CN117591970B - 一种全自动组装设备的故障预警方法及系统 - Google Patents

一种全自动组装设备的故障预警方法及系统 Download PDF

Info

Publication number
CN117591970B
CN117591970B CN202410073342.XA CN202410073342A CN117591970B CN 117591970 B CN117591970 B CN 117591970B CN 202410073342 A CN202410073342 A CN 202410073342A CN 117591970 B CN117591970 B CN 117591970B
Authority
CN
China
Prior art keywords
fault
equipment
failure
representing
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202410073342.XA
Other languages
English (en)
Other versions
CN117591970A (zh
Inventor
董明伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kunshan Manhe Electronic Technology Co ltd
Original Assignee
Kunshan Manhe Electronic Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Kunshan Manhe Electronic Technology Co ltd filed Critical Kunshan Manhe Electronic Technology Co ltd
Priority to CN202410073342.XA priority Critical patent/CN117591970B/zh
Publication of CN117591970A publication Critical patent/CN117591970A/zh
Application granted granted Critical
Publication of CN117591970B publication Critical patent/CN117591970B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Human Resources & Organizations (AREA)
  • Probability & Statistics with Applications (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Primary Health Care (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本申请提供一种全自动组装设备的故障预警方法及系统，涉及组装加工设备技术领域，该方法包括：基于全自动组装设备的传感器组，实时采集全自动组装设备的设备实时运行数据；设备实时运行数据包含多个设备运行参数；根据设备实时运行数据和多个历史设备运行数据，确定全自动组装设备的设备运行数据序列；将设备运行数据序列输入至故障预测模型，以确定全自动组装设备针对预设的各个设备故障类型的故障预测结果；故障预测模型包含LSTM模型模块；基于各个故障预测结果，执行故障预警操作。由此，通过引入先进传感技术和智能算法，对设备故障进行预测并预警，保障全自动组装设备的运行稳定性。

