工业设备故障预测方法技术

本发明专利技术提供一种工业设备故障预测方法，执行于边缘计算服务器，包括：依据预定的周期，获取被监测的设备状态信息数据；依据设备状态信息数据的缺省状态，将设备状态信息数据划分为缺省数据集和完整数据集；判断完整数据集的数据量是否大于预定数据量，当完整数据集的数据量不大于预定数据量时，采用边缘分析算法模型对完整数据集进行分析并对被监测设备的故障预测；当完整数据集的数据量大于预定数据量时，将完整数据集和缺省数据集向云计算服务器发送，以使云计算服务器依据预定的神经网络模型对被监测设备进行故障预测。本发明专利技术提供的技术方案，能够依据不同的数据状态，充分利用云端计算和边缘计算的优势，兼顾了计算准确性和计算效率。计算效率。计算效率。

【技术实现步骤摘要】
工业设备故障预测方法


[0001]本专利技术涉及故障分析
，尤其涉及一种工业设备故障预测方法。

技术介绍

[0002]当前依托数据的故障预测与健康管理的方法，主要通过的云计算方案实现。这种方案下，数据在终端完成采集后传输至云端，利用云计算中心强大的计算能力与资源整合能力实现故障预警与维修决策，再将结果返回至数据消费端。云计算的优点在于其具有大规模、超大规模的计算能力，从而保障故障预警与维修决策在数据的分析处理过程中的计算需求。同时云计算还拥有很高的可靠性，其原因是由于采用了数据的计算节点同构可互换、多副本容错等有关方法措施；外加云计算虚拟化、通用性强等特点，使其在数据驱动的故障预测与健康管理中拥有众多优势。但是，随着云计算的广泛应用，其不足也逐步显现出来，基于云的服务架构其主要缺点是处理性能依赖于设备与边缘服务器之间的网络带宽，逐渐暴露出其成本高、延时大等问题。

技术实现思路

[0003]本专利技术提供的工业设备故障预测方法，能够依据不同的数据状态，充分利用云端计算和边缘计算的优势，兼顾了计算准确性和计算效率。
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种工业设备故障预测方法，其特征在于，执行于边缘计算服务器，包括：依据预定的周期，获取被监测的设备状态信息数据；依据所述设备状态信息数据的缺省状态，将所述设备状态信息数据划分为缺省数据集和完整数据集；判断所述完整数据集的数据量是否大于预定数据量，当所述完整数据集的数据量不大于预定数据量时，采用边缘分析算法模型对所述完整数据集进行分析，以实现对被监测设备的故障预测；当所述完整数据集的数据量大于预定数据量时，将所述完整数据集和所述缺省数据集向云计算服务器发送，以使云计算服务器依据预定的神经网络模型对被监测设备进行故障预测。2.根据权利要求1所述工业设备故障预测方法，其特征在于，采用边缘分析算法模型对所述完整数据集进行分析包括：获取数据源采集的原始数据；对所述原始数据进行清洗，以获得清洗后数据；所述清洗数据能用于可视化应用的实时展示；将所述清洗后数据向边缘分析算法模型和数据存储模块进行分发；所述数据存储模块将历史数据发送至边缘分析算法模型和可视化应用，以使所述边缘分析算法模型完成训练；完成训练的边缘算法分析模型对所述清洗后数据进行分析，以形成分析后数据；将所述分析后数据向所述可视化应用和所述数据存储模块进行分发，以完成对分析后数据的展示和对所述分析后数据的存储。3.根据权利要求2所述工业设备故障预测方法，其特征在于，所述边缘分析算法模型为极限学习机模型；所述边缘分析算法模型完成训练包括：依据所述极限学习机模型中的隐藏节点的贡献度大小，对所述隐藏节点进行排序；对贡献度小于预定贡献度的隐藏节点进行剪裁；向剪裁了隐藏节点后的极限学习机模型中增加节点，并判断当前的预测误差；当所述预测误差大于预定值时，返回隐藏节点进行排序的步骤；当所述预测误差不大于预定值时，确定边缘分析算法模型已完成训练。4.根据权利要求2所述的工业设备故障预测方法，其特征在于，获取数据源采集的原始数据包括：可编程逻辑控制器PLC数据、设备的运行日志LOG数据、采集卡采集的数据或图像识别数据中...

【专利技术属性】
技术研发人员：陈志列，胡钢，陈超，沈航，庞观士，林诗美，
申请(专利权)人：研祥智能科技股份有限公司，
类型：发明
国别省市：