一种生产物流输送装备故障预警方法技术

本发明专利技术公开了一种生产物流输送装备故障预警方法。在将传感器获得的历史信号数据进行特征提取和降维处理，获得特征向量后，一方面运用生长型神经气(GNG)算法，将正常状态数据划分为多种工况，得到若干聚类中心，并计算由当前运行数据得到的特征向量与聚类中心的欧式距离从而得到相似度趋势；另一方面构建历史记忆矩阵，通过改进粒子群算法优化LS‑SVM回归模型参数，计算当前状态的残差值。最终结合残差值与相似度趋势，得出风险系数，对装备状态做出评估，并对装备故障作出提前预警。本方法实现了生产物流输送装备的故障实时预警技术，为设备及时维护提供了参考，避免了因为设备故障停机造成的经济损失。

A Fault Early Warning Method for Production Logistics Transportation Equipment

【技术实现步骤摘要】
一种生产物流输送装备故障预警方法
本专利技术属于智能系统技术应用领域，特别涉及了一种生产物流输送装备故障预警方法。
技术介绍
当前，智能装备在生产车间的应用越来越广泛，智能装备零部件多，内部构造复杂，依赖传统的人工经验去判断设备运行状态和做出故障预警已经不具备可行性。同时智能传感器采集到的生产数据，装备运行数据越来越精确，但是目前大部分数据只是被存储到数据库中，却没有利用起来。汽车总装车间，生产节拍快，产量大，汽车总装输送装备发生故障停机会造成巨大的经济损失。为此，实现一套自动化的设备故障实时预警系统是非常迫切的需要。该系统可以实时对设备可能产生的故障做出预警，降低了因设备停机造成的生产损失，提高了生产效率。现在的智能设备结构越来越复杂，零部件越来越多，并且单个零件出现问题可能连锁导致一系列的故障，所以生产物流输送装备故障预警方法具备很强的现实意义。文献“基于马田系统的滚动轴承初始故障检测和状态监测[硕士学位论文]，兰州，兰州理工大学，2016”分析了轴承的故障诊断技术，对于机械生产设备，故障诊断技术可以探测到故障类型和故障源，专利“一种设备故障预警方法及装置，中国专利：CN109087008A，2018-12-25”从所述时间序列中分解出至少两个长期变化趋势数值；对分解出的所述长期变化趋势数值进行线性回归拟合,获取拟合曲线；根据所述拟合曲线和预设的预警值,确定所述待检测指标对应的故障预警时间点，专利“一种应用于监测系统设备故障诊断及智能预警的方法，中国专利：CN109002031A，2018-12-14”根据不同报警事件之间的关系,建立报警级联组,以报警事件产生为触发条件,自动判断同一级联组报警在一定时间内是否同时存在,产生报警事件之间关联信息，但是，它们不能评估设备的全局状态或性能。为了提高安全性和可靠性、状态评估是至关重要的。它不仅反映了设备的全局退化程度，为企业提供参考，同时也为下一步的预测和健康管理提供了必要的依据。但是，现有的状态评估的研究主要集中在零件或部件单元，如轴承和一些电子系统，对于机械设备健康状态的全局评估缺乏充分的研究。考虑到机械设备的复杂性，反映设备的健康状态需要基于零件和部件来展开。由于每个零部件在一个设备中的重要性是不同的，从传感器收集到的状态特征应该给予不同的权重。但是当前对于状态评估的研究，缺乏权重决策的方法。常见的方法就是根据经验给予权重，但这些权重并不能够反映属性数据的变化率。
技术实现思路
为了解决上述
技术介绍
提出的技术问题，本专利技术旨在提供一种生产物流输送装备故障预警方法，克服现有状态诊断技术存在的缺陷，实现生产物流输送装备的故障预警。为了实现上述技术目的，本专利技术的技术方案为：一种生产物流输送装备故障预警方法，包括以下步骤：步骤一，计算历史正常运行状态的特征向量，将正常状态数据划分为多种工况，得到若干聚类中心，并计算当前状态与聚类中心的欧式距离从而得到相似度趋势；步骤二，构建历史记忆矩阵，通过改进粒子群算法优化LS-SVM回归模型参数，计算当前状态与回归模型的残差值；步骤三，通过结合相似度趋势及残差值，得出风险系数，评估设备运行状态，并对故障作出及时预警。