CN116000131A - 一种基于数据驱动的挤压机设备智能运维方法及系统 - Google Patents

Abstract

本发明公开了一种基于数据驱动的挤压机设备智能运维方法，包括如下步骤：根据挤压机故障变化敏感的特征参数采集需求，对故障特征参数进行实时采集；根据挤压机生产一线记录的设备故障情况，按照挤压机的故障分类，从挤压机故障历史数据中搜集每种类别故障的数据集各N条，构建挤压机故障数据集；基于机器学习算法构建挤压机的智能故障预测模型，以构建的挤压机故障数据集为训练样本集，对智能故障预测模型进行训练；采用智能故障预测模型提前对设备的故障趋势进行判断，对具体故障类别进行预警预测，并根据模型预测的结果来提前对设备可能发生的故障进行运维干预。本发明大大缩小生产线、设备瘫痪时间，满足挤压机设备智能保障和维修优化的需求。

Description

一种基于数据驱动的挤压机设备智能运维方法及系统

技术领域

本发明涉及故障预测技术领域，具体涉及一种基于数据驱动的挤压机设备智能运维方法及系统。

背景技术

铝型材在建筑和工业领域应用广泛，而挤压机是铝型材挤压工艺生产线上的重要设备。在铝型材挤压生产过程中，挤压机主要负责铝型材初期的塑性加工过程，参与铝挤压工艺流程中的预热、挤压和压余等三个阶段，是让铝棒通过模具孔挤出，形成所需的各种形状型材的关键设备。挤压机结构复杂，主要由机械结构系统、液压动力系统和电气控制系统三个部分组成。由于各子系统相互间影响、关系复杂、耦合度高，可能导致设备异常状态转移，难以准确定位故障所在。同时，在实际生产过程中，挤压机设备各部位的故障都会导致设备停顿、生产瘫痪，维修时长在0.1～9小时之间不等。因此，频发的设备故障将会严重影响铝型材生产线的产能。在此背景下，本发明提出分析、识别、预测挤压机故障，对其进行基于数据驱动的智能运维方法具有重要现实意义。

目前大多数铝型材制造企业，针对关键设备挤压机的故障，采取的都是以事后诊断维修为主的被动式维修方式，已难以满足设备智能保障和维修优化的需求。在智能故障诊断方法中，基于信号的故障诊断及运维方式，需要额外在设备关键零部件上加装大量传感器，获取如振动等信号，才可进一步分析、运维，这不仅大大增加了运维的成本，也不符合生产现场实际情况；而对于基于模型的故障诊断方法而言，由于挤压机设备结构复杂、系统间相互影响，很难精确构建设备模型，因此也不具有适用性。

发明内容

有鉴于此，为了解决现有技术中的上述问题，本发明提出一种基于数据驱动的挤压机设备智能运维方法及系统，针对挤压机进行深入分析，确定挤压机的主要故障类别和影响因素。根据挤压机异常原因分析，提取对故障变化敏感的特征参数，设计数据采集模块进行特征参数采集。在此基础上构建故障数据集和智能故障预测模型，并以各类故障统计数据为驱动进行模型训练，进一步完善模型。基于此模型，对挤压机设备进行实时监测，提前预警具体故障，最终实现基于数据驱动的挤压机智能故障运维新模式。

本发明通过以下技术手段解决上述问题：

第一方面，本发明提供一种基于数据驱动的挤压机设备智能运维方法，包括如下步骤：

根据挤压机故障变化敏感的特征参数采集需求，对故障特征参数进行实时采集；

根据挤压机生产一线记录的设备故障情况，在数据中心找到相对应的故障数据；按照挤压机的故障分类，从挤压机故障历史数据中搜集每种类别故障的数据集各N条，构建挤压机故障数据集；N为自然数，N≥5；

基于机器学习算法构建挤压机的智能故障预测模型，将故障特征参数标签化作为模型输入，以故障类型识别结果为模型输出，通过迭代算法使理想输出与实际输出的均方误差达到最小值；在构建的初始故障预测模型基础上，以构建的挤压机故障数据集为训练样本集，对智能故障预测模型进行训练，进一步调整模型参数；

采用智能故障预测模型提前对设备的故障趋势进行判断，对具体故障类别进行预警预测，并根据模型预测的结果来提前对设备可能发生的故障进行运维干预。

作为优选地，根据挤压机故障变化敏感的特征参数采集需求，对故障特征参数进行实时采集之前还包括如下步骤：

对挤压机的各类故障进行分析，结合实际生产情况，针对挤压机的关键零部件，将挤压机设备的故障分为油泵故障、主油缸故障、油箱故障、电机故障、盛锭筒故障和挤压杆故障六大类别；

