一种无人化智能装备健康与保障综合管理通用系统的制作方法

本发明涉及无人化智能装备技术领域，尤其涉及一种无人化智能装备健康与保障综合管理通用系统。

背景技术：

在市场竞争日益激烈的今天，企业提升价格竞争力和利润率的很大一方面取决于成本的控制，而这一切源于企业的精益生产(制造)管理活动，一方面，企业的生产设备占投资的比例极大，并且有着多样化的特点（机器类型不同/制造商不同），正是这个多样性导致了数据整合性低，使得对设备状态的实时跟踪，工作状态的监控分析很难做到统一管理。

目前车间的监控仍停留在摄像头的画面监控，数字采集转置采集的数据存储在计算机等设备中，设备运行数据与设备运行状态并没有达到良好的协同统一，且传统监控设备所拍摄的角度及范围有限，无法深入的对运行设备进行解刨分析；随着生产制造设备的高精尖及更加复杂化的进程，一方面，全球市场格局加快调整，投资规模迅速攀升，市场份额加速向优势企业集中；另一方面，移动智能终端及芯片呈爆发式增长，互联网、物联网、大数据等新业态快速发展，集成电路技术演进出现新趋势，生产及其他业务需要更全面的了解生产过程的运行状态及该状态下的各种设备运行参数。

针对相关技术中的问题，目前尚未提出有效的解决方案。

技术实现要素：

本发明的目的是为了解决现有技术中的问题，而提出的一种无人化智能装备健康与保障综合管理通用系统。

为了实现上述目的，本发明采用了如下技术方案：

一种无人化智能装备健康与保障综合管理通用系统，包括数据服务器主机和web显示终端，所述数据服务器主机通过web接口与web显示终端连接，在无人化智能装备制造配套设备上设置有数据检测单元和数据传输单元，所述数据服务器主机与数据检测单元和数据传输单元信号连接，所述；

所述数据服务器主机包括以下单元；

外部数据接收单元，用于接收无人化智能装备制造配套设备上数据检测单元检测到的信号；

web接口，用于连接web显示终端；

数据库，用于储存参数；

数据访问模块，用于访问数据库中的参数；

数据处理模块，用于外部数据接收单元接收到的数据与数据访问模块访问的参数进行对比；

健康评估模块，用于评估无人化智能装备制造配套设备的健康度及寿命标准；

故障预测模块，用于预测无人化智能装备制造配套设备的故障；

决策支持模块，用于确定无人化智能装备制造配套设备的的故障；

参数采集模块，用于采集故障参数；

仿真模型模块，用于根据采集的故障参数对无人化智能装备制造配套设备模拟故障注入以及装备整体的测试性验证仿真。

优选的，所述数据服务器主机还包括整机级phm、分系统级phm和模块级phm。

优选的，所述数据检测单元采用智能传感器及机器视觉技术进行信号采集。

优选的，所述智能传感器包括温度传感器、湿度传感器、压力传感器、距离传感器、重力传感器、烟雾传感器、料位传感器、高压传感器、长度传感器和磁敏传感器等。

优选的，所述健康评估模块采用机器学习算法对无人化智能装备制造配套设备的关键部件的健康状态给予实时评估。

优选的，所述web显示终端用于显示历史数据图、健康度曲线和故障信息列表。

优选的，所述仿真模型模块模拟无人装备使用条件下的测试性仿真验证包括以下步骤：

s1、基于多智能体技术的虚拟无人装备建模；

s2、基于多目标遗传算法的故障样本优化；

s3、基于系统动力学的渐变型故障注入建模；

s4、测试性仿真试验及使用评价。

优选的，所述数据服务器主机还包括风险评估单元，用于分析计算无人化智能装备制造配套设备致命故障的发生概率。

优选的，所述数据库包括国内数据库和国外数据库。

优选的，还包括公共服务单元，所述公共服务单元主要由osa-cbm标准类库单元、配置管理单元和权限管理单元组成。

与现有技术相比，本发明提供了一种无人化智能装备健康与保障综合管理通用系统，具备以下有益效果：

1、该无人化智能装备健康与保障综合管理通用系统，通过对无人化智能装备制造配套设备工作状态参数进行在线监测、故障报警与诊断、维修决策、自动修复等，实现无人装备健康与保障综合管理系统的模块化、标准化、高可靠性等。

2、该无人化智能装备健康与保障综合管理通用系统，通过仿真模型模块中建立的虚拟无人装备模型，对所有可能影响装备性能的故障进行分类，形成一个数据量较大的故障样本集，实现对故障的准确模拟性能，便于确定设备的维修方案。

附图说明

图1为本发明提出的一种无人化智能装备健康与保障综合管理通用系统的系统框图；

图2为本发明提出的一种无人化智能装备健康与保障综合管理通用系统的多参数耦合关联分析原理图；

图3为本发明提出的一种无人化智能装备健康与保障综合管理通用系统的模拟仿真过程中多目标最小化问题的pareto最优解和支配解及pareto序列的适应度分配图；

图4为本发明提出的一种无人化智能装备健康与保障综合管理通用系统的测试性仿真验证流程图。

图中：1、数据服务器主机；2、web显示终端；3、数据检测单元；4、数据传输单元；5、外部数据接收单元；6、web接口；7、数据库；8、数据访问模块；9、数据处理模块；10、健康评估模块；11、故障预测模块；12、决策支持模块；13、参数采集模块；14、仿真模型模块；15、公共服务单元。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述；显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明的描述中，需要说明的是，术语“上”、“下”、“内”、“外”、“顶/底端”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“设置有”、“套设/接”、“连接”等，应做广义理解，例如“连接”，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通；对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1：

