一种基于多维数据融合的设备状态预测方法及系统技术方案

本发明专利技术公开了一种基于多维数据融合的设备状态预测方法和系统，包括：对设备运行全生命周期的状态监测信号进行采集和预处理，利用小波包分析对状态监测信号进行降噪处理，对原始状态监测信号和本征模态分量进行时域、频域和时频域的特征提取，使用排列熵和信息熵进行特征筛选，对已经筛选过的特征进行设备工况的无监督识别，在云中心端进行模型训练，并保存至边缘端进行设备运行状态及其剩余寿命的预测。本发明专利技术利用多任务学习方法挖掘相似工况中的有用多维数据信息以提升设备状态及其剩余寿命预测模型的回归性能，采用云边结合的系统架构节省通信开销，增加计算效率。

【技术实现步骤摘要】
一种基于多维数据融合的设备状态预测方法及系统
本专利技术涉及设备状态预测
，尤其涉及一种基于多维数据融合的设备状态预测方法及系统。
技术介绍
工业现场设备的安全可靠性运行不仅是保障企业经济和社会效益稳定提高的前提，也是保证操作人员生命安全的稳定基础，故工业设备的预测性维护成为工业生产中或不可缺的组成部分，而设备的运行状态信息及其寿命信息是设备维护所主要关注的对象，精准预测设备的未来状态及其失效时间可以降低相应生产工件的坏品率，提高整个工业流程的周转效率，进而提高生产效率。但是若采取过度的保护策略又会造成设备剩余寿命的浪费以及不必要的设备停机时间浪费。因此，如果能够基于多维历史数据和当前实时数据精准预测设备的状态信息及其剩余寿命，将有效地优化工作排程且降低设备采购成本。但由于工业现场设备的机械结构特点和工业流程设计，设备的磨损趋势会因为多种工况的不同具有较大的区别，其设备的多样性使得基于物理模型预测的方法难以直接在高度耦合的复杂工业现场使用，例如数控机床、刀具以及工件设备就具有不同的物理模型，当面临真实运行的设备状态预测场景时，多个物理模型会以时变的状态产生复杂耦合，由于缺乏专家经验和高精密建模仪器，此类方法往往难以对设备及其工况快速精确建模。而基于单任务思路的机器学习方法取决于特征构建方法和数据集的规模，并且对样本同分布要求极高，在设备运行过程中，预测主体映射会随着运行过程的变化而变化，进而导致不同工况的样本属于不同的分布等欠拟合现象，故使用单任务的机器学习方法不能在多工况条件下提供解释性更强的回归预测。基于机器学习与物理模型相结合的方法需要以数据驱动物理模型的更新，受限于设备运行状态信号会受不同工件加工流程的影响和数据更新的时延，此类方法在多工况异构设备场景中同样会面临物理模型难以精准建模等问题，导致模型预测性能较差。现有的设备状态预测方法大都只考虑了相似工况下的预测函数建模，当面临多工况异构设备状态预测场景时，现有方法往往会出现欠拟合的现象，导致预测性能大幅下降。同时当对全新设备进行冷启动预测时，缺少训练数据和标签数据等问题也会导致现有方法的预测结果难以直接使用。申请号为202010281572.7的名为“云-边协同下电网设备运行状态预测方法及系统”的中国专利技术专利提出一种应对电网设备部署偏远场景下的云-边协同预测方法，云平台实现预测模型分布式计算和云端数据存储，而边缘端负责电网设备实时数据的采集，二者相互协作实现设备状态的实时预测，但设备之间的异构性以及工况的多样性使得数字孪生深度学习模型难以应用在复杂工况场景中。申请号为201710947637.5的名为“一种工业机械设备健康状态分析与预测方法及其系统”的中国专利技术专利综合运用统计学习及数据挖掘相关理论和技术，对工业设备的监测数据进行预处理和特征提取，进而进行工业设备性能的退化趋势分析，但是多工况场景下对应不同的映射函数主体，向量回归模型容易出现过拟合情况，导致预测性能变差。申请号为201910782945.6的名为“一种基于LSTM+CNN的机床刀具剩余寿命预测方法”的中国专利技术专利使用LSTM+CNN的方法挖掘信号中时序信息和邻近突出信息，但忽略了信号领域的专家经验，并且由于加工工序的不同，会导致刀具状态监测信号的时序性较为紊乱，难以直接加以利用。因此，本领域的技术人员致力于开发一种基于多维数据融合的设备状态预测方法及系统，可解决多工况场景下的设备状态和剩余寿命预测问题和新设备冷启动预测不准的问题。
