一种设备故障预测方法及系统技术方案

本发明专利技术公开一种设备故障预测方法，它包括如下步骤：使用设备关键部件图像训练样本进行训练；对输入的训练样本集进行训练，所述训练样本集包括所述贝叶斯网络模型的输出数据以及包含多个工作参数的训练样本，根据所述训练样本集训练获得神经网络模型；获取模块获取设备的工作状态数据；获取设备的关键部件图像；将获取的关键部件图像输入贝叶斯网络模型输出数据DIA；对设备的工作状态数据进行预处理得到数据DIB；根据所述神经网络模型使用DIA和DIB进行故障预测。该方法可以提供预测故障的发生及锁定故障发生部位以降低生产损失、降低维修保障费用、提高设备完好率和任务成功率；通过状态监测，减少任务过程中故障引起的风险，提高任务成功率。提高任务成功率。提高任务成功率。

【技术实现步骤摘要】
一种设备故障预测方法及系统


[0001]本专利技术涉及工业生产设备的故障诊断和预测领域，尤其是一种基于神经网络的设备故障预测系统及方法

技术介绍

[0002]传统工业生产设备在持续工作中，会受到持续的振动和冲击，加之温度及磨损，将会导致设备材料和零件的磨损老化，从而导致工业设备容易产生故障，而当意识到故障时，可能已经产生了很多不良品，甚至整个工业设备已经奔溃停机，从而造成巨大的损失。如果能在故障发生之前进行故障预测，提前维修更换即将出现问题的零部件，这样就可以提高设备的寿命以及避免某个设备突然出现故障对整个生产带来严重的影响。
[0003]进行故障诊断的一般步骤如下：判定设备有无故障、分析原因、确定故障类型、划分故障类别、诊断出设备具体的故障部位以及故障原因。
[0004]目前，故障诊断的方法有三种：
[0005]1、基于解析模型的故障诊断
[0006]2、基于信号处理的故障诊断
[0007]3、基于状态的人工智能故障诊断。
[0008]发展最早、研究最系统的故障诊断方法是基于解析模型的故障诊断方法，该方法虽能够深入系统本质的动态性质和实时诊断，但是很难获得一个系统模型，同时由于建模中有误差、扰动和噪声，使得鲁棒性问题渐渐凸显；基于信号处理的方法尽管易于实现、实时性也比较好，但在对潜在的故障进行诊断的时候就会凸显其不足之处，因此往往将其用于故障检测。
[0009]为了克服传统维修方式的不足，且随着当前大多设备都配上了各种感应器，通过实时采集设备工作时的振动、温度、电流、电压、关键部件的图像等各项状态数据，基于人工智能的状态检测综合运用各种技术手段获取设备的运行状态信息，并运用数据分析与维修决策技术对设备状态进行实时或者周期性的评价，最终做出科学化的诊断。实现通过状态监测预测即将发生的故障，制订合理的决策。基于状态的人工智能故障诊断方法能够克服对于模型的过分依赖性，也能对潜在的故障进行诊断，从而提高故障诊断的精度。通过分析这些实时的数据，对设备进行故障预测将是一种行之有效的措施。
[0010]故障诊断和预测的关键是实现从故障征兆到故障识别的映射。主要是通过利用过去、现在和未来的关于设备环境、操作和使用状态的信息，检测设备退化，诊断其损坏，以及预测和诊断故障。故障诊断则是指故障检测和故障隔离这两个过程，其中利用各种检查和测试方法，发现系统和设备是否存在故障的过程是故障检测；故障隔离则是要求把故障定位到实施修理时可更换的产品层次(可更换单位)，因此故障诊断可以判定出设备故障类型与故障部位，从而对设备进行维修，减少由于设备停运时间过长而造成的损失。
[0011]专利技术人在研究了现有技术之后发现现有技术中至少存在如下问题：
[0012]1、主要是通过利用过去、现在和未来的关于设备环境、操作和使用状态的信息，检
测设备退化，诊断其损坏，以及预测和诊断故障，而设备环境信息主要是通过各种传感器获取与设备相关的系统指标得到，如振动、温度、压力等，这些指标通常中能反应出设备的间接状态，可能出现延迟甚至失灵的问题。同时，由于采用了设备的系统指标，只能检测到设备出故障，而不能具体定位到设备故障的具体位置，也不能将设备的损坏程度进行分级，不利于设备故障的定位。
[0013]2、目前的故障检测系统主要是通过传感器将系统数据收集后传输至中心计算机进行处理，有的甚至是在工作期间收集数据，在晚上停工期间进行离线处理，由于数据处理远离工业设备本身，一方面会造成信息处理不及时的问题，别一方面会造成修改现有工厂网络布局工作量大的问题。
[0014]3、现有技术的资料中的往往没有对神经网络的具体结构进行介绍，但在实践过程中，不同的网络结构对预测结果的影响巨大，在故障预测时需要对具体的网络进行很多精细化的设定。

