车身焊接设备预测性维护及故障诊断方法和系统技术方案

本发明专利技术提出了基于知识图谱的车身焊接设备预测性维护及故障诊断方法和系统

【技术实现步骤摘要】
车身焊接设备预测性维护及故障诊断方法和系统


[0001]本专利技术提出了车身焊接设备预测性维护及故障诊断方法和系统，属于故障诊断

。

技术介绍

[0002]现今大量结构复杂的车身焊接设备被应用于焊接自动化生产线上，这类设备一旦发生故障，不仅会导致生产中断，也使得维修工作变得更加复杂，难以快速恢复生产
。
因此，需要对故障进行提前预测，现有方法包括机器学习算法
、
基于统计模式识别的方法和人工智能模型
。
现有的方法从机械大数据中自适应提取故障特征并进行有效预测存在困难，构建具有认知学习能力的知识模型存在困难
。
现有的知识模型往往依赖人工参与构建，且知识结构固定，在面对复杂多变的动态环境时，知识的有效性受到动态环境的约束
。

技术实现思路

[0003]本专利技术提供了车身焊接设备预测性维护及故障诊断方法和系统，用以解决知识图谱有效性较差的问题：
[0004]基于知识图谱的车身焊接设备预测性维护及故障诊断方法，所述车身焊接设备预测性维护及故障诊断方法包括：
[0005]收集车身焊接设备的历史数据并对所述历史数据进行预处理，获得预处理后的有效数据；
[0006]利用所述有效数据构建多状态时间序列模型，其中，所述多状态时间序列模型采用
LSTM
网络模型结构；
[0007]利用所述多状态时间序列模型，对车身焊接设备的运行状态进行预测，获得预测结果；
[0008]利用知识图谱中存储的设备信息和故障模式结合所述预测结果为所述车身焊接设备进行预测性维护和故障诊断
。
[0009]进一步地，收集车身焊接设备的历史数据并对所述历史数据进行预处理，获得预处理后的有效数据，包括：
[0010]收集车身焊接设备的历史数据，其中，所述历史数据包括设备传感器采集的数据
、
运行日志和维修记录；
[0011]对采集到的历史数据进行预处理，其中，所述预处理包括数据清洗处理
、
数据去噪处理和填补缺失值处理
。
[0012]进一步地，利用所述有效数据构建多状态时间序列模型，包括：
[0013]利用
LSTM
网络模型结构设置所述多状态时间序列模型，其中，所述多状态时间序列模型包括输入层
、
隐藏层和输出层；
[0014]将所述有效数据划分为训练数据集和测试数据集；
[0015]利用所述训练数据集对完成设置的多状态时间序列模型进行训练，获得训练后的
多状态时间序列模型；
[0016]利用测试数据集对所述训练后的多状态时间序列模型进行测试，判定所述多状态时间序列模型输出的结果是否符合预设的预测指标；
[0017]当所述多状态时间序列模型输出的结果符合预设的预测指标时，则获得完成测试的多状态时间序列模型；
[0018]当所述多状态时间序列模型输出的结果不符合预设的预测指标时，则对所述多状态时间序列模型进行优化，直至所述多状态时间序列模型在测试阶段输出的预测结果符合预测的预测指标
。
[0019]进一步地，利用知识图谱中存储的设备信息和故障模式结合所述预测结果为所述车身焊接设备进行预测性维护和故障诊断，包括：
[0020]实时提取所述多状态时间序列模型输出的，针对车身焊接设备运行状态的预测结果；
[0021]根据所述预测结果查询所述知识图谱中与所述车身焊接设备的运行状态相关的设备信息和故障模式；
[0022]根据所述知识图谱中的设备信息和故障模式确定当前车身焊接设备是否处于正常运行状态或处于潜在故障状态
。
[0023]基于知识图谱的车身焊接设备预测性维护及故障诊断系统，所述车身焊接设备预测性维护及故障诊断系统包括：
[0024]数据处理模块，用于收集车身焊接设备的历史数据并对所述历史数据进行预处理，获得预处理后的有效数据；
[0025]多状态时间序列模型构建模块，用于利用所述有效数据构建多状态时间序列模型，其中，所述多状态时间序列模型采用
LSTM
网络模型结构；
[0026]预测结果获取模块，用于利用所述多状态时间序列模型，对车身焊接设备的运行状态进行预测，获得预测结果；
[0027]诊断及维护模块，用于利用知识图谱中存储的设备信息和故障模式结合所述预测结果为所述车身焊接设备进行预测性维护和故障诊断
。
[0028]进一步地，所述数据处理模块包括：
[0029]历史数据收集模块，用于收集车身焊接设备的历史数据，其中，所述历史数据包括设备传感器采集的数据
、
运行日志和维修记录；
[0030]预处理执行模块，用于对采集到的历史数据进行预处理，其中，所述预处理包括数据清洗处理
、
数据去噪处理和填补缺失值处理
