[發明專利]一種基于機器學習的工業設備故障預防性識別方法

有效

• 申請號: 201610815901.5
• 申請日: 2016-09-12
• 公開（公告）號: CN106598791B
• 公開（公告）日: 2020-08-21
• 發明（設計）人: 周迪平;鄭亞娟
• 申請（專利權）人: 湖南微軟創新中心有限公司
• 主分類號: G06F11/22
• 分類號: G06F11/22
• 代理公司: 北京慕達星云知識產權代理事務所(特殊普通合伙) 11465
• 代理人: 崔自京

1.一種基于機器學習的工業設備故障預防性識別方法，其特征在于，包括以下步驟：

1)采集典型數據；所述典型數據包括：①工業設備檔案數據，包括生產日期、出廠性能指標、安裝日期、安裝區域、區域特殊環境、使用情況、曾出現異常情況；②工業設備典型故障案例；③工業設備可靠性模型、性能劣化數據及曲線；④關鍵元器件可靠性指標、關鍵元器件典型故障案例；⑤關鍵元器件庫存數量和采購周期；⑥工業設備維護標準計劃；⑦典型故障樣例庫；

2)將上述除關鍵元器件庫存數量和采購周期之外的典型數據導入機器學習系統中，將關鍵元器件庫存數量和采購周期數據導入狀態預測系統中；

3)采用特征參數法，將導入機器學習系統中的數據按照特征分類抽取特征參數；具體實現過程為：將典型的工業設備可判斷其運行狀態的參數建立一個參數集，針對某一類工業設備，輸入要求的參數，并將這些參數進行分類，按照特征進行有序排列組合；

4)將上述抽取的特征參數進行標準化處理；

5)將標準化處理后的特征參數按照規律組成向量矩陣；

6)利用智能推理算法建立工業設備未來運行狀態預測模型；具體實現過程為：先采用決策樹算法，粗略預測工業設備未來運行狀態；再使用物理模型進一步預測工業設備未來的運行狀態；

7)利用已有的典型故障樣本，輸入狀態預測系統，經過向量矩陣將數據進行歸一化，通過深度神經網絡卷積算法來驗證建立的預測模型是否可行；輸入典型故障樣本參數，經過向量矩陣進行歸一化，運行狀態預測模型，如果得出的結論與已知故障樣本吻合，則確認未來運行狀態預測模型可行；如果運行預測模型得出不一樣的結論，則未來運行狀態預測模型存在偏差，對未來運行狀態預測模型進行修正；

8)將確認可行的未來運行狀態預測模型導入狀態預測系統中，用于預測工業設備未來的運行狀態；根據預測的工業設備未來一段時間內的運行狀態，給出維護計劃；根據關鍵元器件的庫存數量及采購周期，給出關鍵元器件采購計劃；根據維護計劃對工業設備展開維護實施；將該維護記錄上傳云端計入工業設備檔案中，將結果反饋至狀態預測模型建立流程，對狀態預測模型進行修正。