一种故障预测方法、装置、设备及可读存储介质制造方法及图纸

本发明专利技术公开了一种故障预测方法、装置、设备及可读存储介质，属于智能制造领域。其中方法包括：获取制造设备在工作过程中的历史数据；构建特征池；提取历史数据的数据特征放入至相应的子特征池；构建深度故障预测神经网络；构建特征融合神经网络，深度故障预测神经网络的输出连接至特征融合神经网络；比对预测结果与历史数据中的故障信息，对预测结果进行评价；平衡将正常预测为故障类结果与将故障预测为正常类结果两类结果分别付出的代价，对温度特征、耗电特征和产能特征的权重进行修正；实时获取制造设备的运行数据；将制造设备的运行数据实时输入至神经网络，输出实时预测结果；在预测结果为存在故障时情况下，发出警报。发出警报。发出警报。

【技术实现步骤摘要】
一种故障预测方法、装置、设备及可读存储介质


[0001]本专利技术属于智能制造
，具体涉及一种基于智能制造过程数据的故障预测方法、装置、计算机设备及计算机可读存储介质。

技术介绍

[0002]随着智能制造和工业互联网的迅速发展，对于制造设备的可靠性提出了更高的要求。借助计算机技术可以辅助人们对设备故障进行监测，减少因为设备故障而导致停产的风险。
[0003]现有的故障预测方法中，首先，考虑的故障因素是往往是单方面，例如，在设备的温度大于阈值时即报警提醒，认为可能发生故障，这就导致故障预测的准确性低。其次，没有充分的考虑误判的后果，一味的追求零故障，在达到预警阈值时就会使设备停止工作，出现误判（将设备正常误判为故障）时，需要停产进行检查确认，同样也会降低制造效率，带来巨大损失。

