CN117150371A - 一种零部件异常预警与诊断方法 - Google Patents

Abstract

本发明公开了一种零部件异常预警与诊断方法，所述方法包括步骤：根据机台部件位置预警指标信息，对预先训练好的预警模型进行设置部件异常预警指标遴选；获取每个机台的各个部件数据信息；将各个部件数据信息输入预先训练好的预警模型，输出易磨损部件异常状态概率分布；根据易磨损部件异常状态概率分布快速匹配知识图谱中的异常原因和处理措施。

Description

一种零部件异常预警与诊断方法

技术领域

本发明涉及一种零部件异常预警与诊断方法，属于烟草行业零部件管理技术领域。

背景技术

目前随着烟草生产企业生产设备的复杂程度和智能化水平的不断提高，生产设备的产能也越来越高。设备维护和故障预警成为保证生产设备机组正常运行，降低企业运营成本的关键。由于生产设备机组复杂而紧密联系的机电结构，导致生产设备机组部件之间存在连锁反应和相互影响，增加了生产设备机组部件异常故障预警的难度。然而目前生产设备机组部件的故障预警方法精度较低，导致维修人员经常来不及做出合适的设备轮保计划。

在设备生产过程中，由于机台部件出现磨损或异常等情况导致产品质量缺陷率上升，随之会有相应的工艺指标数据体现出来。如果能够基于这些生产设备实时采集的数据，研究重点部件异常预警模型，提高易磨损部件异常预警的灵敏度，可以在一定程度上弥补部件故障预警不及时的问题。

发明内容

本发明的目的在于提供一种零部件异常预警与诊断方法，以解决现有技术部件故障预警不及时的缺陷。

一种零部件异常预警与诊断方法，所述方法包括步骤：

根据机台部件位置预警指标信息，对预先训练好的预警模型进行设置部件异常预警指标遴选；

获取每个机台的各个部件数据信息；

将各个部件数据信息输入预先训练好的预警模型，输出易磨损部件异常状态概率分布；

根据易磨损部件异常状态概率分布快速匹配知识图谱中的异常原因和处理措施。

进一步地，所述机台部件位置预警指标信息包括：

设置每个机台的各部件位置信息；

设置每个机台的各个部件位置预警指标信息。

进一步地，所述设置部件异常预警指标遴选包括：

通过分析设备生产过程中的历史实时数据，利用指标特征提取找出影响产品质量状态的部件异常预警指标有，分析各个指标数据的态势变化，并在实时生产中验证指标的态势变化；

基于熵值法计算各指标的相关性权重，并且对各指标的权重进行排序，再排除那些权重非常低的指标，然后再次对剩余的指标根据历史数据重新计算各个指标的权重，确保每个指标对部件异常预警的有效性，确认产品质量状态与各个指标特征关联性。

进一步地，所述部件异常预警包括：

实时监控试点机型机台的引起故障部件的指标值，根据部件预警模型定时预测各个机台的部件异常状态分布，如果发现有异常状态时，记录部件异常时的指标数据，并立即推送引起发生部件异常的一个或多个部件，通过部件异常预警匹配知识图谱中的异常原因和处理措施。

