一种基于大数据的设备故障预测方法和系统技术方案

本发明专利技术提出了一种基于大数据的设备故障预测方法和系统。所述设备故障预测方法包括：对工程设备进行数据采集，获得工程设备实时的运行参数，调取工程设备的历史运行参数；利用所述工程设备实时的运行参数和的历史运行参数构建工程设备的故障预测模型；将工程设备实时运行产生的运行参数输入至所述故障预测模型，并通过所述故障预测模型，针对工程设备实时运行产生的运行参数判断所述工程设备是否存在运行故障；当所述故障预测模型判定工程设备存在运行故障时，则进行故障预警。所述系统包括与所述方法步骤对应的模块。包括与所述方法步骤对应的模块。包括与所述方法步骤对应的模块。

【技术实现步骤摘要】
一种基于大数据的设备故障预测方法和系统


[0001]本专利技术提出了一种基于大数据的设备故障预测方法和系统，属于故障检测


技术介绍

[0002]在工业生产过程中，设备故障会对生产过程带来不必要的损失，设备故障类型有：磨损性故障，由于运动部件磨损，在某一时刻超过极限值所引起的故障；腐蚀性故障，按腐蚀机理不同又可分化学腐蚀、电化学腐蚀和物理腐蚀3类；可分脆性断裂、疲劳断裂、应力腐蚀断裂、塑性断裂等；老化性故障等。传统的设备运维运维人员需要积累丰富的运维经验，时间、人力成本高；对于设备故障的类型和程度等级难以做出准确的判断；对故障的发生时间以及可能性无法做出精准的预测。设备故障原因多种多样，如果不及时通过数据分析，形成设备故障紧急预案，致使设备中断生产或效率降低而影响生产。

