一种基于工业物联网的机械设备故障预警方法、系统和可读存储介质与流程

本发明涉及机械设备监测领域，更具体的，涉及一种基于工业物联网的机械设备故障预警方法、系统和可读存储介质。

背景技术：

随着现代工业技术的不断发展，工业规模的不断增大，工业机械应用于各种工业场景成为行业普遍现场，例如在许多流程工业行业中，大机械设备被广泛引用以支持整个工艺流程的正常、高速运转。机械设备一旦发生故障，不仅带来经济损失，更可能危及人身安全，造成严重的危害和影响，因此，保证机械设备健康运转以及设备出现故障后，即使检测和修理都是重要的

随着计算机技术在实时监测和诊断领域应用的不断深化，将基于知识库的专家系统技术应用于诊断预警领域已成为诊断技术的一个重要方向，但是传统的预警诊断方法，效率低，精度差，无法给运维人员提供准确的参考。

技术实现要素：

为了解决上述至少一个技术问题，本发明提出了一种基于工业物联网的机械设备故障预警方法、系统和可读存储介质。

为了解决上述的技术问题，本发明第一方面公开了一种基于工业物联网的机械设备故障预警方法，所述方法包括：

传感节点采集机械设备状态数据，将所述机械设备状态数据传输至数据网关做预判处理，若当前机械设备状态数据与预设标准状态数据差的绝对值大于预设阈值，则机械设备状态数据上传至云服务器；

所述云服务器对机械设备状态数据预处理后提取特征值，将特征值数据利用分类故障模型进行预警诊断，得到诊断结果。

本方案中，若采集的机械设备状态值与预设标准状态值差的绝对值小于预设阈值，则记录当前时间时刻t1,若在t1时刻之后预设的时间段t内，所述机械设备状态值与预设标准状态值差的绝对值均小于预设阈值，则调整采样频率为当前采样频率的n倍，继续采样t时间段并对采样的机械设备状态数据做预判处理。

本方案中，所述分类故障预警模型包括：异常捕获模型、故障分析模型、故障诊断模型；所述异常捕获模型用于对特征值数据分析后捕获异常从而进行状态预警；所述故障分析模型用于在异常捕获之后进行故障原因分析；所述诊断模型用于对故障分析的结果做出故障分类和最终诊断。

本方案中，所述分级预警模型中预设有故障专家知识库，所述故障专家知识库基于历史故障数据训练得到。

本方案中，所述分类故障模型基于卷积神经网络训练模型训练得到，其训练过程具体为：

步骤1：获取不同故障对应的机械设备状态数据，进行去噪预处理后通过傅里叶变换生成频谱图并按预设的比例分为训练样本和测试样本；

步骤2：建立卷积神经网络模型并初始化参数，确定网络参数，所述网络参数包括有：学习率、迭代次数；

步骤3：将训练样本输入到卷积神经网络模型中，通过前向传播求得输出值和期望值的误差；

步骤4：判断卷积神经网络模型是否收敛，若收敛则执行步骤6,否则执行步骤5；

步骤5：反向传播和权值修改，利用随机梯度下降算法将步骤4求得的误差反向逐层传播，更新权值，重复步骤3到步骤5，直至卷积神经网络模型收敛；

步骤6：根据测试样本的准确度判断卷积神经网络模型是否满足要求，如满足执行步骤7，否则跳转到步骤2，修改网络参数；

步骤7：输出训练完毕的卷积神经网络模型，用于故障预警。

本方案中，所述神经网络模型采用的损失函数为交叉熵损失函数，具体如下：

其中，1{yi＝j}为示性函数，表示括号内的值为真时值为1，为假时值为0；k为样本的总数，c为样本的类别数，yi是第i样本的真实值，是第i样本为第j各类别的预测概率。

本方案中，神经网络在训练过程中，前向传播计算误差值，误差值反向传播，更新每一层的w和e，参数的更新公式如下：

其中，η卷积神经网络的学习率。

本发明第二方面公开了一种基于工业物联网的机械设备故障预警系统，包括存储器和处理器，所述存储器中包括基于工业物联网的机械设备故障预警方法程序，所述基于工业物联网的机械设备故障预警方法程序被所述处理器执行时实现如下步骤：

传感节点采集机械设备状态数据，将所述机械设备状态数据传输至数据网关做预判处理，若当前机械设备状态数据与预设标准状态数据差的绝对值大于预设阈值，则机械设备状态数据上传至云服务器；

所述云服务器对机械设备状态数据预处理后提取特征值，将特征值数据利用分类故障模型进行预警诊断，得到诊断结果。

本方案中，若采集的机械设备状态值与预设标准状态值差的绝对值小于预设阈值，则记录当前时间时刻t1,若在t1时刻之后预设的时间段t内，所述机械设备状态值与预设标准状态值差的绝对值均小于预设阈值，则调整采样频率为当前采样频率的n倍，继续采样t时间段并对采样的机械设备状态数据做预判处理。

