一种基于时空交互特征的工业设备剩余使用寿命预测方法技术

本发明专利技术公开了一种一种基于时空交互特征的工业设备剩余使用寿命预测方法，属于数字化与智能制造系统的故障诊断领域，本方法的步骤包括：数据获取，即通过智能传感器获取产品加工过程中的时序数据；数据转换，即把固定窗口大小的时序数据转换成与之相应的时空图；特征提取，即通过卷积操作得到时空交互特征；故障诊断，即通过残差网络预测设备的剩余使用寿命。本发明专利技术通过真实的加工场景，在准确率、精确率、召回率以及F值评估指标上取得了优越的效果，并且具有良好的泛化性和实时检测能力。并且具有良好的泛化性和实时检测能力。并且具有良好的泛化性和实时检测能力。

【技术实现步骤摘要】
一种基于时空交互特征的工业设备剩余使用寿命预测方法


[0001]本专利技术属于数字化与智能制造系统的故障诊断领域，尤其涉及基于时空交互特征的工业设备剩余使用寿命(Remaining Useful Life,RUL)预测。

技术介绍

[0002]随着“工业4.0”的提出，智能制造已成为学术界和产业界的研究热点，其作用在于对制造过程进行感知、分析、推理、决策与控制。随着制造业的发展，工业设备也变得更加先进和复杂，设备空转、设备暂停，以及突然中断是最为常见的故障现象，占全部异常的近79.6％。由于这些故障会导致生产线中断，给企业带来严重的经济损失；因此，业界越来越深刻地意识到需要对工业设备采取必要的故障预警和维护措施。
[0003]在工控系统中，常见的设备维护策略主要有三大类：应急性维护(Run
‑
to
‑
Fail,R2F)、预防性维护(Preventive Maintenance,PvM)和预测性维护(Predictive Maintenance,PdM)。应急性维护仅在设备出现故障时采取维修措施，因此它是最简单的一种策略。然而它的缺点也最为明显，就是一旦采取应急性维护策略，势必造成生产线的中断和设备维修后的重新调试，这无疑会给企业带来严重的经济损失。预防性维护根据生产计划和经验，通过周期性安排工作人员对设备进行定时停机检查、解体、更换零部件，以预防损坏、继发性毁坏及生产损失。尽管它可以在很大程度上减少系统中断，但也不可避免地采取了很多不必要的维护措施，导致了运维成本的增加。预测性维护是在机器运行时，对关键部位进行状态监测和故障诊断，判定设备当前所处的健康状态，预测设备状态的未来发展趋势，并且依据这种发展趋势预先制定维修计划。这种数据驱动的设备维护策略被广泛应用于公共交通、药品生产、半导体制造、以及飞行器制造行业。相对于应急性维护和预防性维护而言，预测性维护不论在科研理论方面还是应用效果方面均处于领跑地位。
[0004]尽管预测性维护是行之有效的故障诊断策略，但要成功将其应用于工控系统还需要深入思考并解决以下两个关键技术问题：(1)如何有效地从数据中提取特征并且建立生产系统的时序依赖关系；(2)如何从生产数据中挖掘不同属性之间的交互机制，从而更加真实地模拟生产系统。常见的基于深度学习的预测性维护方法主要有全连接网络(Fully Connected Network,FCN)、卷积神经网络(Convolutional Neural Network,CNN)、循环神经网络(Recurrent Neural Network,RNN)[4][5][6]以及时间卷积网络(Temporal Convolutional Network,TCN)[7]。全连接网络和卷积神经网络缺乏考虑设备属性随时间的依赖关系。设备的健康状态既依赖于当前时刻，又受历史状态的影响；因此，缺乏对时序依赖关系的考虑，势必降低模型的可靠性。循环神经网络和时间卷积网络虽然在进行剩余使用寿命预测时考虑到了属性间的时序依赖关系，但是在提取特征时，缺乏对数据中不同属性交互机制的建模，因此无法精准可靠地对复杂系统进行表达。

