设备故障发现方法及系统技术方案

本发明专利技术提供了一种设备故障发现方法及系统，通过传感器组采集设备运行过程中的设备运行状态反馈数据，并发送至本地存储器进行存储；从所述本地存储器，将所述设备运行状态反馈数据导入机器学习系统中提取特征参数；对提取的所述特征参数进行标准化处理后，发送至神经网络进行建模，得到神经网络模型；将所述神经网络模型发送至预测系统，以对所述设备的未来运行状态进行预测，能够预测设备的工作状态，第一时间发现设备故障，且预测结果精确性高，可靠性好。本发明专利技术采用的神经网络建模能够增强模型的学习能力和泛化能力，增强了模型的可靠性，进一步提高了分析数据的精确性。

【技术实现步骤摘要】
设备故障发现方法及系统
本专利技术涉及一种设备故障发现方法及系统。
技术介绍
工业设备的发展经历了数字化阶段、信息化阶段，现在正在迈向智能化阶段。智能化工业设备的出现，使预防性维护技术的实现成为可能。基于信息系统的智能装备、智能工厂等智能制造正在引领制造方式变革：协同设计、精准供应链管理、全生命周期管理等正在重塑产业价值链体系。在第四次工业革命阶段，工业设备的全生命周期管理对于使用方越来越重要。人工智能起源于1950年左右，经过数十年的发展，随着互联网、物联网、云计算和大数据等新一代信息技术的发展与成熟，机器学习成为人工智能的核心研究课题。使计算机模拟或者实验人类的学习行为来获得知识和技能，同时不断根据新的信息改善性能。目前，国内多数研究集中在设备监测和故障诊断方面，对整个设备的诊断模式、故障预测、知识服务等方面的研究较少。
技术实现思路
本专利技术的目的在于提供一种设备故障发现方法及系统，能够提供一种在第一时间发现设备故障，且预测结果精确性高，可靠性好的设备故障发现方法及系统。为解决上述问题，本专利技术提供一种设备故障发现方法，包括：传感器组采集设备运行过程中的设备运行状态反馈数据，并本文档来自技高网...

【技术保护点】
一种设备故障发现方法，其特征在于，包括：传感器组采集设备运行过程中的设备运行状态反馈数据，并发送至本地存储器进行存储；从所述本地存储器，将所述设备运行状态反馈数据导入机器学习系统中提取特征参数；对提取的所述特征参数进行标准化处理后，发送至神经网络进行建模，得到神经网络模型；将所述神经网络模型发送至预测系统，以对所述设备的未来运行状态进行预测。

【技术特征摘要】
1.一种设备故障发现方法，其特征在于，包括：传感器组采集设备运行过程中的设备运行状态反馈数据，并发送至本地存储器进行存储；从所述本地存储器，将所述设备运行状态反馈数据导入机器学习系统中提取特征参数；对提取的所述特征参数进行标准化处理后，发送至神经网络进行建模，得到神经网络模型；将所述神经网络模型发送至预测系统，以对所述设备的未来运行状态进行预测。2.如权利要求1所述的设备故障发现方法，其特征在于，将所述设备运行状态反馈数据导入机器学习系统中提取特征参数，包括：将运行状态反馈数据的数据包分割成多个固定长度的数据段，获取分割得到的数据段的偏移值；对各个数据段的进行归类，生成与数据段及其偏移值对应的各个数据段类型值；获取每个数据段类型值对应的偏移值的数量，提取数量大于或等于预设偏移值命中阈值的数据段类型值；将提取的数据段类型值及对应的偏移值作为所述特征参数。3.如权利要求1所述的设备故障发现方法，其特征在于，对提取的所述特征参数进行标准化处理后，发送至神经网络进行建模，得到神经网络模型，包括：对提取的所述特征参数进行标准化处理；初始化神经网络模型的参数；根据所述神经网络模型的参数及所述特征参数，计算所述神经网络模型的输出；根据所述神经网络模型的参数及所述特征参数，计算所述神经网络模型的输出相对于输入的增益；将所述增益通过极值优化算法，指导所述神经网络模型进行参数的迭代学习，直至得到优化后的神经网络模型。4.如权利要求1所述的设备故障发现方法，其特征在于，所述传感器组包括电流传感器、电压传感器、故障监测传感器和停机传感器。5.一种设备故障发现系统，其特征在于，包括：采集模块，用于传感器组采集设备运行过程中的设备运行状态反馈数据，并发送至本地存储器进行存储；特征模块，用于从所述本地存储器，将所述设备运行状态反馈数据导入机器学习系统中提取特征参数；建模模块，用于对提取的所述特征参数进行标准化处理后，发送至神经网络进行建模，得到神经网络模型；预设模块，用于将所述神经网络模型发送至预测系统，以对所述设备的未来运行...

【专利技术属性】
技术研发人员：于万钧，訾敬岩，
申请(专利权)人：上海应用技术大学，
类型：发明
国别省市：上海,31