[發明專利]一種基于知識感知的設備異常狀態綜合判斷及運維方法

有效

• 申請號: 201911405494.0
• 申請日: 2019-12-31
• 公開（公告）號: CN111160652B
• 公開（公告）日: 2023-04-18
• 發明（設計）人: 趙波;潘偉;李曉樂;俞康;方平;陳博;楊雨亮;錢自根;胡小東
• 申請（專利權）人: 安徽海螺信息技術工程有限責任公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/20;G06Q50/04;G07C3/00;G06N3/0464;G06N5/022;G06F18/23;G06F18/24;G06F123/02
• 代理公司: 蕪湖思誠知識產權代理有限公司 34138
• 代理人: 項磊

本發明公開了一種基于知識感知的設備異常狀態綜合判斷及運維方法，包括S1、采集動態設備的負荷和能耗數據訓練后得到第一模型，所述第一模型根據負荷和能耗數據判斷設備的運行狀態；S2、在生產過程中采集動態設備的各種參數數據并輸入相應的運行狀態，所述參數數據包括負荷、能耗、檢測參數和噪聲的數據；S3、對參數數據進行分析后將分析結果與故障類別和運行狀態相互關聯建立設備的運維知識庫；S4、采集參數數據通過第一模型分析設備運行狀態后，對參數數據處理為時序特征數據后與運維知識庫中的數據進行匹配分析實現故障預測和診斷。本發明能提高非穩態運行狀態下動態設備的故障預測和診斷的準確性和可靠性。

技術領域

本發明涉及一種基于知識感知的設備異常狀態綜合判斷及運維方法。

背景技術

工廠運行效率高低和設備運轉效率有很大的關系，設備故障會造成維護成本的提高并打斷生產過程，有時生產線停產還會造成產品批量報廢，因此能對設備狀態實時監測并預測設備是否會發生異常故障，并診斷故障種類對于保障生產連續性，提高設備維護效率，減少設備故障造成的損失等方面具有重要意義。現在雖然已經出現通過在線檢測設備各項參數，再通過卷積神經網絡訓練生成模型，以實現通過參數和模型預測設備設備預測診斷的方法，但是對于動態設備而言，由于在開機啟動、生產和設備停止等多個狀態下設備的運行情況會導致檢測的參數數據不同，因此現有預測診斷方式的可靠性不足，在非穩態運行過程中出現的故障常常無法準確預測和診斷，導致設備在此過程中故障易發，且無法及時處理，造成生產損失。

發明內容

本發明的目的在于提供一種基于知識感知的設備異常狀態綜合判斷及運維方法，以解決現有技術無法對動態設備在非穩態運行過程中產生的故障或故障預兆及時預測診斷的問題。

所述的基于知識感知的設備異常狀態綜合判斷及運維方法，包括下列步驟：

S1、采集動態設備的負荷和能耗數據形成訓練數據集，通過基于卷積神經網絡的訓練得到第一模型，所述第一模型根據輸入的負荷和能耗數據輸出所述動態設備的運行狀態；

S2、在生產過程中采集動態設備的各種參數數據并輸入相應的運行狀態，所述參數數據包括負荷、能耗、檢測參數和噪聲的數據；

S3、對參數數據進行分析后將分析結果與故障類別和運行狀態相互關聯建立設備的運維知識庫；

S4、采集參數數據通過第一模型分析設備運行狀態后，對參數數據處理為時序特征數據后與運維知識庫中的數據進行匹配分析實現故障預測和診斷。

優選的，所述分析方式包括：

S3.1、通過特征提取算法從參數數據中提取出對應的時序特征數據，將時序特征數據關聯到運行狀態；

S3.2、在采集到設備多次故障下的時序特征數據后，根據運行狀態對時序特征數據進行分類，并對相同運行狀態下時序特征數據進行聚類分析，將同類故障下相似度較高的時序特征數據劃分為相應的類簇；

S3.3、對類簇中的多種時序特征數據進行動態因子分析以得到其中各個時序特征數據及各種時序特征數據變化趨勢與故障發生之間的關聯性。

優選的，根據周期內動態設備在不同運行狀態下負荷和能耗變化的差異劃分運行狀態，并通過采集的數據判斷各個運行狀態之間轉換的臨界時間點，采集到的負荷數據為瞬時負荷值g，采集到的能耗數據為瞬時能耗值q，將負荷和能耗數據結合相應周期的時間時序化后作為輸入值訓練卷積神經網絡，卷積神經網絡的輸出值為臨界時間點的時間，并由此得到動態設備的所處的運行狀態。