一种基于数据融合的设备运行状态监测方法及系统技术方案

本发明专利技术公开了一种基于数据融合的设备运行状态监测方法和系统，包括：收集设备传感器的信号；其中，所述信号包括设备基本信息、健康状态、通讯状态、行为动作、设备参数以及环境条件；预处理设备传感器的信号，定义设备的状态数据；将定义好的设备运行状态数据输入到GMM模型，输出设备运行状态特征及状态特征的分布；分析设备运行状态特征及其分布，输出设备的异常状态时段。能够解决现有技术中针对信号特征具有非线性、异构、冗余、尺度差异大的特点的设备无法取得良好监测效果的问题。

A Method and System of Equipment Operation Monitoring Based on Data Fusion

【技术实现步骤摘要】
一种基于数据融合的设备运行状态监测方法及系统
本专利技术涉及工业过程的设备监测领域，尤其涉及一种基于数据融合的设备运行状态监测系统及方法。
技术介绍
近年来随着微机电系统技术、无线通信技术、传感器技术的迅速发展，传感器网络具有构建快速、部署方便等优点，可完成大范围、多模式信息采集和对象的自动监测。另外，机械设备日趋大型化和集成化，工作状态变化频繁以及其他设备干扰严重，使得振动信号具有很强的非线性、非高斯和动态性，抽取的信号特征也具有非线性、异构、冗余、尺度差异大等特性，现有的检测分析方法监测性能不理想，且对非线性、非高斯、多模态进行设备运行监测诊断的研究还比较少。
技术实现思路
针对上述问题，本专利技术的目的在于提供一种基于数据融合和概率聚类的方法，通过传感器数据获取设备的运行状态数据，通过模型获得设备运行状态特征及状态特征的分布，从而发现设备运行中的异常状态，以解决现有技术中针对信号特征具有非线性、异构、冗余、尺度差异大的特点的设备无法取得良好监测效果的问题。本专利技术实施例提供了一种基于数据融合的设备运行状态监测方法，其特征在于，包括：收集设备传感器的信号；其中，所述信号包括设备基本信息、健康状态、通讯状态、行为动作、设备参数以及环境条件；预处理设备传感器的信号，定义设备的状态数据；将定义好的设备运行状态数据输入到GMM模型，输出设备运行状态特征及状态特征的分布；分析设备运行状态特征及其分布，输出设备的异常状态时段。具体地，所述预处理设备传感器的信号，定义设备的状态数据的具体实现方法为：将任一时刻设备所有的运行状态传感器的当前时刻值进行归一化处理，计算归一化结果；其中，归一化结果＝(当前时刻值-历史最小值)/(历史最大值-历史最小值)；将任一时刻设备所有的运行状态传感器的归一化结果的组合作为当前时刻设备的状态数据。优选地，上述预处理操作还包括数据清洗。具体地，将定义好的设备运行状态数据输入到GMM模型，输出设备运行状态特征及状态特征的分布的具体实现方法为：1)数据集分割：定义函数split_dataset(A,n)，其中，输入为数据集A，子模型数量为n，对于数据集A，随机选取其预设比例的长度的数据集并输出，输出为自数据集集合[A_1,A_2,…，A_n]；2)生成模型：定义函数cluster_action(A_i,stop_weight)，其中输入为数据集A_i，中止分裂权重stop_weight；将数据集A_i输入到标准GMM模型，得到概率分布M_i；输出对A_i、M_i的预测值，当预测值为0时，将数据集A_i归为A_i0，当预测值为1时，将数据集A_i归为A_i1；当A_i0的权重大于中止分裂权重stop_weight时，将A_i0聚类到概率分布M_i的左节点；当A_i1的权重大于中止分裂权重stop_weight时，将A_i1聚类到概率分布M_i的右节点；输出最终的概率分布M_i；其中，A_i0的权重计算方式为数据集A_i的最大值减去最小值；3)预测信息：定义函数predict_action(T):其中，输入为预测数据T，对于每一个M_i，计算数据所属的状态特征编号[result]_i，以及某个数据属于该状态特征的概率[score]_i；输出最终结果为result＝[[result]_1,[result]_2,…,[result]_n],[[score]_1,[score]_2,…,[score]_n]。具体地，所述分析设备运行状态特征及其分布，输出设备的异常状态时段的具体实现方法为：以设备历史数据的ID为横轴，以数据所属的状态特征编号为纵轴，快速定位出设备状态呈现明显异常的时段。优选地，在输出设备的异常状态时段之后，还包括：显示异常信息，并将所述信息发送到相关管理人员的通讯设备。优选地，在输出设备的异常状态时段之后，还包括：将所述异常的时段信息发送到一个或多个处理器，所述处理器确定用于相应设备的维修动作建议。本专利技术实施例提供了一种基于数据融合的设备运行状态监测系统，其特征在于，包括：信号收集模块，用于收集设备传感器的信号；其中，所述信号包括设备基本信息、健康状态、通讯状态、行为动作、设备参数以及环境条件；预处理模块，用于预处理设备传感器的信号，定义设备的状态数据；设备运行状态监测模块，用于将定义好的设备运行状态数据输入到GMM模型，输出设备运行状态特征及状态特征的分布；设备异常输出模块，用于分析设备运行状态特征及其分布，输出设备的异常状态时段。附图说明为了更清楚地说明本专利技术的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术第一实施例提供的一种基于数据融合的设备运行状态监测方法的示意图；图2是本专利技术第二实施例提供的一种基于数据融合的设备运行状态监测系统的示意图；图3是本专利技术第一实施例提供的设备运行状态监测结果的示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。为了便于清楚描述本专利技术实施例的技术方案，在本专利技术的实施例中，采用了“第一”、“第二”等字样对功能或作用基本相同的相同项或相似项进行区分，本领域技术人员可理解“第一”、“第二”等字样并不对数量和执行次序进行限定。本专利技术实施例提供了一种基于数据融合的设备运行状态监测方法，请参阅图1，在本实施例中，S101，收集设备传感器的信号；其中，所述信号包括设备基本信息、健康状态、通讯状态、行为动作、设备参数以及环境条件；实际工业过程中，所述传感器信号根据实际情况收集，以上述信号为例：基本信息指铭牌信息，用于快速识别设备，包括装置型号、装置描述、生成厂商、端口数量、硬件版本、固件版本、软件版本、IP地址以及MAC地址等；健康状态，包括：电源、CPU、软件、内存、存储、时钟等；通讯状态包括：端口、光功率、流量以及业务状态等；行为动作包括：实时记录以及实时监测；设备参数包括设备参数以及参数状态；环境条件包括恶劣条件以及常规条件。设备的一般传感器包括：在线式红外热成像仪，可见光视频监测设备，振动测量仪、超声波测厚仪、便携式硬度计、气体检测仪、电机故障诊断仪表、热工/校验/电气测量仪表等。对于多种数据建立多层次操作，对于多源数据采集层，可以对多个数据源进行数据采集；数据接口层，连接于多源数据采集层，对应多种数据类型而分别设有多个数据接口，并利用相应数据类型的数据接口接收多源数据；大数据融合管理层，分别对数据接口层接收的数据进行分别存储、大数据计算分析等。优选地，所述数据接口层包括有用于传输关系型数据的SQOOP接口、用于传输实时数据流的JMS接口和用于传输常规数据的FTP接口；所述大数据融合管理层包括有数据仓库工具Hive、Hbase数据库、SQL大数据查询工具Impala和Hadoop资源管理器YARN；还包括有大规模流式数据处理框架SparkStreaming、用于从本文档来自技高网...