Description

一种全自动组装设备的故障预警方法及系统
技术领域
本申请涉及组合加工设备的智能信息化技术领域，尤其涉及一种全自动组装设备的故障预警方法及系统。
背景技术
随着制造业的快速发展，全自动组装设备能够实现高效率、高精度的组装过程，在提高生产效率、保障产品质量方面发挥着日益重要的作用。然而，全自动组装设备在运行过程中面临的故障问题仍然是一个亟待解决的挑战。
传统的组装设备的维护方法主要以定期检查和替换零部件为主，这种方法虽然能够维持设备的基本运行，但却难以应对突发性的故障情况。由于现代全自动组装设备通常由大量复杂的机械、电子和控制系统组成，一旦发生故障，不仅会导致生产中断，还可能引发连锁反应，影响整个生产线的正常运行。
此外，目前的全自动组装设备对于故障的监测管理往往依赖于规则或静态阈值，往往只能做到故障发生之后的检测结果输出，而无法在故障初期被准确检测和提前预测诊断，导致全自动组装设备的运行稳定性受到影响。
针对上述问题，目前业界暂未提出较佳的技术解决方案。
发明内容
本申请提供一种全自动组装设备的故障预警方法、系统、终端设备及存储介质，用以至少解决现有技术中全自动组装设备无法提前感知潜在故障并进行防范，导致全自动组装设备的运行稳定性较差的缺陷。
本申请提供一种全自动组装设备的故障预警方法，包括：基于全自动组装设备的传感器组，实时采集所述全自动组装设备的设备实时运行数据；所述设备实时运行数据包含多个设备运行参数；根据所述设备实时运行数据和多个历史设备运行数据，确定所述全自动组装设备的设备运行数据序列；所述设备运行数据序列为对应预设采样时间长度的设备运行数据，且每一所述设备运行数据分别具有相应的数据采集时刻；将所述设备运行数据序列输入至故障预测模型，以确定所述全自动组装设备针对预设的各个设备故障类型的故障预测结果；所述故障预测模型包含LSTM模型模块；基于各个所述故障预测结果，执行故障预警操作。
可选地，所述设备运行参数包含以下中的至少一者：轴承振动参数、电机电流参数、传送带速度参数、气动系统流量参数和液压系统油压参数；以及，所述故障预测结果包含以下中的至少一者：轴承故障、电机故障、传送带故障、气动系统故障和液压系统故障。
可选地，所述基于各个所述故障预测结果，执行故障预警操作，包括：获取所述全自动组装设备所对应的虚拟孪生模型；针对各个所述故障预测结果，根据预设的故障模块关联表确定与所述故障预测结果匹配的目标渲染模型模块，并基于所述故障预测结果对所述目标渲染模型模块进行渲染；所述故障模块关联表记录了所述虚拟孪生模型中多个渲染模型模块和相应的设备故障类型。
可选地，所述故障预测结果包含预测故障类型和相应的预测故障概率，其中，所述针对各个所述故障预测结果，根据预设的故障模块关联表确定与所述故障预测结果匹配的目标渲染模型模块，并基于所述故障预测结果对所述目标渲染模型模块进行渲染，包括：针对各个所述故障预测结果，根据所述故障模块关联表确定与所述预测故障类型匹配的目标渲染模型模块和相应的目标故障影响指数，并基于所述预测故障概率和所述目标故障影响指数对所述目标渲染模型模块进行渲染；所述故障模块关联表还记录了多个渲染模型模块和相应的设备故障类型及故障影响指数。
可选地，所述基于所述预测故障概率和所述目标故障影响指数对所述目标渲染模型模块进行渲染，包括：
。
其中，表示待渲染的目标渲染模型模块，/>是由彩色可视化编码、形状编码/>和亮度编码/>组合而成的；各个编码是根据目标渲染模型模块所对应的预测故障概率/>和目标故障影响指数/>而确定的：
。
。
。
其中，表示线性插值函数，/>和/>分别代表安全状态和故障状态的颜色，/>表示根据/>和/>计算相应故障状态程度的函数；/>表示图形选择函数，其定义了基于预设规则从图形集中选择目标图形的函数；/>表示对应正常状态的最小亮度值，/>表示对应高故障概率状态的最大亮度值，以及/>表示考虑用户设置信息的亮度因子；/>表示正常状态所对应的第一图形形状，/>表示低故障风险所对应的第二图形形状，/>表示中等故障风险所对应的第三图形形状，以及表示高故障风险所对应的第四图形形状；/>分别表示相应的故障概率阈值，分别表示相应的故障影响指数阈值。
可选地，所述故障预测模型还包含自编码器，其中所述自编码器与所述LSTM模型模块平行集成于所述故障预测模型；其中，所述故障预测模型通过执行包括以下的操作来确定各个所述故障预测结果：基于所述LSTM模型模块，针对所述设备运行数据序列预测对应各个所述设备故障类型的第一故障特征向量；基于所述自编码器，针对所述设备运行数据序列预测对应各个所述设备故障类型的第二故障特征向量；基于融合层模块针对所述第一故障特征向量和所述第二故障特征向量参照各个所述故障维度分别进行加权计算，以得到相应的各个所述故障预测结果：所述融合层模块针对各个所述故障维度的对比权重是在模型训练过程中根据故障样本数据集而确定的；所述故障样本数据集包含多个故障样本，每一所述故障样本包含设备运行数据样本和相应的针对各个所述故障维度的故障标签。
可选地，基于融合层模块针对所述第一故障特征向量和所述第二故障特征向量参照各个所述故障维度进行加权计算，以得到相应的各个所述故障预测结果，包括：
。
。
其中，表示第一故障特征向量中针对第m种设备故障类型的向量表示，/>表示第二故障特征向量中针对第m种设备故障类型的向量表示；/>表示针对第m种设备故障类型融合后得到的特征向量，/>表示故障对比权重序列/>，其中/>表示针对第m种设备故障类型的对比权重；/>表示针对第m种设备故障类型的预测结果向量；/>表示Sigmoid函数；/>和/>分别表示融合层模块的模型层参数。
可选地，所述LSTM模型模块的损失函数为：
。
其中，是故障样本数据集中故障样本的数量，/>是第i个样本的故障标签信息，是LSTM模型模块预测的故障概率；
所述自编码器的损失函数为：
。
其中，是原始的输入特征向量，/>是自编码器重构的特征向量；
所述融合层模块的损失函数为：
。
其中，表示用于衡量所述LSTM模型模块的损失与所述自编码器的损失之间的重要性的权重参数。