技术实现思路

[0004]为了解决上述技术问题，本专利技术提供一种基于智能制造过程数据的故障预测方法、装置、计算机设备以及计算机可读存储介质。
[0005]第一方面本专利技术提供一种基于智能制造过程数据的故障预测方法，包括：S101：获取制造设备在工作过程中的历史数据，其中，历史数据包括故障信息、温度数据、耗电数据和产能数据；S102：构建特征池，特征池包括温度子特征池、耗电子特征池和产能子特征池；S103：提取历史数据的数据特征放入至相应的子特征池，其中，数据特征包括温度特征、耗电特征和产能特征；S104：构建深度故障预测神经网络，其中，深度故障预测神经网络包括温度神经网络、耗电神经网络和产能神经网络，温度子特征池连接温度神经网络，耗电子特征池连接耗电神经网络，产能子特征池连接产能神经网络；S105：构建特征融合神经网络，深度故障预测神经网络的输出连接至特征融合神经网络，以在数据特征与预测结果之间建立映射关系，并通过特征融合神经网络输出预测结果，其中，温度特征、耗电特征和产能特征在特征融合过程中具有相应的权重，权重用于表征相应的特征对于预测结果的贡献率；S106：比对预测结果与历史数据中的故障信息，对预测结果进行评价，其中，对预测结果的评价结果包括：将正常预测为故障类结果、将故障预测为正常类结果、将正常预测为正常类结果、将故障预测为故障类结果；S107：平衡将正常预测为故障类结果与将故障预测为正常类结果两类结果分别付出的代价，对温度特征、耗电特征和产能特征的权重进行修正；
S108：实时获取制造设备的运行数据；S109：将制造设备的运行数据实时输入至深度故障预测神经网络，并通过特征融合神经网络输出对于制造设备的实时预测结果；S110：在对于制造设备的实时预测结果为存在故障时情况下，发出警报。
[0006]第二方面本专利技术提供一种基于智能制造过程数据的故障预测装置，包括：第一获取模块，用于获取制造设备在工作过程中的历史数据，其中，历史数据包括故障信息、温度数据、耗电数据和产能数据；第一构建模块，用于构建特征池，特征池包括温度子特征池、耗电子特征池和产能子特征池；提取模块，用于提取历史数据的数据特征放入至相应的子特征池，其中，数据特征包括温度特征、耗电特征和产能特征；第二构建模块，用于构建深度故障预测神经网络，其中，深度故障预测神经网络包括产能神经网络温度神经网络、耗电神经网络和产能神经网络，温度子特征池连接温度神经网络，耗电子特征池连接耗电神经网络，产能子特征池连接产能神经网络；第三构建模块，用于构建特征融合神经网络，深度故障预测神经网络的输出连接至特征融合神经网络，以在数据特征与预测结果之间建立映射关系，并通过特征融合神经网络输出预测结果，其中，温度特征、耗电特征和产能特征在特征融合过程中具有相应的权重，权重用于表征相应的特征对于预测结果的贡献率；比对模块，用于比对预测信息与历史数据中的故障信息，对预测结果进行评价，其中，对预测结果的评价结果包括：将正常预测为故障类结果、将故障预测为正常类结果、将正常预测为正常类结果、将故障预测为故障类结果；修正模块，用于平衡将正常预测为故障类结果与将故障预测为正常类结果两类结果分别付出的代价，对温度特征、耗电特征和产能特征的权重进行修正；第二获取模块，用于实时获取制造设备的运行数据；输出模块，用于将制造设备的运行数据实时输入至深度故障预测神经网络，并通过特征融合神经网络输出对于制造设备的实时预测结果；警报模块，用于在对于制造设备的实时预测结果为存在故障时情况下，发出警报。
[0007]第三方面本专利技术提供一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，处理器执行计算机程序时实现如第一方面的基于智能制造过程数据的故障预测方法。
[0008]第四方面本专利技术提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如第一方面的基于智能制造过程数据的故障预测方法。
[0009]与现有技术相比，本专利技术至少具有以下有益效果：1、在本专利技术中，充分考虑设备故障的多元影响因素，包括温度、耗电和产能，通过温度神经网络、耗电神经网络和产能神经网络分别考量温度特征、耗电特征和产能特征，之后运用特征融合神经网络将三者综合在一起，以判断设备是否出现故障，大大提升了故障
预测的准确性。
[0010]2、在本专利技术中，平衡将正常预测为故障类结果与将故障预测为正常类结果两类结果分别付出的代价，综合考虑设备故障时的停产维修的损失与设备误判时停产检查的损失，对温度特征、耗电特征和产能特征的权重进行修正，对故障警报与生产产能进行有效的平衡，提高制造效率。
[0011]附图说明
[0012]下面将以明确易懂的方式，结合附图说明优选实施方式，对本专利技术的上述特性、技术特征、优点及其实现方式予以进一步说明。
[0013]图1是本专利技术提供的一种基于智能制造过程数据的故障预测方法的流程示意图；图2是本专利技术提供的一种故障预警值计算的流程示意图；图3是本专利技术提供的一种权重修正的流程示意图；图4是本专利技术提供的一种基于智能制造过程数据的故障预测装置的结构示意图；图5是本专利技术提供的一种计算机设备的硬件结构示意图。
[0014]具体实施方式
[0015]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对照附图说明本专利技术的具体实施方式。显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。
[0016]为使图面简洁，各图中只示意性地表示出了与专利技术相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。
[0017]还应当进一步理解，在本专利技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
[0018]在本文中，需要说明的是，除非本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于智能制造过程数据的故障预测方法，其特征在于，包括：S101：获取制造设备在工作过程中的历史数据，其中，所述历史数据包括故障信息、温度数据、耗电数据和产能数据；S102：构建特征池，所述特征池包括温度子特征池、耗电子特征池和产能子特征池；S103：提取所述历史数据的数据特征放入至相应的子特征池，其中，所述数据特征包括温度特征、耗电特征和产能特征；S104：构建深度故障预测神经网络，其中，所述深度故障预测神经网络包括温度神经网络、耗电神经网络和产能神经网络，所述温度子特征池连接所述温度神经网络，所述耗电子特征池连接所述耗电神经网络，所述产能子特征池连接产能神经网络；S105：构建特征融合神经网络，所述深度故障预测神经网络的输出连接至所述特征融合神经网络，以在数据特征与预测结果之间建立映射关系，并通过所述特征融合神经网络输出所述预测结果，其中，所述温度特征、所述耗电特征和所述产能特征在特征融合过程中具有相应的权重，所述权重用于表征相应的特征对于所述预测结果的贡献率；S106：比对所述预测结果与所述历史数据中的故障信息，对所述预测结果进行评价，其中，对所述预测结果的评价结果包括：将正常预测为故障类结果、将故障预测为正常类结果、将正常预测为正常类结果、将故障预测为故障类结果；S107：平衡所述将正常预测为故障类结果与所述将故障预测为正常类结果两类结果分别付出的代价，对所述温度特征、所述耗电特征和所述产能特征的权重进行修正；S108：实时获取所述制造设备的运行数据；S109：将所述制造设备的运行数据实时输入至所述深度故障预测神经网络，并通过所述特征融合神经网络输出对于所述制造设备的实时预测结果；S110：在对于所述制造设备的实时预测结果为存在故障时情况下，发出警报。2.根据权利要求1所述的基于智能制造过程数据的故障预测方法，其特征在于，S101具体包括：S1011：以数据流的形式获取制造设备在工作过程中的历史数据；S1012：对所述历史数据进行正则化处理，根据所述历史数据引入额外的数据，以防止过拟合；S1013：对经正则化处理后的数据通过趋势修正移动平均法进行趋势修正。3.根据权利要求1所述的基于智能制造过程数据的故障预测方法，其特征在于，所述深度故障预测神经网络由多层故障预测神经网络进行叠加构成，上一层故障预测神经网络的结果作为下一层故障预测神经网络的输入，最后一层故障预测神经网络的结果作为所述深度故障预测神经网络的输出，并与所述特征融合神经网络连接。4.根据权利要求1所述的基于智能制造过程数据的故障预测方法，其特在于，所述深度故障预测神经网络包括：输入层、特征映射层、卷积复合层和池化层；所述输入层用于对输入的数据进行归一化处理；所述特征映射层用于将数据特征映射到特征空间中；所述卷积复合层用于对相邻的两个时间戳的数据的特征进行复合并激活；所述池化层用于对复合后的特征进行压缩。5.根据权利要求1所述的基于智能制造过程数据的故障预测方法，其特征在于，所述
S105具体包括：S1051：令所述温度特征的权重为α，所述耗电特征的权重为β，所述产能特征的权重为γ，温度特征的特征值为x1，耗电特征的特征值为x2，产能特征的特征值为x3，则故障预警值y为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式1；S1052：在所述故障预警值大于预设值的情况下，判定所述制造设备存在故障；S1053：在所述故障预警值小于或者等于所述预设值的情况下，判定所述制造设备正常。...

【专利技术属性】
技术研发人员：张文斌，许敬宇，张景辉，张璟博，
申请(专利权)人：深圳英博达智能科技有限公司，
类型：发明
国别省市：