【技术实现步骤摘要】
一种工业设备健康管理系统及方法
[0001]本专利技术涉及工业设备故障预警
，更为具体的，涉及一种工业设备健康管理系统及方法。
技术介绍
[0002]随着制造业的高速发展，工业设备的种类越来越多，设备的复杂度也越来越高，工业企业对设备的可靠性要求也越来越高，致使设备管理的难度也越来越大。而工业生产中，一旦设备出现故障，将会对整个生产过程和生产计划产生影响，造成经济损失，严重时甚至会威胁到人员安全。因此，工业设备的健康管理技术对工业发展有着重要的意义。如今，大数据和人工智能技术蓬勃发展，故障诊断和寿命预测技术也得到了前所未有的发展。
[0003]现有的设备故障诊断系统一般将设备的状态分为正常和故障两种，而缺乏对中间状态的分析研究。而设备从正常到故障是一个长期累积、逐渐发展的过程，如果不能提前识别预警，有可能会造成重大的损失。
技术实现思路
[0004]本专利技术的目的在于克服现有技术的不足，提供一种工业设备健康管理系统及方法，实现对工业设备进行全生命周期的监测和管理，便于设备管理人员和企业管理者对...
【技术保护点】
【技术特征摘要】
1.一种工业设备健康管理系统，其特征在于，包括数据采集模块、数据预处理模块、异常检测模块、故障诊断模块和寿命预测模块；数据采集模块，用于采集工业设备的数据并存入数据库；数据预处理模块，用于利用原始特征中的部分数据得到构造特征，再将原始特征和构造特征输入训练好的神经网络模型，并提取出多个特征作为最终特征，用于后续计算；异常检测模块，用于将预处理后得到的原始特征和构造特征一起作为输入，进行异常点检测计算；故障诊断模块，用于将数据预处理模块中得到的最终特征作为输入，采用多模型融合的方法对设备故障情况进行诊断；寿命预测模块，用于将数据预处理模块中得到的最终特征作为输入，采用神经网络对设备的剩余使用寿命进行预测。2.根据权利要求1所述的工业设备健康管理系统，其特征在于，所述数据预处理模块包括数据清洗模块、特征构造模块和特征提取模块；数据清洗模块，用于对原始数据进行清洗后进行标准化处理，生成原始特征；特征构造模块，用于利用原始特征中的部分数据构建构造特征；特征提取模块，用于利用卷积神经网络CNN模型进行特征提取，将原始特征和构造特征输入训练好的卷积神经网络CNN模型，提取出多个特征作为所述最终特征。3.根据权利要求1所述的工业设备健康管理系统，其特征在于，所述异常点检测计算包括：阈值判断：根据历史数据统计结果，设定重要参数的正常范围，当某参数值超出该范围时，判定为异常点；和/或，聚类分析：首先用聚类算法对设定时间段的正常历史数据进行聚类分析，得出k个聚类中心，然后计算实时数据点到每个聚类中心的距离L，当L大于阈值L0时，判定该点为异常点；在t0时间间隔内，若出现异常点个数大于设定数量个，则判定设备出现异常情况。4.根据权利要求1所述的工业设备健康管理系统，其特征在于，所述采用多模型融合的方法具体为基于Stacking算法模型，且在Stacking算法模型的第一层模型采用XGBoost、支持向量机和随机森林三个模型，第二层模型采用逻辑回归模型；首先对第一层的三个模型分别进行训练，然后用第一层模型的预测输出作为输入训练第二层模型，最终得到的融合模型作为故障诊断模型，用于对设备进行故障诊断。5.根据权利要求1所述的工业设备健康管理系统，其特征在于，所述采用神经网络对设备的剩余使用寿命进行预测，包括：根据已有的设备退化曲线构造训练集和测试集，设置采样间隔，代入预先构建的神经网络，对神经网络进行训练，建立模型；采用多项式曲线拟合法对设备退化曲线进行拟合；通过拟合出的退化曲线对设备的剩余使用寿命进行预测。6.根据权利要求1所述的工业设备健康管理系统，其特征在于，包括健康管理模块，用于对设备的健康状况进行评估和管理，将设备的健康状况分为多个等级，多个等级包括正常、亚健康、临近失效、故障；当设备正常运行，未出现异常点的状态为正常状态；当异常检测模块检测出设备出现异常点时，设备状态标记为亚健康；当寿命预测模块计算出设备的剩余使用寿命小于设定时间时，设备状态标记为临近失效；当故障诊断模块检测出设备出
现故障时，设备状态标记为故障；当设备状态为临近失效或故障时，将设备信息发送给故障报警模块。7.根据权利要求1所述的工业设备健康管理系统，其特征在于，包括系统性能评估模块，用于根据设备的实际故障情况与系统预测结果进行比较，评估系统的性能，并将评价结果进行...
【专利技术属性】
技术研发人员：樊妍睿，马波涛，
申请(专利权)人：成都航天科工大数据研究院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。