进一步地，所述获取每个机台的各个部件数据信息包括：

设置每个机台的各个部件位置的数据获取规则，所述获取每个机台的各个部件数据信息是达到获取规则的数据信息。

进一步地，所述预警模型的训练方法包括：

获取每个机台的各个部件位置的有效历史数据并组装成可直接使用的DataFrame；

利用t-SNE算法进行降维，计算出数据的二维坐标；

将每一条数据独立指派成一个数据簇；

计算数据两两之间在二维空间上的距离；

按数据之间的距离排序，得到一个由近至远的关系列表；

循环关系列表，将距离最近的两个数据簇合并成一个数据簇；

循环合并步骤，直到列表中的数据簇达到离散状态；

在二维图表上打印离散的数据簇并将数据输出到文件；

展示二维数据，辅助人工决策，确定数据簇的正确度；

读取分簇之后的数据，根据人工决策及机器辅助决策将数据加上标签；

利用决策树算法将数据随机分为两份：训练数据、校验数据；

利用SVC算法加载训练数据训练得到预警模型。

进一步地，所述方法还包括对预警模型进行优化，具体方法为：

根据数据预处理规则将数据转换为训练数据；

按比例将新产出的可信数据分割为训练数据、校验数据两类；

将新产生的训练数据加入到原有的训练集，重新训练预测模型；

利用新产生的校验数据验证预警模型的准确度，根据准确度调整训练数据的规模及数据预处理规则；

调整训练集中的训练数据适应新的数据预处理规则；

再次重新训练预处理模型。

进一步地，所述SVC算法是支持向量机算法，所述算法包括：

建立一个最优决策超平面，使得该平面两侧距离该平面最近的两类样本之间的距离最大化，对于一个多维的样本集，系统随机产生一个超平面并不断移动，对样本进行分类，直到训练样本中属于不同类别的样本点正好位于该超平面的两侧，寻找满足条件的超平面，使得超平面两侧的空白区域最大化，从而实现对线性可分样本的最优分类。

与现有技术相比，本发明所达到的有益效果：通过在部件出现异常状态时，利用数据分析算法推理出其异常状态发生概率，从而快速匹配知识图谱中的异常原因和处理措施等信息并推送给业务人员。从而实现快零部件异常及时预警与诊断，迅速寻找备件、快速维修的目的；

本发明适用于所有采用卷烟工业企业的卷包车间、制丝车间等生产基层部门，应用前景广泛。

附图说明

图1是本发明方法步骤示意图；

图2是本发明t-SNE算法示例；

图3是本发明SVM算法示例；

图4是本发明部件异常预警图；

图5是本发明基于模型算法的易磨损部件异常预警框架图；

图6是本发明部件异常的各工艺参数的相关性分析图；

图7是本发明关键工艺参数波动趋势分析图；

图8是本发明部件异常预警与诊断管理业务流程图；

图9是本发明基于多级预警的部件评价。

具体实施方式

为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。

如图1，本发明公开了一种零部件异常预警与诊断方法，所述方法包括步骤：

步骤1、根据机台部件位置预警指标信息，对预先训练好的预警模型进行设置部件异常预警指标遴选；

步骤2、获取每个机台的各个部件数据信息；

步骤3、将各个部件数据信息输入预先训练好的预警模型，输出易磨损部件异常状态概率分布；

步骤4、根据易磨损部件异常状态概率分布快速匹配知识图谱中的异常原因和处理措施。

在本实施例中，对步骤1进一步说明，首先根据机台部件位置预警指标信息具体为：设置每个机台的各个部件位置预警指标信息。用例功能说明如下表所示：设置设备部件的预警指标信息：

名称	设置设备部件的预警指标信息
		功能	设置每个机台的部件位置的预警指标信息
执行者	管理人员
		前置条件	准备需要设置的部件位置的预警指标信息
后置条件	部件异常预警指标选择
		输入	设置的部件位置的预警指标信息
过程描述	设置每个机台的各个部件位置的预警指标信息
		输出	设置的部件位置的预警指标信息
业务规则	无

其次对预警模型进行设置部件异常预警指标遴选，具体设置如下：

通过分析设备生产过程中的历史实时数据，利用指标特征提取找出影响产品质量状态的部件异常预警指标有，分析各个指标数据的态势变化，并在实时生产中验证指标的态势变化。同时，基于熵值法计算各指标的相关性权重，并且对各指标的权重进行排序，再排除那些权重非常低的指标，然后再次对剩余的指标根据历史数据重新计算各个指标的权重，确保每个指标对部件异常预警的有效性，从而可确认产品质量状态与各个指标特征关联性。用例功能说明如下表：设备部件异常预警指标遴选：

在本实施例中，针对步骤2中具体说明：

在获取数据之前首先要对设置每个机台的各个部件位置的数据获取规则，如：获取数据的时间频度、在稳态车速并且持续多长的条件下取数等，如下表所示数据清洗规则设置：

名称	数据清洗规则设置
		功能	设置每个机台的各个部件位置的数据获取规则
执行者	管理人员
		前置条件	准备好数据清洗规则
后置条件	数据清洗管理
		输入	数据清洗规则内容
过程描述	设置每个机台的各个部件位置的数据获取规则
		输出	数据清洗规则内容
业务规则	无