可选地，针对和/>的确定步骤包括：
分别初始化和/>所对应的第一搜索值范围和第二搜索值范围，并从所述第一搜索值范围和所述第二搜索值范围中分别选择第一采样值和第二采样值进行s次随机组合，以确定相应的s个搜索值组；针对所述s个搜索值组，基于所述搜索值组对所述故障预测模型进行拟设置，并确定拟设置后的故障预测模型的模型性能指标，具体包括：划分故障样本数据集为k个子集；针对s个搜索值组中的各个所述搜索值组，分别执行包括以下的操作：基于所述搜索值组设置所述故障预测模型，迭代使用k−1个子集作为训练数据来训练模型，并在剩下的1个子集上评估所述故障预测模型所对应的F1分数；所述迭代的终止条件为k个子集均已被用于评估；根据各个所述F1分数，确定所述搜索值组所对应的平均F1分数；根据对应所述平均F1分数最高的搜索值组，确定/>和/>。
本申请还提供一种全自动组装设备的故障预警系统，包括：数据采集单元，用于基于全自动组装设备的传感器组，实时采集所述全自动组装设备的设备实时运行数据；所述设备实时运行数据包含多个设备运行参数；序列确定单元，用于根据所述设备实时运行数据和多个历史设备运行数据，确定所述全自动组装设备的设备运行数据序列；所述设备运行数据序列为对应预设采样时间长度的设备运行数据，且每一所述设备运行数据分别具有相应的数据采集时刻；故障预测单元，用于将所述设备运行数据序列输入至故障预测模型，以确定所述全自动组装设备针对预设的各个设备故障类型的故障预测结果；所述故障预测模型包含LSTM模型模块；故障预警单元，用于基于各个所述故障预测结果，执行故障预警操作。
本申请还提供一种终端设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如上述任一种所述的全自动组装设备的故障预警方法的步骤。
本申请还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，其特征在于，所述计算机程序被处理器执行时实现如上述任一种所述的全自动组装设备的故障预警方法的步骤。
本申请提供的全自动组装设备的故障预警方法、终端设备及存储介质，通过引入先进传感技术和智能算法，实现对全自动组装设备的故障预测和预警，使得设备运维人员可以针对故障隐患进行提前防范，以保障全自动组装设备的稳定运行。具体地，利用所采集到的实时运行数据和多个历史设备运行数据，构建了全自动组装设备的设备运行数据序列，以对预设采样时间长度的设备运行数据进行抽象，利用集成LSTM（Long Short TermMemory networks, 长短时记忆网络）模型模块的故障预测模型，能够较佳地捕捉时间序列数据中的长期依赖关系，对各个预设的设备故障类型进行准确的预测，使得故障预测结果具有较强的可靠性。继而，系统能够在故障初期就对设备故障进行预测并提前预警，能够更好地保障全自动组装设备的正常运行，从极大程度上减小故障隐患的实际发生，将故障对生产线的干扰程度降至较低水平。
附图说明
为了更清楚地说明本申请或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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示出了根据本申请实施例的全自动组装设备的故障预警方法的一示例的流程图；
图2示出了根据本申请实施例的基于各个故障预测结果执行故障预警操作的一示例的流程图；
图3示出了根据本申请实施例的故障预测模型的一示例的结构框图；
图4示出了根据本申请实施例的针对故障预测模型进行训练的一示例的流程图；
图5示出了针对和/>的确定步骤的一示例的流程图；
图6示出了根据本申请实施例的全自动组装设备的故障预警系统的一示例的结构框图；
图7是本申请提供的终端设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请中的附图，对本申请中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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他实施例，都属于本申请保护的范围。
图1示出了根据本申请实施例的全自动组装设备的故障预警方法的一示例的流程图。
关于本申请实施例方法的执行主体，其可以是任意具有计算或处理能力的控制器或处理器，以实现对全自动组装设备的故障进行预警的目标。在一些示例中，其可以是通过软件、硬件或软硬件结合的方式被集成配置在终端设备中，并且终端设备的类型可以是多样化的，在一些实施方式中，终端设备可以是直接被部署在全自动组黄设备中的。
如图1所示，在步骤S110中，基于全自动组装设备的传感器组，实时采集全自动组装设备的设备实时运行数据。
这里，设备实时运行数据包含多个设备运行参数。应理解的是，设备运行参数的参数类型可以是多样化的，并可以根据故障类型而进行调整。由此，通过实时传感信号采集，确保了系统对设备状态的持续监测，捕获各种运行参数的动态变化。
在步骤S120中，根据设备实时运行数据和多个历史设备运行数据，确定全自动组装设备的设备运行数据序列。
这里，设备运行数据序列为对应预设采样时间长度的设备运行数据，且每一设备运行数据分别具有相应的数据采集时刻。示例性地，针对设备运行数据的采样周期是1分钟，而设备运行数据序列为对应半小时内的设备运行数据，相应地，设备运行数据每新添一个设备实时运行数据就会相应删减时间超过半小时的历史设备运行数据，以较佳地量化设备短期运行状态的波动情况。
在步骤S130中，将设备运行数据序列输入至故障预测模型，以确定全自动组装设备针对预设的各个设备故障类型的故障预测结果，故障预测模型包含LSTM模型模块。
需说明的是，LSTM模型能够更好地捕捉时间序列数据中的长期依赖关系，能够更准确地处理时序数据，提高了对设备故障类型的预测准确性。