综合异常原因分析，确定挤压机设备的故障影响因素。

作为优选地，所述故障特征参数包括油泵出口压力、油泵出口温度、油泵出口流量、油液黏度、油箱油温、油箱油位、挤压速度、主缸压力、电机电流、电机转速、压余厚度、盛锭筒压力、盛锭筒温度和突破压力。

作为优选地，根据挤压机故障变化敏感的特征参数采集需求，对故障特征参数进行实时采集，具体包括以下步骤：

通过PLC通信接口，采集故障特征参数挤压速度和主缸压力；

通过电机通信接口，采集故障特征参数电机电流和电机转速；

通过油泵通信接口，采集故障特征参数油泵出口压力、油泵出口温度、油泵出口流量、油液粘度、油箱温度和油箱液位；

通过盛锭筒传感器通信接口，采集故障特征参数压余厚度、盛锭筒压力、盛锭筒温度和突破压力；

基于各个故障特征数据采集范围，对异常数据进行剔除。

作为优选地，构建挤压机的智能故障预测模型具体包括：

确定模型输入层：根据故障成因分析，对故障特征参数进行数据标签化作为模型输入；

确定模型输出层：根据挤压机设备的故障类别分类，对设备正常运行类别和挤压机设备的故障类别进行数据标签化作为模型输出；

将包含挤压机故障类别的故障数据集作为模型的训练数据，对模型进行训练。

作为优选地，对智能故障预测模型进行训练具体包括：

初始化权值和阈值；

确定模型中间隐含层：根据输入层节点数14、输出层节点数7，考虑隐含层的神经元节点数选取为4～14之间的整数，在训练的过程中，通过学习选取最优值；

模型实际输出如下：

其中，y_k是第k个神经元的输出，x_j为第j个神经元的输入，m是隐含层的神经元节点数，b为输出层阈值，w_jk为神经元之间的连接权值，f(·)为激活函数；

基于迭代算法不断更新调整权值和阈值，直到理想输出与实际输出的均方误差达到最小值。

作为优选地，采用智能故障预测模型提前对设备的故障趋势进行判断，对具体故障类别进行预警预测，并根据模型预测的结果来提前对设备可能发生的故障进行运维干预，具体包括如下步骤：

以铝型材挤压生产线的挤压机设备为对象，对油泵出口压力、油泵出口温度、油泵出口流量、油液黏度、油箱油温、油箱液位、挤压速度、主缸压力、电机电流、电机转速、压余厚度、盛锭压力、盛锭筒温度、突破压力的故障特征参数进行实时采集；

基于训练好的智能故障预测模型，以实时采集的故障特征参数为输入，对挤压机的故障趋势进行预测；

根据模型预测的结果：是否有故障以及故障的具体类别；来对挤压机设备进行相应的预测性维护；

当结果为“无故障”时，预示故障趋势减少，设备运转趋好；当结果为“油泵故障”时，预示油泵部件即将发生故障，进入相应的设备运维模式；一方面迅速找到库存，看是否有备件；另一方面，迅速定位到影响油泵的特征参数，找出油泵出口压力、油泵出口温度、油泵出口流量、油液粘度、油箱温度、油箱液位的异常因子，层层分解故障原因，迅速解决故障。

第二方面，本发明提供一种基于数据驱动的挤压机设备智能运维系统，包括：

数据采集模块，用于根据挤压机故障变化敏感的特征参数采集需求，对故障特征参数进行实时采集；

故障数据集构建模块，用于根据挤压机生产一线记录的设备故障情况，在数据中心找到相对应的故障数据；按照挤压机的故障分类，从挤压机故障历史数据中搜集每种类别故障的数据集各N条，构建挤压机故障数据集；N为自然数，N≥5；

模型构建训练模块，用于基于机器学习算法构建挤压机的智能故障预测模型，将故障特征参数标签化作为模型输入，以故障类型识别结果为模型输出，通过迭代算法使理想输出与实际输出的均方误差达到最小值；在构建的初始故障预测模型基础上，以构建的挤压机故障数据集为训练样本集，对智能故障预测模型进行训练，进一步调整模型参数；