设置每个机台的各部件位置信息，如下表设置设备部件信息所示：

名称	设置设备部件信息
		功能	设置每个机台的部件位置信息
执行者	管理人员
		前置条件	准备需要设置的部件位置信息
后置条件	部件异常预警指标选择
		输入	设置的部件位置信息
过程描述	设置每个机台的各个部件位置信息
		输出	设置的部件位置信息
业务规则	无

设备部件指标设置：

设置每个机台的各个部件位置预警指标信息。用例功能说明如下表设置设备部件的预警指标信息所示：

名称	设置设备部件的预警指标信息
		功能	设置每个机台的部件位置的预警指标信息
执行者	管理人员
		前置条件	准备需要设置的部件位置的预警指标信息
后置条件	部件异常预警指标选择
		输入	设置的部件位置的预警指标信息
过程描述	设置每个机台的各个部件位置的预警指标信息
		输出	设置的部件位置的预警指标信息
业务规则	无

在本实施例中，所述预警模型的训练方法包括：

获取每个机台的各个部件位置的有效历史数据并组装成可直接使用的DataFrame；

利用t-SNE算法进行降维，计算出数据的二维坐标；

将每一条数据独立指派成一个数据簇；

计算数据两两之间在二维空间上的距离；

按数据之间的距离排序，得到一个由近至远的关系列表；

循环关系列表，将距离最近的两个数据簇合并成一个数据簇；

循环合并步骤，直到列表中的数据簇达到离散状态；

在二维图表上打印离散的数据簇并将数据输出到文件；

展示二维数据，辅助人工决策，确定数据簇的正确度；

读取分簇之后的数据，根据人工决策及机器辅助决策将数据加上标签；

利用决策树算法将数据随机分为两份：训练数据、校验数据；

利用SVC算法加载训练数据训练得到预警模型；

在得到预警模型之后，为了进一步提高数据预警的精确度，有必要对预警模型做进一步的优化调整，完善训练数据的广度和深度。系统对预警模型的优化可以按以下步骤来进行：

S121:制定日常数据采集计划，根据车间运行状况将有效数据加入到已知异常数据、已知正常数据的数据集中；

S122:根据数据预处理规则将数据转换为训练数据；

S123:按比例将新产出的可信数据分割为训练数据、校验数据两类；

S124:将新产生的训练数据加入到原有的训练集，重新训练预测模型；

S125:利用新产生的校验数据验证预警模型的准确度，根据准确度调整训练数据的规模及数据预处理规则；

S126:调整训练集中的训练数据适应新的数据预处理规则；

S127:再次重新训练预处理模型。

如图2所示，在构建模型时用到的一些人工智能算法的简要说明如下：

B1:所述的的t-SNE算法是t分布随机邻域嵌入(t-SNE)聚类算法

所述的t-SNE(TSNE)将数据点的相似性转换为概率。原始空间中的相似性表示为高斯联合概率(根据数据点之间的相似性转换为概率)，嵌入空间中的相似性表示为“学生”的t分布。这允许t-SNE对局部结构特别敏感，并且有超过现有技术的一些其它优点。

所述的t-SNE是目前来说是效果最好的数据降维与可视化方法，但有缺点，比如：占内存大，运行时间长。但是，当我们想要对高维数据进行分类，又不清楚这个数据集有没有很好的可分性(即同类之间间隔小，异类之间间隔大)，可以通过t-SNE投影到2维或者3维的空间中观察一下。

通过原始空间和嵌入空间的联合概率的Kullback-Leibler(KL)散度来评估可视化效果的好坏，也就是说用有关KL散度的函数作为loss函数，然后通过梯度下降最小化loss函数，最终获得收敛结果。在实践当中，可以调整多个参数优化t-SNE的算法，以便得到最优的可视化质量效果。