技术实现思路

[0015]有鉴于此，本专利技术的目的是克服现有技术中的缺陷，本专利技术的其中一个目的是提供一种故障预测方法，该方法采用基于设备关键部件图像的贝叶斯网络模型以及涉及多个工作参数的神经网络模型进行故障预测、采用边缘计算的思想前设计了全新的BP神经网络以解决上述技术问题。
[0016]本专利技术的其中一个目的是提供一种设备故障预测方法，包括：
[0017]使用设备关键部件图像训练样本进行训练，其中每个训练样本包括已标注的设备样本故障信息，根据训练样本训练生成贝叶斯网络模型；
[0018]对输入的训练样本集进行训练，所述训练样本集包括所述贝叶斯网络模型的输出数据以及包含多个工作参数的训练样本，每个所述包含多个工作参数的训练样本包括已标注的样本故障信息，根据所述训练样本集训练获得神经网络模型；
[0019]获取模块获取设备的工作状态数据；
[0020]获取设备的关键部件图像；
[0021]将获取的设备的关键部件图像输入所述贝叶斯网络模型，并输出数据DIA；
[0022]对设备的工作状态数据进行预处理，得到数据DIB；
[0023]根据所述神经网络模型使用DIA和DIB进行故障预测。
[0024]本专利技术的另一个目的是提供一种基设备故障预测系统，包括模型训练模块、设备工作状态数据获取模块、设备关键部件状态图像数据获取模块以及故障预测模块；
[0025]所述模型训练模块包括设备关键部件状态图像训练模块和故障预测模型训练模块；
[0026]所述设备关键部件状态图像训练模块使用设备关键部件图像训练样本进行训练，其中每个训练样本包括已标注的设备样本故障信息，根据训练样本训练生成贝叶斯网络模型；
[0027]所述故障预测模型训练模块对输入的训练样本集进行训练，所述训练样本集包括所述贝叶斯网络模型的输出数据以及包含多个工作参数的训练样本，每个所述包含多个工作参数的训练样本包括已标注的样本故障信息，根据所述训练样本集训练获得神经网络模
型；
[0028]所述设备工作状态数据获取模块获取设备的工作状态数据；
[0029]所述设备关键部件状态图像数据获取模块获取设备的关键部件图像；
[0030]故障预测模块包括图像推理模块、设备工作状态数据预处理模块和故障确定模块；
[0031]所述图像推理模块将所述设备关键部件状态图像数据获取模块获取的设备的关键部件图像输入所述贝叶斯网络模型，并输出数据DIA；
[0032]所述设备工作状态数据预处理模块对所述设备工作状态数据获取模块获取的设备的工作状态数据进行预处理，得到数据DIB；
[0033]所述故障确定模块根据所述神经网络模型使用DIA和DIB进行故障预测。
[0034]本专利技术具有如下有益效果：
[0035]基于状态的AI故障预测及诊断能克服传统预测方式的不足，实现精确预测及诊断。对于设备，可以提供预测故障的发生及锁定故障发生部位以降低生产损失、降低维修保障费用、提高设备完好率和任务成功率；通过减少备件、保障设备、维修人力等保障资源需求，降低维修保障费用；通过减少维修，特别是计划外维修次数，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种设备故障预测方法，其特征在于，包括：使用设备关键部件图像训练样本进行训练，其中每个训练样本包括已标注的设备样本故障信息，根据训练样本训练生成贝叶斯网络模型；对输入的训练样本集进行训练，所述训练样本集包括所述贝叶斯网络模型的输出数据以及包含多个工作参数的训练样本，每个所述包含多个工作参数的训练样本包括已标注的样本故障信息，根据所述训练样本集训练获得神经网络模型；获取模块获取设备的工作状态数据；获取设备的关键部件图像；将获取的设备的关键部件图像输入所述贝叶斯网络模型，并输出数据DIA；对设备的工作状态数据进行预处理，得到数据DIB；根据所述神经网络模型使用DIA和DIB进行故障预测。2.根据权利要求1所述的一种，其特征在于，所述神经网络模型为BP神经网络模型，BP神经网络模型的隐层神经元个数采用如下公式确定：其中,n为输入层神经元个数,m为输出层神经元个数,a为[1,10]之间的常数。3.一种基设备故障预测系统，其特征在于，所述系统包括模型训练模块、设备工作状态数据获取模块、设备关键部件状态图像数据获取模块以及故障预测模块；所述模型训练模块包括设备关键部件状态图像训练模块和故障预测模型训练模块；所述设备关键部件状态图像训练模块使用设备关键部...

【专利技术属性】
技术研发人员：欧阳鹏，朱真，杨传雷，邓辉，
申请(专利权)人：深圳市芯聚智科技有限公司，
类型：发明
国别省市：