一种基于时序数据的烟草设备故障预测系统及预测方法技术方案

一种基于时序数据的烟草设备故障预测系统及预测方法，涉及烟草设备故障预测技术领域，包括：数据资源模块、数据组织模块、模型构建模块、数据应用模块，通过采集烟草设备的监测数据进行处理后采用深度学习算法，结合设备工艺、质量考核信息，构建基于时间序列数据的工艺质量深度学习预测模型，通过实时采集烟草设备的监测数据进行分析预测得到烟草设备发生故障的可能性，指导开展设备的预防性维护，解决了目前对于设备管理存在的缺少采用智能分析技术对设备运行数据的挖掘分析和故障趋势预测，不能查找出引起设备运行故障的关键影响因素，不利于开展设备预防性维护的问题。不利于开展设备预防性维护的问题。不利于开展设备预防性维护的问题。

【技术实现步骤摘要】
一种基于时序数据的烟草设备故障预测系统及预测方法


[0001]本专利技术涉及烟草设备故障预测
，具体涉及一种基于时序数据的烟草设备故障预测系统及预测方法。

技术介绍

[0002]现有的设备管理工作中，对于设备运行故障数据分析采用事后统计汇总的方式进行结果分析，缺少采用智能分析技术对设备运行数据的挖掘分析和故障趋势预测，不能查找出引起设备运行故障的关键影响因素，不利于开展设备预防性维护。

