The invention discloses a device failure prediction method under cloud manufacture. The operation steps of the method are as follows: 1. According to the structure, the structure and the working principle of the equipment, a fault code comparison table is established; two, a fault data model is set up; and three, the association rules are excavated. The Socket (the exchange of data, through a two-way communication connection to the connection end) transmission, using intermediate devices of different manufacturers, different equipment fault data and abnormal parameters are integrated into the database, using HDFS (Hadoop distributed file system) distributed storage, solve the problem of storing large data processing; the use of Java programming (an object-oriented programming language (Map/Reduce) to realize the parallel computing model) (improved Apriori algorithm of frequent itemsets mining algorithm of association rules), and add the concept of timing of equipment fault feature association rule mining, fault trend prediction of equipment, to achieve the purpose of prediction of equipment failure. The invention takes a cutting machine as an example and gives a concrete realization mode.
【技术实现步骤摘要】
云制造下设备故障预测方法
本专利技术公开了一种云制造下设备故障预测方法,属于设备故障预测领域。
技术介绍
随着现代科技工业技术尤其是信息技术的迅速发展,制造业中设备的复杂化、综合化、智能化程度不断提高。伴随着设备的发展,其研制、生产尤其是维护和保障的成本越来越高。同时,由于组成环节和影响因素的增加,发生故障和功能失效的几率逐渐加大,因此,如何对设备故障提前预警,对可能发生故障的部件或因素加以提前控制即故障预测逐渐成为研究者关注的焦点。关于设备故障预测,前人进行了很多研究,主要分为三类:基于物理时效模型的故障预测研究,如北京航空航天大学的曾声奎等人提出了故障诊断与预测的人-机-环境的完整认知模型,对故障预测技术的性能要求进行了分析;基于数据驱动的设备故障预测研究,如清华大学教授蒋东翔等人提出过一种混合智能算法,这种混合算法由模糊BP网络、模糊控制与专家系统结合而成;基于可靠性理论的故障预测研究,如清华大学核能技术研究所研制的MFFTAAP多功能故障树,进而分析出设备的故障分布规律进行预测。现有的预测技术在理论研究和实际应用方面已经取得了较大的进步,但是,也存在诸多不足,预测结果的准确度对模型的依赖较大,缺乏自学习能力,对于复杂设备,要建立一个准确度高的静态模型来保证预测结果的准确也是相当困难的。随着设备的运行,企业具备大量可用的设备状态监测和历史数据,随着企业系统的增加,数据的增长呈现爆炸式,每日的数据量可达到几十TB,如何利用这些看似无关的数据也是当下研究的热点。前人尝试利用数据挖掘算法,进行故障关联规则研究,如OgilvieT和SwidenbankE等人 ...
【技术保护点】
云制造下设备故障预测方法;其特征在于具体操作步骤如下:(1)、建立设备故障码对照表:分析设备的组成结构及工作原理,建立设备的故障对照表:故障对照表的建立需包含典型故障特征,故障表现,引起故障的环境特征、参数特征;(2)、建立故障数据模型:将故障事件记录表中的数据按照设备编号进行分组,并记录故障发生时间,剔除无效的数据,得到时序故障数据模型;定义运算符“#”,表达式#((I),T),若T为有序项中的最大值,I表故障发生情况,发生输出1,反之为0,时序规则相减运算(A,Ta)‑(B,Tb)=A—>B,从而计算出A故障到B故障的相隔时间;(3)、关联规则挖掘:利用步骤(2)中的故障数据模型,在Hadoop——由Apache基金会所开发的分布式系统基础架构下对改进Apriori算法——挖掘关联规则的频繁项集算法,进行Map/Reduce并行化;主要包括:故障数据采用分布式的方式,将挖掘算法分布在多个节点上进行存储,实现高度并行化,调用Map函数,把一组键值对映射成一组新的键值对,对每个节点进行频繁项集的计算,得到频繁三项集,调用Reduce函数,保证所有映射的键值对中的每一个共享相同的键 ...
【技术特征摘要】
1.云制造下设备故障预测方法;其特征在于具体操作步骤如下:(1)、建立设备故障码对照表:分析设备的组成结构及工作原理,建立设备的故障对照表:故障对照表的建立需包含典型故障特征,故障表现,引起故障的环境特征、参数特征;(2)、建立故障数据模型:将故障事件记录表中的数据按照设备编号进行分组,并记录故障发生时间,剔除无效的数据,得到时序故障数据模型;定义运算符“#”,表达式#((I),T),若T为有序项中的最大值,I表故障发生情况,发生输出1,反之为0,时序规则相减运算(A,Ta)-(B,Tb)=A—>B,从而计算出A故障到B故障的相隔时间;(3)、关联规则挖掘:利用步骤(2)中的故障数据模型,在Hadoop——由Apache基金会所开发的分布式系统基础架构下对改进Apriori算法——挖掘关联规则的频繁项集算法,进行Map/Reduce并行化;主要包括:故障数据采用分布式的方式,将挖掘算法分布在多个节点上进行存储,实现高度并行化,调用Map函数,把一组键值对映射成一组新的键值对,对每个节点进行频繁项集的计算,得到频繁三项集,调用Reduce函数,保证所有映射的键值对中的每一个共享相同的键组,对每个节点计算的结果进行合并,最终挖掘出故障特征之间的规则。2.根据权利要求1所述的云制造下设备故障预测方法,其特征在于所述步骤(1)建立设备故障码对照表是:根据特定设备的组成结构,工作原理,环境因素,由企业内相关设备维护人员提供能尽可能全面的涵盖设备故障的特征及参数,建立特征及参数的故障码对照表。3.根据权利要求...
【专利技术属性】
技术研发人员:高帅,蔡红霞,李静,沈南燕,钱晖,
申请(专利权)人:上海大学,
类型:发明
国别省市:上海,31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。