本发明涉及设备故障诊断技术领域，具体涉及一种设备主动维修保障协同方法。
背景技术：
随着传感技术、通信技术和云计算技术的快速发展，各种复杂的工程系统和设备被应用到各行各业中。在系统使用过程中，及时有效的设备维修保障对系统来说至关重要。设备维修保障的核心是通过高效的组织，实现设备感知信息、维修保障指挥信息、维修保障信息和专家指导等信息的协同和交互，使设备得到最好的保障效能。复杂系统设备维修保障具有许多特殊性，例如：保障力量呈现分布式，交互信息具有异构性，并且强调保障力量和人员行为的自组织和互相协同等。因此，在进行系统维修保障系统时，面临着系统结构复杂、交互信息异构、分布式等难点，为此，需要一种针对复杂设备的高效维修保障协同方法。
传统的设备维修保障，往往采用被动的维修保障方式，一般只在设备发生故障时，才会对设备进行相应保障，这往往会造成设备的使用不当和寿命缩短；另一方面，在进行装备维修保障时，通常不重视维修保障力量的组织和协同，在针对多种复杂设备时，尤其是存在需要多种保障力量协同进行维修保障时，保障方式能力略显不足，效率较低。
因此，迫切需要一种能够解决传统维修保障协同效率低的问题，实现设备的主动维修保障，提高维修保障力量的组织和协同效率的方法。
技术实现要素：
(一)要解决的技术问题
本发明要解决的技术问题是：如何有效提高设备、维修保障人员的协同效率。
(二)技术方案
为了解决上述技术问题，本发明提供了一种设备主动维修保障协同方法，包括以下步骤：
步骤1、多种设备传感器感知设备的多维原始数据，并保存在本地；
步骤2、所述原始数据经采样后，选择部分数据定期上传并保存到设备维修保障云端；
步骤3、所述维修保障云端根据上传的数据及历史数据，评估设备状态，生成初步设备维修保障计划，记录相应结果，并将结果发送到设备维修保障移动终端；
步骤4、将维修保障移动终端与设备相连，读取设备原始数据，进一步诊断和验证设备状态，并根据初步维修保障计划和智能算法，生成维修保障方案；
步骤5、维修保障人员根据方案进行设备维修，并通过移动终端与远程人员进行协同交互，实现装备的主动和协同维修保障。
优选地，步骤1具体包括：
步骤11：感知设备信息：系统通过各种传感器感知系统设备的m维状态信息x＝[x1,x2,…,xm]，包括设备的标识信息、时间、位置信息以及工作状态这些基本信息，信息采集周期为t；
步骤12：存储设备信息：在设备本地，存储感知设备信息m维的数据，保存d天的数据。
优选地，步骤2具体包括：
步骤21：原始数据的筛选：设备本地数据经筛选后，选取少量n维关键数据，其采样周期为i’*t，i’≥1，n<m；
步骤22：筛选数据上传，根据保障周期需求及传输网络限制，筛选后的数据按周期p天上传并保存在云端服务器，其中p≤d；
步骤22中，上传周期选取为12小时，即0.5天，在每个12点时刻进行上传。
优选地，步骤3具体包括：
步骤31：数据初步评估：在每次设备上传数据时，云端结合设备历史数据，对设备进行初步状态评估，并根据状态评估结果，生成设备初步维修保障计划；
步骤32：设备初步维修保障计划在生成之后进行保存，并将结果直接发送到设备维修保障移动终端。
优选地，步骤4具体包括：
步骤41：验证设备状态：根据维修保障计划的要求，首先通过无线或有线的方式，将维修保障移动终端与设备相连，读取设备的原始数据，并验证设备状态是否与保障计划相一致；
步骤42：生成维修保障方案：在验证结果为一致后，维修保障移动终端生成维修保障实施方案。
优选地，步骤42具体包括：
步骤421：推理步骤：输入当前设备的关键数据，在案例库中检索相似案例，若有相似案例则给出故障诊断结论与解决措施，若无相似案例则转入基于时间序列的深度神经网络模型中，案例采取基于k-近邻匹配的检索方式进行检索，案例采取基于k-近邻匹配的检索方式进行检索具体步骤为：
每个案例包含
案例间的相似度定义为：
其中，0≤sim(ci，cj)≤1；ωk表示案例特征向量中第k个特征的权值，且