。
[0031]进一步地，所述多状态时间序列模型构建模块包括：
[0032]模型参数设置模块，用于利用
LSTM
网络模型结构设置所述多状态时间序列模型，其中，所述多状态时间序列模型包括输入层
、
隐藏层和输出层；
[0033]数据集划分模块，用于将所述有效数据划分为训练数据集和测试数据集；
[0034]模型训练模块，用于利用所述训练数据集对完成设置的多状态时间序列模型进行训练，获得训练后的多状态时间序列模型；
[0035]模型测试模块，用于利用测试数据集对所述训练后的多状态时间序列模型进行测试，判定所述多状态时间序列模型输出的结果是否符合预设的预测指标；
[0036]第一判定模块，用于当所述多状态时间序列模型输出的结果符合预设的预测指标时，则获得完成测试的多状态时间序列模型；
[0037]第二判定模块，用于当所述多状态时间序列模型输出的结果不符合预设的预测指标时，则对所述多状态时间序列模型进行优化，直至所述多状态时间序列模型在测试阶段输出的预测结果符合预测的预测指标
。
[0038]进一步地，所述诊断及维护模块包括：
[0039]实时提取模块，用于实时提取所述多状态时间序列模型输出的，针对车身焊接设备运行状态的预测结果；
[0040]信息查询模块，用于根据所述预测结果查询所述知识图谱中与所述车身焊接设备的运行状态相关的设备信息和故障模式；
[0041]运行状态判断模块，用于根据所述知识图谱中的设备信息和故障模式确定当前车身焊接设备是否处于正常运行状态或处于潜在故障状态
。
[0042]本专利技术有益效果：
[0043]本专利技术提出的基于知识图谱的车身焊接设备预测性维护及故障诊断方法通过设备历史数据，建立基于多状态时间序列预测学习的车身焊接设备故障预测方法，利用长短期记忆
(LSTM)
网络预测未来运行状态
。
以预测结本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
车身焊接设备预测性维护及故障诊断方法，其特征在于，所述车身焊接设备预测性维护及故障诊断方法包括：收集车身焊接设备的历史数据并对所述历史数据进行预处理，获得预处理后的有效数据；利用所述有效数据构建多状态时间序列模型，其中，所述多状态时间序列模型采用
LSTM
网络模型结构；利用所述多状态时间序列模型，对车身焊接设备的运行状态进行预测，获得预测结果；利用知识图谱中存储的设备信息和故障模式结合所述预测结果为所述车身焊接设备进行预测性维护和故障诊断
。2.
根据权利要求1所述车身焊接设备预测性维护及故障诊断方法，其特征在于，收集车身焊接设备的历史数据并对所述历史数据进行预处理，获得预处理后的有效数据，包括：收集车身焊接设备的历史数据，其中，所述历史数据包括设备传感器采集的数据
、
运行日志和维修记录；对采集到的历史数据进行预处理，其中，所述预处理包括数据清洗处理
、
数据去噪处理和填补缺失值处理
。3.
根据权利要求1所述车身焊接设备预测性维护及故障诊断方法，其特征在于，利用所述有效数据构建多状态时间序列模型，包括：利用
LSTM
网络模型结构设置所述多状态时间序列模型，其中，所述多状态时间序列模型包括输入层
、
隐藏层和输出层；将所述有效数据划分为训练数据集和测试数据集；利用所述训练数据集对完成设置的多状态时间序列模型进行训练，获得训练后的多状态时间序列模型；利用测试数据集对所述训练后的多状态时间序列模型进行测试，判定所述多状态时间序列模型输出的结果是否符合预设的预测指标；当所述多状态时间序列模型输出的结果符合预设的预测指标时，则获得完成测试的多状态时间序列模型；当所述多状态时间序列模型输出的结果不符合预设的预测指标时，则对所述多状态时间序列模型进行优化，直至所述多状态时间序列模型在测试阶段输出的预测结果符合预测的预测指标
。4.
根据权利要求1所述车身焊接设备预测性维护及故障诊断方法，其特征在于，利用知识图谱中存储的设备信息和故障模式结合所述预测结果为所述车身焊接设备进行预测性维护和故障诊断，包括：实时提取所述多状态时间序列模型输出的，针对车身焊接设备运行状态的预测结果；根据所述预测结果查询所述知识图谱中与所述车身焊接设备的运行状态相关的设备信息和故障模式；根据所述知识图谱中的设备信息和故障模式确定当前车身焊接设备是否处于正常运行状态或处于潜在故障状态
。5.
车身焊接设备预测性维护及故障诊断系统，其特征在于，所述车身焊接设备预测性...

【专利技术属性】
技术研发人员：兰雨晴，余丹，于艺春，
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：