基于人工智能的设备故障检测与预警系统及方法与流程

本发明涉及工控机故障检测领域，具体涉及一种基于人工智能的设备故障检测与预警系统及方法。

背景技术：

工控机(industrialpersonalcomputer，ipc)即工业控制计算机，是一种采用总线结构，对生产过程及机电设备、工艺装备进行检测与控制的工具总称。机器学习(machinelearning)是一门专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能的学科。

工控设备长时间运行，设备会出现各种各样的问题，为了保障生产线等不受设备故障而出现停线等，需要定期对设备进行相应检测和维护，但一般的检测和维护不能保证可以发现设备一些潜在问题，导致设备还是会出现一些突发故障，造成较大经济损失。设备异常发生后，根据异常类型，通知相关工作人员去处理，异常处理不及时会导致设备停止工作，造成大量经济损失。现有工控机故障维护方式反应时间慢、处理时间长，不利于降低设备故障造成的损失。

技术实现要素：

为了解决上述技术问题，本发明公开一种基于人工智能的设备故障检测与预警系统，该系统能够根据设备工作状态，提前预警设备故障，避免突发故障的发生，减小停工检修带来的经济损失。

本发明还公开一种基于人工智能的设备故障检测与预警方法。

本发明通过下述技术方案实现：

基于人工智能的设备故障检测与预警系统，包括采集模块、处理模块和预警模块，所述处理模块包括数据训练单元、预测单元和判断单元：

采集模块包括若干传感器，传感器安装在工控设备的不同部件上，用于采集工控设备实时状态数据；

所述数据训练单元用于训练采集到的设备状态历史数据，建立设备异常预测模型；

预测单元用于在采集到的设备状态新数据输入设备异常预测模型后，预测设备状态；

判断单元用于在预测设备状态异常时，通知预警模块发出预警。

进一步的，所述预警模块用于发出预警信号，所述设备故障检测与预警系统还包括存储模块，用于存储和更新设备状态数据；采用混合式大数据架构对数据进行存储与管理，以满足设备全生命周期海量数据存储管理。

进一步的，所述传感器为声音传感器、温度传感器和振动传感器中的一种或多种。

基于人工智能的设备故障检测与预警方法，包括以下步骤：

(1)在工控设备的不同部件上选取状态观测点，在状态观测点上安装传感器采集工控设备实时状态数据；

(2)利用数据训练单元训练采集到的设备状态历史数据，建立设备异常预测模型；

(3)采集到的设备状态新数据输入设备异常预测模型后，预测单元预测设备状态，若预测设备状态异常，判断单元则通知预警模块发出预警。

进一步的，步骤(2)中，建立设备异常预测模型具体包括以下步骤：

(21)数据预处理：对传感器采集的设备状态数据进行预处理；

(22)特征选择、特征分析：采用过滤式或包裹式或嵌入式的方法来进行数据的特征选择；经过特征选择后，采用统计方法进行特征分析；

(23)特征构造及特征融合：根据需要，将多个特征进行融合处理，特征融合算法主要可以分为三类：基于贝叶斯决策理论的算法、基于稀疏表示理论的算法、基于深度学习理论算法；

(24)异常因子构建：根据不同部件的不同需求及特征数据，构建不同部件的异常因子；

(25)异常预测模型构建：基于特征数据及构建的异常因子，采用回归模型或神经网络模型来构建预测模型。

进一步的，步骤(21)中，数据预处理具体步骤为：

1)“抽取(extraction)”：指的是将数据从各种原始的业务系统中读取出来，这是所有工作的前提；

2)“转换(transformation)”：指按照预先设计好的规则将抽取的数据进行转换，使本来异构的数据格式能统一起来；

3)“加载(loading)”：将转换完的数据按计划导入到数据库中。

进一步的，步骤(22)中，特征分析采用分布分析或帕累托分析。

工控设备在运行过程中，设备的一些基本状态会随工作时间的延长而发生变化，例如：声音、温度、振动等，设备的这些基本状态的变化能够反映设备的一个运行情况，如果能提前根据这些基本状态的变化异常来预测设备的运行状态，可以发出提前预警，对设备进行相应整修维护，避免突发故障造成的巨大经济损失。

本发明通过在工控设备各部件关键位置布设传感器，采集设备的实时状态数据，通过数据训练单元训练数据、根据设备状态历史数据建立设备异常预测模型，通过将采集的实时状态数据输入到异常预测模型中，判定设备状态，实现故障预警，避免突发故障的发生，减小停工检修带来的经济损失。

本发明与现有技术相比，具有如下的优点和有益效果：

1、本发明基于人工智能的设备故障检测与预警系统，通过对工控设备状态运行历史数据的挖掘和机器学习，总结数据规律，采用人工智能算法建立设备状态预测模型，通过该模型提前对设备异常发出预警，避免设备突发异常造成巨大经济损失。

2、本发明基于人工智能的设备故障检测与预警方法：在工控设备各部件关键位置布设传感器，采集设备的实时状态数据，数据训练单元训练数据、根据设备状态历史数据建立设备异常预测模型，通过将采集的实时状态数据输入到异常预测模型中，判定设备状态，实现故障预警，避免突发故障的发生，减小停工检修带来的经济损失。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：