步骤422：针对获取的设备状态信息序列的时间序列化的特点，采用广义自回归条件异方差模型garch对设备按时间序列反馈的数据特征向量进行建模，根据得到的计算结果判断是否故障；
采用广义自回归条件异方差模型garch对设备按时间序列反馈的数据特征向量进行建模具体为：
时间序列xt：
xt＝e{xt|ψt-1}+εt(3)
其中ψt-1代表在t-1时间获得的所有时间序列x1,…,xt-1，εt代表残差，对残差建立描述方程：
式中：zt是均值为零，方差为1的随机变量；p,q分别为模型的阶数；αi和βj为模型的待估参数，为使条件方差ht>0要求αi和βj都大于0，同时为了使模型是宽平稳的，αi和βj还需满足条件：
∑iαi+∑jβj<1(6)
在garch模型中，采用最大似然原理对条件方差的参数α0，α1，β1进行估计，如果{x1,x2,…xt}是由garch模型产生的信号，那么似然函数由如下公式定义：
这里ht由递归方法获得，对上式取对数得到对数似然函数为：
其中：x＝(x1,…,xj)t，h＝(h1,…,hj)t，限制条件为公式(6)，模型的参数α0，α1，β1通过最大化公式(9)求出；
根据模型得出的结果，对设备是否故障做出判断；若诊断出无故障则直接返回无故障信息，若有故障则转到步骤424；
步骤424、基于层次的神经网络故障预测步骤：根据诊断对象的特点，对系统进行分解，建立合适的综合层次分类模型，利用该模型计算获得对应的故障类型，根据故障类型生成对应的维修保障方案。
优选地，m为13，13维状态信息包括设备的标示信息id，设备时间和位置信息以及设备工作的10项状态，id根据设备出厂时的唯一编号或者设备磁盘序列号获得；设备时间和位置信息根据系统时间及gps模块信息获取；设备工作状态包括温度、湿度、速度、加速度、气压、电压、流量10项数据，信息采集周期为1秒。
优选地，步骤21中，选取少量5维关键数据，包括设备标识信息、时间、空间信息、温度和湿度信息，采样周期为10秒。
(三)有益效果
本发明能有效提高设备、维修保障人员的协同效率，实现分布式、协同式的主动维修保障。
附图说明
图1是本发明的方法流程图；
图2是本发明的方法实现原理框图图。
具体实施方式
为使本发明的目的、内容、和优点更加清楚，下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。
如图1所示，本发明的一种设备主动维修保障协同方法包括以下步骤：
步骤1)多种设备传感器感知设备的多维原始数据，并保存在本地；
步骤2)设备原始数据经采样后，选择部分关键少量数据定期上传并保存到设备维修保障管理云端；
步骤3)维修保障云端根据上传数据及历史数据，评估设备状态，生成初步设备维修保障计划，记录相应结果，并将结果发送到设备维修保障移动终端；
步骤4)维修保障人员将维修保障移动终端与设备相连，读取设备原始数据，进一步诊断和验证设备状态，并根据初步维修保障计划和智能算法，生成维修保障方案；
步骤5)维修保障人员根据方案进行设备维修，并通过移动终端与远程专家进行协同交互，实现装备的主动和协同维修保障。
所述步骤1中，包括：
步骤11：感知设备信息，系统通过各种传感器感知系统设备的m维状态信息x＝[x1,x2,…,xm]，包括设备的标识信息、时间、位置信息以及工作状态等基本信息，信息采集周期为t。
在实施时，m可以选取为13维信息。包括设备的标示信息id，设备时间和位置信息以及设备工作的10项状态。id可以根据设备出厂时的唯一编号或者设备磁盘序列号等获得；设备时间和位置信息根据系统时间及gps模块信息获取；设备工作状态可包括温度、湿度、速度、加速度、气压、电压、流量等10项数据。信息采集周期为1秒。
步骤12：存储设备信息，在设备本地，存储感知设备信息m维的数据，其特征在于设备原始数据，即保存所有采集的数据，由于本地存储受限，一般只能保存d天的数据。
在实施时，可选取保存10天的数据。
所述步骤2，包括：