本发明第三方面公开了一种计算机可读存储介质，所述计算机可读存储介质中包括机器的一种基于工业物联网的机械设备故障预警方法程序，所述一种基于工业物联网的机械设备故障预警方法程序被处理器执行时，实现如述任一项所述的一种基于工业物联网的机械设备故障预警方法的步骤。

本发明公开的一种基于工业物联网的机械设备故障预警方法、系统和可读存储介质，通过采集机械设备状态数据，利用数据网关进行预判处理，将异常状态数据上传云服务器，利用预设的分类故障模型进行精确预警，提高机械设备故障预警诊断的准确率。

附图说明

图1示出了本发明一种基于工业物联网的机械设备故障预警流程图；

图2示出了卷积神经网络模型训练流程图；

图3示出了本发明一种基于工业物联网的机械设备故障预警系统的框图。

具体实施方法

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

本发明的方法适用于那些机械设备，如工程机械设备、车间生产设备，包括但不限于各式齿轮箱、各式滚动轴承、电机、压缩机等，当然，本发明并不限制装置的种类，任何采用本发明的技术方案都将落入本发明保护范围内。

图1示出了本发明一种基于工业物联网的机械设备故障预警方法流程图。

如图1所示，本发明第一方面公开了一种基于工业物联网的机械设备故障预警方法，包括：

一种基于工业物联网的机械设备故障预警方法，所述方法包括：

传感节点采集机械设备状态数据，将所述机械设备状态数据传输至数据网关做预判处理，若当前机械设备状态数据与预设标准状态数据差的绝对值大于预设阈值，则机械设备状态数据上传至云服务器；

所述云服务器对机械设备状态数据预处理后提取特征值，将特征值数据利用分类故障模型进行预警诊断，得到诊断结果。

需要说明的，本发明中传感节点的设置可以是一个或者多个，传感节点对应的传感器的类型可以为多种，如振动传感器、压力传感器、温度传感器等，所述状态数据可以是单一传感节点采集的数据，也可以是多种传感节点的组成的多维数据。

本发明中通传感节点采集的机械设备状态数据，通过数据网关的预判处理，可以避免非异常工况的状态数据上传占据传统带宽，带来时延和数据传输量大等问题，此外数据网关可以在在设定时间段内保存，在解析设备非工作时段或者空闲时段上传数据。

进一步需要说明的是，本发明中的分类故障模型，克服了传统单一故障模型综合判断的缺陷，可以针对异常捕获、故障分析、故障诊断分别做预警，使得预警更加合理科学。

本方案中，若采集的机械设备状态值与预设标准状态值差的绝对值小于预设阈值，则记录当前时间时刻t1,若在t1时刻之后预设的时间段t内，所述机械设备状态值与预设标准状态值差的绝对值均小于预设阈值，则调整采样频率为当前采样频率的n倍，继续采样t时间段并对采样的机械设备状态数据做预判处理。

需要说明的是，若在t1时刻之后预设的时间段t内，所述状态值与预设标准状态值的差小于预设阈值，则将调整采样频率为当前采样频率的n倍，继续采样t时间段并对采样数据做预判处理，通过在预设时间段调节一次采样频率，可以避免某些低频异常故障工况无法的状态数据在原采样频率下无法得到的问题。

本方案中，所述分类故障预警模型包括：异常捕获模型、故障分析模型、故障诊断模型；所述异常捕获模型用于对特征值数据分析后捕获异常从而进行状态预警；所述故障分析模型用于在异常捕获之后进行故障原因分析；所述诊断模型用于对故障分析的结果做出故障分类和最终诊断。

需要说明的是，分类故障模型克服了传统综合判断模型，不精确不准确的缺陷。

本方案中，所述分级预警模型中预设有故障专家知识库，所述故障专家知识库基于历史故障数据训练得到。

本方案中，所述分级故障模型基于卷积神经网络训练模型训练得到，其训练过程具体为：

图2示出了卷积神经网络模型训练流程图。

如图2所示，本方案中，所述分级故障模型基于卷积神经网络模型模型训练得到，其训练过程具体为：

s202：获取不同故障对应的机械设备状态数据，进行去噪预处理后通过傅里叶变换生成频谱图并按预设的比例分为训练样本和测试样本；

s204：建立卷积神经网络模型并初始化参数，确定网络参数，所述网络参数包括有：学习率、迭代次数；

s206：将训练样本输入到卷积神经网络模型中，通过前向传播求得输出值和期望值的误差；

s208：判断卷积神经网络模型是否收敛，若收敛则执行步骤s212,否则执行步骤s210；

s210：反向传播和权值修改，利用随机梯度下降算法将步骤s208求得的误差反向逐层传播，更新权值，重复步骤s206到步骤s210，直至卷积神经网络模型收敛；

s212：根据测试样本的准确度判断卷积神经网络模型是否满足要求，如满足执行步骤s214，否则跳转到步骤s204，修改网络参数；

s2014：输出训练完毕的卷积神经网络模型，用于故障预警。

本方案中，所述神经网络模型采用的损失函数为交叉熵损失函数，具体如下：

其中，1{yi＝j}为示性函数，表示括号内的值为真时值为1，为假时值为0；k为样本的总数，c为样本的类别数，yi是第i样本的真实值，是第i样本为第j各类别的预测概率。