进一步的，所述步骤一的具体过程如下：步骤1.1，初始化：创建两个带权重向量的节点，以及局部误差的零值；步骤1.2，向神经网络x输入一个向量，在最接近x的地方找到s和t两个神经元，即带有权重向量ws与wt的节点，||ws-x||2是所有节点中距离值最小、而||wt-x||2是第二小；步骤1.3，更新赢家神经元s的局部误差，将其添加到向量ws与x的平方距离：Es←Es+||ws-x||2(1)步骤1.4，平移赢家神经元s及其所有拓扑近邻点，方向是输入向量x，距离则等于部分∈w和整个∈n：ws←ws+∈w·(ws-x)(2)wn←wn+∈n·(wn-x)(3)步骤1.5，以1为步幅，增加从赢家神经元s出来的所有连接的年龄，将年龄大于agemax的连接移除；如果神经元中的这个结果没有更多的发散边缘，则亦将这些神经元移除；步骤1.6，如果当前迭代的数量是λ的倍数，且尚未达到网络的限制尺寸，则如下插入一个新的神经元r；步骤1.7，利用分式β减少神经元j的所有误差Ej←Ej-Ej·β(4)步骤1.8，如果未能满足停止条件，则继续步骤二。进一步的，步骤二运用改进粒子群算法对LS-SVM回归模型中的核函数σ和惩罚系数c作出优化。更进一步的，步骤三的具体过程如下：步骤3.1计算当前状态的残差值ri，步骤3.2计算当前状态的相似度趋势ti，步骤3.3计算风险系数di。更进一步的，步骤1.6的具体过程如下：步骤1.6.1确定带有一个最大局部误差的神经元u；步骤1.6.2于近邻点中确定u带有一个最大误差的神经元v；步骤1.6.3于u和v中间创建一个“居中”的节点r：步骤1.6.4用u与r、v以及r之间的边，替代u与v之间的边；步骤1.6.5减少神经元u与v的误差，设置神经元r的误差值Eu←Eu·a(7)Ev←Ev·a(8)Er←Eu(9)。更进一步的，步骤二具体为：步骤2.1.1，构建LS-SVM回归模型：引入拉格朗日函数对其求解，选择径向基函数K(x,xi)＝exp(-||x-xi||2/2σ2)，其中σ为核宽度；整得到LS-SVM回归模型为：步骤2.1.2，检查历史最佳适应度Pb是否满足约束条件或者迭代次数是否达到最大，如果仍未满足约束条件并且迭代次数不是最大，则进行步骤步骤2.1.3，否则将结果映射为LS-SVM模型的核函数σ和惩罚系数c；步骤2.1.3，调整粒子的速度与位置，调整惯性权重。更进一步的，步骤2.1.3中，运用自适应调整的惯性权重法，调整惯性权重：式中：wmin、wmax分别为w的最小值和最大值；f为当前粒子的适应度，favg、fmin分别为所有粒子的平均适应值和最小适应值。更进一步的，步骤3.1计算当前状态的残差值ri的具体过程如下：ri＝yi-f(xi)(11)式中：yi为样本集中的真实值，f(xi)为改进粒子群算法优化后的LS-SVM回归模型预测值。更进一步的，步骤3.3计算当前状态的相似度趋势ti的具体过程如下：式中：xi为当前状态的坐标，Xj为第j个聚类中心的坐标。更进一步的，步骤3.3计算风险系数di的具体过程如下：di＝ari+bti(13)式中：a和b为权重因子，根据历史数据，初始化为0.5,0.5。更进一步的，所述平移赢家神经元s及其所有拓扑近邻点指与该赢家神经元s有连接的所有神经元。作为一种优选，所述步骤1.5中，如果两个最佳神经元s与t已连接，则将其连接的年龄设为零，否则就在它们之间创建一个连接。作为一种优选，所述步骤一种，运用生长型神经气GNG算法计算历史正常运行状态的特征向量。采用上述技术方案带来的有益效果：本专利技术首先将传感器获得的历史信号数据进行特征提取和降维处理，获得特征向量。对特征向量，一方面运用生长型神经气(GNG)算法，将正常状态数据划分为多种工况，得到若干聚类中心，并计算由当前运行数据得到的特征向量与聚类中心的欧式距离从而得到相似度趋势；另一方面构建历史记忆矩阵，通过改进粒子群算法优化LS-SVM回归模型参数，计算当前状态的残差值。最终结合残差值与相似度趋势，得出风险系数，本文档来自技高网...

