一种故障预测方法与系统与流程

本技术属于故障检测，尤其涉及一种故障预测方法与系统。

背景技术：

1、在钢铁行业的加工过程中，需要多种大型设备互相配合，以实现对钢铁的生产与加工。例如可以作为驱动设备的大型电机、可以作为散热设备的大型风机。随着钢铁需求的增加，钢铁的生产、加工时间均随之增加，因此例如电机、风机等设备均可能出现故障导致生产效率、生产质量降低。

2、电机、风机发生故障时，具有丰富经验的操作人员可以通过观察电机、风机所在的生产现场，并结合运行时产生的数据对是否存在故障进行判断，但效率较低，不能及时发现故障的存在，容易导致生产损失。

3、为了提高故障检测效率，可以将当前运行设备产生的数据与历史数据进行对比，依靠历史数据中的故障数据、正常运行数据以及现有的故障判断规则对当前运行设备进行故障检测。这一方法可以提高故障检测效率，但在设备及生产需求日益更新的情况下，故障类型也随之增加，所述方法依赖于历史故障数据以及故障判断规则，不能结合当前生产情况预测出新型故障。

技术实现思路

1、本技术提供一种故障预测方法与系统，以解决在进行故障检测时，依赖于历史故障数据以及故障判断规则，不能结合当前生产情况预测出新型故障的问题。

2、第一方面，本技术提供一种故障预测方法，包括：

3、采集目标检测设备的时间序列数据；所述时间序列数据包括所述目标检测设备的振动信号；

4、基于卷积神经网络提取所述时间序列数据中的特征信息；所述卷积神经网络包括分类器；所述特征信息包括所述时间序列数据的波动、趋势、同环比差异；

5、基于所述分类器，根据所述特征信息对所述时间序列数据执行数据分类，以选择故障预测模型；所述故障预测模型包括拉依达准则模型、指数加权移动平均模型、动态阈值模型、变点检测模型以及梯度提升模型；

6、将所述时间序列数据输入至故障预测模型，得到故障预测信息。

7、在一些可行的实施例中，所述基于所述分类器，根据所述特征信息对所述时间序列数据执行数据分类之前，包括：

8、计算所述时间序列数据的波动特征值，若所述波动特征值小于波动阈值，则标记所述时间序列数据为平稳状态；

9、计算所述时间序列数据的趋势特征值，若所述趋势特征值超出趋势阈值区间，则标记所述时间序列数据为有趋势状态；若所述趋势特征值在所述趋势阈值区间内，则标记所述时间序列数据为无趋势状态；

10、计算所述时间序列数据的同环比差异特征值，若所述同环比差异特征值大于同环比差异阈值，则标记所述时间序列数据为有同环比差异状态；若所述同环比差异特征值小于或等于同环比差异阈值，则标记所述时间序列数据为无同环比差异状态。

11、在一些可行的实施例中，根据所述特征信息对所述目标检测设备执行故障分类时，包括：

12、若所述时间序列数据为平稳状态，且无趋势状态、无同环比差异状态，则选择拉依达准则模型为故障预测模型；

13、若所述时间序列数据为不平稳状态，且无趋势状态、无同环比差异状态，则选择指数加权移动平均模型为故障预测模型；

14、若所述时间序列数据为不平稳状态，且无趋势状态、有同环比差异状态，则选择动态阈值模型为故障预测模型；

15、若所述时间序列数据为不平稳状态，且有趋势状态、有同环比差异状态，则选择变点检测模型为故障预测模型；

16、若所述时间序列数据为不平稳状态，且有趋势状态、无同环比差异状态，则选择梯度提升模型为故障预测模型。

17、在一些可行的实施例中，所述故障预测模型包括依次连接的输入层、无监督层、有监督层以及输出层；所述无监督层用于根据所述时间序列数据提取故障数据；所述有监督层用于将所述时间序列数据转化为有监督序列数据，所述有监督序列数据中包括带有故障标记的数据；所述输出层用于根据所述故障数据以及有监督序列数据输出故障预测信息。

18、在一些可行的实施例中，用于训练所述故障预测模型的时间序列数据包括故障数据，训练所述故障预测模型的步骤包括：

19、对所述时间序列数据执行预处理，所述预处理包括频域分析以及时域分析；

20、根据所述频域分析以及时域分析的结果在所述时间序列数据中标记故障数据；

21、使用所述带有故障标记的时间序列数据训练所述故障预测模型，以得到最优故障预测模型。

22、在一些可行的实施例中，将所述带有故障标记的时间序列数据输入至所述故障预测模型进行训练时，包括：

23、将带有故障标记的时间序列数据输入至数据扩充模型；所述数据扩充模型包括u-net网络；所述数据扩充模型为根据带有故障标记的时间序列数据训练得到的最优数据扩充模型；所述扩充时间序列数据的数据量大于所述时间序列数据；

24、获取所述数据扩充模型输出的扩充时间序列数据。

25、在一些可行的实施例中，所述方法还包括：

26、基于留一被试交叉法计算故障预测模型的检测指标；所述检测指标包括查准率与查全率的比例、f1分数；

27、根据所述检测指标选取故障预测模型，以获得最优故障预测模型。

28、在一些可行的实施例中，获取目标检测设备的时间序列数据之前，还包括：

29、根据用于执行所述故障预测方法的终端设备的设备性能部署模型配置文件；所述设备性能包括终端设备的软件信息、硬件信息以及终端设备的响应速度；所述模型配置文件包括模型以及模型的配置参数。

30、在一些可行的实施例中，所述方法还包括：

31、基于所述故障预测模型输出所述故障预测信息，执行警告策略；所述警告策略包括控制警示灯闪烁、通过通信网络发送故障预测信息。

32、第二方面，本技术提供一种故障预测系统，包括：数据采集模块、特征提取模块、故障预测模块；

33、所述数据采集模块用于获取目标检测设备的时间序列数据；所述时间序列数据包括所述目标检测设备的振动信号；

34、所述特征提取模块基于卷积神经网络提取所述时间序列数据中的特征信息；所述卷积神经网络包括分类器；

35、所述特征提取模块还基于所述分类器，根据所述特征信息，对所述目标检测设备执行故障分类以选择故障预测模型；所述故障预测模型包括拉依达准则模型、指数加权移动平均模型、动态阈值模型、变点检测模型以及梯度提升模型；

36、所述故障预测模块用于根据时间序列数据，得到故障预测信息。

37、由上述技术内容可知，本技术提供一种故障预测方法与系统。所述方法获取目标检测设备的时间序列数据，时间序列数据包括目标检测设备的振动信号。并基于卷积神经网络提取所述时间序列数据的特征信息。将时间序列数据输入至故障预测模型可以得到故障预测信息。对时间序列数据分类可以增强时间序列数据与单类故障之间的关系，并且可以根据所述关系选择用于预测这类故障的模型，进而实现通过时间序列数据，根据特征信息可以形成设备运行趋势预测，进而有利于识别出新型故障。