一种智能工厂设备预测性维护的方法与流程

本发明涉及工业互联网，具体涉及一种智能工厂设备预测性维护的方法。

背景技术：

1、预测性维护是以设备状态为依据的维修，是对设备进行连续在线的状态监测及数据分析，通过参数变化来诊断并预测设备故障的发展趋势，提前制定预测性维护计划并实施检维修的行为。

2、在预测性维护中，通常分为硬性故障预测性维护与非硬性故障预测性维护。其中，硬性故障是导致设备不能继续工作，影响设备正常功能的一类故障。而非硬性故障是类似设备功率衰减，振动增大等可以立即停机也可以继续运行的故障。

3、目前，在非硬性故障预测性维护中主要通过定期维护，或由经验丰富的专家主观进行判断是否需要停机维护。这种维护方式灵活性低，对人有依赖性，随着硬件设备的不断老化，若依旧采用定期维护，难免会出现一些问题。

4、由此可见，研究一种预测性维护的方法以助力建设智能工厂至关重要。

技术实现思路

1、本发明要解决的技术问题是如何实现一种智能工厂设备预测性维护的方法。

2、为了解决上述技术问题，本发明提供了一种智能工厂设备预测性维护的方法，所述方法包括：

3、选取模型：根据检测设备类型及常见故障类型选取预测模型，所述预测模型包括数值型预测模型和非数值型预测模型；

4、数据预处理：根据所述选取模型采集设备的故障状态信号数据，并在分析所述采集的信号数据之前，先对所述采集的信号数据进行预处理以分离信号和噪声；

5、模型评估：根据所述选取模型并在建模之前，从所述采集的信号数据中划分一部分未使用的数据为测试集数据，应用所述测试集数据对所述选取模型进行模型测试，检查预测的效果；

6、模型部署：所述选取模型建模完毕后需部署到实际生产系统中运行，连续接收采集到的设备数据，并进行预测分析；

7、特征工程：挖掘对所述采集的信号数据的特征表示，并用特征向量的形式表示特征数据内在特点的性质；

8、超参数优化：调整所述选取模型的函数的参数，使所述选取模型的预测性指标更精确。

9、进一步的，所述选取模型包括：

10、数值型预测模型，所述数值型预测模型是数值型的状态特征值，用于计算机自动监测与预测，并与数值化的评估标准结合后实现自动预警；

11、非数值型预测模型，所述非数值型预测模型是以特征图谱的形式为主，需要结合人工分析给出结果，适用于设备离线的综合分析。

12、进一步的，在所述数值型预测模型中，所述模型还包括回归模型，所述数值型预测模型分为：

13、模型学习阶段，在所述模型学习阶段，根据已知时刻对应的状态信息对所述回归模型的参数进行优化学习；

14、模型预测阶段，在所述模型预测阶段，包括两种预测模式，分别是：结合给定的时刻，根据所述回归模型给出相应的状态信息；结合给定的状态信息，根据所述回归模型给出相应的时刻值。

15、进一步的，所述非数值型预测模型先对所述特征图谱进行分类或聚类，再结合先验知识和人工分析结果，根据当前特征图谱与已知特征图谱的相似度判断设备的工作状态，并预测所述设备的剩余寿命。

16、进一步的，所述特征图谱是振动信号的时域图。

17、进一步的，所述特征图谱是振动频谱。

18、进一步的，所述特征图谱是小波时-频谱图。

19、进一步的，所述特征工程的处理过程包括：

20、增加特征，所述增加特征是在原有的原始变量的基础上，再生成新的自变量，且所述生成新的自变量与设备预测结果相关；

21、减少特征，所述减少特征是应用所述设备在多个输入变量中选择出与设备预测结果相关的自变量。

22、与现有技术相比，本发明具有如下有益效果：

23、本发明通过选取模型、数据预处理、模型评估、模型部署、特征工程以及超参数优化实现了对生产设备的维护时间和剩余寿命进行合理预测，有效减少了设备运行过程中出现故障的可能性。

技术特征：

1.一种智能工厂设备预测性维护的方法，其特征在于，所述方法包括：

2.根据权利要求1所述的智能工厂设备预测性维护的方法，其特征在于，所述选取模型包括：

3.根据权利要求2所述的智能工厂设备预测性维护的方法，其特征在于，在所述数值型预测模型中，所述模型还包括回归模型，所述数值型预测模型分为：

4.根据权利要求2所述的智能工厂设备预测性维护的方法，其特征在于，所述非数值型预测模型先对所述特征图谱进行分类或聚类，再结合先验知识和人工分析结果，根据当前特征图谱与已知特征图谱的相似度判断设备的工作状态，并预测所述设备的剩余寿命。

5.根据权利要求4所述的智能工厂设备预测性维护的方法，其特征在于，所述特征图谱是振动信号的时域图。

6.根据权利要求4所述的智能工厂设备预测性维护的方法，其特征在于，所述特征图谱是振动频谱。

7.根据权利要求4所述的智能工厂设备预测性维护的方法，其特征在于，所述特征图谱是小波时-频谱图。

8.根据权利要求1所述的智能工厂设备预测性维护的方法，其特征在于，所述特征工程的处理过程包括：

技术总结
本发明提供一种智能工厂设备预测性维护的方法，包括选取模型：根据检测设备类型及常见故障类型选取预测模型；数据预处理：对所述采集的信号数据进行预处理以分离信号和噪声；特征工程：用特征向量的形式表示特征数据内在特点的性质；超参数优化：调整所述选取模型的函数的参数；模型评估：从所述采集的信号数据中划分一部分未使用的数据为测试集数据，应用所述测试集数据对所述选取模型进行模型测试，检查预测效果；模型部署：所述选取模型建模完毕后需部署到实际生产系统中运行，接收采集到的设备数据，并进行预测分析。本发明实现了对生产设备的维护时间和剩余寿命进行合理预测，有效减少了设备运行过程中出现故障的可能性。

技术研发人员：赵义正
受保护的技术使用者：安徽电信规划设计有限责任公司
技术研发日：
技术公布日：2024/3/12