设备故障预测方法、堆垛机故障预测方法及相关装置制造方法及图纸

本申请提供一种设备故障预测方法、堆垛机故障预测方法及相关装置，该设备故障预测方法包括：获取待处理声音数据，待处理声音数据为采集的目标机器设备在一个运行周期内的声音数据；根据待处理声音数据预测目标机器设备在下一个运行周期内的目标声音特征；根据目标声音特征对目标机器设备进行下一个运行周期的故障预测。通过根据上一个运行周期内的待处理声音数据预测目标机器设备在下一个运行周期内的目标声音特征，并根据目标声音特征对目标机器设备进行下一个运行周期的故障预测，能够在目标机器设备故障发生前预测故障可能性，以便人工核实检修，有效地降低了因发现机器设备故障不及时影响产线正常运行的概率。故障不及时影响产线正常运行的概率。故障不及时影响产线正常运行的概率。

【技术实现步骤摘要】
设备故障预测方法、堆垛机故障预测方法及相关装置


[0001]本申请涉及设备故障预测领域，具体而言，涉及一种设备故障预测方法、堆垛机故障预测方法及相关装置。

技术介绍

[0002]通常，机器设备运行时会发出声音，而机器设备故障时所发出的声音与正常时不同，因而可以通过机器设备发出的声音发现设备是否为故障的设备。然而，如果由于运维人员疏忽未发现这些异常声音，未及时对机器设备进行维修，设备存在较大的故障风险，一旦机器设备故障，机器设备所在的产线将无法良好运行。

