一种基于数据驱动的生产设备故障监测方法技术

本发明专利技术涉及故障监测技术，具体是一种基于数据驱动的生产设备故障监测方法。本发明专利技术解决了传统的生产设备故障监测方法监测准确度较低、监测实时性较差的问题。一种基于数据驱动的生产设备故障监测方法，该方法是采用如下步骤实现的：步骤S1：采集运行数据；步骤S2：属性选择；步骤S3：添加时间标签；步骤S4：定义出数据集合；步骤S5：标记为细胞数组；步骤S6：确定细胞核；步骤S7：计算均方误差平方和；步骤S8：计算缩放因子；步骤S9：计算分裂指数；步骤S10：分裂指数与分裂阈值比较；步骤S11：计算影响半径；步骤S12：建立细胞核间距矩阵；步骤S13：细胞核间距与影响半径之和比较；步骤S14：还原为数据集合；步骤S15：绘制曲线。本发明专利技术适用于故障监测。

【技术实现步骤摘要】
一种基于数据驱动的生产设备故障监测方法
本专利技术涉及故障监测技术，具体是一种基于数据驱动的生产设备故障监测方法。
技术介绍
在工业生产中，生产设备在经过长时间使用后会产生不同程度的磨损、疲劳、变形或损伤，由此导致生产设备出现故障，从而影响产品的良品率和生产效率。为了保证产品的良品率和生产效率，有必要对生产设备进行故障监测。传统的生产设备故障监测方法由于自身原理所限，存在如下问题：其一，传统的生产设备故障监测方法在监测过程中普遍需要依赖经验数据，由此导致监测结果受到人为主观因素的影响，从而导致监测准确度较低。其二，传统的生产设备故障监测方法在监测过程中普遍采用机器学习算法进行数据处理，由此导致数据处理量较大，从而导致监测实时性较差。根据此，有必要专利技术一种基于数据驱动的生产设备故障监测方法，以解决传统的生产设备故障监测方法监测准确度较低、监测实时性较差的问题。
技术实现思路
本专利技术为了解决传统的生产设备故障监测方法监测准确度较低、监测实时性较差的问题，提供了一种基于数据驱动的生产设备故障监测方法。本专利技术是采用如下技术方案实现的：一种基于数据驱动的生产设备故障监测方法，该方法是采用如下步骤实现的：步骤S1：利用传感器实时采集生产设备的运行数据；步骤S2：利用人工筛选法或PCA法对运行数据进行属性选择，由此保留运行数据的有效属性、去除运行数据的无效属性；步骤S3：将同一个时间窗口内的运行数据定义为一个数据集合，并对同一个数据集合内的每条数据样本均添加一个相同的时间标签；步骤S4：随着时间窗口的滑动，定义出若干个数据集合；每个数据集合均包括时间标签相同的若干条数据样本；步骤S5：将每个数据集合均标记为一个细胞数组，并设定各个细胞数组的分裂阈值；步骤S6：根据细胞核确定规则，确定各个细胞数组的细胞核；所述细胞核确定规则是指：计算细胞数组中每条数据样本到其余n-1条数据样本的欧氏距离之和；若某条数据样本到其余n-1条数据样本的欧氏距离之和最小，则该条数据样本为细胞数组的细胞核；步骤S7：计算各个细胞数组的均方误差平方和；所述细胞数组的均方误差平方和是指：细胞数组的细胞核到其余n-1条数据样本的欧氏距离的平方和；步骤S8：计算各个细胞数组的缩放因子；所述细胞数组的缩放因子是指：细胞数组中相距最远的两条数据样本之间的欧氏距离；步骤S9：根据各个细胞数组的均方误差平方和及缩放因子，计算各个细胞数组的分裂指数；具体计算公式如下：式中：SI表示细胞数组的分裂指数；MSS表示细胞数组的均方误差平方和；表示细胞数组的缩放因子；步骤S10：将各个细胞数组的分裂指数与其分裂阈值进行比较；若某个细胞数组的分裂指数＜其分裂阈值，则将该细胞数组判定为优良细胞数组；若某个细胞数组的分裂指数≥其分裂阈值，则将该细胞数组判定为不良细胞数组，并将该不良细胞数组进行若干次分裂，直至将该不良细胞数组分裂为若干个优良细