请参阅图1。

一种基于贝叶斯分类模型的锻造液压机预测性维护方法，通过基于B/S架构开发和建立数字化液压机管理系统，对不同型号液压机、生产制造商、制造商人员、使用单位和使用人员进行统一的管理。包括如下步骤：

一、故障知识构建步骤如下：

步骤一、用户创建故障代码并编辑故障代码、设备类型、设备型号、故障名称和备注等。

步骤二、用户创建故障工单并编辑目标设备、故障代码、报修类型、工单名称、执行人和备注等。

步骤三、设备制造商维修人员接收到系统的故障工单后进行故障处理，根据故障处理结果新增维修知识至维修知识库并撰写故障报告。维修知识库可作为故障知识库的基础知识。用户可创建维修知识库中的知识，并编辑设备类型、设备型号、故障代码、给出故障诊断报告。故障诊断报告内容包含故障严重程度、性质、原因、位置以及维护措施等内容。

步骤四、用户根据维修知识库编辑故障知识库，故障知识库基于维修知识库、专家知识、工业机理模型按照设备型号进行管理，是不同设备型号故障知识的集合；存储同种设备型号的共性故障知识。

步骤五、用户根据故障知识库编辑故障案例库，故障案例库继承故障知识库的共性故障知识，按照设备名称进行管理，是每台案例设备的故障知识的集合，存储同种设备型号下的不同案例设备的个性故障知识。

二、液压机部件衰退的预测，包括如下步骤：

步骤一、将锻造液压机运行过程中对各元件和部件的机能衰退的因素进行汇总，并将其运行到时间t的{压机运行时间t，持续加压总时间，油液清洁度，应变值，……}等指标抽象为集合X；

步骤二、将{主缸比例溢流阀机能下降、调平比例伺服阀的机能下降，冷却泵的机能下降，……}的元件衰退抽象为集合A={a₁,a₂,a₃,…,a_x}，其发生的概率为P(a₁)，P(a₂)，P(a₃)，……，P(a_x)。

步骤三、通过BP神经网络计算P(A)。

将设备运行到时间t的集合X作为神经网络的输入，通过元件的样本数据和故障知识库的历史记录从而计算损失函数，通过故障知识库的数据修正权值和偏移项，以Sigmoid函数作为输出函数，得出神经网络的输出元件衰退概率的中间值P(A)’。

再针对具体的某一台液压机设备通过故障案例数据库的记录，当元件出现故障后将元件机能下降的概率进行二次修正，机能衰退的概率进行调整：

P（A）=α×P（A）’+β；

其中：α为权值矩阵，β为偏移项矩阵。（如更换比例元件权值相应减小，维修元件后权值相应增大）。

步骤四、将{主缸加压机能下降，侧缸机能下降，调平缸机能下降，上顶出装置的机能下降，下顶出机构机能下降，对中机构机能下降……}部件衰退抽象为B={b₁,b₂,b₃,…,b_y}，根据设备的维修知识库的故障记录可计算出其发生的概率为P(b₁)，P(b₂)，P(b₃)，……，P(b_y)。

步骤五、根据设备的故障知识库可计算各部件衰退B发生的条件下，元件衰退A发生的概率为P(A|b₁)，P(A|b₂)，P(A|b₃)，……，P(A|b_y)。

步骤六、取元件衰退A发生的概率的最大值P(A|b_max)=max{P(A|b₁)，P(A|b₂)，P(A|b₃)，……，P(A|b_y)}，由于各部件衰退B是独立同分布的，根据最大似然函数则可计算得出：

；

步骤七、得出各元件衰退A发生的情况下各部件衰退B发生的反向概率。

根据贝叶斯公式，可计算得出：

；

P(B|A)取其中最大值为P(b_max|A)作为输出值，则可通过如下公式进行计算：

；

步骤八、根据系统预制的规则提出报警，即当某个元件衰退后，预测并提示用户液压机的某个部件将会出现衰退。

三、用户根据预测信息，调用故障知识库和案例库的信息，进行维保工作。

一种基于贝叶斯分类模型的锻造液压机预测性维护系统，通过基于B/S架构开发和建立数字化液压机管理系统，对不同型号液压机、生产制造商、制造商人员、使用单位和使用人员进行统一的管理。包括：

构建模块：故障知识构建步骤如下：

步骤一、用户创建故障代码并编辑故障代码、设备类型、设备型号、故障名称和备注等。

步骤二、用户创建故障工单并编辑目标设备、故障代码、报修类型、工单名称、执行人和备注等。

步骤三、设备制造商维修人员接收到系统的故障工单后进行故障处理，根据故障处理结果新增维修知识至维修知识库并撰写故障报告。维修知识库可作为故障知识库的基础知识。用户可创建维修知识库中的知识，并编辑设备类型、设备型号、故障代码、给出故障诊断报告。故障诊断报告内容包含故障严重程度、性质、原因、位置以及维护措施等内容。

步骤四、用户根据维修知识库编辑故障知识库，故障知识库基于维修知识库、专家知识、工业机理模型按照设备型号进行管理，是不同设备型号故障知识的集合；存储同种设备型号的共性故障知识。