技术实现思路

[0005]本专利技术的目的是基于物联网和人工智能，针对工控系统的瓶颈设备，提出了一种
基于时空交互特征的工业设备剩余使用寿命预测方法。该方法首先获取工业设备的用电数据；然后将时序数据转换成与其对应的时空图；接下来提取时空交互特征；最后将提取到的特征送入残差网络进行剩余使用寿命预测。
[0006]为达到上述目的，本专利技术采用的技术方案是：
[0007]一种基于时空交互特征的工业设备剩余使用寿命预测方法，包括以下步骤：
[0008]数据获取步骤：在工业设备的三相电路的每一相分别安装一个互感器，将高压电转换成低压电，再通过智能传感器采集时序数据，该时序数据包含电压、电流、功率、功率因数和频率5类属性；
[0009]数据转换步骤：将时序数据转换成相应的时空图，该时空图中的每个子图由节点集合、边集合和邻接矩阵构成，该节点集合包含电压、电流、功率、功率因数和频率5个属性节点；边集合由节点之间连接的边构成；邻接矩阵由两个量加权求和得到，该两个量分别由sim核函数和φ1核函数计算得到；
[0010]特整提取步骤：对于时空图中的每个子图，分别归一化边集合和邻接矩阵中用到的两个量；将归一化后的每个子图进行卷积操作并堆叠起来，得到包含属性交互信息的特征中间特征；将该中间特征输入到时间残差模块，得到包含时序关系的时空交互特征；
[0011]故障诊断步骤：将时空交互特征送入残差网络，预测工业设备的剩余使用寿命。
[0012]进一步地，在采集数据步骤，智能传感器旁还加装熔断器和漏电保护设备，以确保工人和设备维护工程师的安全。
[0013]进一步地，利用Run
‑
to
‑
Fail的方式采集数据。
[0014]进一步地，所述时序数据的5类属性具体为：
[0015]电压包括A相电压、B相电压和C相电压；
[0016]电流包括A相电流、B相电流和C相电流；
[0017]功率包括A相无功功率、B相无功功率和C相无功功率；
[0018]功率因数包括A相功率因数、B相功率因数和C相功率因数；
[0019]频率：A相频率、B相频率和C相频率。
[0020]进一步地，时间残差模块由BatchNorm层、PReLU层、Conv2D卷积层、BatchNorm层和Dropout层构成。
[0021]进一步地，中间特征输入到时间残差模块后分成两支，一支直接输出，另一支经BatchNorm层、PReLU层、Conv2D卷积层、BatchNorm层和Dropout层后输出，将两支输出的量进行元素级相加操作，得到时空交互特征。
[0022]进一步地，残差网络由Conv2D卷积层、PReLU层和Conv1D卷积层构成。
[0023]进一步地，时空交互特征送入残差网络后分成两支，一支跳过Conv2D卷积层、PReLU层，另一支经过Conv2D卷积层、PReLU层，然后两支进行元素级相加操作后，再经过Conv1D卷积层输出预测的工业设备剩余使用寿命。
[0024]进一步地，预先通过Adam优化器优化时间残差模块和残差网络的网络参数，具体是根据预测生产设备的剩余使用寿命与真实的剩余使用寿命进行比较，计算均方误差损失，使用误差后向传播算法更新时间残差模块和残差网络的网络参数直至损失收敛。
[0025]本专利技术的有益效果：
[0026]本专利技术提出一种基于时空交互特征的工业设备剩余使用寿命预测方法，该方法同
时考虑了制造系统中各个属性的时序关系及其交互并且在真实的应用验证中，模型的准确率、精确率、召回率以及F1值都取得了优越的效果；本专利技术提出了一种新的核函数用来计算邻接矩阵，从而减轻图卷积过程的过平滑问题；每个子图的核函数均由两部分构成：首先是sim核函数，它通过各属性之本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时空交互特征的工业设备剩余使用寿命预测方法，其特征在于，包括以下步骤：数据获取步骤：在工业设备的三相电路的每一相分别安装一个互感器，将高压电转换成低压电，再通过智能传感器采集时序数据，该时序数据包含电压、电流、功率、功率因数和频率5类属性；数据转换步骤：将时序数据转换成相应的时空图，该时空图中的每个子图由节点集合、边集合和邻接矩阵构成，该节点集合包含电压、电流、功率、功率因数和频率5个属性节点；边集合由节点之间连接的边构成；邻接矩阵由两个量加权求和得到，该两个量分别由sim核函数和φ1核函数计算得到；特整提取步骤：对于时空图中的每个子图，分别归一化边集合和邻接矩阵中用到的两个量；将归一化后的每个子图进行卷积操作并堆叠起来，得到包含属性交互信息的特征中间特征；将该中间特征输入到时间残差模块，得到包含时序关系的时空交互特征；故障诊断步骤：将时空交互特征送入残差网络，预测工业设备的剩余使用寿命。2.权利要求1所述的方法，其特征在于，在采集数据步骤，智能传感器旁还加装熔断器和漏电保护设备。3.权利要求1所述的方法，其特征在于，利用Run
‑
to
‑
Fail的方式采集数据。4.权利要求1所述的方法，其特征在于，所述时序数据的5类属性具体为：电压包括A相电压、B相电压和C相电压；电流包括A相电流、B相电流...

【专利技术属性】
技术研发人员：操晓春，李京知，蒋彧琛，代朋纹，
申请(专利权)人：中国科学院信息工程研究所，
类型：发明
国别省市：