智能运维干预模块，用于采用智能故障预测模型提前对设备的故障趋势进行判断，对具体故障类别进行预警预测，并根据模型预测的结果来提前对设备可能发生的故障进行运维干预。

第三方面，本发明提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明第一方面所述基于数据驱动的挤压机设备智能运维方法的步骤。

第四方面，本发明提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如本发明第一方面所述基于数据驱动的挤压机设备智能运维方法的步骤。

与现有技术相比，本发明的有益效果至少包括：

本发明通过对挤压机异常原因的深入分析，提取对故障变化敏感的特征参数。设计数据采集模块，对特征参数进行采集，并依据故障记录，构建完备的挤压机故障数据集。构建智能故障预测模型，基于建立的故障数据集为训练数据，对模型进行训练、调参，确定预测模型。

在此基础上，对挤压机设备进行预测性智能运维。根据数据采集模块实时采集的特征参数为输入，基于智能故障预测模型，对挤压机设备的故障趋势进行判断预测，并根据模型输出结果进行相应的设备运维操作，大大缩小生产线、设备瘫痪时间，满足挤压机设备智能保障和维修优化的需求。

附图说明

为了更清楚地说明本发明实施例中的技术方案，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的附图。

图1是本发明基于数据驱动的挤压机设备智能运维方法的流程图；

图2是本发明挤压机主要的故障影响因素的示意图；

图3是本发明数据采集模块的整体架构图；

图4是本发明对挤压机的故障趋势进行预测的示意图；

图5是本发明基于数据驱动的挤压机设备智能运维系统的示意图；

图6是本发明电子设备结构框图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面将结合附图和具体的实施例对本发明的技术方案进行详细说明。需要指出的是，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。

实施例1

如图1所示，本发明提供一种基于数据驱动的挤压机设备智能运维方法，包括如下步骤：

S1、故障分析

挤压机主要由机械结构系统、液压动力系统和电气控制系统三大子系统构成，基于此对挤压机的各类故障进行分析：

(1)对于机械结构系统来说，其故障主要呈现为元器件的物理结构变化，大都是由于硬件部位发生磨损、破损导致。如在挤压过程中，当挤压杆和挤压筒对中不准，会使得挤压杆发生变形或倾斜。

(2)对于液压动力系统来说，因其在设备内部运行状态不可见，故挤压机的故障大部分是由于液压系统异常导致。挤压机液压系统包括动力元件-油泵、执行元件-油缸、辅助元件-油管、油箱等，其中最易发生故障的元件是油泵。

(3)对于电气控制系统来说，最容易发生故障的部位是电动机和电气线路。

因此，结合实际生产情况，针对挤压机的关键零部件，将挤压机设备的主要故障分为油泵故障、主油缸故障、油箱故障、电机故障、盛锭筒故障、挤压杆故障等六大类别。

S2、故障影响因素

在各类故障影响因素中，当系统输出压力不足、油液黏度高、油位过低、负荷超载等异常情况发生时，容易造成油泵失效；当主缸压力不足、挤压速度异常时容易造成主缸故障；当轴承磨损、定子匝间异常使电流突升或下降，容易引起电机故障；当盛锭筒的压力突升、温度异常容易引起故障。因此，综合异常原因分析，确定挤压机主要故障的影响因素如图2所示。

S3、数据采集及分析

根据挤压机故障变化敏感的特征参数采集需求，设计数据采集模块，对故障特征参数—油泵出口压力、油泵出口温度、油泵出口流量、油液黏度、油箱油温、油箱油位、挤压速度、主缸压力、电机电流、电机转速、压余厚度、盛锭筒压力、盛锭筒温度、突破压力等进行实时采集，其整体架构如图3所示。

具体实现方法为：

(1)通过PLC通信接口，采集故障特征参数挤压速度、主缸压力；

(2)通过电机通信接口，采集故障特征参数电机电流、电机转速；

(3)通过油泵通信接口，采集故障特征参数油泵出口压力、油泵出口温度、油泵出口流量、油液粘度、油箱温度、油箱液位；

(4)通过盛锭筒传感器通信接口，采集故障特征参数压余厚度、盛锭筒压力、盛锭筒温度、突破压力。

所有采集的故障特征参数分别保存到本地数据中心和云端服务器。基于各个故障特征数据采集范围(如，主缸压力0～9.9兆帕，油位0～999.9毫米等)，对异常数据进行剔除。