步骤五、用户根据故障知识库编辑故障案例库，故障案例库继承故障知识库的共性故障知识，按照设备名称进行管理，是每台案例设备的故障知识的集合，存储同种设备型号下的不同案例设备的个性故障知识。

部件衰退预测模块：液压机部件衰退的预测，包括如下步骤：

步骤一、将锻造液压机运行过程中对各元件和部件的机能衰退的因素进行汇总，并将其运行到时间t的{压机运行时间t，持续加压总时间，油液清洁度，应变值，……}等指标抽象为集合X；

步骤二、将{主缸比例溢流阀机能下降、调平比例伺服阀的机能下降，冷却泵的机能下降，……}的元件衰退抽象为集合A={a₁,a₂,a₃,…,a_x}，其发生的概率为P(a₁)，P(a₂)，P(a₃)，……，P(a_x)。

步骤三、通过BP神经网络计算P(A)。

将设备运行到时间t的集合X作为神经网络的输入，通过元件的样本数据和故障知识库的历史记录从而计算损失函数，通过故障知识库的数据修正权值和偏移项，以Sigmoid函数作为输出函数，得出神经网络的输出元件衰退概率的中间值P(A)’。

再针对具体的某一台液压机设备通过故障案例数据库的记录，当元件出现故障后将元件机能下降的概率进行二次修正，机能衰退的概率进行调整：

P（A）=α×P（A）’+β；

其中：α为权值矩阵，β为偏移项矩阵。（如更换比例元件权值相应减小，维修元件后权值相应增大）。

步骤四、将{主缸加压机能下降，侧缸机能下降，调平缸机能下降，上顶出装置的机能下降，下顶出机构机能下降，对中机构机能下降……}部件衰退抽象为B={b₁,b₂,b₃,…,b_y}，根据设备的维修知识库的故障记录可计算出其发生的概率为P(b₁)，P(b₂)，P(b₃)，……，P(b_y)。

步骤五、根据设备的故障知识库可计算各部件衰退B发生的条件下，元件衰退A发生的概率为P(A|b₁)，P(A|b₂)，P(A|b₃)，……，P(A|b_y)。

步骤六、取元件衰退A发生的概率的最大值P(A|b_max)=max{P(A|b₁)，P(A|b₂)，P(A|b₃)，……，P(A|b_y)}，由于各部件衰退B是独立同分布的，根据最大似然函数则可计算得出：

；

步骤七、得出各元件衰退A发生的情况下各部件衰退B发生的反向概率。

根据贝叶斯公式，可计算得出：

；

P(B|A)取其中最大值为P(b_max|A)作为输出值，则可通过如下公式进行计算：

；

步骤八、根据系统预制的规则提出报警，即当某个元件衰退后，预测并提示用户液压机的某个部件将会出现衰退。

维护模块：用户根据预测信息，调用故障知识库和案例库的信息，进行维保工作。

以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。

Claims (10)

1.一种基于贝叶斯分类模型的锻造液压机预测性维护方法，其特征在于，包括：

S1、构建故障知识库；

S101、创建故障代码并编辑故障代码、设备类型、设备型号、故障名称和备注；创建故障工单并编辑目标设备、故障代码、报修类型、工单名称、执行人和备注；

S102、接收故障工单并进行故障处理，根据故障处理结果新增维修知识至维修知识库，并撰写故障报告；

S103、根据维修知识库编辑故障知识库；根据故障知识库编辑故障案例库；

S2、预测液压机部件衰退；

S201、在锻造液压机运行过程中，汇总各元件和部件的机能衰退因素，并建立时间t的指标抽象集合X；

S202、将元件衰退抽象为集合A={a₁,a₂,a₃,…,a_x}，发生的概率为P(a₁)，P(a₂)，P(a₃)，……，P(a_x)；

S203、通过BP神经网络计算P(A)；

S204、将部件衰退抽象为集合B={b₁,b₂,b₃,…,b_y}，根据设备的维修知识库的故障记录，计算发生的概率为P(b₁)，P(b₂)，P(b₃)，……，P(b_y)；

S205、根据设备的故障知识库，计算各部件衰退集合B发生的条件下，集合A发生的概率为P(A|b₁)，P(A|b₂)，P(A|b₃)，……，P(A|b_y)；

S206、取元件衰退集合A发生的概率最大值P(A|b_max)=max{P(A|b₁)，P(A|b₂)，P(A|b₃)，……，P(A|b_y)}，根据最大似然函数则计算得出：

；

S207、得出各元件衰退集合A发生的情况下各部件衰退集合B发生的反向概率；

根据贝叶斯公式，计算得出：

；

取P(B|A)中最大值为P(b_max|A)作为输出值，通过如下公式进行计算：

；

S208、根据系统预制的规则提出报警；

S3、根据预测信息，调用故障知识库和案例库的信息，进行维保工作。

2.根据权利要求1所述的基于贝叶斯分类模型的锻造液压机预测性维护方法，其特征在于，所述维修知识库作为故障知识库的基础知识，用于创建故障知识库中的知识，并编辑设备类型、设备型号、故障代码、给出故障诊断报告，故障诊断报告内容包含故障严重程度、性质、原因、位置以及维护措施。

