一种智能制造设备的在线故障预测方法及装置制造方法及图纸

本发明专利技术涉及故障诊断技术领域，具体涉及一种智能制造设备的在线故障预测方法及装置，通过获取当前已知故障诊断的结果，从而构建未知故障检测统计量；通过获取未知故障检验阈值，从而对当前故障进行未知故障的检测，本发明专利技术提高了对智能制造设备的非预期故障的诊断能力。

【技术实现步骤摘要】
一种智能制造设备的在线故障预测方法及装置
本专利技术涉及故障诊断
，具体涉及一种智能制造设备的在线故障预测方法及装置。
技术介绍
智能制造设备的故障可分为预期故障和非预期故障，一个完备故障库应该包括所有预期(已知)故障和非预期(未知)故障的集合。但是智能制造设备的系统复杂、从故障出现到灾难发生时间太短难以及时获取故障数据、系统所处环境变化导致难以判断系统所处的状态等客观原因，使得完备故障库的获取非常困难。而对于高可靠的智能制造设备来讲，被人们已知的预期故障在实际应用中甚少发生，而在线发生的往往都是非预期故障。非预期故障诊断是预期故障诊断的扩展，对非预期故障的检测、诊断及处理是复杂系统故障诊断领域的难点，也是故障诊断技术的发展方向。因此，在完成故障检测后，对故障模式、故障特征以及故障属性进行有效分析，从而实现非预期故障的识别，提高对智能制造设备的非预期故障的诊断能力成为关键问题。
技术实现思路
本专利技术提供一种智能制造设备的在线故障预测方法及装置，提高了对智能制造设备的非预期故障的诊断能力。本专利技术提供的一种智能制造设备的在线故障预测方法，包括以下步骤：步骤S1、获取当前故障诊断的结果；步骤S2、构建未知故障检测统计量；步骤S3、获取未知故障检验阈值；步骤S4、对当前故障进行未知故障的检测。进一步，所述步骤S1中当前故障诊断的结果具体包括：当前故障样本方向r，第i种已知故障模式特征方向Ri，平稳残差项的协方差矩阵Σ。进一步，所述步骤S2中构建未知故障检测统计量具体通过以下公式获得，其中，U(r,Ri)即为未知故障检测统计量。进一步，所述步骤S3具体包括：设定显著性水平为α，则对应的未知故障检验阈值即为UFDSα。进一步，所述步骤S4具体包括：对检测残差的协方差矩阵Σ进行正交相似对角化，即Σ＝PTdiag(λ)P其中，λ＝(λ1,...,λny)，P＝(p1,...,pny)，λi，pi(i＝1,...,ny)为相应的特征值和特征向量，记pij表示pi的第j个分量，令ti＝rTpi，rj表示当前故障模式的特征方向Ri的第j个分量，j＝1,...,ny；定义第j个变量对当前故障特征方向Ri的贡献率为：计算变量对当前故障特征方向Ri的贡献率CR(i)，求出贡献率最大的变量CR(i0)，即则i0即为故障变量。进一步，所述故障样本包括：数控设备运行的功率y1、温度y2、湿度y3、压力y4、位移y5、转速y6，以及所述数控设备运行的功率y1、温度y2、湿度y3、压力y4、位移y5、转速y6对应的故障特征。本专利技术提供的一种智能制造设备的在线故障预测装置，所述装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当所述计算机程序指令被所述处理器执行时，触发所述装置执行上述任一所述的方法。本专利技术的有益效果是：本专利技术公开一种基于深度学习的工业传感器故障预测方法及系统，通过获取当前故障诊断的结果，从而构建未知故障检测统计量；通过获取未知故障检验阈值，从而对当前故障进行未知故障的检测，本专利技术提高了对智能制造设备的非预期故障的诊断能力。附图说明下面结合附图和实例对本专利技术作进一步说明。图1是本专利技术实施例一种智能制造设备的在线故障预测方法的流程示意图。具体实施方式参考图1，本专利技术提供的一种智能制造设备的在线故障预测方法，包括以下步骤：步骤S1、获取当前故障诊断的结果；步骤S2、构建未知故障检测统计量；步骤S3、获取未知故障检验阈值；步骤S4、对当前故障进行未知故障的检测。进一步，所述步骤S1中当前故障诊断的结果具体包括：当前故障样本方向r，第i种已知故障模式特征方向Ri，平稳残差项的协方差矩阵Σ。进一步，所述步骤S2中构建未知故障检测统计量具体通过以下公式获得，其中，U(r,Ri)即为未知故障检测统计量，未知故障检测统计量近似服从标准正态分布。进一步，所述步骤S3具体包括：设定显著性水平为α，则对应的未知故障检验阈值即为UFDSα。进一步，所述步骤S4具体包括：对检测残差的协方差矩阵Σ进行正交相似对角化，即Σ＝PTdiag(λ)P其中，λ＝(λ1,...,λny)，P＝(p1,...,pny)，λi，pi(i＝1,...,ny)为相应的特征值和特征向量，记pij表示pi的第j个分量，令ti＝rTpi，rj表示当前故障模式的特征方向Ri的第j个分量，j＝1,...,ny；定义第j个变量对当前故障特征方向Ri的贡献率为：计算变量对当前故障特征方向Ri的贡献率CR(i)，求出贡献率最大的变量CR(i0)，即则i0即为故障变量。从而利用故障样本方向r更新所识别的已知故障的特征方向，构建未知故障检测统计量，实现未知故障与已知故障的识别。进一步，所述故障样本包括：数控设备运行的功率y1、温度y2、湿度y3、压力y4、位移y5、转速y6，以及所述数控设备运行的功率y1、温度y2、湿度y3、压力y4、位移y5、转速y6对应的故障特征。本专利技术提供的一种智能制造设备的在线故障预测装置，所述装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当所述计算机程序指令被所述处理器执行时，触发所述装置执行上述任一所述的方法。以上所述，只是本专利技术的较佳实施例而已，本专利技术并不局限于上述实施方式，只要其以相同的手段达到本专利技术的技术效果，都应属于本专利技术的保护范围。本文档来自技高网...