S4、挤压机故障数据集构建

根据挤压机生产一线记录的设备故障情况，在数据中心找到相对应的故障数据。

例如，设备故障情况记录：挤压机4000T在2021年8月30日早上，电机发生故障，主机无电。根据此故障记录，在数据中心找到相对应的故障特征参数数据记录为：电机电流为0，电机转速为10。将这条记录作为挤压机设备“电机故障”的一条故障数据集。以此类推，按照挤压机的故障分类，从挤压机故障历史数据中搜集每种类别故障的数据集各N条，构建挤压机故障数据集。N为自然数，N≥5；本实施例中，N＝50。

S5、智能故障预测模型构建及训练

基于机器学习算法构建挤压机的智能故障预测模型，将故障特征参数标签化作为模型输入，以故障类型识别结果为模型输出，通过迭代算法使理想输出与实际输出的均方误差达到最小值。在构建的初始故障预测模型基础上，以所述的第4步构建的故障数据集为训练样本集，采用智能故障预测模型对模块进行训练，进一步调整模型参数，提高模型预测精度。

(1)构建模型

确定模型输入层：根据上述故障成因分析，对数据标签化，即输入数据标签列表如下：

数据标签	输入数据	数据标签	输入数据
				1	油泵出口压力	8	主缸压力
2	油泵出口温度	9	电机电流
				3	油泵出口流量	10	电机转速
4	油液黏度	11	压余厚度
				5	油箱油温	12	盛锭压力
6	油箱液位	13	盛锭筒温度
				7	挤压速度	14	突破压力

确定模型输出层：根据挤压机设备的故障类别分类，设置输出数据标签如下：

输出数据	数据标签
		设备正常运行	0
油泵故障	1
		主缸故障	2
油箱故障	3
		电机故障	4
挤压杆故障	5
		盛锭筒故障	6

(2)故障数据集

将包含挤压机六大故障类别的故障数据集共300条记录作为模型的训练数据，对模型进行训练。

(3)训练模型

初始化权值和阈值。

确定模型中间隐含层：根据输入层节点数14、输出层节点数7，考虑隐含层的神经元节点数选取为4～14之间的整数，在训练的过程中，通过学习选取最优值。

模型实际输出如下：

其中，y_k是第k个神经元的输出，x_j为第j个神经元的输入，m是隐含层的神经元节点数，b为输出层阈值，w_jk为神经元之间的连接权值，f(·)为激活函数，采用Sigmoid函数。

为了使实际输出无限接近理想输出，基于迭代算法不断更新调整权值和阈值，直到理想输出与实际输出的均方误差达到最小值。

S6、挤压机的智能运维

挤压机目前运维方式是以事后诊断维修为主(即故障发生造成设备异常，再去查找排除问题)，辅以周期性的零部件大小检修(如，年末停机一个月，对关键零部件电机、油泵进行一年一次的检修)的综合运维方式，这种被动式的维修方式，对生产效率、设备使用率有较大的影响。

挤压机的智能运维新模式在于提前对设备的故障趋势进行判断，对具体故障类别进行预警预测，并根据模型预测的结果来提前对设备可能发生的故障进行运维干预，从而减少生产现场的停机时间、大大提高生产效率。

具体实现方法：

(1)以铝型材挤压生产线的挤压机设备为对象，对油泵出口压力、油泵出口温度、油泵出口流量、油液黏度、油箱油温、油箱液位、挤压速度、主缸压力、电机电流、电机转速、压余厚度、盛锭压力、盛锭筒温度、突破压力等特征参数进行实时采集，采集频率为1分钟/次。

(2)基于训练好的智能故障预测模型，以实时采集的特征参数为输入，对挤压机的故障趋势进行预测。如图4所示。

(3)根据模型预测的结果：

是否有故障？

故障的具体类别？

来对挤压机设备进行相应的预测性维护。

(4)当结果为“无故障”时，预示故障趋势减少，设备运转趋好。当结果为“油泵故障”时，预示油泵部件即将发生故障，进入相应的设备运维模式。一方面迅速找到库存，看是否有备件；另一方面，迅速定位到影响油泵的特征参数，找出油泵出口压力、油泵出口温度、油泵出口流量、油液粘度、油箱温度、油箱液位等异常因子，层层分解故障原因，迅速解决故障。其它故障类别以此类推，这样将大大提高设备的使用效率以及生产线的可靠性。

实施例2

如图5所示，本发明提供一种基于数据驱动的挤压机设备智能运维系统，包括故障分析模块、影响因素确定模块、数据采集模块、故障数据集构建模块、模型构建训练模块和智能运维干预模块：