如图3所示，B2:所述的SVC算法是支持向量机(Support Vector Machine,SVM)算法。

所述的支持向量机(Support Vector Machine,SVM)的主要思想是：建立一个最优决策超平面，使得该平面两侧距离该平面最近的两类样本之间的距离最大化，从而对分类问题提供良好的泛化能力。对于一个多维的样本集，系统随机产生一个超平面并不断移动，对样本进行分类，直到训练样本中属于不同类别的样本点正好位于该超平面的两侧，满足该条件的超平面可能有很多个，SVM正式在保证分类精度的同时，寻找到这样一个超平面，使得超平面两侧的空白区域最大化，从而实现对线性可分样本的最优分类。

SVM的优点有如下：

1：不需要很多样本，不需要有很多样本并不意味着训练样本的绝对量很少，而是说相对于其他训练分类算法比起来，同样的问题复杂度下，SVM需求的样本相对是较少的。并且由于SVM引入了核函数，所以对于高维的样本，SVM也能轻松应对。

2：结构风险最小。这种风险是指分类器对问题真实模型的逼近与问题真实解之间的累积误差。

非线性，是指SVM擅长应付样本数据线性不可分的情况，主要通过松弛变量(也叫惩罚变量)和核函数技术来实现，这一部分也正是SVM的精髓所在。

B3:LightGBM(Light Gradient Boosting Machine)算法

所述的LightGBM是boosting集合模型中的新进成员，它和XGBoost一样是对GBDT的高效实现，原理上它和GBDT及XGBoost类似，都采用损失函数的负梯度作为当前决策树的残差近似值，去拟合新的决策树。

所述的GBDT(Gradient Boosting Decision Tree)是机器学习中一个长盛不衰的模型，其主要思想是利用弱分类器(决策树)迭代训练以得到最优模型，该模型具有训练效果好、不易过拟合等优点。GBDT在工业界应用广泛，通常被用于点击率预测，搜索排序等任务。

所述的LightGBM在很多方面会比XGBoost表现的更为优秀，并且能够在不损害准确率的条件下加快GBDT模型的训练速度，lightGBM在传统的GBDT算法上进行了如下优化：

B4:基于Histogram的决策树算法。

单边梯度采样Gradient-based One-Side Sampling(GOSS)：使用GOSS可以减少大量只具有小梯度的数据实例，这样在计算信息增益的时候只利用剩下的具有高梯度的数据就可以了，相比XGBoost遍历所有特征值节省了不少时间和空间上的开销。

互斥特征捆绑Exclusive Feature Bundling(EFB)：使用EFB可以将许多互斥的特征绑定为一个特征，这样达到了降维的目的。

带深度限制的Leaf-wise的叶子生长策略：大多数GBDT工具使用低效的按层生长(level-wise)的决策树生长策略，因为它不加区分的对待同一层的叶子，带来了很多没必要的开销。实际上很多叶子的分裂增益较低，没必要进行搜索和分裂。LightGBM使用了带有深度限制的按叶子生长(leaf-wise)算法。

根据数据清洗规则，按一段时间范围获取指定机台部件位置的有效数据和是否异常结果等内容。用例功能说明如下表数据清洗管理所示：

根据每个机台的各个部件位置的有效历史数据，结合机器学习算法，训练部件异常预警模型和测试模型的准确度。用例功能说明如下表部件异常预警模型管理所示：

如图4所示，实时监控试点机型机台的引起故障部件的指标值，根据部件预警模型定时预测各个机台的部件异常状态分布，如果发现有异常状态时，记录部件异常时的指标数据，并立即推送引起发生部件异常的一个或多个部件，通过部件异常预警匹配知识图谱中的异常原因和处理措施等图谱信息。用例功能说明如下表部件异常预警所示：

如图5所示，系统利用数据建模分析零件状态，通过分析设备模块维修换件记录、分析实时库中历史数据与专家咨询等方式，进行数据标签点和部件相关性分析挖掘；在知识图谱中建立55种易磨损部件与该部件高相关性的数采点之间的关系，形成这些部件的特征向量，并以特征向量的实时数据作为输入，创建易磨损部件异常预测模型，输出易磨损部件异常状态概率分布；通过训练调整易磨损部件异常预测模型，提高模型预测准确度。由此，系统实现了在易磨损部件出现异常状态时，利用数据分析算法，推理出其是否发生异常的概率，并快速匹配知识图谱中的异常原因和处理措施等信息推送给业务人员的功能。

