基于弱监督学习的机械设备预知性维护系统和维护方法技术方案

本发明专利技术公开了一种基于弱监督学习的机械设备预知性维护系统和维护方法，多源异构数据融合模块对原始工况数据关联分析进行融合，增加数据完整性；数据重构模块结合工况优化数据空间分布，经过特征选择制作弱标签数据集；故障检测模块基于弱监督学习，对序列型工况数据建模；实时预测通过对实时工况数据拉取并处理原始数据，输入到训练好的模型，达到预知性维护的目的；模型压缩模块通过对模型的优化，压缩至可边缘计算级，满足部署要求；分布式部署可实现设备的并行预测，同时对系统具有高度复用性与维护性。本发明专利技术更加高效便捷，减少了标注成本，解决了故障数据规模小，标注难的问题。标注难的问题。标注难的问题。

【技术实现步骤摘要】
基于弱监督学习的机械设备预知性维护系统和维护方法


[0001]本专利技术涉及矿物加工领域，尤其是基于弱监督学习的机械设备预知性维护系统和维护方法。
技术背景
[0002]矿物加工过程中涉及各种机械设备，其在生产应用中起着举足轻重的作用。由于在矿物加工领域机械设备的应用复杂程度高，其设备的退化评估是一个具有挑战性的问题。机械设备的工作状态决定了生产效益，因此机械设备的故障维护方法对设备高效稳定运行具有重要意义。
[0003]在矿物加工过程中，传感器可以监测到机械设备运行工况数据，但由于设备作业环境的复杂性，传感器通信经常性中断使得数据传输难度增大，采集到的原始数据缺失大量信息，极为不规范，增大了后续数据处理难度。同时由于设备本身的复杂性，工况信息包含各种结构性、半结构性、非结构性数据，使得在多源异构数据中抽离出设备故障信息难度极高，难以建立高准确率的模型。所以故障检测主要还是以传统方法由工人的敲、摸、听来判断，当机械中的机械性能下降到可以听到噪声，感觉到热量或冒烟的程度时，故障就会实质化，从而判断出机械故障。但人工检测经常会由于人为原因导本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于弱监督学习的机械设备预知性维护系统，其特征在于，包括工况数据融合重构单元，预测单元和部署单元；工况数据融合重构单元，包括多源异构数据融合模块和数据重构模块；所述多源异构数据融合模块，用于融合具有差异性的工况数据，增加数据完整性；所述数据重构模块，用于重构数据空间分布，进行数据增强，实现弱标签的数据集制作，提高后续网络学习和泛化能力，并增强可解释性；预测单元，包括故障检测模块，实时预测模块；所述故障检测模块，耦合了孪生网络，以及特征提取网络形成故障检测网络；其中孪生网络通过设计两个并行的子网络，即共享参数的自编码神经网络；将工况数据融合重构单元生成的正常
‑
正常数据对作为孪生网络的输入，设计损失函数，通过不断优化损失函数，寻找正常数据的特征空间；设计与孪生网络并行的特征提取网络，加载预训练好的孪生网络，耦合成为故障检测网络；将工况数据融合重构单元制作好的“正常
‑
正常”数据对与“故障
‑
正常”数据对混合，将正常数据作为孪生网络的输入，混合数据作为特征提取网络端的输入，训练故障检测网络；当两个网络的输出特征在空间上存在差异性时，检测出故障数据；所述实时预测模块，用于拉取设备实时工况信息并处理，对故障实时预警，达到预知性维护的目的；将历史已知正常数据作为故障检测网络的孪生网络端输入，提取正常数据的特征，待预测数据作为特征提取网络端的输入；通过设计相似性密度计算公式，构建高度代表性的正常数据集，每次在集合中抽取n个最具代表性的正常数据分别与待预测数据配对预测，得到n个相似性指标，以投票的方法得出本条数据的检测结果；部署单元，包括模型压缩模块，分布式部署模块；所述模型压缩模块，保证模型预测效果的前提下，降低模型复杂度，便于在移动端部署；所述分布式部署模块，通过分布式架构增强系统模块的重用性；同时制定部署策略，构建预测结果队列，将最近m次的结果依照先后顺序进入队列，当预测出最新结果时移入队列，将最早预测的结果移除出队列，最终以队列内的结果集体投票形式确定最终预测结果，实现高精度预测。2.基于弱监督学习的机械设备预知性维护方法，其特征在于，采用权利要求1所述的基于弱监督学习的机械设备预知性维护系统，包括以下步骤：工况数据融合重构，预测和部署；工况数据融合重构包括：步骤S11：融合机械设备的结构差异性工况数据，制作弱标签数据集；步骤S12：通过数据重构完成数据扩...

【专利技术属性】
技术研发人员：王卫东，宋阳，范誉瀚，吕子奇，涂亚楠，孙美洁，徐志强，
申请(专利权)人：中国矿业大学北京，
类型：发明
国别省市：