一种应用于自动化生产线的故障预测与健康管理方法技术

本发明专利技术属于自动化生产线技术领域，具体为一种应用于自动化生产线的故障预测与健康管理方法；该方法包括如下步骤：首先准备若干条待测自动化生产线，分别对其中的轴承设备进行加热老化、振动测试，得到训练数据并存储于数据库中；再进行FMECA分析，得到训练样本；然后采用粒子滤波算法训练神经网络并放入测试芯片中；最后采用测试芯片对处于工作状态的自动化生产线中的轴承设备进行实时监测，同时计算其剩余寿命并进行健康管理。本发明专利技术能够实时监测自动化生产线中的轴承设备的运转状态，并预计故障时间，减小突发故障的发生概率，并在突发故障出现时避免诸多安全隐患，从而保护财产，降低维护开销。

A method of fault prediction and health management applied to automatic production line

【技术实现步骤摘要】
一种应用于自动化生产线的故障预测与健康管理方法
本专利技术属于自动化生产线
，具体涉及一种应用于自动化生产线的故障预测与健康管理方法。
技术介绍
随着科技的发展，现代自动化生产线设备的集成度和复杂度日益增加，随之带来的维护成本和难度也剧烈上升；效率低下且成本昂贵的传统的人工检修维护的方法在面对大量复杂的现在自动化生产线设备时已不再适用。故障预测与健康管理系统(PHM)旨在减少人工维护的成本，以分析自动化生产线上的故障模型来确定其健康状态，从而在无人值守的情况下进行自我评估和故障预警，同时能够进行健康管理，对自动化生产线上的故障进行修复处理。PHM技术一般具备故障检测、故障隔离、增强的诊断、性能检测、故障预测、健康管理、部件寿命追踪等能力，典型的PHM流程包含了数据采集、数据预处理、数据传输、特征提取、数据融合、状态监测、故障诊断、故障预测和保障决策等环节。基于数据分析的PHM是通过采集被测设备的状态数据，排除物理知识对其进行数据分析，利用数学建模来获得故障模型用以判断设备的健康状态，其不需要获取被测设备的物理模型，并且建模时间短，这能进一步的减少成本开销，并且具有广泛的通用性。本文档来自技高网...

【技术保护点】
一种应用于自动化生产线的故障预测与健康管理方法，其特征在于，包括以下步骤：步骤1，准备若干条待测自动化生产线，对待测自动化生产线中的轴承设备分别进行加热老化、振动测试，得到训练数据并存储于数据库中；步骤2，对训练数据进行FMECA分析，得到训练样本；步骤3，进行CBM试验，设定神经网络层数并初始化神经网络；步骤4，利用传感器对自动化生产线中的轴承设备进行数据采集；步骤5，进行数据分析，对采集的数据进行特征提取；步骤6，采用深度学习模型、运用粒子滤波算法：VNN、DBN、CNN及SAE对训练样本分别训练神经网络；若所有模型的训练误差均小于预设阈值，则返回步骤3，重新设定神经网络层数并初始化神经网...

【技术特征摘要】
1.一种应用于自动化生产线的故障预测与健康管理方法，其特征在于，包括以下步骤：步骤1，准备若干条待测自动化生产线，对待测自动化生产线中的轴承设备分别进行加热老化、振动测试，得到训练数据并存储于数据库中；步骤2，对训练数据进行FMECA分析，得到训练样本；步骤3，进行CBM试验，设定神经网络层数并初始化神经网络；步骤4，利用传感器对自动化生产线中的轴承设备进行数据采集；步骤5，进行数据分析，对采集的数据进行特征提取；步骤6，采用深度学习模型、运用粒子滤波算法：VNN、DBN、CNN及SAE对训练样本分别训练神经网络；若所有模型的训练误差均小于预设阈值，则返回步骤3，重新设定神经网络层数并初始化神经网络；否则，选定训练误差最小的深度学习模型，并将其训练好的神经网络放入测试芯片中；步骤7，采用传感器对处于工作状态的待测自动化生产线的轴承设备进行实时数据采集，根据实时数据，测试芯片计算待测自动化生产线的轴承设备当前健康状态X进行输出，并将历史数据存储于RAM中；步骤8，采用切片双谱检测，当轴承发生故障时，采样信号的特征x(t)为受干扰的冲击调制信号，即；式中，ωi为调制源，包括轴承故障特征频率及其谐波频率；ω0为载波频率；b为任意常数；轴承发生故障时，其振动信号解调后的信号包含了故障特征频率的一次谐波，且相位是互相关联的，即存在二次相位耦合现象；若设ωF为轴承的故障特征频率，则双谱的（ωF,ωF）处出现相位耦合现象，从而双谱在(ωF,ωF)处会有明显的谱峰；步骤9，计算RAM中所有历史数据的平均值，与最新数据对比，若存在故障率变大趋势，则计算其变化速率v：，其中time是时间偏移量；并计算其达到故障阈值的...

【专利技术属性】
技术研发人员：何成，刘长春，武洋，
申请(专利权)人：上海第二工业大学，
类型：发明
国别省市：上海,31