技术实现思路

[0003]本专利技术实施例提供了一种基于时序数据的烟草设备故障预测系统及预测方法，通过序列模式挖掘技术，发现频繁时间序列模式，预测设备发生故障的可能性，指导开展设备的预防性维护。
[0004]一种基于时序数据的烟草设备故障预测系统，包括：数据资源模块、数据组织模块、模型构建模块、数据应用模块；
[0005]所述数据资源模块，用于采集各烟草设备的监测数据，监测数据包括生产数据、质量数据、剔除数据和停机数据；
[0006]所述数据组织模块，用于将所述数据资源模块采集的监测数据组织为开展序列模式数据挖掘所需要的数据格式，并输入到所述模型构建模块；
[0007]所述模型构建模块，用于接收所述数据组织模块发送的数据，形成设备运行历史监测数据，采用深度学习算法，结合设备工艺、质量考核信息，构建工艺质量深度学习预测模型，还用于采集设备运行实时监测数据进行设备故障可能性预测，得到预测结果；
[0008]所述数据应用模块，用于根据所述模型构建模块得到的预测结果，分析出影响设备运行故障的关键影响因素，还用于结合设备维修计划，指导开展设备的预防性维护。
[0009]进一步的，所述模型构建模块包括规则生成模块和实时数据检测模块。
[0010]进一步的，所述规则生成模块通过对设备运行历史监测数据进行数据预处理，并经过特征提取后，采用深度学习算法分析，形成频繁时间序列模式，频繁序列模式构成规则库，作为实时数据监测模块的规则标准，进行数据预测。
[0011]进一步的，所述实时数据检测模块，采集设备运行实时监测数据，经过数据预处理后，形成当前监测数据，结合规则生成模块的规则库，形成数据检测引擎，进行设备故障可能性预测，得到预测结果。
[0012]第二方面，本专利技术实施例提供一种基于时序数据的烟草设备故障预测方法，包括以下步骤：
[0013]S1，采集数据集，对数据进行预处理；
[0014]S2，构建基于时间序列数据的工艺质量深度学习预测模型；
[0015]S3，设备故障预测的模型的评价与验证。
[0016]进一步的，所述步骤S1中，数据采集是指将某一时刻一条设备监测数据形成数据库中的一条记录，包含的字段有ID、时间、部门、班组、机台、员工、材料、产量、质量、温度、湿度、故障类型和故障描述。
[0017]进一步的，所述步骤S1中，所述数据的预处理包括抽取、清洗、转换和加载，通过设定时间、部门、班组、机台、员工、材料选择项，将历史数据抽取出来，作为工艺质量深度学习预测模型的数据源，输入到工艺质量深度学习预测模型中。
[0018]进一步的，数据清洗包括检查数据一致性，去掉无效值和缺少值。
[0019]进一步的，所述步骤S2中，设备故障预测模型的建立过程为：将一条设备监测数据，包含时间、部门、班组、机台、员工、材料、产量、质量、温度、湿度、故障类型、故障描述，构成这一时刻描述该设备n个维度的状态向量χ
obs
，即χ
obs
(t)＝[χ(1)χ(2)...χ(n)]T
；
[0020]经过模型计算的预测向量为χ
est
，代表模型在该时刻给出的设备故障数量预估值，对输入模型的任意一组状态向量χ
obs
，模型都能生成一个m维的权值向量W：
[0021]χ
est
＝DW＝D(D
T
D)
‑1D
T
χ
obs
；
[0022]式中D为历史状态矩阵，历史状态矩阵中每一列状态向量都代表设备在过去某一时刻的故障信息。
[0023]进一步的，所述步骤S3中，设备故障预测模型的评价和检验，将原始监测数据集划分为训练数据集和测试数据集，并进行K次迭代交叉验证；
[0024]K次迭代交叉验证，将原始数据集随机分成K个子集，并且尽可能使得k个子集包含相同的样本数，采用其中一个子集用作测试集，而其余的K
‑
1个子集作为训练集，模型执行后计算预测误差，按照同样的原则，再对原始数据集进行第二次随机划分，并进行训练、测试和计算预测误差，最后，根据k次迭代交叉预测效果，对模型进行优化调整和完善。
[0025]本专利技术实施例提供的上述技术方案的有益效果至少包括：
[0026]本专利技术通过采集烟草设备的监测数据进行处理后采用深度学习算法，结合设备工艺、质量考核信息，构建基于时间序列数据的工艺质量深度学习预测模型，通过实时采集烟草设备的监测数据进行分析预测得到烟草设备发生故障的可能性，指导开展设备的预防性维护，解决了目前对于设备管理存在的缺少采用智能分析技术对设备运行数据的挖掘分析和故障趋势预测，不能查找出引起设备运行故障的关键影响因素，不利于开展设备预防性维护的问题。
[0027]本专利技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
[0028]下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。
附图说明
[0029]附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术，并不构成对本专利技术的限制。在附图中：
[0030]图1为本专利技术实施例公开的基于时序数据的设备故障预测系统模型搭建流程图示意图；
[0031]图2为本专利技术实施例公开的基于时序数据的设备故障预测系统设备故障预测过程
示意图；
[0032]图3为本专利技术实施例公开的基于时序数据的设备故障预测方法的流程示意图。
[0033]附图标记：
[0034]1、数据资源模块；2、数据组织模块；3、模型构建模块；31、规则生成模块；32、实时数据检测模块；4、数据应用模块。
具体实施方式
[0035]下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
[0036]实施例一
[0037]如图1
‑
2所示，本专利技术实施例提供一种基于时序数据的烟草设备故障预测系统，包括：数据资源模块1、数据组织模块2、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时序数据的烟草设备故障预测系统，其特征在于，包括：数据资源模块、数据组织模块、模型构建模块、数据应用模块；所述数据资源模块，用于采集各烟草设备的监测数据，监测数据包括生产数据、质量数据、剔除数据和停机数据；所述数据组织模块，用于将所述数据资源模块采集的监测数据组织为开展序列模式数据挖掘所需要的数据格式，并输入到所述模型构建模块；所述模型构建模块，用于接收所述数据组织模块发送的数据，形成设备运行历史监测数据，采用深度学习算法，结合设备工艺、质量考核信息，构建工艺质量深度学习预测模型，还用于采集设备运行实时监测数据进行设备故障可能性预测，得到预测结果；所述数据应用模块，用于根据所述模型构建模块得到的预测结果，分析出影响设备运行故障的关键影响因素，还用于结合设备维修计划，指导开展设备的预防性维护。2.如权利要求1所述的一种基于时序数据的烟草设备故障预测系统，其特征在于，所述模型构建模块包括规则生成模块和实时数据检测模块。3.如权利要求2所述的一种基于时序数据的烟草设备故障预测系统，其特征在于，所述规则生成模块通过对设备运行历史监测数据进行数据预处理，并经过特征提取后，采用深度学习算法分析，形成频繁时间序列模式，频繁序列模式构成规则库，作为实时数据监测模块的规则标准，进行数据预测。4.如权利要求3所述的一种基于时序数据的烟草设备故障预测系统，其特征在于，所述实时数据检测模块，采集设备运行实时监测数据，经过数据预处理后，形成当前监测数据，结合规则生成模块的规则库，形成数据检测引擎，进行设备故障可能性预测，得到预测结果。5.一种基于时序数据的烟草设备故障预测方法，应用如权利要求4所述的一种基于时序数据的烟草设备故障预测系统，其特征在于，包括以下步骤：S1，采集数据集，对数据进行预处理；S2，构建基于时间序列数据的工艺质量深度学习预测模型；S3，设备故障预测的模型的评价与验证。6.如权利要求5所述的一种基于时序数据的烟草设备故障预测方法，其特征在于，所述步骤S1中，数据采集是指将某一时刻一条设备监测数据形成数据库中的一条记录，包含的字段有ID、时间、部门、班组、机台、员工、材料、产量、质量、温度、湿度、故障类型和...

【专利技术属性】
技术研发人员：李琳，张志国，董志刚，高阳，孙永，王广超，万云飞，张广标，何心芹，方超，
申请(专利权)人：山东中烟工业有限责任公司，
类型：发明
国别省市：