一种基于大数据的工业设备亚健康状态智能监测方法及其装置制造方法及图纸

本发明专利技术涉及设备监测技术领域，具体为一种基于大数据的工业设备亚健康状态智能监测方法及其装置，其中方法包括：通过主处理模块完成数据采集；将所述数据采集的多组数据进行特征工程构建；将所述特征工程构建的数据进行数据划分；将所述数据划分的处理结构进行模型构建；将所述模型构建的结构进行对比完成状态识别。本发明专利技术通过将采样的研究样本划分为训练集、测试集和验证集，以完成构建对抗网络，随后进行模型构建，展开基于深度残差收缩网络的亚健康状态识别模型研究，并与主流机器学习和集成学习算法进行性能比较，保证模型能适应实际生产环境中度杂多样的设备亚健康状态，最后通过信息的比对已完成状态识别，进而可有效实现工业设备亚健康状态识别。工业设备亚健康状态识别。工业设备亚健康状态识别。

【技术实现步骤摘要】
一种基于大数据的工业设备亚健康状态智能监测方法及其装置


[0001]本专利技术涉及设备监测
，具体为一种基于大数据的工业设备亚健康状态智能监测方法及其装置。

技术介绍

[0002]随着工业水平的高速发展，自动化的程度得到普及，现代化工业生产体系逐渐朝着智能化的方向发展，尤其近几年随着深度学习应用的越来越广泛，智能化的水平进一步提高，整个系统的复杂程度也越来越高，但是，不管生产线多么优秀或者工业设备如何先进都无法有效避免长时间运行给生产系统造成的巨大压力以及伴随着设备老化带来的各种问题，特别是随着工作时间延续，设备中任意零部件的损坏都会造成严重后果。
[0003]但实际情况下，故障往往不是瞬间发生的，而是长期累积而发生的一种缓慢质变的过程，这个过程介于“健康”与“故障”两种状态之间，是故障发生早期的一种表征，这里我们借鉴生物学上的一种名称，称之为“亚健康”状态，因此，若能在滚动轴承发生故障之前检测出其问题，即对其“亚健康”进行识别，在某种程度上会大大减少停机修复的机率进而减少因为停机修复故障带来的经济损失以及其他相关不必要的经济损失本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于大数据的工业设备亚健康状态智能监测方法，其特征在于，包括以下步骤：通过主处理模块完成数据采集；将所述数据采集的多组数据进行特征工程构建；将所述特征工程构建的数据进行数据划分；将所述数据划分的处理结构进行模型构建；将所述模型构建的结构进行对比完成状态识别。2.根据权利要求1所述的一种基于大数据的工业设备亚健康状态智能监测方法，其特征在于，所述数据采集包括风扇端振动信号采集、基座端震动信号采集和驱动端震动信号采集，且振动信号为由待检测处的振动数据转换为的电量信号，通过所述风扇端振动信号采集、基座端震动信号采集和驱动端震动信号采集将不同处得振动信号进行采集并传递至主处理模块，所述主处理模块内设置有系统接口，且通过系统接口可接收并转换由待检测处的振动数据转换为的电量信号。3.根据权利要求1所述的一种基于大数据的工业设备亚健康状态智能监测方法，其特征在于，所述特征工程构建包括时域特征、频域特征、时频域特征以及时序分析特征，所述时域特征包括均值和标准差等，所述频域特征包括频带能量比，所述时频域特征包括信号小波带，所述时序分析特征包括自相关系数，所述特征工程对采样的数据依次进行特征提取和缺失值估算，随后获取得到一个性能指标，并将该性能指标与基准性能进行比对，通过所述特征工程构建可将原始采集的数据转换成能够更好反映问题本质特征的过程，以提高数据模型预测的精度。4.根据权利要求1所述的一种基于大数据的工业设备亚健康状态智能监测方法，其特征在于，所述数据划分包括训练集、验证集和测试集，通过所述训练集可对采集的特征数据集进行有效的训练并调整，以获得最佳的分类效果，且通过所述验证集可验证采集的特征数据在模型上运行的实际表现效果，且验证集可通过调整对应的参数让模型处于最好的状态，且验证集通过数据增强处理后可实现构建对抗网络，通过所述测试集可对采集的特征数据数据进行有效的评估，进而得到准确率、精确率以及召回率等评估指标。5.根据权利要求1所述的一种基于大数据的工业设备亚健康状态智能监测方法，其特征在于，所述模型构建采用深度残差收缩网...

【专利技术属性】
技术研发人员：朱韶平，朱乐平，邱小群，马维旻，杨裕，刘玉洁，严毓培，关景新，
申请(专利权)人：珠海城市职业技术学院，
类型：发明
国别省市：