在一些实施方式中，设备运行参数包含以下中的至少一者：轴承振动参数、电机电流参数、传送带速度参数、气动系统流量参数和液压系统油压参数。相应地，故障预测结果包含以下中的至少一者：轴承故障、电机故障、传送带故障、气动系统故障和液压系统故障。
示例性地，通过安装振动传感器监测轴承振动，可以实时获取振动信号，而当轴承出现问题时，一段时间内振动信号的频率、幅度或谱图可能发生微妙的变化，通过对这些变化进行分析，可以提前预测轴承故障。此外，通过电流传感器监测电机电流波形，可以捕捉到微妙的变化，而当电机受到不正常的负载时，电流波形可能出现畸变，通过实时监测和分析电流信号，可以提前预测电机故障。
在步骤S140中，基于各个故障预测结果，执行故障预警操作。
由此，系统能够通过执行故障预警操作，促使运维人员快速发现全自动组装设备所潜在可能发生的故障，最小化故障对设备运行的不良影响，通过自动化执行故障预警操作，有助于降低人为干预的需求，实现更高程度的自动化维护。
通过本申请实施例，融合深度学习模型的智能算法技术和传感器实时检测技术，实时监测全自动组装设备的运行状态，预测可能发生的故障，并自动执行故障预警操作，有助于提高设备的稳定性和可靠性，降低故障对设备运行的影响。
图2示出了根据本申请实施例的基于各个故障预测结果执行故障预警操作的一示例的流程图。
如图2所示，在步骤S210中，获取全自动组装设备所对应的虚拟孪生模型。
具体地，虚拟孪生模型是全自动组装设备在虚拟环境中的数字表示，它可以包含多样化的信息显示维度，例如设备结构、设备运行参数以及设备故障相关信息等等。由此，允许系统在数字环境中模拟设备的运行情况，实现了对全自动组装设备的可视化运行状态监控。
在步骤S220中，针对各个故障预测结果，根据预设的故障模块关联表确定与故障预测结果匹配的目标渲染模型模块，故障模块关联表记录了多个渲染模型模块和相应的设备故障类型。
具体地，将全自动组装设备所对应的虚拟孪生模型拆分为多个渲染模型模块，例如针对全自动组装设备的气动系统、液压系统、电机系统和传送系统等设备部分分别构建相应的渲染模型模块。继而，将与各个渲染模型模块对应的设备部分所潜在存在的设备故障进行关联，例如气动系统故障、传送系统的传送带故障等，实现对故障模块关联表的整理。进一步地，利用故障模块关联表，能够准确地查到与各个由故障预测模型确定的故障预测结果匹配的目标渲染模型模块，例如电机故障是电机系统所对应的渲染模型模块。
在步骤S230中，基于故障预测结果对目标渲染模型模块进行渲染。
示例性地，根据故障预测结果将目标渲染模型模块从正常状态渲染成故障状态，例如从绿色变为红色。由此，实现了对出现故障的渲染模型模块在虚拟孪生模型中的突出渲染，让运维管理人员能更直观地捕获到全自动组装设备的故障设备部分。
此外，需强调的是，本申请实施例中，将虚拟孪生模型拆分为多个渲染模型模块，并仅对存在设备部分故障的渲染模型模块进行渲染，而不需要针对故障进行全局渲染，有效节约了系统处理资源，提高了虚拟孪生模型的加载效率。
在本申请实施例的一些示例中，故障预测结果包含预测故障类型和相应的预测故障概率，例如将故障预测模型的预测置信度来确定相应的预测故障概率，以更量化地向运维人员传递潜在故障发生几率的高低。继而，在对目标渲染模型模块进行渲染时，可以针对各个故障预测结果，根据故障模块关联表确定与预测故障类型匹配的目标渲染模型模块和相应的目标故障影响指数，并基于预测故障概率和目标故障影响指数对目标渲染模型模块进行渲染。这里，故障模块关联表记录了多个渲染模型模块和相应的设备故障类型及故障影响指数。
需说明的是，故障影响指数可以表示该模块发生故障时对全自动组装设备的生产效率和产品质量的影响程度，例如运维人员可以根据实际需求在故障模块关联表中设置轴承故障类型具有大于传送带故障类型的故障影响指数。
通过本申请实施例，基于预测故障概率和目标故障影响指数对目标渲染模型模块进行渲染，使得对应故障设备部分的目标渲染模型模块的渲染效果能够与预测故障概率和目标故障影响指数相关，提高了对故障预测模型的渲染效果。
在一些实施方式中，基于预测故障概率和目标故障影响指数对目标渲染模型模块进行渲染，包括：
。
其中，表示待渲染的目标渲染模型模块，/>是由彩色可视化编码、形状编码/>和亮度编码/>组合而成的。
在一些实施方式中，可以表示将故障概率及其影响指数转换为针对模块/>的特定颜色代码。/>可以表示将故障概率及其影响指数转换为模块/>周围显示的特定图案形状。/>可以表示将故障概率及其影响指数转换为针对模块/>的亮度级别。
例如，不同颜色的渐变可以用来表示故障概率的不同水平，形状或图案（如警告三角形、点阵图或环形指示器）可以用来突出模型渲染模块的重要性或优先级，而不同的亮度级别可以用来引导运维人员对虚拟孪生模型中特定区域的关注。
进一步地，各个编码是根据目标渲染模型模块所对应的预测故障概率和目标故障影响指数/>而确定的：
。
。
。
其中，表示线性插值函数，/>和/>分别代表安全状态（例如，绿色）和故障状态的颜色（例如，红色），/>表示根据/>和/>计算相应故障状态程度的函数。
表示图形选择函数，其定义了基于预设规则从图形集中选择目标图形的函数。
表示对应正常状态的最小亮度值，/>表示对应高故障概率状态的最大亮度值，以及/>表示考虑用户设置信息的亮度因子。
表示正常状态所对应的第一图形形状，/>表示低故障风险所对应的第二图形形状，/>表示中等故障风险所对应的第三图形形状，以及/>表示高故障风险所对应的第四图形形状；/>分别表示相应的故障概率阈值，/>分别表示相应的故障影响指数阈值，这些阈值可以是由运维人员根据业务需求而进行设置。
示例性地，利用颜色编码来指示故障概率的大小，例如从绿色（无故障）过渡到黄色（低风险故障）再到红色（高风险故障）。利用/>来指示故障的重要性，例如形状编码可能根据故障的重要性采用不同的图案，例如，圆环代表轻微影响，星号代表中等影响，交错闪电代表非常严重的影响。利用亮度编码/>来指示风险的同时匹配用户偏好，例如，亮度编码可以通过用户界面上下文来进行微调，在夜间模式下，可以使用更显眼的颜色和亮度降低以适应环境亮度，或者对色盲用户，使用高对比度和特定的图案编码来辅助。