参照图1-4，一种无人化智能装备健康与保障综合管理通用系统，包括数据服务器主机1和web显示终端2，数据服务器主机1通过web接口6与web显示终端2连接，在无人化智能装备制造配套设备上设置有数据检测单元3和数据传输单元4，数据服务器主机1与数据检测单元3和数据传输单元4信号连接，；

数据服务器主机包括以下单元；

外部数据接收单元5，用于接收无人化智能装备制造配套设备上数据检测单元3检测到的信号；

web接口6，用于连接web显示终端2；

数据库7，用于储存参数；

数据访问模块8，用于访问数据库7中的参数；

数据处理模块9，用于外部数据接收单元5接收到的数据与数据访问模块8访问的参数进行对比；

健康评估模块10，用于评估无人化智能装备制造配套设备的健康度及寿命标准；

故障预测模块11，用于预测无人化智能装备制造配套设备的故障；

决策支持模块12，用于确定无人化智能装备制造配套设备的的故障；

参数采集模块13，用于采集故障参数；

仿真模型模块14，用于根据采集的故障参数对无人化智能装备制造配套设备模拟故障注入以及装备整体的测试性验证仿真。

数据服务器主机1还包括整机级phm、分系统级phm和模块级phm。

数据检测单元3采用智能传感器及机器视觉技术进行信号采集。

智能传感器包括温度传感器、湿度传感器、压力传感器、距离传感器、重力传感器、烟雾传感器、料位传感器、高压传感器、长度传感器和磁敏传感器等。

健康评估模块10采用机器学习算法对无人化智能装备制造配套设备的关键部件的健康状态给予实时评估。

web显示终端用于显示历史数据图、健康度曲线和故障信息列表。

仿真模型模块14模拟无人装备使用条件下的测试性仿真验证包括以下步骤：

s1、基于多智能体技术的虚拟无人装备建模；

s2、基于多目标遗传算法的故障样本优化；

s3、基于系统动力学的渐变型故障注入建模；

s4、测试性仿真试验及使用评价。

数据服务器主机1还包括风险评估单元，用于分析计算无人化智能装备制造配套设备致命故障的发生概率。

数据库7包括国内数据库和国外数据库。

还包括公共服务单元15，公共服务单元15主要由osa-cbm标准类库单元、配置管理单元和权限管理单元组成；

本系统针对无人机、无人艇、无人车、无人车间等无人化智能装备制造配套，重点解决具有无人特点的装备技术状态监测、故障报警与诊断、使用与维修决策、自动修复等问题，通过多种智能传感器，并结合了机器视觉技术对无人装备的电信号、振动信号、热工信号等多维多态信号进行同步采集，实现对无人化智能装备制造配套设备的工作状态参数的采集功能，采集的数据经由数据传输单元4传递到数据服务器主机1上的外部数据接收单元5进行存储，通过与数据访问模块8访问数据库7中的参数进行对比，结合健康评估模块10来评估无人化智能装备制造配套设备的健康度及寿命标准，以元器件失效物理为基础，形成多类常见元件或部件的主要失效机理模型，并制定关键部件的健康评估与寿命标准，对多个监测参数进行关联性分析来实现耦合参数的解耦或降维，以隐马尔科夫链为基础建立关键部件的健康评估与寿命预测模型，根据无人装备的技术状态信息，采用机器学习算法，可采用神经网络、粒子滤波、贝叶斯模型等对关键部件的健康状态给予实时评估，及其使用寿命进行预测，综合无人装备故障规律的历史信息及其技术状态的实时信息，通过故障树模型与控制图模型的智能化分析计算致命故障的发生概率，并进行风险评估；通过故障决策树、多信号流图等模型，对故障进行智能辅助诊断；最终通过故障预测模块11和决策支持模块12来判断设备故障，通过参数采集模块13采集故障参数，实施故障注入试验时，每次注入一个故障，进行故障检测、故障隔离、记录试验数据、修复产品到正常状态，然后再注入下一个故障，直到达到规定的样本量，通过对故障检测率、故障隔离率等测试性指标进行分析与验证，仿真过程中采用多智能体技术建立虚拟装备模型来分析和模拟装备的各项使用功能，首先根据装备的各个功能模块，以及任务设定和工作结构分解原则，将主体任务划分为若干个单元任务；然后，将每个单元任务视作“智能体”，分析各个单元任务之间的逻辑关系，建立以各模块功能为支撑的任务流程离散系统模型；最后，通过“智能体”的基础设置、通讯机制和状态图定义设置实现装备的使用与功能模拟，基于所建立的虚拟无人装备模型，对所有可能影响装备性能的故障进行分类，形成一个数据量较大的故障样本集，根据故障模式的分布特点，同时考虑故障注入点的可达性以及故障模拟的可实现性等多方面要求来选取故障样本集，对于故障样本集中的偶发型故障类型，可利用传统的蒙特卡洛仿真手段进行故障信息的注入即可，而对于故障影响因素较多且故障机理复杂的渐变型故障，采用冲击退化理论对其相关物理量演化所带来的积累效应特征进行分析，考虑到其累积效应特征与系统动力学中积流图的变化特征相类似，采用系统动力学方法对渐变型故障参数模块中的变量演化效应进行建模，分析各个故障的主要参数及其相关要素，以及各要素的作用机制和逻辑机理，构建故障注入系统的系统动力学模型，描述渐变型故障各要素间相互作用的逻辑关系，通过仿真模拟对备件等维修保障资源的需求进行预测，并自动生成维修保障资源清单，实现无人装备健康与保障综合管理系统的模块化、标准化、高可靠性等。

以上所述，仅为本发明较佳的具体实施方式，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，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。