虽然在设备生产过程中零部件的磨损和异常情况可以反映在产品质量缺陷上，并找到相应的工艺指标数据。但是要明确到具体的易磨损部件和相应工艺参数指标仍然不太容易，这需要通过大量的数据分析工艺参数特征关联和参数态势变化和实证，才能确定其相关性。此外，对零部件相应工艺参数指标是否“正常”和“异常”的判别，需要对工艺参数指标数据进行聚类。根据聚类结果将每个簇定义一个类，再基于这些类训练部件异常分类模型，用于判别设备的零部件在日常生产运行中的异常状态，并及时向业务人员推送易磨损部件异常预警信息，并且基于设备故障知识图谱，推荐零部件异常的处理措施，帮助业务人员快速处理零部件异常问题，减少产品质量缺陷，提高产品的质量。为此，课题成员开展了以下几方面的工作：

如图6所示，S910:明确易磨损部件和工艺参数指标的相关性

通过分析生产过程中的历史数据，利用特征提取找出影响产品缺陷(烟支空头)现象的主要工艺参数有哪些，各工艺参数的态势变化，在实时生产中验证参数的态势变化，并根据各工艺参数的相关性权重进行排序，来确认零部件与各工艺参数特征关联性。

在功能设计开发实践过程中，我们选取ZJ116机型的卷接机部件(如：前道平整盘装置)为例，说明通过大数据分析来确定该易磨损部件与工艺参数指标的相关性，步骤如下：

S911:获取当前机台的所有工艺参数，在前道平整盘部件换件前后和前道平整盘部件出现维修状态前后的各个时间段内的历史实时数据，通过数据清洗规则，进行数据清洗，获取稳态的有效数据，用于对参数表征状态等相关分析。

S912:将前道平整盘部件影响的初步工艺参数与做了大数据分析后的工艺参数进行对比，根据每个工艺参数的权重不同进行优化和调整，了解每个工艺参数之间的相关关系等。

S913:在做前道平整盘部件异常的工艺参数的数据分析时，还需要对历史实时的工艺参数做波动趋势分析和参数表征状态分析，如果参数趋势异常则会触发异常提示，以确认各个工艺参数的状态是否真正是前道平整盘部件异常的影响工艺参数。

如图7所示，S914:通过上述步骤后，我们得到了对前道平整盘部件有重要影响的前30个初步指标。初步确认引起前道平整盘部件异常的工艺参数，再经过与设备专家的人工经验的评审确认，在实际情况下不断验证与调优，以确保参数的有效性，得到与前道平整盘部件相关的工艺参数指标如下表所示：

S915:通过同样的方式，我们选取ZJ116机型的5号卷接机的前道平整盘装置、后道平整盘装置、前道吸丝带、后道吸丝带、VE负压等40个重要部件及其对应的工艺参数指标，以及ZB48机型的5号包装机的15个重要部件及其对应的工艺参数指标，相关样例表如下表所示：

S920:根据数据清洗规则，获取实时有效数据

根据已选定好各个部件相关的工艺参数指标，按照确认的数据清洗规则(比如：产量大于2万支，车速大于2000支/分的稳态车速，持续运行时长大于3分钟，取数的单位时长频度，如10分钟)，对工艺参数指标的数据进行清洗和预处理，过滤或标注无效数据、异常数据，获取一个时间段的有效数据(实时值或增量值)，并将数据保存到时序数据库中。