通过本申请实施例，针对不同的编码提供了相应的编码函数，能够实现针对故障重要性、故障风险概率以及用户设置的个性化渲染，在保障突出渲染故障模型模块的同时，为全自动组装设备的孪生监控提高最优的可视化监控体验。
图3示出了根据本申请实施例的故障预测模型的一示例的结构框图。
如图3所示，故障预测模型300包含LSTM模型模块310、自编码器320和融合层模块330。自编码器320与LSTM模型模块310平行集成于故障预测模型，具体地，LSTM模型模块310和自编码器320并联接入融合层模块330。
在一些实施方式中，故障预测模型300通过执行包括以下的操作来确定各个故障预测结果：
基于LSTM模型模块310，针对设备运行数据序列预测对应各个所述设备故障类型的第一故障特征向量。
基于自编码器320，针对设备运行数据序列预测对应各个设备故障类型的第二故障特征向量。
示例性地，自编码器由编码器部分和解码器部分组成。编码器部分负责压缩输入到一个低维潜在表示，解码器负责将潜在表示恢复到原始数据维度。在正常工作数据上训练自编码器的网络结构，使重构误差最小化。当有新样本输入时，重构误差的增加将表明样本与训练期间“学到”的正常模式存在差异，这可能预示着潜在的故障。由此，结合自编码器（Autoencoder, AE）来进行异常检测，通过学习输入数据的正常行为模式，能够在新数据显著偏离这些模式时识别异常，从而发现潜在的故障。
基于融合层模块330，针对第一故障特征向量和第二故障特征向量参照各个故障维度分别进行加权计算，以得到相应的各个故障预测结果。融合层模块330针对各个故障维度的对比权重是在模型训练过程中根据故障样本数据集而确定的。这里，故障样本数据集包含多个故障样本，每一故障样本包含设备运行数据样本和相应的针对各个故障维度的故障标签。
在本申请实施例中，通过融合层联合集成LSTM模型和自编码器的优势，可以建立一个强大的故障预警系统。LSTM有助于捕捉时间依赖结构，而自编码器有助于通过解码器的重构误差检测运行状态的任何显著变化。由此，能够在不同的数据维度上提供故障预警，从而更为全面地监测和预测潜在故障。
在本申请实施例的一些示例中，融合层模块330被配置成执行包括以下的操作：
。
。
其中，表示第一故障特征向量中针对第m种设备故障类型的向量表示，/>表示第二故障特征向量中针对第m种设备故障类型的向量表示。/>表示针对第m种设备故障类型融合后得到的特征向量，/>表示故障对比权重序列/>，其中/>表示针对第m种设备故障类型的对比权重。/>表示针对第m种设备故障类型的预测结果向量，/>表示Sigmoid函数，/>和/>分别表示融合层模块的模型层参数。
需说明的是，故障对比权重序列中各个故障类型的对比权重可以是多样化的，例如，在针对精密零件的组装中重构误差更重要，而在高速运行模块中，LSTM的预测误差可能变得更加关键，并且根据故障数据样本集通过训练而对与模型层参数进行更新。
图4示出了根据本申请实施例的针对故障预测模型进行训练的一示例的流程图。
如图4所示，在步骤S410中，数据收集与预处理操作。
示例性地，从全自动组装设备的传感器组收集运行数据，如轴承振动参数、电机电流参数、传送带速度参数、气动系统流量参数和液压系统油压参数等。然后，特别需要标记包括正常状态和各种故障状态对应的数据（轴承故障、电机故障等）。进而，清洗数据，处理丢失或异常值。然后，归一化或标准化参数值，使模型训练更为有效，得到故障样本数据集。最后，将故障样本数据集划分为训练集、验证集和测试集。
在步骤S420中，执行特征工程处理。
示例性地，基于领域专家的知识，从原始数据中提取有价值的特征，例如时间域特征（例如统计量）和频域特征（例如FFT分析）。
在步骤S430中，构建LSTM模型模块。
示例性地，对LSTM的网络结构进行定义，例如指定网络层数和每层神经元的数量。继而，初始化网络参数，例如模型层权重和偏置。
在步骤S440中，构建自编码器。
示例性地，定义自编码器的编码器和解码器结构，然后初始化参数，并设置一个较小的中间特征表示，由此模型可以学习数据的压缩表示。
在步骤S450中，基于故障样本数据集对故障预测模型进行训练。
具体地，使用训练集数据来分别训练LSTM模型和自编码器，并使用验证集来监控训练过程并进行超参数调整，以避免过拟合。通过反向传播算法进行循环迭代，逐渐调整网络参数，将最佳的模型参数进行保存。
在步骤S460中，构建并训练融合层模块。
具体地，定义融合层模块的结构及其参数，并使用LSTM和自编码器预测结果作为输入，通过监督学习进一步训练融合层，继而使用验证集对融合层进行调整。
在步骤S470中，对故障预测模型的模型性能进行评估。
具体地，使用测试集来评估故障预测模型的模型性能，检查是否准确预测故障状态。示例性地，可以计算性能指标，如准确率（accuracy）、精确率（precision）、召回率（recall）和F1分数（F1 score）。
在步骤S480中，根据测试结果对融合层模块的模型参数进行调整。
应理解的是，在机器学习和深度学习模型中，损失函数是用来估计模型的预测值与实际值之间差距的函数，以衡量并优化模型性能。
具体地，LSTM模型模块310的损失函数为：
。
其中，是故障样本数据集中故障样本的数量，/>是第i个样本的故障标签信息，是LSTM模型模块310预测的故障概率。
自编码器320的损失函数为：
。
其中，是原始的输入特征向量，/>是自编码器320重构的特征向量。
融合层模块330的损失函数为：
。
其中，表示用于衡量LSTM模型模块310的损失与自编码器320的损失之间的重要性的权重参数。
需强调的是，和/>分别表示不同类型的权重参数。具体地，/>是用于综合损失函数中的平衡参数，它被用来调整二元交叉熵损失（针对故障预测）和均方误差损失（针对自编码器重构）之间的相对重要性。通过调整/>，可以使模型更加注重提高故障预测的准确性，还是保持输入数据的高质量重构。相比之下，/>是用于融合层模块330中的融合参数，它是决定从LSTM模型模块310和自编码器320输出的特征向量在生成最终故障预测结果时各自的贡献程度，通过调整/>可以控制两种不同特征提取方式对最终预测结果的影响程度。