胞数组；步骤S11：计算各个优良细胞数组的影响半径；所述优良细胞数组的影响半径是指：优良细胞数组的细胞核到其余各条数据样本的最大欧氏距离；步骤S12：遍历计算相邻两个优良细胞数组的细胞核间距，并根据计算结果建立细胞核间距矩阵；所述相邻两个优良细胞数组的细胞核间距是指：相邻两个优良细胞数组的细胞核之间的欧氏距离；步骤S13：遍历计算相邻两个优良细胞数组的影响半径之和，并将相邻两个优良细胞数组的细胞核间距与二者的影响半径之和进行比较；若相邻两个优良细胞数组的细胞核间距＜二者的影响半径之和，则将该相邻两个优良细胞数组合并为一个优良细胞数组；若相邻两个优良细胞数组的细胞核间距≥二者的影响半径之和，则该相邻两个优良细胞数组无需合并；步骤S14：将每个优良细胞数组均还原为一个数据集合；步骤S15：根据各个数据集合的数据分布特征，绘制数据分布特征变化曲线，并根据数据分布特征变化曲线判断生产设备是否出现故障，由此实现生产设备故障监测。所述步骤S10中，将不良细胞数组进行一次分裂的步骤如下：步骤S10.1：在不良细胞数组中随机选取两条数据样本，作为两个随机细胞核；步骤S10.2：根据细胞数组划分规则，将不良细胞数组划分为两个新细胞数组；所述细胞数组划分规则是指：计算不良细胞数组中每条数据样本到两个随机细胞核的欧氏距离；若某条数据样本到第一个随机细胞核的欧氏距离＜其到第二个随机细胞核的欧氏距离，则将该条数据样本划入第一个新细胞数组；反之，则将该条数据样本划入第二个新细胞数组；步骤S10.3：根据细胞核确定规则，确定两个新细胞数组的细胞核；所述细胞核确定规则是指：计算新细胞数组中每条数据样本到其余各条数据样本的欧氏距离之和；若某条数据样本到其余各条数据样本的欧氏距离之和最小，则该条数据样本为新细胞数组的细胞核；步骤S10.4：根据细胞数组划分规则，将不良细胞数组重新划分为两个新细胞数组；所述细胞数组划分规则是指：计算不良细胞数组中每条数据样本到两个新细胞数组的细胞核的欧氏距离；若某条数据样本到第一个新细胞数组的细胞核的欧氏距离＜其到第二个新细胞数组的细胞核的欧氏距离，则将该条数据样本划入第一个新细胞数组；反之，则将该条数据样本划入第二个新细胞数组；步骤S10.5：循环执行步骤S10.3～步骤S10.4，直至步骤S10.4得到的两个新细胞数组不再变化，由此完成一次分裂。与传统的生产设备故障监测方法相比，本专利技术所述的一种基于数据驱动的生产设备故障监测方法基于全新原理，实现了生产设备故障监测，由此具备了如下优点：其一，本专利技术无需依赖经验数据，而只需基于生产设备的运行数据即可实现故障监测，由此有效消除了人为主观因素对监测结果的影响，从而有效提高了监测准确度。其二，本专利技术不再采用机器学习算法，而是采用全新的分裂-合并算法进行数据处理，由此有效减小了数据处理量，从而有效提高了监测实时性。本专利技术有效解决了传统的生产设备故障监测方法监测准确度较低、监测实时性较差的问题，适用于故障监测。附图说明图1是本专利技术的流程示意图。具体实施方式一种基于数据驱动的生产设备故障监测方法，该方法是采用如下步骤实现的：步骤S1：利用传感器实时采集生产设备的运行数据；步骤S2：利用人工筛选法或PCA法对运行数据进行属性选择，由此保留运行数据的有效属性、去除运行数据的无效属性；步骤S3：将同一个时间窗口内的运行数据定义为一个数据集合，并对同一个数据集合内的每条数据样本均添加一个相同的时间标签；步骤S4：随着时间窗口的滑动，定义出若干个数据集合；每个数据集合均包括时间标签相同的若干条数据样本；步骤S5：将每个数据集合均标记为一个细胞数组，并设定各个细胞数组的分裂阈值；步骤S6：根据细胞核确定规则，确定各个细胞数组的细胞核；所本文档来自技高网...