3.根据权利要求2所述的基于贝叶斯分类模型的锻造液压机预测性维护方法，其特征在于，所述故障知识库基于维修知识库、专家知识、工业机理模型按照设备型号进行管理，是不同设备型号故障知识的集合；存储同种设备型号的共性故障知识。

4.根据权利要求1所述的基于贝叶斯分类模型的锻造液压机预测性维护方法，其特征在于，所述故障案例库继承故障知识库的共性故障知识，按照设备名称进行管理，是每台案例设备的故障知识的集合，存储同种设备型号下的不同案例设备的个性故障知识。

5.根据权利要求1所述的基于贝叶斯分类模型的锻造液压机预测性维护方法，其特征在于，所述S203具体为：

首先将集合X作为神经网络的输入，通过元件的样本数据和故障知识库的历史记录从而计算损失函数，通过故障知识库的数据修正权值和偏移项，以Sigmoid函数作为输出函数，得出神经网络的输出元件衰退概率的中间值P(A)’；

然后针对具体的液压机设备通过故障案例数据库的记录，当元件出现故障后，将元件机能下降的概率进行二次修正，机能衰退的概率进行调整：

P（A）=α×P（A）’+β；

其中α为权值矩阵，β为偏移项矩阵。

6.一种基于贝叶斯分类模型的锻造液压机预测性维护系统，其特征在于，包括：

构建模块：构建故障知识库；

创建故障代码并编辑故障代码、设备类型、设备型号、故障名称和备注；创建故障工单并编辑目标设备、故障代码、报修类型、工单名称、执行人和备注；

接收故障工单并进行故障处理，根据故障处理结果新增维修知识至维修知识库，并撰写故障报告；

根据维修知识库编辑故障知识库；根据故障知识库编辑故障案例库；

部件衰退预测模块：预测液压机部件衰退；

在锻造液压机运行过程中，汇总各元件和部件的机能衰退因素，并建立时间t的指标抽象集合X；

将元件衰退抽象为集合A={a₁,a₂,a₃,…,a_x}，发生的概率为P(a₁)，P(a₂)，P(a₃)，……，P(a_x)；

通过BP神经网络计算P(A)；

将部件衰退抽象为集合B={b₁,b₂,b₃,…,b_y}，根据设备的维修知识库的故障记录，计算发生的概率为P(b₁)，P(b₂)，P(b₃)，……，P(b_y)；

根据设备的故障知识库，计算各部件衰退集合B发生的条件下，集合A发生的概率为P(A|b₁)，P(A|b₂)，P(A|b₃)，……，P(A|b_y)；

取元件衰退集合A发生的概率最大值P(A|b_max)=max{P(A|b₁)，P(A|b₂)，P(A|b₃)，……，P(A|b_y)}，根据最大似然函数则计算得出：

；

得出各元件衰退集合A发生的情况下各部件衰退集合B发生的反向概率；

根据贝叶斯公式，计算得出：

；

取P(B|A)中最大值为P(b_max|A)作为输出值，通过如下公式进行计算：

；

根据系统预制的规则提出报警；

维护模块：根据预测信息，调用故障知识库和案例库的信息，进行维保工作。

7.根据权利要求6所述的基于贝叶斯分类模型的锻造液压机预测性维护系统，其特征在于，所述维修知识库作为故障知识库的基础知识，用于创建故障知识库中的知识，并编辑设备类型、设备型号、故障代码、给出故障诊断报告，故障诊断报告内容包含故障严重程度、性质、原因、位置以及维护措施。

8.根据权利要求6所述的基于贝叶斯分类模型的锻造液压机预测性维护系统，其特征在于，所述故障知识库基于维修知识库、专家知识、工业机理模型按照设备型号进行管理，是不同设备型号故障知识的集合；存储同种设备型号的共性故障知识。

9.根据权利要求6所述的基于贝叶斯分类模型的锻造液压机预测性维护系统，其特征在于，所述故障案例库继承故障知识库的共性故障知识，按照设备名称进行管理，是每台案例设备的故障知识的集合，存储同种设备型号下的不同案例设备的个性故障知识。

10.根据权利要求6所述的基于贝叶斯分类模型的锻造液压机预测性维护系统，其特征在于，通过BP神经网络计算P(A)具体为：

首先将集合X作为神经网络的输入，通过元件的样本数据和故障知识库的历史记录从而计算损失函数，通过故障知识库的数据修正权值和偏移项，以Sigmoid函数作为输出函数，得出神经网络的输出元件衰退概率的中间值P(A)’；

然后针对具体的液压机设备通过故障案例数据库的记录，当元件出现故障后，将元件机能下降的概率进行二次修正，机能衰退的概率进行调整：

P（A）=α×P（A）’+β；

其中α为权值矩阵，β为偏移项矩阵。

Images