因此，影响的是整体模型优化方向，反映的是对不同损失类型敏感性的调整。/>控制的是模型预测阶段特征融合时，两个不同来源（LSTM模型模块和自编码器）的信息所占比重，即对预测结果产生直接影响的特征信息权重。
图5示出了针对和/>的确定步骤的一示例的流程图。
如图所示，在步骤S510中，分别初始化和/>所对应的第一搜索值范围和第二搜索值范围，并从第一搜索值范围和第二搜索值范围中分别选择第一采样值和第二采样值进行s次随机组合，以确定相应的s个搜索值组。
在步骤S520中，针对s个搜索值组，基于搜索值组对故障预测模型进行拟设置，并确定拟设置后的故障预测模型的模型性能指标。
具体地，划分故障样本数据集为k个子集。针对s个搜索值组中的各个搜索值组，分别执行包括以下的操作：基于搜索值组设置故障预测模型，迭代使用k−1个子集作为训练数据来训练模型，并在剩下的1个子集上评估故障预测模型所对应的F1分数；迭代的终止条件为k个子集均已被用于评估；根据各个F1分数，确定搜索值组所对应的平均F1分数。
在步骤S530中，根据对应模型性能指标最优的搜索值组，确定和/>。在一些实施方式中，模型性能指标最优可以表示平均F1分数最高。
在本申请实施例中，通过预定和/>的搜索值范围，并将从二者的搜索值范围进行随机充足，利用k折交叉验证来进行模型评估，将不同参数组合所对应的平均F1分数进行比较，以得到使模型性能最优的/>和/>的组合。由此，确保故障预测模型在进行设备故障预测方面能够取得最佳性能。
下面对本申请提供的全自动组装设备的故障预警系统进行描述，下文描述的全自动组装设备的故障预警系统与上文描述的全自动组装设备的故障预警方法可相互对应参照。
图6示出了根据本申请实施例的全自动组装设备的故障预警系统的一示例的结构框图。
如图6所示，全自动组装设备的故障预警系统600包括数据采集单元610、序列确定单元620、故障预测单元630和故障预警单元640。
数据采集单元610用于基于全自动组装设备的传感器组，实时采集所述全自动组装设备的设备实时运行数据；所述设备实时运行数据包含多个设备运行参数。
序列确定单元620用于根据所述设备实时运行数据和多个历史设备运行数据，确定所述全自动组装设备的设备运行数据序列；所述设备运行数据序列为对应预设采样时间长度的设备运行数据，且每一所述设备运行数据分别具有相应的数据采集时刻。
故障预测单元630用于将所述设备运行数据序列输入至故障预测模型，以确定所述全自动组装设备针对预设的各个设备故障类型的故障预测结果；所述故障预测模型包含LSTM模型模块。
故障预警单元640用于基于各个所述故障预测结果，执行故障预警操作。
图7示例了一种终端设备的实体结构示意图，如图7所示，该终端设备可以包括：处理器(processor)710、通信接口(Communications Interface)720、存储器(memory)730和通信总线740，其中，处理器710，通信接口720，存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令，以执行全自动组装设备的故障预警方法，该方法包括基于全自动组装设备的传感器组，实时采集所述全自动组装设备的设备实时运行数据；所述设备实时运行数据包含多个设备运行参数；根据所述设备实时运行数据和多个历史设备运行数据，确定所述全自动组装设备的设备运行数据序列；所述设备运行数据序列为对应预设采样时间长度的设备运行数据，且每一所述设备运行数据分别具有相应的数据采集时刻；将所述设备运行数据序列输入至故障预测模型，以确定所述全自动组装设备针对预设的各个设备故障类型的故障预测结果；所述故障预测模型包含LSTM模型模块；基于各个所述故障预测结果，执行故障预警操作。
此外，上述的存储器730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，本申请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）执行本申请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。
另一方面，本申请还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的全自动组装设备的故障预警方法，该方法包括：基于全自动组装设备的传感器组，实时采集所述全自动组装设备的设备实时运行数据；所述设备实时运行数据包含多个设备运行参数；根据所述设备实时运行数据和多个历史设备运行数据，确定所述全自动组装设备的设备运行数据序列；所述设备运行数据序列为对应预设采样时间长度的设备运行数据，且每一所述设备运行数据分别具有相应的数据采集时刻；将所述设备运行数据序列输入至故障预测模型，以确定所述全自动组装设备针对预设的各个设备故障类型的故障预测结果；所述故障预测模型包含LSTM模型模块；基于各个所述故障预测结果，执行故障预警操作。
又一方面，本申请还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以执行上述各提供的全自动组装设备的故障预警方法，该方法包括：基于全自动组装设备的传感器组，实时采集所述全自动组装设备的设备实时运行数据；所述设备实时运行数据包含多个设备运行参数；根据所述设备实时运行数据和多个历史设备运行数据，确定所述全自动组装设备的设备运行数据序列；所述设备运行数据序列为对应预设采样时间长度的设备运行数据，且每一所述设备运行数据分别具有相应的数据采集时刻；将所述设备运行数据序列输入至故障预测模型，以确定所述全自动组装设备针对预设的各个设备故障类型的故障预测结果；所述故障预测模型包含LSTM模型模块；基于各个所述故障预测结果，执行故障预警操作。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (7)

