基于机器学习的智能化工业设备故障诊断系统技术方案

本发明专利技术涉及一种基于机器学习的智能化工业设备故障诊断系统，涉及电数字数据处理领域，所述系统包括：数据分析器件，采用智能诊断模型基于机械臂自动夹紧机构的各项固定信息以及机械臂自动夹紧机构即将执行松开操作时刻之前的各份历史捕获数据经过数据分析处理，获取对应的故障诊断标识；标识鉴定器件，用于在接收到的故障诊断标识为松开成功/失败操作对应的标识数据时，鉴定即将执行的松开操作为松开成功/失败操作。通过本发明专利技术，针对具体工业设备故障难以提前预判的技术问题，能够采用完成机器学习后的卷积神经网络作为智能诊断模型，执行定制数据分析模式以实现对工业设备机械臂自动夹紧是否失败的针对性故障诊断。械臂自动夹紧是否失败的针对性故障诊断。械臂自动夹紧是否失败的针对性故障诊断。

【技术实现步骤摘要】
基于机器学习的智能化工业设备故障诊断系统


[0001]本专利技术涉及电数字数据处理领域，尤其涉及一种基于机器学习的智能化工业设备故障诊断系统。

技术介绍

[0002]电数字数据处理，指的是对数据（包括数值的和非数值的）进行分析和加工的技术过程，包括对各种原始数据的分析、整理、计算、编辑等的加工和处理。与数据分析相比，含义更广。
[0003]随着计算机的日益普及，在计算机应用领域中，数值计算所占比重很小，通过计算机执行电数字数据处理进行信息管理已成为主要的应用，如测绘制图管理、仓库管理、财会管理、交通运输管理，技术情报管理、办公室自动化等。在地理数据方面既有大量自然环境数据，也有大量社会经济数据，常要求进行综合性的电数字数据处理。由此可见，电数字数据处理具有相关广泛的应用领域，例如，经常需要将电数字数据处理应用于包括数字机场的各类工业设备的故障分析，从而替换人工进行工业设备拆卸完成故障排查的过程，实现电子化且无需拆卸工业设备的自动故障分析。
[0004]示例地，中国专利技术专利公开文本CN106598791A提出的一种基于机器学习的工业设备故障预防性识别方法，所述方法采用机器学习的人工智能算法，不断学习更新状态预测模型，可实时监控预测工业设备的工作状态，在第一时间发现工业设备的异常苗头，及时报警，杜绝事故的发生；本专利技术不仅采用工业设备全生命周期的典型故障案例作为学习对象，更是结合了工业设备的档案数据、使用区域环境条件，尤其是关键元器件的可靠性数据作为学习对象，从多角度评估工业设备的可靠性，使预测结果更加准确。
[0005]示例地，中国专利技术专利公开文本CN115858825A提出的一种基于机器学习的设备故障诊断知识图谱构建方法和装置，涉及工业设备故障领域
，该方法包括：获取工业设备数据，并对工业设备数据进行预处理；将预处理后的工业设备数据输入至预先构建的实体关系抽取模型进行实体关系抽取，并基于预先构建的实体识别模型进行实体识别；其中，预先构建的实体关系抽取模型至少包括：注意力增强层、弱分类器层和强分类器层；预先构建的实体识别模型的输出层之前设置有条件随机场层，条件随机场层用于约束标签顺序；构建针对工业设备故障诊断的目标知识图谱。本申请提升了实体关系抽取和实体识别的准确性。
[0006]然而，上述现有技术提出的各项工业设备的故障诊断的技术方案都仅局限于简单的数据分析，且数据分析的层面都体现在宏观数据层上，给出的都是一般数据规律，存在无法针对具体的工业设备的具体故障诊断的技术问题，例如，无法针对作为一种具体工业设备进行具体的机械臂自动夹紧是否失败的针对性故障诊断，导致工业设备的维护人员无法预判机械臂自动夹紧故障的发生时机，只能在机械臂自动夹紧失败后才能进行工业设备的检查和维护，极大地消耗了工业设备维护的经济成本和时间成本。