技术实现思路

[0003]本申请实施例的目的在于提供一种设备故障预测方法、堆垛机故障预测方法及相关装置，用于改善上述因发现机器设备故障不及时影响产线正常运行的问题。
[0004]本申请实施例提供了一种设备故障预测方法，包括：获取待处理声音数据，待处理声音数据为采集的目标机器设备在一个运行周期内的声音数据；根据待处理声音数据预测目标机器设备在下一个运行周期内的目标声音特征；根据目标声音特征对目标机器设备进行下一个运行周期的故障预测。在上述方案的实现过程中，通过根据上一个运行周期内的待处理声音数据预测目标机器设备在下一个运行周期内的目标声音特征，并根据目标声音特征对目标机器设备进行下一个运行周期的故障预测，能够在目标机器设备故障发生前预测故障可能性，以便人工核实检修，有效地降低了因发现机器设备故障不及时影响产线正常运行的概率。
[0005]可选地，在本申请实施例中，根据待处理声音数据预测目标机器设备在下一个运行周期内的目标声音特征，包括：对待处理声音数据进行声音特征提取，获得待处理声音特征；通过机器学习模型对待处理声音特征进行预测，获得目标声音特征；其中，机器学习模型根据样本数据训练形成，样本数据包括：目标机器设备在一个运行周期内的声音数据的声音特征，以及目标机器设备在该运行周期的下一个运行周期内的声音数据的声音特征。在上述方案的实现过程中，通过机器学习模型对待处理声音特征进行预测，获得目标声音特征，并根据目标声音特征对目标机器设备进行下一个运行周期的故障预测，提高利用声音数据预测目标机器设备的故障的准确率。
[0006]可选地，在本申请实施例中，目标声音特征的类型包括时域特征、频域特征以及时频特征中至少一项；若目标声音特征的类型包括时域特征，则通过机器学习模型对待处理声音特征进行预测，获得目标声音特征，包括：通过机器学习模型对时域特征类型的待处理声音特征进行预测，获得时域特征类型的目标声音特征；若目标声音特征的类型包括频域特征，则通过机器学习模型对待处理声音特征进行预测，获得目标声音特征，包括：通过机器学习模型对频域特征类型的待处理声音特征进行预测，获得频域特征类型的目标声音特征；若目标声音特征的类型包括时频特征，则通过机器学习模型对待处理声音特征进行预
测，获得目标声音特征，包括：通过机器学习模型对时频特征类型的待处理声音特征进行预测，获得时频特征类型的目标声音特征。在上述方案的实现过程中，由于目标声音特征的类型包括时域特征、频域特征以及时频特征中至少一项，使得目标声音特征的种类更加丰富，通过更多种类的声音特征来使得预测结果更加准确，从而提高了故障预测的正确率。
[0007]可选地，在本申请实施例中，根据待处理声音数据预测目标机器设备在下一个运行周期内的目标声音特征，包括：根据目标机器设备的控制信号时序数据，将待处理声音数据划分为不同工况的待处理声音数据；根据各工况的待处理声音数据预测该工况的下一个运行周期内的目标声音特征；其中，针对一工况的待处理声音数据所预测的目标声音特征，对目标机器设备在该工况中处于运行状态的机构进行下一个运行周期的故障预测。在上述方案的实现过程中，通过根据目标机器设备的控制信号时序数据，将待处理声音数据划分为不同工况的待处理声音数据，从而便于定位出不同工况中的在下一个运行周期的故障机构，提高故障预测的精准度，提高人工对该故障机构进行检修的效率。
[0008]可选地，在本申请实施例中，根据目标机器设备的控制信号时序数据，将待处理声音数据划分为不同工况的待处理声音数据，包括：根据控制信号时序数据从待处理声音数据中划分目标机器设备的第一预设工况的声音数据；根据目标机器设备的各机构单独运行时声音数据的频域特征差异，将从待处理声音数据中除第一预设工况的声音数据之外的声音数据中，划分目标机器设备的第二预设工况的声音数据和第三预设工况的声音数据；其中，目标机器设备在第一预设工况、第二预设工况以及第三预设工况中处于运行状态的机构不同。在上述方案的实现过程中，通过根据频域特征差异将剩余的目标机器设备多种预设工况的声音数据，划分为第二预设工况的声音数据和第三预设工况的声音数据，从而增加了工况划分的颗粒度。
[0009]可选地，在本申请实施例中，目标声音特征包括多项声音特征；根据目标声音特征对目标机器设备进行下一个运行周期的故障预测，包括：采用多项声音特征中对目标机器设备的故障敏感的声音特征对目标机器设备进行下一个运行周期的故障预测。在上述方案的实现过程中，通过采用多项声音特征中对目标机器设备的故障敏感的声音特征对目标机器设备进行下一个运行周期的故障预测，从而减少了对故障不敏感的声音特征的干扰和设备的运算量，有效地提高了对目标机器设备进行下一个运行周期的故障预测的正确率。
[0010]可选地，在本申请实施例中，对目标机器设备的故障敏感的声音特征是采用主成分分析法从多项声音特征中筛选出来的。在上述方案的实现过程中，通过采用主成分分析法从多项声音特征中筛选出对目标机器设备的故障敏感的声音特征，从而减少了非主成分特征在多项声音特征中的干扰，有效地提高了对目标机器设备进行下一个运行周期的故障预测的正确率。
[0011]可选地，在本申请实施例中，根据目标声音特征对目标机器设备进行下一个运行周期的故障预测，包括：根据目标声音特征确定目标机器设备的健康指数；根据健康指数对目标机器设备进行下一个运行周期的故障预测。在上述方案的实现过程中，通过根据声音特征确定的目标机器设备的健康指数对目标机器设备进行下一个运行周期的故障预测，从而让目标机器设备的故障被有效量化为健康指数，提高了故障预测的精准度。在一些场景，还可以根据健康指数对设备进行健康管理，提高设备维护管理能力。
[0012]可选地，在本申请实施例中，在根据目标声音特征确定目标机器设备的健康指数
之后，还包括：若健康指数位于告警数值区间，则生成告警信息。在上述方案的实现过程中，通过在健康指数位于告警数值区间的情况下，就生成告警信息，从而改善了异常声音较小时难以故障告警的情况，有效地提高了减小了目标机器设备的故障概率。