1.一种全自动组装设备的故障预警方法，包括：
基于全自动组装设备的传感器组，实时采集所述全自动组装设备的设备实时运行数据；所述设备实时运行数据包含多个设备运行参数；
根据所述设备实时运行数据和多个历史设备运行数据，确定所述全自动组装设备的设备运行数据序列；所述设备运行数据序列为对应预设采样时间长度的设备运行数据，且每一所述设备运行数据分别具有相应的数据采集时刻；
将所述设备运行数据序列输入至故障预测模型，以确定所述全自动组装设备针对预设的各个设备故障类型的故障预测结果；所述故障预测模型包含LSTM模型模块；所述故障预测结果包含预测故障类型和相应的预测故障概率；
基于各个所述故障预测结果，执行故障预警操作，具体包括：
获取所述全自动组装设备所对应的虚拟孪生模型；
针对各个所述故障预测结果，根据预设的故障模块关联表确定与所述预测故障类型匹配的目标渲染模型模块和相应的目标故障影响指数，并基于所述预测故障概率和所述目标故障影响指数对所述目标渲染模型模块进行渲染；所述故障模块关联表记录了所述虚拟孪生模型中多个渲染模型模块和相应的设备故障类型及故障影响指数；
所述基于所述预测故障概率和所述目标故障影响指数对所述目标渲染模型模块进行渲染，包括：
，
其中，表示待渲染的目标渲染模型模块，/>是由彩色可视化编码/>、形状编码/>和亮度编码/>组合而成的；
各个编码是根据目标渲染模型模块所对应的预测故障概率和目标故障影响指数/>而确定的：
，
，
，
其中，表示线性插值函数，/>和/>分别代表安全状态和故障状态的颜色，/>表示根据/>和/>计算相应故障状态程度的函数；
表示对应正常状态的最小亮度值，/>表示对应高故障概率状态的最大亮度值，以及/>表示考虑用户设置信息的亮度因子；
表示正常状态所对应的第一图形形状，/>表示低故障风险所对应的第二图形形状，/>表示中等故障风险所对应的第三图形形状，以及/>表示高故障风险所对应的第四图形形状；/> 分别表示相应的故障概率阈值，/>分别表示相应的故障影响指数阈值。
2.根据权利要求1所述的方法，其中，所述设备运行参数包含以下中的至少一者：轴承振动参数、电机电流参数、传送带速度参数、气动系统流量参数和液压系统油压参数；以及，所述故障预测结果包含以下中的至少一者：轴承故障、电机故障、传送带故障、气动系统故障和液压系统故障。
3.根据权利要求1所述的方法，其中，所述故障预测模型还包含自编码器，其中所述自编码器与所述LSTM模型模块平行集成于所述故障预测模型；
其中，所述故障预测模型通过执行包括以下的操作来确定各个所述故障预测结果：
基于所述LSTM模型模块，针对所述设备运行数据序列预测对应各个所述设备故障类型的第一故障特征向量；
基于所述自编码器，针对所述设备运行数据序列预测对应各个所述设备故障类型的第二故障特征向量；
基于融合层模块针对所述第一故障特征向量和所述第二故障特征向量参照各个故障维度分别进行加权计算，以得到相应的各个所述故障预测结果：所述融合层模块针对各个所述故障维度的对比权重是在模型训练过程中根据故障样本数据集而确定的；所述故障样本数据集包含多个故障样本，每一所述故障样本包含设备运行数据样本和相应的针对各个所述故障维度的故障标签。
4.根据权利要求3所述的方法，其中，基于融合层模块针对所述第一故障特征向量和所述第二故障特征向量参照各个所述故障维度进行加权计算，以得到相应的各个所述故障预测结果，包括：
，
，
其中，表示第一故障特征向量中针对第m种设备故障类型的向量表示，/>表示第二故障特征向量中针对第m种设备故障类型的向量表示；/>表示针对第m种设备故障类型融合后得到的特征向量，/>表示故障对比权重序列/>，其中/>表示针对第m种设备故障类型的对比权重；/>表示针对第m种设备故障类型的预测结果向量；/>表示Sigmoid函数；/>和/>分别表示融合层模块的模型层参数。
5.根据权利要求4所述的方法，其中，所述LSTM模型模块的损失函数为：
，
其中，是故障样本数据集中故障样本的数量，/>是第i个样本的故障标签信息，/>是LSTM模型模块预测的故障概率；
所述自编码器的损失函数为：
，
其中，是原始的输入特征向量，/>是自编码器重构的特征向量；
所述融合层模块的损失函数为：
，
其中，表示用于衡量所述LSTM模型模块的损失与所述自编码器的损失之间的重要性的权重参数。
6.根据权利要求5所述的方法，其中，针对和/>的确定步骤包括：
分别初始化和/>所对应的第一搜索值范围和第二搜索值范围，并从所述第一搜索值范围和所述第二搜索值范围中分别选择第一采样值和第二采样值进行s次随机组合，以确定相应的s个搜索值组；
针对所述s个搜索值组，基于所述搜索值组对所述故障预测模型进行拟设置，并确定拟设置后的故障预测模型的模型性能指标，具体包括：
划分故障样本数据集为k个子集；
针对s个搜索值组中的各个所述搜索值组，分别执行包括以下的操作：
基于所述搜索值组设置所述故障预测模型，迭代使用k−1个子集作为训练数据来训练模型，并在剩下的1个子集上评估所述故障预测模型所对应的F1分数；所述迭代的终止条件为k个子集均已被用于评估；
根据各个所述F1分数，确定所述搜索值组所对应的平均F1分数；
根据对应所述平均F1分数最高的搜索值组，确定和/>。
7.一种全自动组装设备的故障预警系统，包括：
数据采集单元，用于基于全自动组装设备的传感器组，实时采集所述全自动组装设备的设备实时运行数据；所述设备实时运行数据包含多个设备运行参数；
序列确定单元，用于根据所述设备实时运行数据和多个历史设备运行数据，确定所述全自动组装设备的设备运行数据序列；所述设备运行数据序列为对应预设采样时间长度的设备运行数据，且每一所述设备运行数据分别具有相应的数据采集时刻；
故障预测单元，用于将所述设备运行数据序列输入至故障预测模型，以确定所述全自动组装设备针对预设的各个设备故障类型的故障预测结果；所述故障预测模型包含LSTM模型模块；所述故障预测结果包含预测故障类型和相应的预测故障概率；
故障预警单元，用于基于各个所述故障预测结果，执行故障预警操作，具体包括：
获取所述全自动组装设备所对应的虚拟孪生模型；
针对各个所述故障预测结果，根据预设的故障模块关联表确定与所述预测故障类型匹配的目标渲染模型模块和相应的目标故障影响指数，并基于所述预测故障概率和所述目标故障影响指数对所述目标渲染模型模块进行渲染；所述故障模块关联表记录了所述虚拟孪生模型中多个渲染模型模块和相应的设备故障类型及故障影响指数；
所述基于所述预测故障概率和所述目标故障影响指数对所述目标渲染模型模块进行渲染，包括：
，
其中，表示待渲染的目标渲染模型模块，/>是由彩色可视化编码/>、形状编码/>和亮度编码/>组合而成的；
各个编码是根据目标渲染模型模块所对应的预测故障概率和目标故障影响指数/>而确定的：
，
，
，
其中，表示线性插值函数，/>和/>分别代表安全状态和故障状态的颜色，/>表示根据/>和/>计算相应故障状态程度的函数；
表示对应正常状态的最小亮度值，/>表示对应高故障概率状态的最大亮度值，以及/>表示考虑用户设置信息的亮度因子；
表示正常状态所对应的第一图形形状，/>表示低故障风险所对应的第二图形形状，/>表示中等故障风险所对应的第三图形形状，以及/>表示高故障风险所对应的第四图形形状；/> 分别表示相应的故障概率阈值，/>分别表示相应的故障影响指数阈值。
CN202410073342.XA 2024-01-18 2024-01-18 一种全自动组装设备的故障预警方法及系统 Active CN117591970B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410073342.XA CN117591970B (zh) 2024-01-18 2024-01-18 一种全自动组装设备的故障预警方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410073342.XA CN117591970B (zh) 2024-01-18 2024-01-18 一种全自动组装设备的故障预警方法及系统