所述故障分析模块用于对挤压机的各类故障进行分析，结合实际生产情况，针对挤压机的关键零部件，将挤压机设备的故障分为油泵故障、主油缸故障、油箱故障、电机故障、盛锭筒故障和挤压杆故障六大类别；

所述影响因素确定模块用于综合异常原因分析，确定挤压机设备的故障影响因素；

所述数据采集模块用于根据挤压机故障变化敏感的特征参数采集需求，对故障特征参数进行实时采集；

所述故障数据集构建模块用于根据挤压机生产一线记录的设备故障情况，在数据中心找到相对应的故障数据；按照挤压机的故障分类，从挤压机故障历史数据中搜集每种类别故障的数据集各N条，构建挤压机故障数据集；N为自然数，N≥5；

所述模型构建训练模块用于基于机器学习算法构建挤压机的智能故障预测模型，将故障特征参数标签化作为模型输入，以故障类型识别结果为模型输出，通过迭代算法使理想输出与实际输出的均方误差达到最小值；在构建的初始故障预测模型基础上，以构建的挤压机故障数据集为训练样本集，对智能故障预测模型进行训练，进一步调整模型参数；

所述智能运维干预模块用于采用智能故障预测模型提前对设备的故障趋势进行判断，对具体故障类别进行预警预测，并根据模型预测的结果来提前对设备可能发生的故障进行运维干预。

本实施例中的其他特征与实施例1相同，故在此不再赘述。

实施例3

基于相同的构思，本发明还提供了一种实体结构示意图，如图6所示，该服务器可以包括：处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行所述基于数据驱动的挤压机设备智能运维方法的步骤。

此外，上述的存储器830中的逻辑指令可以通过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取存储介质中。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，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)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、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

实施例4

基于相同的构思，本发明还提供一种非暂态计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序包含至少一段代码，该至少一段代码可由主控设备执行，以控制主控设备用以实现所述基于数据驱动的挤压机设备智能运维方法的步骤。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidStateDisk)等。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，该流程可以由计算机程序来指令相关的硬件完成，该程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法实施例的流程。而前述的存储介质包括：ROM或随机存储记忆体RAM、磁碟或者光盘等各种可存储程序代码的介质。

以上所述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。

Claims (10)

1.一种基于数据驱动的挤压机设备智能运维方法，其特征在于，包括如下步骤：

根据挤压机故障变化敏感的特征参数采集需求，对故障特征参数进行实时采集；

根据挤压机生产一线记录的设备故障情况，在数据中心找到相对应的故障数据；按照挤压机的故障分类，从挤压机故障历史数据中搜集每种类别故障的数据集各N条，构建挤压机故障数据集；N为自然数，N≥5；

基于机器学习算法构建挤压机的智能故障预测模型，将故障特征参数标签化作为模型输入，以故障类型识别结果为模型输出，通过迭代算法使理想输出与实际输出的均方误差达到最小值；在构建的初始故障预测模型基础上，以构建的挤压机故障数据集为训练样本集，对智能故障预测模型进行训练，进一步调整模型参数；

采用智能故障预测模型提前对设备的故障趋势进行判断，对具体故障类别进行预警预测，并根据模型预测的结果来提前对设备可能发生的故障进行运维干预。

2.根据权利要求1所述的基于数据驱动的挤压机设备智能运维方法，其特征在于，根据挤压机故障变化敏感的特征参数采集需求，对故障特征参数进行实时采集之前还包括如下步骤：

对挤压机的各类故障进行分析，结合实际生产情况，针对挤压机的关键零部件，将挤压机设备的故障分为油泵故障、主油缸故障、油箱故障、电机故障、盛锭筒故障和挤压杆故障六大类别；

综合异常原因分析，确定挤压机设备的故障影响因素。

3.根据权利要求1所述的基于数据驱动的挤压机设备智能运维方法，其特征在于，所述故障特征参数包括油泵出口压力、油泵出口温度、油泵出口流量、油液黏度、油箱油温、油箱油位、挤压速度、主缸压力、电机电流、电机转速、压余厚度、盛锭筒压力、盛锭筒温度和突破压力。

4.根据权利要求1所述的基于数据驱动的挤压机设备智能运维方法，其特征在于，根据挤压机故障变化敏感的特征参数采集需求，对故障特征参数进行实时采集，具体包括以下步骤：

通过PLC通信接口，采集故障特征参数挤压速度和主缸压力；

通过电机通信接口，采集故障特征参数电机电流和电机转速；

通过油泵通信接口，采集故障特征参数油泵出口压力、油泵出口温度、油泵出口流量、油液粘度、油箱温度和油箱液位；

通过盛锭筒传感器通信接口，采集故障特征参数压余厚度、盛锭筒压力、盛锭筒温度和突破压力；

基于各个故障特征数据采集范围，对异常数据进行剔除。

5.根据权利要求1所述的基于数据驱动的挤压机设备智能运维方法，其特征在于，构建挤压机的智能故障预测模型具体包括：

确定模型输入层：根据故障成因分析，对故障特征参数进行数据标签化作为模型输入；

确定模型输出层：根据挤压机设备的故障类别分类，对设备正常运行类别和挤压机设备的故障类别进行数据标签化作为模型输出；

将包含挤压机故障类别的故障数据集作为模型的训练数据，对模型进行训练。

6.根据权利要求1所述的基于数据驱动的挤压机设备智能运维方法，其特征在于，对智能故障预测模型进行训练具体包括：

初始化权值和阈值；

确定模型中间隐含层：根据输入层节点数14、输出层节点数7，考虑隐含层的神经元节点数选取为4～14之间的整数，在训练的过程中，通过学习选取最优值；

模型实际输出如下：

其中，y_k是第k个神经元的输出，x_j为第j个神经元的输入，m是隐含层的神经元节点数，b为输出层阈值，w_jk为神经元之间的连接权值，f(.)为激活函数；

基于迭代算法不断更新调整权值和阈值，直到理想输出与实际输出的均方误差达到最小值。

7.根据权利要求1所述的基于数据驱动的挤压机设备智能运维方法，其特征在于，采用智能故障预测模型提前对设备的故障趋势进行判断，对具体故障类别进行预警预测，并根据模型预测的结果来提前对设备可能发生的故障进行运维干预，具体包括如下步骤：

以铝型材挤压生产线的挤压机设备为对象，对油泵出口压力、油泵出口温度、油泵出口流量、油液黏度、油箱油温、油箱液位、挤压速度、主缸压力、电机电流、电机转速、压余厚度、盛锭压力、盛锭筒温度、突破压力的故障特征参数进行实时采集；

基于训练好的智能故障预测模型，以实时采集的故障特征参数为输入，对挤压机的故障趋势进行预测；

根据模型预测的结果：是否有故障以及故障的具体类别；来对挤压机设备进行相应的预测性维护；

当结果为“无故障”时，预示故障趋势减少，设备运转趋好；当结果为“油泵故障”时，预示油泵部件即将发生故障，进入相应的设备运维模式；一方面迅速找到库存，看是否有备件；另一方面，迅速定位到影响油泵的特征参数，找出油泵出口压力、油泵出口温度、油泵出口流量、油液粘度、油箱温度、油箱液位的异常因子，层层分解故障原因，迅速解决故障。

8.一种基于数据驱动的挤压机设备智能运维系统，其特征在于，包括：

数据采集模块，用于根据挤压机故障变化敏感的特征参数采集需求，对故障特征参数进行实时采集；

故障数据集构建模块，用于根据挤压机生产一线记录的设备故障情况，在数据中心找到相对应的故障数据；按照挤压机的故障分类，从挤压机故障历史数据中搜集每种类别故障的数据集各N条，构建挤压机故障数据集；N为自然数，N≥5；

模型构建训练模块，用于基于机器学习算法构建挤压机的智能故障预测模型，将故障特征参数标签化作为模型输入，以故障类型识别结果为模型输出，通过迭代算法使理想输出与实际输出的均方误差达到最小值；在构建的初始故障预测模型基础上，以构建的挤压机故障数据集为训练样本集，对智能故障预测模型进行训练，进一步调整模型参数；

智能运维干预模块，用于采用智能故障预测模型提前对设备的故障趋势进行判断，对具体故障类别进行预警预测，并根据模型预测的结果来提前对设备可能发生的故障进行运维干预。

9.一种电子设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1-7任一所述的基于数据驱动的挤压机设备智能运维方法的步骤。

10.一种非暂态计算机可读存储介质，其特征在于，其上存储有计算机程序，该计算机程序被处理器执行时实现如权利要求1-7任一所述的基于数据驱动的挤压机设备智能运维方法的步骤。

Images