【技术保护点】
1.一种智能制造设备的在线故障预测方法，其特征在于，包括以下步骤：步骤S1、获取当前故障诊断的结果；步骤S2、构建未知故障检测统计量；步骤S3、获取未知故障检验阈值；步骤S4、对当前故障进行未知故障的检测。

【技术特征摘要】
1.一种智能制造设备的在线故障预测方法，其特征在于，包括以下步骤：步骤S1、获取当前故障诊断的结果；步骤S2、构建未知故障检测统计量；步骤S3、获取未知故障检验阈值；步骤S4、对当前故障进行未知故障的检测。2.根据权利要求1所述的一种智能制造设备的在线故障预测方法，其特征在于，所述步骤S1中当前故障诊断的结果具体包括：当前已知故障样本方向r，第i种已知故障模式特征方向Ri，已知故障平稳残差项的协方差矩阵Σ。3.根据权利要求1所述的一种智能制造设备的在线故障预测方法，其特征在于，所述步骤S2中构建未知故障检测统计量具体通过以下公式获得，其中，U(r,Ri)即为未知故障检测统计量。4.根据权利要求1所述的一种智能制造设备的在线故障预测方法，其特征在于，所述步骤S3具体包括：设定显著性水平为α，则对应的未知故障检验阈值即为UFDSα。5.根据权利要求1所述的一种智能制造设备的在线故障预测方法，其特征在于，所述步骤S4具体包括：对检测残差的协方差矩阵Σ进行正交相似对角化，即Σ＝PTd...

【专利技术属性】
技术研发人员：张彩霞，王向东，王新东，
申请(专利权)人：佛山科学技术学院，
类型：发明
国别省市：广东,44