本方案中，神经网络在训练过程中，前向传播计算误差值，误差值反向传播，更新每一层的w和e，参数的更新公式如下：

其中，η卷积神经网络的学习率。

需要说明的是，分类故障模型可以采用不同的神经网络进行训练，已获得不同的预警判断精度。

图3示出了一种基于工业物联网的机械设备故障预警系统框图。

如图3所示，本发明第二方面公开了一种基于工业物联网的机械设备故障预警系统，包括存储器31和处理器32，所述存储器中包括基于工业物联网的机械设备故障预警方法程序，所述基于工业物联网的机械设备故障预警方法程序被所述处理器执行时实现如下步骤：

传感节点采集机械设备状态数据，将所述机械设备状态数据传输至数据网关做预判处理，若当前机械设备状态数据与预设标准状态数据差的绝对值大于预设阈值，则机械设备状态数据上传至云服务器；

所述云服务器对机械设备状态数据预处理后提取特征值，将特征值数据利用分类故障模型进行预警诊断，得到诊断结果。

本方案中，若采集的机械设备状态值与预设标准状态值差的绝对值小于预设阈值，则记录当前时间时刻t1,若在t1时刻之后预设的时间段t内，所述机械设备状态值与预设标准状态值差的绝对值均小于预设阈值，则调整采样频率为当前采样频率的n倍，继续采样t时间段并对采样的机械设备状态数据做预判处理。

需要说明的是，若在t1时刻之后预设的时间段t内，所述状态值与预设标准状态值的差小于预设阈值，则将调整采样频率为当前采样频率的n倍，继续采样t时间段并对采样数据做预判处理，通过在预设时间段调节一次采样频率，可以避免某些低频异常故障工况无法的状态数据在原采样频率下无法得到的问题。

本方案中，所述分类故障预警模型包括：异常捕获模型、故障分析模型、故障诊断模型；所述异常捕获模型用于对特征值数据分析后捕获异常从而进行状态预警；所述故障分析模型用于在异常捕获之后进行故障原因分析；所述诊断模型用于对故障分析的结果做出故障分类和最终诊断。

需要说明的是，分类故障模型克服了传统综合判断模型，不精确不准确的缺陷。

本方案中，所述分级预警模型中预设有故障专家知识库，所述故障专家知识库基于历史故障数据训练得到。

本方案中，所述分级故障模型基于卷积神经网络训练模型训练得到，其训练过程具体为：

图2示出了卷积神经网络模型训练流程图。

如图2所示，本方案中，所述分级故障模型基于卷积神经网络模型模型训练得到，其训练过程具体为：

s202：获取不同故障对应的机械设备状态数据，进行去噪预处理后通过傅里叶变换生成频谱图并按预设的比例分为训练样本和测试样本；

s204：建立卷积神经网络模型并初始化参数，确定网络参数，所述网络参数包括有：学习率、迭代次数；

s206：将训练样本输入到卷积神经网络模型中，通过前向传播求得输出值和期望值的误差；

s208：判断卷积神经网络模型是否收敛，若收敛则执行步骤s212,否则执行步骤s210；

s210：反向传播和权值修改，利用随机梯度下降算法将步骤s208求得的误差反向逐层传播，更新权值，重复步骤s206到步骤s210，直至卷积神经网络模型收敛；

s212：根据测试样本的准确度判断卷积神经网络模型是否满足要求，如满足执行步骤s214，否则跳转到步骤s204，修改网络参数；

s2014：输出训练完毕的卷积神经网络模型，用于故障预警。

本方案中，所述神经网络模型采用的损失函数为交叉熵损失函数，具体如下：

其中，1{yi＝j}为示性函数，表示括号内的值为真时值为1，为假时值为0；k为样本的总数，c为样本的类别数，yi是第i样本的真实值，是第i样本为第j各类别的预测概率。

本方案中，神经网络在训练过程中，前向传播计算误差值，误差值反向传播，更新每一层的w和e，参数的更新公式如下：

其中，η卷积神经网络的学习率。

需要说明的是，分类故障模型可以采用不同的神经网络进行训练，已获得不同的预警判断精度。

本发明第三方面公开了一种计算机可读存储介质，所述计算机可读存储介质中包括机器的一种基于工业物联网的机械设备故障预警方法程序，所述一种基于工业物联网的机械设备故障预警方法程序被处理器执行时，实现如述任一项所述的一种基于工业物联网的机械设备故障预警方法的步骤。

本发明公开的一种基于工业物联网的机械设备故障预警方法、系统和可读存储介质，通过采集机械设备状态数据，利用数据网关进行预判处理，将异常状态数据上传云服务器，利用预设的分类故障模型进行精确预警，提高机械设备故障预警诊断的准确率。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，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全部单元来实现本实施例方案的目的。

另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也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，本发明实施例的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。而前述的存储介质包括：移动存储设备、rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。