技术实现思路
有鉴于现有技术的上述缺陷，本专利技术所要解决的技术问题是如何有效挖掘大量设备运行状态监测信号中的有用敏感特征来表征设备运行的实时状态及其剩余寿命信息；在复杂工况场景下对异构设备进行有效的工况识别并判断相似工况和不相似工况，以实现具有相似工况的样本聚合；利用相似工况中的有用信息构建设备运行状态预测模型以提供更为精确的实时状态信息与失效时间预测。为实现上述目的，本专利技术提供了一种基于多维数据融合的设备状态预测方法，所述方法包括以下步骤：步骤1、通过边缘端对设备运行全生命周期的状态监测信号进行采集和预处理，为状态监测信号打上时间戳和剩余寿命标签，得到包括状态监测信号序列和设备工作状态信号的训练集；步骤2、利用小波包分析对状态监测信号进行降噪处理；步骤3、将降噪过的状态监测信号分解为多个本征模态函数，得到原始状态监测信号在多个时间尺度下的局部特征信息，根据场景使用特点选用适当的分解阶数，对每一个时间段的信号进行并行经验模态分解；步骤4、对原始状态监测信号和本征模态分量进行时域、频域和时频域的特征提取，并根据对应特征的计算方式对原始状态监测信号和本征模态分量进行并行计算；步骤5、使用排列熵和信息熵进行特征筛选，采用节点分裂次数作为特征重要性分数，将筛选过后的特征进行基于分离森林的异常样本处理和基于最大最小归一化的数据标准化；步骤6、使用最小批k-means++聚类算法对已经筛选过的特征进行设备工况的无监督识别，为每一个样本都打上其对应聚类簇的簇标签，依据每个样本所属工况的簇标签对全部数据进行分割；步骤7、使用设备不同工作状态下的对应状态的特征信息值及其剩余寿命值在云中心端进行设备状态预测模型训练，进而将训练好的设备状态预测模型保存至边缘端进行设备运行状态及其剩余寿命的预测；步骤8、当云中心端更新完对应工况的设备状态预测模型后，通过云中心端将模型参数和工况识别系统下发到边缘端用于在线预测，通过边缘端采集实时运行的设备状态监测信号，并行生成已选重要特征后使用工况识别系统判断当前所属工况，使用该工况下对应的模型参数完成设备实时运行状态及其剩余寿命预测。进一步地，所述步骤1中的所述预处理具体包括：步骤1.1、进行缺失值识别补全以及删除由于传感器丢包造成的极大或极小异常信号值；步骤1.2、结合控制器信号和原始状态监测信号的时域均值对原始状态监测信号进行了停机识别和筛选。进一步地，所述步骤2中的所述利用小波包分析为利用小波软阈值法滤除能量分散且幅值小于阈值的噪声。进一步地，所述步骤4中的所述特征提取具体为以控制器信号为划分标签，对原始状态监测信号和本征模态分量进行并行计算，并保存所有计算过后的特征值。进一步地，所述特征值包括均值、峰值、快速傅里叶变换的质心、方差。进一步地，所述步骤5中的所述特征筛选包括粗筛和精筛，其中，所述粗筛利用信息增益删除随机性大于阈值的特征，所述精筛通过使用集成决策树和训练集中的设备状态标签信息找出关键特征。进一步地，所述步骤6中的所述无监督识别具体为利用设备运行负载和特征筛选后的重要特征进行无监督聚类，并且为每一个样本打上其对应聚类簇的簇标签，依据每个设备全生命周期样本按照所属工况标签进行分割。进一步地，所述步骤7中状态预测模型采用基于鲁棒估计器的自适应多任务学习算法。本专利技术还提供了一种基于多维数据融合的设备状态预测系统，包括多维数据处理模块、特征处理模块和状态训练预测模块，所述多维本文档来自技高网...