[0013]本申请实施例还提供了一种堆垛机故障预测方法，包括：获取待处理声音数据，待处理声音数据为采集的堆垛机中的水平运行机构、升降运行机构和货叉伸缩机构在一个运行周期内的声音数据；根据待处理声音数据预测堆垛机在下一个运行周期内的目标声音特征；根据目标声音特征对堆垛机的机构进行下一个运行周期的故障预测。在上述方案的实现过程中，通过根据上一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种设备故障预测方法，其特征在于，包括：获取待处理声音数据，所述待处理声音数据为采集的目标机器设备在一个运行周期内的声音数据；根据所述待处理声音数据预测所述目标机器设备在下一个运行周期内的目标声音特征；根据所述目标声音特征对所述目标机器设备进行下一个运行周期的故障预测。2.根据权利要求1所述的方法，其特征在于，所述根据所述待处理声音数据预测所述目标机器设备在下一个运行周期内的目标声音特征，包括：对所述待处理声音数据进行声音特征提取，获得待处理声音特征；通过机器学习模型对所述待处理声音特征进行预测，获得所述目标声音特征；其中，所述机器学习模型根据样本数据训练形成，所述样本数据包括：所述目标机器设备在一个运行周期内的声音数据的声音特征，以及所述目标机器设备在该运行周期的下一个运行周期内的声音数据的声音特征。3.根据权利要求2所述的方法，其特征在于，所述目标声音特征的类型包括时域特征、频域特征以及时频特征中至少一项；若目标声音特征的类型包括时域特征，则所述通过机器学习模型对所述待处理声音特征进行预测，获得所述目标声音特征，包括：通过机器学习模型对时域特征类型的所述待处理声音特征进行预测，获得时域特征类型的所述目标声音特征；若目标声音特征的类型包括频域特征，则所述通过机器学习模型对所述待处理声音特征进行预测，获得所述目标声音特征，包括：通过机器学习模型对频域特征类型的所述待处理声音特征进行预测，获得频域特征类型的所述目标声音特征；若目标声音特征的类型包括时频特征，则所述通过机器学习模型对所述待处理声音特征进行预测，获得所述目标声音特征，包括：通过机器学习模型对时频特征类型的所述待处理声音特征进行预测，获得时频特征类型的所述目标声音特征。4.根据权利要求1所述的方法，其特征在于，所述根据所述待处理声音数据预测所述目标机器设备在下一个运行周期内的目标声音特征，包括：根据所述目标机器设备的控制信号时序数据，将所述待处理声音数据划分为所述目标机器设备的不同工况的待处理声音数据；根据各工况的待处理声音数据预测该工况的下一个运行周期内的目标声音特征；其中，针对一工况的待处理声音数据所预测的所述目标声音特征，对所述目标机器设备在该工况中处于运行状态的机构进行下一个运行周期的故障预测。5.根据权利要求4所述的方法，其特征在于，所述根据所述目标机器设备的控制信号时序数据，将所述待处理声音数据划分为所述目标机器设备的不同工况的待处理声音数据，包括：根据所述控制信号时序数据从所述待处理声音数据中划分所述目标机器设备的第一预设工况的声音数据；
根据所述目标机器设备的各机构单独运行时声音数据的频域特征差异，将从所述待处理声音数据中除所述第一预设工况的声音数据之外的声音数据中，划分所述目标机器设备的第二预设工况的声音数据和第三预设工况的声音数据；其中，所述目标机器设备在所述第一预设工况、所述第二预设工况以及所述第三预设工况中处于运行状态的机构不同。6.根据权利要求1至5任一项所述的方法，其特征在于，所述目标声音特征包括多项声音特征；所述根据所述目标声音特征对所述目标机器设备进行下一个运行周期的故障预测，包括：采用所述多项声音特征中对所述目标机器设备的故障敏感的声音特征对所述目标机器设备进行下一个运行周期的故障预测。7.根据权利要求1所述的方法，其特征在于，所述根据所述目标声音特征对所述目标机器设备进行下一个运行周期的故障预测，包括：根据所述目标声音特征确定所述目标机器设备的健康指数；根据所述健康指数对所述目标机器设备进行下一个运行周期的故障预测。8.根据权利要求7所述的方法，其特征在于，在所述根据所述目标声音特征确定所述目标机器设备的健康指数之后，还包括：若所述健康指数位于告警数值区间，则生成告警信息。9.一种堆垛机故障预测方法，其特征在于，所述堆垛机包括水平运行机构、升降运行机构和货叉伸缩机构，所述货叉伸缩机构设置于所述升降运行机构，所述升降运行机构设置于所述水平运行机构；所述方法包括：获取待处理声音数据，所述待处理声音数据为采集的所述堆垛机中的所述水平运行机构、所述升降运行机构和所述货叉伸缩机构在一个运行周期内的声音数据；根据所述待处理声音数据预测所述堆垛机在下一个运行周期内的目标声音特征；根据所述目标声音特征对所述堆垛机的机构进行下一个运行周期的故障预测。10.根据权利要求9所述的方法，其特征在于，所述根据所述待处理声音数据预测所述堆垛机在下一个运行周期内的目标声音特征，包括：对所述待处理声音数据进行声音特征提取，获得待处理声音特征；通过机器学习模型对所述待处理声音特征进行预测，获得所述目标声音特征；其中，所述机器学习模型根据样本数据训练形成，所述样本数据包括：所述堆垛机在一个运行周期内的声音数据的声音特征，以及所述堆垛机在该运行周期的下一个运行周期内的声音数据的声音特征。11.根据权利要求10所述的方法，其特征在于，所述目标声音特征的类型包括时域特征、频域特征以及时频特征中至少一项；若目标声音特征的类型包括时域特征，则所述通过机器学习模型对所述待处理声音特征进行预测，获得所述目标声音特征，包括：通过机器学习模型对时域特征类型的所述待处理声音特征进行预测，获得时域特征类型的所述目标声音特征；若目标声音特征的类型包括频域特征，则所述通过机器学习模型对所述待处理声音特征进行预测，获得所述目标声音特征，包括：
通过机器学习模型对频域特征类型的所述待处理声音特征进行预测，获得频域特征类型的所述目标声音特征；若目标声音特征的类型包括时频特征，则所述通过机器学习模型对所述待处理声音特征进行预测，获得所述目标声音特征，包括：通过机器学习模型对时频特征类型的所述待处理声音特征进行预测，获得时频特征类型的所述目标声音特征。12.根据权利要求10所述的方法，其特征在于，所述根据所述待处理声音数据预测所述堆垛机在下一个运行周期内的目标声音特征，包括：根据所述堆垛机的控制信号时序数据将所述待处理声音数据划分为所述堆垛机的不同工况的待处理声音数据；根据各工况的待处理声音数据预测该工况的下一个运行周期内的目标声音特征；其中，所述不同工况包括：水平运行机构运行工况、升降运行机构运行工况和货叉伸缩机构运行工况；针对一工况的待处理声音数据所预测的所述目标声音特征，对所述堆垛机的在该工况中处于运行状态的机构进行下一个运行周期的故障预测。13.根据权利要求12所述的方法，其特征在于，所述根据所述堆垛机的控...

【专利技术属性】
技术研发人员：金艾明，晋文静，曹正捷，靖志成，胡瑞祥，程涛，韩误存，谢国涛，林德铭，王远，
申请(专利权)人：宁德时代新能源科技股份有限公司，
类型：发明
国别省市：