技术实现思路

[0007]为了解决现有技术中的技术问题，本专利技术提供了一种基于机器学习的智能化工业设备故障诊断系统，通过采用完成机器学习后的卷积神经网络作为智能诊断模型，运行所述智能诊断模型以执行定制的数据分析模式对作为一种具体工业设备进行机械臂自动夹紧是否失败的针对性故障诊断，从而实现对工业设备具体故障的可靠预判，缩减了工业设备的各项维护成本。
[0008]根据本专利技术的第一方面，提供了一种基于机器学习的智能化工业设备故障诊断系统，所述方法包括：内容捕获器件，用于获取工业设备的主轴内部的机械臂结构每一次被机械臂自动夹紧机构松开成功/失败时，该次松开成功/失败操作完成时刻之前均匀间隔的各个时刻分别对应的各份捕获数据；信息解析器件，用于获取所述机械臂自动夹紧机构的液压油缸的各项固定信息，所述液压油缸的各项固定信息包括所述液压油缸的活塞行程、缸筒内径、缸筒外径、活塞直径、活塞杆直径以及缸盖盖体面积；机器学习器件，用于对卷积神经网络执行第一设定数目的多次正向学习以及第二设定数目的多次负向学习以获得用于执行设定时刻机械臂自动夹紧机构松开故障诊断的智能诊断模型；数据分析器件，分别与所述机器学习器件、所述内容捕获器件以及所述信息解析器件连接，用于采用智能诊断模型基于所述液压油缸的各项固定信息以及机械臂自动夹紧机构即将执行松开操作时刻之前均匀间隔的各个时刻分别对应的各份捕获数据分析获取对应的故障诊断标识；标识鉴定器件，与所述数据分析器件连接，用于在接收到的故障诊断标识为松开成功/失败操作对应的标识数据时，鉴定机械臂自动夹紧机构即将执行的松开操作为松开成功/失败操作。
[0009]根据本专利技术的第二方面，提供了一种基于机器学习的智能化工业设备故障诊断系统，所述系统包括存储器以及一个或多个处理器，所述存储器存储有计算机程序，所述计算机程序被配置成由所述一个或多个处理器执行以完成以下步骤：获取工业设备的主轴内部的机械臂结构每一次被机械臂自动夹紧机构松开成功/失败时，该次松开成功/失败操作完成时刻之前均匀间隔的各个时刻分别对应的各份捕获数据；获取所述机械臂自动夹紧机构的液压油缸的各项固定信息，所述液压油缸的各项固定信息包括所述液压油缸的活塞行程、缸筒内径、缸筒外径、活塞直径、活塞杆直径以及缸盖盖体面积；对卷积神经网络执行第一设定数目的多次正向学习以及第二设定数目的多次负向学习以获得用于执行设定时刻机械臂自动夹紧机构松开故障诊断的智能诊断模型；采用智能诊断模型基于所述液压油缸的各项固定信息以及机械臂自动夹紧机构即将执行松开操作时刻之前均匀间隔的各个时刻分别对应的各份捕获数据分析获取对应的故障诊断标识；在接收到的故障诊断标识为松开成功/失败操作对应的标识数据时，鉴定机械臂
自动夹紧机构即将执行的松开操作为松开成功/失败操作；其中，对卷积神经网络执行第一设定数目的多次正向学习以及第二设定数目的多次负向学习以获得用于执行设定时刻机械臂自动夹紧机构松开故障诊断的智能诊断模型包括：采用第一设定数目的过往多次松开成功操作的各份捕获数据完成对卷积神经网络执行的第一设定数目的多次正向学习，其中，采用过往某一次松开成功操作对应的各份捕获数据完成对卷积神经网络执行的一次正向学习；其中，对卷积神经网络执行第一设定数目的多次正向学习以及第二设定数目的多次负向学习以获得用于执行设定时刻机械臂自动夹紧机构松开故障诊断的智能诊断模型还包括：采用第二设定数目的过往多次松开失败操作的各份捕获数据完成对卷积神经网络执行的第二设定数目的多次负向学习，其中，采用过往某一次松开失败操作对应的各份捕获数据完成对卷积神经网络执行的一次负向学习；其中，对卷积神经网络执行第一设定数目的多次正向学习以及第二设定数目的多次负向学习以获得用于执行设定时刻机械臂自动夹紧机构松开故障诊断的智能诊断模型包括：第二设定数目是第一设定数目的倍数，以及所述液压油缸的活塞行程越长，所述第一设定数目的取值越大。