【技术保护点】
1.一种基于多维数据融合的设备状态预测方法，其特征在于，所述方法包括以下步骤：/n步骤1、通过边缘端对设备运行全生命周期的状态监测信号进行采集和预处理，为状态监测信号打上时间戳和剩余寿命标签，得到包括状态监测信号序列和设备工作状态信号的训练集；/n步骤2、利用小波包分析对状态监测信号进行降噪处理；/n步骤3、将降噪过的状态监测信号分解为多个本征模态函数，得到原始状态监测信号在多个时间尺度下的局部特征信息，根据场景使用特点选用适当的分解阶数，对每一个时间段的信号进行并行经验模态分解；/n步骤4、对原始状态监测信号和本征模态分量进行时域、频域和时频域的特征提取，并根据对应特征的计算方式对原始状态监测信号和本征模态分量进行并行计算；/n步骤5、使用排列熵和信息熵进行特征筛选，采用节点分裂次数作为特征重要性分数，将筛选过后的特征进行基于分离森林的异常样本处理和基于最大最小归一化的数据标准化；/n步骤6、使用最小批k-means++聚类算法对已经筛选过的特征进行设备工况的无监督识别，为每一个样本都打上其对应聚类簇的簇标签，依据每个样本所属工况的簇标签对全部数据进行分割；/n步骤7、使用设备不同工作状态下的对应状态的特征信息值及其剩余寿命值在云中心端进行设备状态预测模型训练，进而将训练好的设备状态预测模型保存至边缘端进行设备运行状态及其剩余寿命的预测；/n步骤8、当云中心端更新完对应工况的设备状态预测模型后，通过云中心端将模型参数和工况识别系统下发到边缘端用于在线预测，通过边缘端采集实时运行的设备状态监测信号，并行生成已选重要特征后使用工况识别系统判断当前所属工况，使用该工况下对应的模型参数完成设备实时运行状态及其剩余寿命预测。/n...

【技术特征摘要】
1.一种基于多维数据融合的设备状态预测方法，其特征在于，所述方法包括以下步骤：
步骤1、通过边缘端对设备运行全生命周期的状态监测信号进行采集和预处理，为状态监测信号打上时间戳和剩余寿命标签，得到包括状态监测信号序列和设备工作状态信号的训练集；
步骤2、利用小波包分析对状态监测信号进行降噪处理；
步骤3、将降噪过的状态监测信号分解为多个本征模态函数，得到原始状态监测信号在多个时间尺度下的局部特征信息，根据场景使用特点选用适当的分解阶数，对每一个时间段的信号进行并行经验模态分解；
步骤4、对原始状态监测信号和本征模态分量进行时域、频域和时频域的特征提取，并根据对应特征的计算方式对原始状态监测信号和本征模态分量进行并行计算；
步骤5、使用排列熵和信息熵进行特征筛选，采用节点分裂次数作为特征重要性分数，将筛选过后的特征进行基于分离森林的异常样本处理和基于最大最小归一化的数据标准化；
步骤6、使用最小批k-means++聚类算法对已经筛选过的特征进行设备工况的无监督识别，为每一个样本都打上其对应聚类簇的簇标签，依据每个样本所属工况的簇标签对全部数据进行分割；
步骤7、使用设备不同工作状态下的对应状态的特征信息值及其剩余寿命值在云中心端进行设备状态预测模型训练，进而将训练好的设备状态预测模型保存至边缘端进行设备运行状态及其剩余寿命的预测；
步骤8、当云中心端更新完对应工况的设备状态预测模型后，通过云中心端将模型参数和工况识别系统下发到边缘端用于在线预测，通过边缘端采集实时运行的设备状态监测信号，并行生成已选重要特征后使用工况识别系统判断当前所属工况，使用该工况下对应的模型参数完成设备实时运行状态及其剩余寿命预测。


2.如权利要求1所述的基于多维数据融合的设备状态预测方法，其特征在于，所述步骤1中的所述预处理具体包括：
步骤1.1、进行缺失值识别补全以及删除由于传感器丢包造成的极大或极小异常信号值；
步骤1.2、结合控制器信号和原始状态监测信号的时域均值对原始状态监测信号进行了停机识别和筛选。


3.如权利要求1所...

【专利技术属性】
技术研发人员：陈彩莲，尹宝莹，朱培源，徐磊，许齐敏，张景龙，
申请(专利权)人：上海交通大学烟台信息技术研究院，上海交通大学，
类型：发明
国别省市：山东;37