获取的部件的工艺参数指标的有效实时数据如下表所示：

S930:部件异常预警模型建设

我们可以通过某个易磨损部件(前道平整盘)确认好的工艺参数指标从实时数据库中获取一个长时间段的有效数据(包括维修换件前的数据，维修换件后的数据)，根据当前有效数据，利用熵值法计算该零部件所对应的所有工艺参数指标的不同的权重值，同时当前有效数据也是作为警平整盘部件的有效数据的训练数据样本(内含验证数据集)；针对有效数据，利用t-SNE聚类算法进行多维指标降维聚类，聚类可以用于降维和矢量量化，可以将高位特征压缩到两列当中；再根据SVM分类算法进行数据离散化分组和打标签(分两类：正常、异常)；根据Light GBM决策树算法训练部件异常预测模型，并且在实际测试中不断对模型参数调优，以获取最佳的部件异常预测模型。以上述同样的方式，可以建立所有的易磨损部件的部件异常预警模型。

S940:根据实时数据进行预测影响空头的易磨损部件异常概率

根据机台的易磨损部件的各工艺参数指标的实时数据，利用模型预警每一个易磨损部件的正常和异常的准确度，再与每一个部件的多个指标的不同权重进行计算，得到每一个部件的总体异常概率；根据异常推送规则推送多个部件的不同异常概率信息。

S950:完善易磨损部件的指标

针对易磨损部件预测结果，如果与易磨损部件的实际情况有偏差的话，可以根据实际情况扩大或调整选取部件的工艺参数指标TAG点的范围；也可以选择历史上的有异常的有效数据(比如部件换件前的一个班的有效数据)加入到模型训练数据样本中；根据熵值法筛选对部件有重要影响的多个工艺参数指标，再次形成将要训练新模型的训练数据样本，可重复第三步的易磨损部件异常预警模型建设，通过测试验证，得到较为完善的易磨损部件的异常预警模型。

S960:部件的部件异常预警模型的验证结果

我们建立好部件的部件异常预警模型，就从实时数据库中获取历史上换过某部件的一个时间段的机台工艺指标参数数据，对部件异常预警模型进行测试。

S1010:基于停机码的自动报修和维修信息推送功能

在设备的生产过程中，设备的停机情况也可以直观得表现出部件的可靠性程度。若是由于特定原因造成的停机，极有可能反映出部件的可靠性下降这一情况。停机码是指设备在运行过程中发生故障时，报送的包含设备故障编号以及具体故障内容的信息。停机码的主要信息包含专家通过评估ZJ116和ZB48机型的停机码信息是否触发报修推送，设置可报修选项。

多级预警是卷烟厂基于CPS开发的质量监控应用。技术部门对重要指标设定界限范围，当该指标超出设定界限后，会出发多层级报警。知识图谱系统在此基础上，将报警信息与设备部件关联起来。当设备在生产运行时出现多级预警信息时，及时发出机台预警事件信息，如果当前预警事件信息需要报修，则自动向设备管理系统发出报修呼叫请求信息。并且基于设备知识图谱库和设备故障诊断网络模型诊断，后台服务推送多级预警事件需要报修时的最可能的故障现象、故障原因及采取的处理措施内容。

S1020:基于事件侦听的设备异常诊断

如图9所示，以设备维修记录为基础，获取设备维修发生时的3天内的停机事件信息，建立设备维修部位BOM和对应部件、质量缺陷、故障现象、故障原因、处理措施及各个停机码、多级预警码和发生次数的对应关系，最终形成设备部件与停机码间的关系，再建立设备部件与停机码及停机次数的维修或换件的红黄判定标准，再根据此部件维修判定标准，得到当前设备部件的维修状态。其中停机码对于部件维修判定的过程如下：

S1021:以设备维修记录为基础，获取设备维修发生时的3天内的停机事件信息；

S1022:根据设备维修部位BOM找到对应的部件，建立部件与质量缺陷、故障现象、故障原因、处理措施及各个停机码和停机次数的对应关系，从而最终建立设备部件与停机码间的关系；

S1023:根据上述关系数据，可自动产生设备部件维修或换件的红黄判定标准(条件为当前部件下的停机码及停机次数关系要素)；

S1024:再根据部件维修判定标准，得到指定条件下的各台设备的各个部件的维修状态(状态：无维修、维修、换件)。

综上经过以上步骤，在部件出现异常状态时，利用数据分析算法推理出其异常状态发生概率，从而快速匹配知识图谱中的异常原因和处理措施等信息并推送给业务人员。从而实现快零部件异常及时预警与诊断，迅速寻找备件、快速维修的目的。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (8)