图1为本发明故障检测与预警系统示意图；

图2为本发明故障检测与预警流程图；

图3为本发明设备预警时序图；

图4为本发明异常预测模型建立流程图；

图5为本发明实施例3模块连接图；

图6为本发明实施例4模块连接图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。

实施例1

如图1所示，本发明基于人工智能的设备故障检测与预警系统，包括采集模块、处理模块和预警模块，所述处理模块包括数据训练单元、预测单元和判断单元：

采集模块包括若干传感器，传感器安装在工控设备的不同部件上，用于采集工控设备实时状态数据；

所述数据训练单元用于训练采集到的设备状态历史数据，建立设备异常预测模型；

预测单元用于在采集到的设备状态新数据输入设备异常预测模型后，预测设备状态；

判断单元用于在预测设备状态异常时，通知预警模块发出预警。

进一步的，所述预警模块用于发出预警信号，所述设备故障检测与预警系统还包括存储模块，用于存储和更新设备状态数据；采用混合式大数据架构对数据进行存储与管理，以满足设备全生命周期海量数据存储管理。

进一步的，所述传感器为声音传感器、温度传感器和振动传感器中的一种或多种。

实施例2

如图2、3所示，基于人工智能的设备故障检测与预警方法，包括以下步骤：

(1)在工控设备的不同部件(如发动机、传送机)的关键部位上选取状态观测点，在状态观测点上安装传感器采集工控设备实时状态数据，比如声音、温度、振动等；

(2)利用数据训练单元训练采集到的设备状态历史数据，运用数据融合和机器学习算法，建立相应设备状态预测模型；

(3)采集到的设备状态新数据输入设备异常预测模型后，预测单元预测设备状态，若预测设备状态异常，判断单元则通知预警模块发出预警；

(4)发出预警：根据预测结果，若设备不同部件出现状态异常，则发出相应预警信息。

如图4所示，步骤(2)中，建立设备异常预测模型具体包括以下步骤：

(21)数据预处理：对传感器采集的设备状态数据进行预处理；

(22)特征选择、特征分析：采用过滤式或包裹式或嵌入式的方法来进行数据的特征选择；经过特征选择后，采用统计方法进行特征分析，如分布分析或帕累托分析等；

(23)特征构造及特征融合：根据需要，将多个特征进行融合处理，特征融合算法主要可以分为三类：基于贝叶斯决策理论的算法、基于稀疏表示理论的算法、基于深度学习理论算法；

(24)异常因子构建：根据不同部件的不同需求及特征数据，构建不同部件的异常因子；

(25)异常预测模型构建：基于特征数据及构建的异常因子，采用回归模型或神经网络模型来构建预测模型。

进一步的，步骤(21)中，数据预处理具体步骤为：

1)“抽取(extraction)”：指的是将数据从各种原始的业务系统中读取出来，这是所有工作的前提；

2)“转换(transformation)”：指按照预先设计好的规则将抽取的数据进行转换，使本来异构的数据格式能统一起来；

3)“加载(loading)”：将转换完的数据按计划导入到数据库中。

采集到的实时数据输入构建的异常预测模型，模型处理输入的数据，给出预测结果，如果预测设备某部件异常，则发出预警信息；新采集的数据可以用来训练模型，随着数据量的增大，异常预测模型的准确率会得到不断提高，同种预测模型可以应用在同类设备上。

实施例3

如图5所示，本实施例仅在工控设备上实施本发明：

本实施例中，所有工控设备均有数据处理功能，所有设备(设备a、b)间可实现所有数据共享，主要检测与预警流程如下：

采集设备状态数据：在设备的不同部件的关键上建立状态观测点，通过在观测点上安装传感器采集设备的实时状态数据，比如声音、温度、振动等；

训练数据、建立模型：依据采集到的本设备及其他所有同型号设备状态历史数据，比如设备运行时间、设备的声音、温度、振动等数据，这些数据存储在历史数据库中，依据这些数据对应设备不同部件(比如发动机、传送机等)的不同状态(例如：异常、正常等)，运用数据融合和机器学习算法，建立相应设备状态预测模型；

预测设备状态：传感器采集到的设备实时状态数据输入设备异常状态预测模型，分析预测设备不同部件的不同状态；

发出预警：根据预测结果，若本设备不同部件出现状态异常，则发出相应预警信息。

实施例4

如图6所示，本实施例存在云端或远程服务器时实施本发明：

在本实施例中，所有工控设备(设备a、b)均没有数据处理功能，所有数据均传输到服务器端进行处理，服务器可以是云端服务器，主要流程如下：

采集设备状态数据：在设备的不同部件的关键上建立状态观测点，通过在观测点上安装传感器采集设备的实时状态数据，比如声音、温度、振动等；

训练数据、建立模型：采集到的数据传输至服务器，服务器的处理模块依据采集到的所有同型号设备状态历史数据，比如设备运行时间、设备的声音、温度、振动等数据，这些数据存储在历史数据库中，依据这些数据对应设备不同部件(比如发动机、传送机等)的不同状态(例如：异常、正常等)，运用数据融合和机器学习算法，建立相应设备状态预测模型；

预测设备状态：采集到的设备状态数据传输至服务器，输入设备状态预测模型，分析预测设备不同部件的不同状态；

发出预警：根据预测结果，若设备不同部件出现状态异常，则发出相应预警信息。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。