【技术保护点】
1.一种基于数据驱动的生产设备故障监测方法，其特征在于：该方法是采用如下步骤实现的：/n步骤S1：利用传感器实时采集生产设备的运行数据；/n步骤S2：利用人工筛选法或PCA法对运行数据进行属性选择，由此保留运行数据的有效属性、去除运行数据的无效属性；/n步骤S3：将同一个时间窗口内的运行数据定义为一个数据集合，并对同一个数据集合内的每条数据样本均添加一个相同的时间标签；/n步骤S4：随着时间窗口的滑动，定义出若干个数据集合；每个数据集合均包括时间标签相同的若干条数据样本；/n步骤S5：将每个数据集合均标记为一个细胞数组，并设定各个细胞数组的分裂阈值；/n步骤S6：根据细胞核确定规则，确定各个细胞数组的细胞核；/n所述细胞核确定规则是指：计算细胞数组中每条数据样本到其余n-1条数据样本的欧氏距离之和；若某条数据样本到其余n-1条数据样本的欧氏距离之和最小，则该条数据样本为细胞数组的细胞核；/n步骤S7：计算各个细胞数组的均方误差平方和；/n所述细胞数组的均方误差平方和是指：细胞数组的细胞核到其余n-1条数据样本的欧氏距离的平方和；/n步骤S8：计算各个细胞数组的缩放因子；/n所述细胞数组的缩放因子是指：细胞数组中相距最远的两条数据样本之间的欧氏距离；/n步骤S9：根据各个细胞数组的均方误差平方和及缩放因子，计算各个细胞数组的分裂指数；具体计算公式如下：/n...

【技术特征摘要】
1.一种基于数据驱动的生产设备故障监测方法，其特征在于：该方法是采用如下步骤实现的：
步骤S1：利用传感器实时采集生产设备的运行数据；
步骤S2：利用人工筛选法或PCA法对运行数据进行属性选择，由此保留运行数据的有效属性、去除运行数据的无效属性；
步骤S3：将同一个时间窗口内的运行数据定义为一个数据集合，并对同一个数据集合内的每条数据样本均添加一个相同的时间标签；
步骤S4：随着时间窗口的滑动，定义出若干个数据集合；每个数据集合均包括时间标签相同的若干条数据样本；
步骤S5：将每个数据集合均标记为一个细胞数组，并设定各个细胞数组的分裂阈值；
步骤S6：根据细胞核确定规则，确定各个细胞数组的细胞核；
所述细胞核确定规则是指：计算细胞数组中每条数据样本到其余n-1条数据样本的欧氏距离之和；若某条数据样本到其余n-1条数据样本的欧氏距离之和最小，则该条数据样本为细胞数组的细胞核；
步骤S7：计算各个细胞数组的均方误差平方和；
所述细胞数组的均方误差平方和是指：细胞数组的细胞核到其余n-1条数据样本的欧氏距离的平方和；
步骤S8：计算各个细胞数组的缩放因子；
所述细胞数组的缩放因子是指：细胞数组中相距最远的两条数据样本之间的欧氏距离；
步骤S9：根据各个细胞数组的均方误差平方和及缩放因子，计算各个细胞数组的分裂指数；具体计算公式如下：



式中：SI表示细胞数组的分裂指数；MSS表示细胞数组的均方误差平方和；表示细胞数组的缩放因子；
步骤S10：将各个细胞数组的分裂指数与其分裂阈值进行比较；
若某个细胞数组的分裂指数＜其分裂阈值，则将该细胞数组判定为优良细胞数组；
若某个细胞数组的分裂指数≥其分裂阈值，则将该细胞数组判定为不良细胞数组，并将该不良细胞数组进行若干次分裂，直至将该不良细胞数组分裂为若干个优良细胞数组；
步骤S11：计算各个优良细胞数组的影响半径；
所述优良细胞数组的影响半径是指：优良细胞数组的细胞核到其余各条数据样本的最大欧氏距离；
步骤S12：遍历计算相邻两个优良细胞数组的细胞核间距，并根据计算结果建立细胞核间距矩阵；
所述相邻两个优良细胞数组的细胞...

【专利技术属性】
技术研发人员：梁波，高哲，韩素青，高洁，史颖，
申请(专利权)人：太原师范学院，
类型：发明
国别省市：山西;14