【技术保护点】
1.一种生产物流输送装备故障预警方法，其特征在于，包括以下步骤：步骤一，计算历史正常运行状态的特征向量，将正常状态数据划分为多种工况，得到若干聚类中心，并计算当前状态与聚类中心的欧式距离从而得到相似度趋势；步骤二，构建历史记忆矩阵，通过改进粒子群算法优化LS‑SVM回归模型参数，计算当前状态与回归模型的残差值；步骤三，通过结合相似度趋势及残差值，得出风险系数，评估设备运行状态，并对故障作出及时预警。

【技术特征摘要】
1.一种生产物流输送装备故障预警方法，其特征在于，包括以下步骤：步骤一，计算历史正常运行状态的特征向量，将正常状态数据划分为多种工况，得到若干聚类中心，并计算当前状态与聚类中心的欧式距离从而得到相似度趋势；步骤二，构建历史记忆矩阵，通过改进粒子群算法优化LS-SVM回归模型参数，计算当前状态与回归模型的残差值；步骤三，通过结合相似度趋势及残差值，得出风险系数，评估设备运行状态，并对故障作出及时预警。2.根据权利要求1所述生产物流输送装备故障预警方法，其特征在于：所述步骤一的具体过程如下：步骤1.1，初始化：创建两个带权重向量的节点，以及局部误差的零值；步骤1.2，向神经网络x输入一个向量，在最接近x的地方找到s和t两个神经元，即带有权重向量ws与wt的节点，||ws-x||2是所有节点中距离值最小、而||wt-x||2是第二小；步骤1.3，更新赢家神经元s的局部误差，将其添加到向量ws与x的平方距离：Es←Es+||ws-x||2(1)步骤1.4，平移赢家神经元s及其所有拓扑近邻点，方向是输入向量x，距离则等于部分∈w和整个∈n：ws←ws+∈w·(ws-x)(2)wn←wn+∈n·(wn-x)(3)步骤1.5，以1为步幅，增加从赢家神经元s出来的所有连接的年龄，将年龄大于agemax的连接移除；如果神经元中的这个结果没有更多的发散边缘，则亦将这些神经元移除；步骤1.6，如果当前迭代的数量是λ的倍数，且尚未达到网络的限制尺寸，则如下插入一个新的神经元r；步骤1.7，利用分式β减少神经元j的所有误差Ej←Ej-Ej·β(4)步骤1.8，如果未能满足停止条件，则继续步骤二。3.根据权利要求1所述生产物流输送装备故障预警方法，其特征在于：步骤二运用改进粒子群算法对LS-SVM回归模型中的核函数σ和惩罚系数c作出优化。4.根据权利要求1所述生产物流输送装备故障预警方法，其特征在于：步骤三的具体过程如下：步骤3.1计算当前状态的残差值ri，步骤3.2计算当前状态的相似度趋势ti，步骤3.3计算风险系数di。5.根据权利要求2所述生产物流输送装备故障预警方法，其特征在于：步骤1.6的具体过程如下：步骤1.6.1确定带有一个最大局部误差的神经元u；步骤1.6.2于近邻点中确定u带有一个最大误差的神经元v；步骤1.6.3于u和v中间创建一个“居中”的节点r：步骤1.6.4用u与r...

【专利技术属性】
技术研发人员：钱晓明，楼佩煌，王鑫豪，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏,32