步骤21：原始数据的筛选，设备本地数据经筛选后，选取少量n维(n<m)关键数据，其采样周期为i*t(i≥1)。
在实施时，少量关键数据，可选取为5维，包括设备标识信息、时间、空间信息、温度和湿度信息。采样周期为10秒。
步骤22：筛选数据上传，根据保障周期需求及传输网络限制，筛选后的数据按周期p天上传并保存在云端服务器，其中p≤d。
在实施时，上传周期可选取为12小时，即0.5天，在每个12点时刻进行上传。
所述步骤3，包括：
步骤31：数据初步评估，在每次设备上传数据时，云端结合该设备历史数据，对设备进行初步状态评估，并根据状态评估结果，生成设备初步维修保障计划。
步骤32：设备初步维修保障计划在生成之后进行保存，并将结果直接发送到设备维修保障移动终端，移动终端一般由专门的维修保障人员看管。
所述步骤4，包括：
步骤41：验证设备状态，维修保障人员根据维修保障计划的要求，首先通过无线或有线的方式，将维修保障移动终端与设备相连，读取设备的原始数据，并验证设备状态是否与保障计划相一致。
步骤42：生成维修保障方案，在验证结果为一致后，维修保障移动终端根据原始数据、案例检索和智能算法等内容，生成维修保障实施方案。
步骤42具体包括：
步骤421：推理步骤：输入当前设备的关键数据，在案例库中检索相似案例，若有相似案例则给出故障诊断结论与解决措施，若无相似案例则转入基于时间序列的深度神经网络模型中，案例采取基于k-近邻匹配的检索方式进行检索，案例采取基于k-近邻匹配的检索方式进行检索具体步骤为：
每个案例包含
案例间的相似度定义为：
其中，0≤sim(ci，cj)≤1；ωk表示案例特征向量中第k个特征的权值，且
步骤422：针对获取的设备状态信息序列的时间序列化的特点，采用广义自回归条件异方差模型garch对设备按时间序列反馈的数据特征向量进行建模，根据得到的计算结果判断是否故障；
采用广义自回归条件异方差模型garch对设备按时间序列反馈的数据特征向量进行建模具体为：
时间序列xt：
xt＝e{xt|ψt-1}+εt(3)
其中ψt-1代表在t-1时间获得的所有时间序列x1,…,xt-1，εt代表残差，对残差建立描述方程：
式中：zt是均值为零，方差为1的随机变量；p,q分别为模型的阶数；αi和βj为模型的待估参数，为使条件方差ht>0要求αi和βj都大于0，同时为了使模型是宽平稳的，αi和βj还需满足条件：
∑iαi+∑jβj<1(6)
在garch模型中，采用最大似然原理对条件方差的参数α0，α1，β1进行估计，如果{x1,x2,…xt}是由garch模型产生的信号，那么似然函数由如下公式定义：
这里ht由递归方法获得，对上式取对数得到对数似然函数为：
其中：x＝(x1,…,xj)t，h＝(h1,…,hj)t，限制条件为公式(6)，模型的参数α0，α1，β1通过最大化公式(9)求出；
根据模型得出的结果，对设备是否故障做出判断；若诊断出无故障则直接返回无故障信息，若有故障则转到步骤424；
步骤424、基于层次的神经网络故障预测步骤：根据诊断对象的特点，对系统进行分解，建立合适的综合层次分类模型，利用该模型计算获得对应的故障类型，根据故障类型生成对应的维修保障方案。本实施例中，采用神经网络构造对应于故障分类层次的分类模型，每个人工神经网络均采用三层bp网络，利用层次结构神经网络计算得到的结果匹配故障的具体类型。
所述步骤5，包括：
步骤51：设备维修保障，维修保障人员根据维修保障实施方案对设备进行维修保障，例如：主动更换、保养部门设备、维修设备等。
步骤52：专家协同，维修保障人员在对设备进行就维修保障期间，如果遇到维修保障方案不合适或问题不清楚时，可通过维修保障移动终端与远程专家进行协同交流，维修保障终端将设备原始数据、维修保障方案、现场视频、音频等信息传送至远程专家，远程专家将指导意见和建议反馈到移动终端。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。