1.一种零部件异常预警与诊断方法，其特征在于，所述方法包括步骤：

根据机台部件位置预警指标信息，对预先训练好的预警模型进行设置部件异常预警指标遴选；

获取每个机台的各个部件数据信息；

将各个部件数据信息输入预先训练好的预警模型，输出易磨损部件异常状态概率分布；

根据易磨损部件异常状态概率分布快速匹配知识图谱中的异常原因和处理措施。

2.根据权利要求1所述的零部件异常预警与诊断方法，其特征在于，所述机台部件位置预警指标信息包括：

设置每个机台的各部件位置信息；

设置每个机台的各个部件位置预警指标信息。

3.根据权利要求1所述的零部件异常预警与诊断方法，其特征在于，所述设置部件异常预警指标遴选包括：

通过分析设备生产过程中的历史实时数据，利用指标特征提取找出影响产品质量状态的部件异常预警指标有，分析各个指标数据的态势变化，并在实时生产中验证指标的态势变化；

基于熵值法计算各指标的相关性权重，并且对各指标的权重进行排序，再排除那些权重非常低的指标，然后再次对剩余的指标根据历史数据重新计算各个指标的权重，确保每个指标对部件异常预警的有效性，确认产品质量状态与各个指标特征关联性。

4.根据权利要求3所述的零部件异常预警与诊断方法，其特征在于，所述部件异常预警包括：

实时监控试点机型机台的引起故障部件的指标值，根据部件预警模型定时预测各个机台的部件异常状态分布，如果发现有异常状态时，记录部件异常时的指标数据，并立即推送引起发生部件异常的一个或多个部件，通过部件异常预警匹配知识图谱中的异常原因和处理措施。

5.根据权利要求1所述的零部件异常预警与诊断方法，其特征在于，所述获取每个机台的各个部件数据信息包括：

设置每个机台的各个部件位置的数据获取规则，所述获取每个机台的各个部件数据信息是达到获取规则的数据信息。

6.根据权利要求1所述的零部件异常预警与诊断方法，其特征在于，所述预警模型的训练方法包括：

获取每个机台的各个部件位置的有效历史数据并组装成可直接使用的Data Frame；

利用t-SNE算法进行降维，计算出数据的二维坐标；

将每一条数据独立指派成一个数据簇；

计算数据两两之间在二维空间上的距离；

按数据之间的距离排序，得到一个由近至远的关系列表；

循环关系列表，将距离最近的两个数据簇合并成一个数据簇；

循环合并步骤，直到列表中的数据簇达到离散状态；

在二维图表上打印离散的数据簇并将数据输出到文件；

展示二维数据，辅助人工决策，确定数据簇的正确度；

读取分簇之后的数据，根据人工决策及机器辅助决策将数据加上标签；

利用决策树算法将数据随机分为两份：训练数据、校验数据；

利用SVC算法加载训练数据训练得到预警模型。

7.根据权利要求6所述的零部件异常预警与诊断方法，其特征在于，所述方法还包括对预警模型进行优化，具体方法为：

根据数据预处理规则将数据转换为训练数据；

按比例将新产出的可信数据分割为训练数据、校验数据两类；

将新产生的训练数据加入到原有的训练集，重新训练预测模型；

利用新产生的校验数据验证预警模型的准确度，根据准确度调整训练数据的规模及数据预处理规则；

调整训练集中的训练数据适应新的数据预处理规则；

再次重新训练预处理模型。

8.根据权利要求6所述的零部件异常预警与诊断方法，其特征在于，所述SVC算法是支持向量机算法，所述算法包括：

建立一个最优决策超平面，使得该平面两侧距离该平面最近的两类样本之间的距离最大化，对于一个多维的样本集，系统随机产生一个超平面并不断移动，对样本进行分类，直到训练样本中属于不同类别的样本点正好位于该超平面的两侧，寻找满足条件的超平面，使得超平面两侧的空白区域最大化，从而实现对线性可分样本的最优分类。