技术实现思路

[0003]本专利技术提供了一种基于大数据的设备故障预测方法和系统，用以解决不及时通过数据分析时，导致设备中断生产或效率降低而影响生产的问题：
[0004]一种基于大数据的设备故障预测方法，所述设备故障预测方法包括：
[0005]对工程设备进行数据采集，获得工程设备实时的运行参数，调取工程设备的历史运行参数；利用所述工程设备实时的运行参数和的历史运行参数构建工程设备的故障预测模型；
[0006]将工程设备实时运行产生的运行参数输入至所述故障预测模型，并通过所述故障预测模型，针对工程设备实时运行产生的运行参数判断所述工程设备是否存在运行故障；
[0007]当所述故障预测模型判定工程设备存在运行故障时，则进行故障预警。
[0008]进一步地，对工程设备进行数据采集，获得工程设备实时的运行参数，调取工程设备的历史运行参数；利用所述工程设备实时的运行参数和的历史运行参数构建工程设备的故障预测模型，包括：
[0009]针对所说实时的运行参数和历史运行参数进行数据预处理，获得预处理后的参数数据；其中，所述数据预处理包括数据清洗、数据去噪和异常值处理；
[0010]针对所述预处理后的参数数据进行参数特征提取，获得工程设备对应的运行参数特征；其中，所述运行参数特征包括针对工程设备所要检测的运行参数的平均值标准差最大值和最小值等；
[0011]针对所述工程设备对应的运行参数特征进行数据降维处理，获得降维后的运行参数特征集合；
[0012]利用机器学习模型结合降维后的运行参数特征集合构建故障预测模型，其中，所述机器学习模型采用神经网络模型结构。
[0013]进一步地，针对所述工程设备对应的运行参数特征进行数据降维处理，获得降维
后的运行参数特征集合，包括：
[0014]提取所述工程设备对应的运行参数特征，并对所述运行参数特征进行归一化处理，获得归一化处理后的运行参数特征；
[0015]在归一化处理后的运行参数特征中提取历史运行参数对应的运行参数特征，选择特定比例的运行参数特征作为降维模型训练数据；
[0016]提取降维模型，并利用训练数据对降维模型进行训练获得降维训练输出数据；
[0017]对所述降维训练输出数据进行贡献程度分析，通过贡献程度分析获取数据降维处理的目标维度；
[0018]利用所述目标维度对降维模型进行优化和调整，获得优化调整后的降维模型；
[0019]利用优化调整后的降维模型对所述归一化处理后的运行参数特征进行降维处理，获得降维后的运行参数特征集合。
[0020]进一步地，利用机器学习模型结合降维后的运行参数特征集合构建故障预测模型，包括：
[0021]提取降维后的运行参数特征集合；
[0022]将所述降维后的运行参数特征集合划分为训练集合数据和测试集合数据；其中，所述训练集合数据的比例P1和所述测试集合数据的比例P2如下：
[0023]P1＝(1
‑
C1/C2)
×
100％
[0024]P2＝1
‑
P1[0025]其中，C1和C2分别表示工程设备实时的运行参数与历史运行参数对应的数据量；
[0026]利用训练集合数据对机器学习模型进行训练，获得训练后的故障预测模型；
[0027]利用测试集合数据对故障预测模型进行测试获得测试结果，并利用所述测试结果对故障预测模型进行优化和调整。
[0028]一种基于大数据的设备故障预测系统，所述设备故障预测系统包括：
[0029]故障预测模型建立模块，用于对工程设备进行数据采集，获得工程设备实时的运行参数，调取工程设备的历史运行参数；利用所述工程设备实时的运行参数和的历史运行参数构建工程设备的故障预测模型；
[0030]运行故障判断模块，用于将工程设备实时运行产生的运行参数输入至所述故障预测模型，并通过所述故障预测模型，针对工程设备实时运行产生的运行参数判断所述工程设备是否存在运行故障；
[0031]故障预警模块，用于当所述故障预测模型判定工程设备存在运行故障时，则进行故障预警。
[0032]进一步地，所述故障预测模型建立模块包括：
[0033]数据预处理模块，用于针对所说实时的运行参数和历史运行参数进行数据预处理，获得预处理后的参数数据；其中，所述数据预处理包括数据清洗、数据去噪和异常值处理；
[0034]运行参数特征获取模块，用于针对所述预处理后的参数数据进行参数特征提取，获得工程设备对应的运行参数特征；其中，所述运行参数特征包括针对工程设备所要检测的运行参数的平均值标准差最大值和最小值等；
[0035]运行参数特征集合获取模块，用于针对所述工程设备对应的运行参数特征进行数
据降维处理，获得降维后的运行参数特征集合；
[0036]故障预测模型构建模块，用于利用机器学习模型结合降维后的运行参数特征集合构建故障预测模型，其中，所述机器学习模型采用神经网络模型结构。
[0037]进一步地，所述运行参数特征集合获取模块包括：
[0038]信息提取及处理模块，用于提取所述工程设备对应的运行参数特征，并对所述运行参数特征进行归一化处理，获得归一化处理后的运行参数特征；
[0039]降维模型训练数据获取模块，用于在归一化处理后的运行参数特征中提取历史运行参数对应的运行参数特征，选择特定比例的运行参数特征作为降维模型训练数据；
[0040]降维模型提取模块，用于提取降维模型，并利用训练数据对降维模型进行训练获得降维训练输出数据；
[0041]分析模块，用于对所述降维训练输出数据进行贡献程度分析，通过贡献程度分析获取数据降维处理的目标维度；
[0042]降维模型优化调整模块，用于利用所述目标维度对降维模型进行优化和调整，获得优化调整后的降维模型；
[0043]降维处理模块，用于利用优化调整后的降维模型对所述归一化处理后的运行参数特征进行降维处理，获得降维后的运行参数特征集合。
[0044]进一步地，所述故障预测模型构建模块包括：
[0045]参本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于大数据的设备故障预测方法，其特征在于，所述设备故障预测方法包括：对工程设备进行数据采集，获得工程设备实时的运行参数，调取工程设备的历史运行参数；利用所述工程设备实时的运行参数和的历史运行参数构建工程设备的故障预测模型；将工程设备实时运行产生的运行参数输入至所述故障预测模型，并通过所述故障预测模型，针对工程设备实时运行产生的运行参数判断所述工程设备是否存在运行故障；当所述故障预测模型判定工程设备存在运行故障时，则进行故障预警。2.根据权利要求1所述设备故障预测方法，其特征在于，对工程设备进行数据采集，获得工程设备实时的运行参数，调取工程设备的历史运行参数；利用所述工程设备实时的运行参数和的历史运行参数构建工程设备的故障预测模型，包括：针对所说实时的运行参数和历史运行参数进行数据预处理，获得预处理后的参数数据；其中，所述数据预处理包括数据清洗、数据去噪和异常值处理；针对所述预处理后的参数数据进行参数特征提取，获得工程设备对应的运行参数特征；其中，所述运行参数特征包括针对工程设备所要检测的运行参数的平均值标准差最大值和最小值；针对所述工程设备对应的运行参数特征进行数据降维处理，获得降维后的运行参数特征集合；利用机器学习模型结合降维后的运行参数特征集合构建故障预测模型，其中，所述机器学习模型采用神经网络模型结构。3.根据权利要求2所述设备故障预测方法，其特征在于，针对所述工程设备对应的运行参数特征进行数据降维处理，获得降维后的运行参数特征集合，包括：提取所述工程设备对应的运行参数特征，并对所述运行参数特征进行归一化处理，获得归一化处理后的运行参数特征；在归一化处理后的运行参数特征中提取历史运行参数对应的运行参数特征，选择特定比例的运行参数特征作为降维模型训练数据；提取降维模型，并利用训练数据对降维模型进行训练获得降维训练输出数据；对所述降维训练输出数据进行贡献程度分析，通过贡献程度分析获取数据降维处理的目标维度；利用所述目标维度对降维模型进行优化和调整，获得优化调整后的降维模型；利用优化调整后的降维模型对所述归一化处理后的运行参数特征进行降维处理，获得降维后的运行参数特征集合。4.根据权利要求2所述设备故障预测方法，其特征在于，利用机器学习模型结合降维后的运行参数特征集合构建故障预测模型，包括：提取降维后的运行参数特征集合；将所述降维后的运行参数特征集合划分为训练集合数据和测试集合数据；其中，所述训练集合数据的比例P1和所述测试集合数据的比例P2如下：P1＝(1
‑
C1/C2)
×
100％P2＝1
‑
P1其中，C1和C2分别表示工程设备实时的运行参数与历史运行参数对应的数据量；
利用训练集合数据对机器学习模型进行训练，获得训练后的故障预测模型；利用测试集合数据对故障预测模型进行测试获得测试结果，并利用所述测试结果对故障预测模型进行优化和调整。5.一种基于大数据的设备故障预测系统，其特征在于，所述设备故障预测系统包括：故障预测模型...

【专利技术属性】
技术研发人员：余丹，兰雨晴，余宏锐，于艺春，邢智涣，
申请(专利权)人：慧之安信息技术股份有限公司，
类型：发明
国别省市：