[發明專利]基于貝葉斯分類模型的鍛造液壓機預測性維護方法及系統

有效

• 申請號: 202210707801.6
• 申請日: 2022-06-22
• 公開（公告）號: CN114780732B
• 公開（公告）日: 2022-09-13
• 發明（設計）人: 計鑫;張勝;趙華;潘高峰;王鑫;趙歡
• 申請（專利權）人: 天津市天鍛壓力機有限公司
• 主分類號: G06F16/35
• 分類號: G06F16/35;G06F16/36;G06K9/62;G06N3/04;B21J13/00
• 代理公司: 天津市鼎和專利商標代理有限公司 12101
• 代理人: 蒙建軍

1.一種基于貝葉斯分類模型的鍛造液壓機預測性維護方法，其特征在于，包括：

S1、構建故障知識庫；

S101、創建故障代碼并編輯故障代碼、設備類型、設備型號、故障名稱和備注；創建故障工單并編輯目標設備、故障代碼、報修類型、工單名稱、執行人和備注；

S102、接收故障工單并進行故障處理，根據故障處理結果新增維修知識至維修知識庫，并撰寫故障報告；

S103、根據維修知識庫編輯故障知識庫；根據故障知識庫編輯故障案例庫；

S2、預測液壓機部件衰退；

S201、在鍛造液壓機運行過程中，匯總各元件和部件的機能衰退因素，并建立時間t的指標抽象集合X；

S202、將元件衰退抽象為集合A={a₁,a₂,a₃,…,a_x}，發生的概率為P(a₁)，P(a₂)，P(a₃)，……，P(a_x)；

S203、通過BP神經網絡計算P(A)；

S204、將部件衰退抽象為集合B={b₁,b₂,b₃,…,b_y}，根據設備的維修知識庫的故障記錄，計算發生的概率為P(b₁)，P(b₂)，P(b₃)，……，P(b_y)；

S205、根據設備的故障知識庫，計算各部件衰退集合B發生的條件下，集合A發生的概率為P(A|b₁)，P(A|b₂)，P(A|b₃)，……，P(A|b_y)；

S206、取元件衰退集合A發生的概率最大值P(A|b_max)=max{P(A|b₁)，P(A|b₂)，P(A|b₃)，……，P(A|b_y)}，根據最大似然函數則計算得出：

；

S207、得出各元件衰退集合A發生的情況下各部件衰退集合B發生的反向概率；

根據貝葉斯公式，計算得出：

；

取P(B|A)中最大值為P(b_max|A)作為輸出值，通過如下公式進行計算：

；

S208、根據系統預制的規則提出報警；

S3、根據預測信息，調用故障知識庫和案例庫的信息，進行維保工作。

2.根據權利要求1所述的基于貝葉斯分類模型的鍛造液壓機預測性維護方法，其特征在于，所述維修知識庫作為故障知識庫的基礎知識，用于創建故障知識庫中的知識，并編輯設備類型、設備型號、故障代碼、給出故障診斷報告，故障診斷報告內容包含故障嚴重程度、性質、原因、位置以及維護措施。

3.根據權利要求2所述的基于貝葉斯分類模型的鍛造液壓機預測性維護方法，其特征在于，所述故障知識庫基于維修知識庫、專家知識、工業機理模型按照設備型號進行管理，是不同設備型號故障知識的集合；存儲同種設備型號的共性故障知識。

4.根據權利要求1所述的基于貝葉斯分類模型的鍛造液壓機預測性維護方法，其特征在于，所述故障案例庫繼承故障知識庫的共性故障知識，按照設備名稱進行管理，是每臺案例設備的故障知識的集合，存儲同種設備型號下的不同案例設備的個性故障知識。

5.根據權利要求1所述的基于貝葉斯分類模型的鍛造液壓機預測性維護方法，其特征在于，所述S203具體為：

首先將集合X作為神經網絡的輸入，通過元件的樣本數據和故障知識庫的歷史記錄從而計算損失函數，通過故障知識庫的數據修正權值和偏移項，以Sigmoid函數作為輸出函數，得出神經網絡的輸出元件衰退概率的中間值P(A)’；

然后針對具體的液壓機設備通過故障案例數據庫的記錄，當元件出現故障后，將元件機能下降的概率進行二次修正，機能衰退的概率進行調整：

P（A）=α×P（A）’+β；

其中α為權值矩陣，β為偏移項矩陣。