[0010]相比较于现有技术，本专利技术至少具备以下四处主要的专利技术点：第一处：针对工业设备中容易出现故障的机械臂自动夹紧机构，基于机械臂自动夹紧机构的液压油缸的各项固定信息以及机械臂自动夹紧机构即将执行松开操作时刻之前均匀间隔的各个时刻分别对应的各份捕获数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的智能化工业设备故障诊断系统，其特征在于，所述系统包括：内容捕获器件，用于获取工业设备的主轴内部的机械臂结构每一次机械臂自动夹紧机构松开成功/失败时，该次松开成功/失败操作完成时刻之前均匀间隔的各个时刻分别对应的各份捕获数据；信息解析器件，用于获取所述机械臂自动夹紧机构的液压油缸的各项固定信息，所述液压油缸的各项固定信息包括所述液压油缸的活塞行程、缸筒内径、缸筒外径、活塞直径、活塞杆直径以及缸盖盖体面积；机器学习器件，用于对卷积神经网络执行第一设定数目的多次正向学习以及第二设定数目的多次负向学习以获得用于执行设定时刻机械臂自动夹紧机构松开故障诊断的智能诊断模型；数据分析器件，分别与所述机器学习器件、所述内容捕获器件以及所述信息解析器件连接，智能诊断模型基于所述液压油缸的各项固定信息以及机械臂自动夹紧机构即将执行松开操作时刻之前均匀间隔的各个时刻分别对应的各份捕获数据分析，获取对应的故障诊断标识；标识鉴定器件，与所述数据分析器件连接，用于在接收到的故障诊断标识为松开成功/失败操作对应的标识数据时，鉴定机械臂自动夹紧机构即将执行的松开操作为松开成功/失败操作。2.如权利要求1所述的基于机器学习的智能化工业设备故障诊断系统， 其特征在于，对卷积神经网络执行第一设定数目的多次正向学习以及第二设定数目的多次负向学习，以获得用于执行设定时刻机械臂自动夹紧机构松开故障诊断的智能诊断模型，具体包括：采用第一设定数目的过往多次松开成功操作的各份捕获数据完成对卷积神经网络执行的第一设定数目的多次正向学习；采用第二设定数目的过往多次松开失败操作的各份捕获数据完成对卷积神经网络执行的第二设定数目的多次负向学习；第二设定数目是第一设定数目的倍数；所述液压油缸的活塞行程越长，所述第一设定数目的取值越大。3.如权利要求2所述的基于机器学习的智能化工业设备故障诊断系统，其特征在于，采用第一设定数目的过往多次松开成功操作的各份捕获数据完成对卷积神经网络执行的第一设定数目的多次正向学习包括：在执行每一次正向学习时，将所述液压油缸的各项固定信息以及过往某一次松开成功操作对应的各份捕获数据作为所述卷积神经网络的逐项输入数据，将表示为松开成功操作对应的标识数据的故障诊断标识作为所述卷积神经网络的单项输出数据，完成该次正向学习；采用第二设定数目的过往多次松开失败操作的各份捕获数据完成对卷积神经网络执行的第二设定数目的多次负向学习包括：在执行每一次负向学习时，将所述液压油缸的各项固定信息以及过往某一次松开失败操作对应的各份捕获数据作为所述卷积神经网络的逐项输入数据，将表示为松开失败操作对应的标识数据的故障诊断标识作为所述卷积神经网络的单项输出数据，完成该次负向学习。4.如权利要求3所述的基于机器学习的智能化工业设备故障诊断系统，其特征在于，所述系统还包括：应对处理器件，与所述标识鉴定器件连接，用于在接收到的故障诊...

【专利技术属性】
技术研发人员：李超，
申请(专利权)人：西安黑石智能科技有限公司，
类型：发明
国别省市：