Publications (2)

Publication Number Publication Date
CN117591970A CN117591970A (zh) 2024-02-23
CN117591970B true CN117591970B (zh) 2024-04-05

Family

ID=89910241

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410073342.XA Active CN117591970B (zh) 2024-01-18 2024-01-18 一种全自动组装设备的故障预警方法及系统

Country Status (1)

Country Link
CN (1) CN117591970B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115269357A (zh) * 2022-09-23 2022-11-01 华南理工大学 一种基于调用链的微服务异常检测方法
CN115865611A (zh) * 2021-09-24 2023-03-28 中国移动通信集团湖南有限公司 一种网络设备的故障处理方法、装置及电子设备
CN116000131A (zh) * 2022-12-09 2023-04-25 广东省科学院智能制造研究所 一种基于数据驱动的挤压机设备智能运维方法及系统
CN116468992A (zh) * 2023-06-20 2023-07-21 北京天图万境科技有限公司 一种重复校正性监督空间识别与还原方法与装置
CN116822652A (zh) * 2023-07-07 2023-09-29 新誉集团有限公司 地铁故障预测方法、装置、电子设备、系统及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115865611A (zh) * 2021-09-24 2023-03-28 中国移动通信集团湖南有限公司 一种网络设备的故障处理方法、装置及电子设备
CN115269357A (zh) * 2022-09-23 2022-11-01 华南理工大学 一种基于调用链的微服务异常检测方法
CN116000131A (zh) * 2022-12-09 2023-04-25 广东省科学院智能制造研究所 一种基于数据驱动的挤压机设备智能运维方法及系统
CN116468992A (zh) * 2023-06-20 2023-07-21 北京天图万境科技有限公司 一种重复校正性监督空间识别与还原方法与装置
CN116822652A (zh) * 2023-07-07 2023-09-29 新誉集团有限公司 地铁故障预测方法、装置、电子设备、系统及存储介质

Also Published As

Publication number Publication date
CN117591970A (zh) 2024-02-23

Similar Documents

Publication Publication Date Title
US20220283576A1 (en) Automatic diagnosis method, system and storage medium for equipment
EP3489780B1 (en) Examining apparatus, examining method, program and recording medium
JP7102941B2 (ja) 情報処理方法、情報処理装置、及びプログラム
CN111262750B (zh) 一种用于评估基线模型的方法及系统
Mathew et al. Regression kernel for prognostics with support vector machines
KR20200049295A (ko) 회전기기 고장 예지를 위한 건전성 지표 추이 및 잔존수명 예측 기법
CN117375237B (zh) 基于数字孪生技术变电站运维方法及系统
CN114004331A (zh) 一种基于关键指标和深度学习的故障分析方法
CN113722134A (zh) 一种集群故障处理方法、装置、设备及可读存储介质
CN117114454B (zh) 一种基于Apriori算法的直流套管状态评估方法及系统
CN114462820A (zh) 一种轴承状态监测与健康管理系统性能测试及优化方法和系统
CN117591970B (zh) 一种全自动组装设备的故障预警方法及系统
CN117435908A (zh) 一种用于旋转机械的多种故障特征提取方法
CN117034001A (zh) 一种风电机组故障预测方法、装置及电子设备
CN116452067A (zh) 一种工业设备参数的劣化度评估方法、装置及设备
CN116702597A (zh) 一种机械设备运行寿命预测与健康管理方法、系统及介质
CN113654651B (zh) 一种强鲁棒的信号早期退化特征提取及设备运行状态监测方法
CN115713234A (zh) 一种基于工业大数据的设备风险分析预警系统及方法
KR20230075150A (ko) 시스템 건전성을 관리하기 위한 방법 및 장치
KR20230102431A (ko) 인공지능 기반의 오일가스 플랜트 설비 고장 예측 및 진단시스템
CN116802471A (zh) 综合诊断旋转机械的缺陷的方法及系统
KR102110319B1 (ko) 학습 데이터 생성 시스템
KR102196611B1 (ko) 원전설비의 예측 진단 방법 및 시스템
CN112836570A (zh) 一种利用高斯噪声的设备异常检测方法
KR101967637B1 (ko) 증강현실을 활용한 원자력 발전설비 예측진단용 신호데이터 처리장치

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant