基于健康状态指数的工业设备预测性维护方法、装置和电子设备制造方法及图纸

本申请提供一种基于健康状态指数的工业设备预测性维护方法、装置和电子设备，通过获取待测设备运行过程中各个时间点的运行数据，将运行数据导入预先训练得到的重构模型，得到运行数据对应的重构数据，根据重构数据和运行数据得到健康状态指数，并根据健康状态指数确定退化点。再将退化点之后的时间点对应的健康状态指数导入预先训练得到的预测模型进行拟合并得到延伸曲线，将延伸曲线上各个时间点的预测健康状态数据和预设阈值进行比较，将两者一致的时间点确定为失效时间点。该方案中，利用预先训练的重构模型和预测模型，可以通过学习运行数据的特征从而准确实现退化点的确定和数据的预测，可以适用于基于少量数据情况下的预测性维护。的预测性维护。的预测性维护。

【技术实现步骤摘要】
基于健康状态指数的工业设备预测性维护方法、装置和电子设备


[0001]本申请涉及工业设备管理
，具体而言，涉及一种基于健康状态指数的工业设备预测性维护方法、装置和电子设备。

技术介绍

[0002]工业设备维护对于制造业经济效益有着重要意义。预防性维护即定期检修的方法能够充分预防机器人在生产过程中宕机所造成的经济损失，但其加重了运维人员的工作负担同时造成了大量零部件的浪费，提高了机器人的维护成本。因此产业界正在探索工业设备的预测性维护技术，以期在设备性能降至最低时进行维护，从而节省维护成本。
[0003]现有技术中，对于工业设备的预测性维护主要是采用多传感采集多源数据，构建单一或复合的健康状态指标，从而进行工业设备的失效预测等。但是现有技术中这种设置多个传感器采集数据进行预测的方式，主要适用于大型设备。在针对如工业机器人这类小型设备进行预测维护时，由于实际工作环境限制以及所执行的工艺本身和传感器的成本限制，大量传感器的携带变得不现实。因此，针对小型设备而言，如何在无法设置大量传感器采集多源数据的情况下，准确实现预测维护的问题非常重要本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于健康状态指数的工业设备预测性维护方法，其特征在于，所述方法包括：获取待测设备运行过程中各个时间点的运行数据，将所述运行数据导入预先训练得到的重构模型，得到所述运行数据对应的重构数据；根据所述重构数据和运行数据得到健康状态指数，并根据所述健康状态指数确定时间点中的退化点，所述退化点表征所述待测设备的健康状态开始出现退化的时间点；将所述退化点之后的时间点对应的健康状态指数，导入预先训练得到的预测模型以对所述健康状态指数进行拟合，并基于拟合曲线得到延伸曲线，将所述延伸曲线中的各个时间点上的预测健康状态指数与预设阈值进行比较，将预测健康状态指数和所述预设阈值相同的时间点确定为失效时间点。2.根据权利要求1所述的基于健康状态指数的工业设备预测性维护方法，其特征在于，所述将所述运行数据导入预先训练得到的重构模型，得到所述运行数据对应的重构数据的步骤，包括：针对获取的待测设备的连续多个时间点的运行数据，按预设步长和预设窗口长度对所述运行数据进行截取，获得多个时间窗口内的运行数据；针对每个时间窗口内的运行数据，将所述运行数据缩放至预设范围内；提取缩放后的运行数据的时域特征向量、频域特征向量和时频域特征向量；将所述时域特征向量、频域特征向量和时频域特征向量导入预先训练得到的重构模型，得到所述运行数据对应的重构数据。3.根据权利要求2所述的基于健康状态指数的工业设备预测性维护方法，其特征在于，所述预设窗口长度大于所述预设步长。4.根据权利要求1所述的基于健康状态指数的工业设备预测性维护方法，其特征在于，所述根据所述重构数据和运行数据得到健康状态指数，并根据所述健康状态指数确定时间点中的退化点的步骤，包括：获得所述重构数据和运行数据之间的差异数据，将所述差异数据作为健康状态指数；将所述健康状态指数与健康状态阈值进行比较，将健康状态指数开始偏离所述健康状态阈值所对应的时间点，确定为退化点。5.根据权利要求4所述的基于健康状态指数的工业设备预测性维护方法，其特征在于，所述将健康状态指数开始偏离所述健康状态阈值所对应的时间点，确定为退化点的步骤，包括：获取健康状态指数中开始偏离所述健康状态阈值的时间点；检测所述时间点之后的设定数量的时间点分别对应的健康状态指数是否均偏离所述健康状态阈值，若均偏离，则确定所述时间点为退化点。6.根据权利要求4所述的基于健康状态指数的工业设备预测性维护方法，其特征在于，所述方法还包括预先基于构建的神经网络模型训练得到所...

【专利技术属性】
技术研发人员：郭晓辉，牟许东，王瑞，刘旭东，
申请(专利权)人：北京航空航天大学杭州创新研究院，
类型：发明
国别省市：