【技术保护点】
1.一种基于数据融合的设备运行状态监测方法，其特征在于，包括：收集设备传感器的信号；其中，所述信号包括设备基本信息、健康状态、通讯状态、行为动作、设备参数以及环境条件；预处理设备传感器的信号，定义设备的状态数据；将定义好的设备运行状态数据输入到GMM模型，输出设备运行状态特征及状态特征的分布；分析设备运行状态特征及其分布，输出设备的异常状态时段。

【技术特征摘要】
1.一种基于数据融合的设备运行状态监测方法，其特征在于，包括：收集设备传感器的信号；其中，所述信号包括设备基本信息、健康状态、通讯状态、行为动作、设备参数以及环境条件；预处理设备传感器的信号，定义设备的状态数据；将定义好的设备运行状态数据输入到GMM模型，输出设备运行状态特征及状态特征的分布；分析设备运行状态特征及其分布，输出设备的异常状态时段。2.根据权利要求1所述的设备运行状态监测方法，其特征在于，所述预处理设备传感器的信号，定义设备的状态数据的具体实现方法为：将任一时刻设备所有的运行状态传感器的当前时刻值进行归一化处理，计算归一化结果；其中，归一化结果＝(当前时刻值-历史最小值)/(历史最大值-历史最小值)；将任一时刻设备所有的运行状态传感器的归一化结果的组合作为当前时刻设备的状态数据。3.根据权利要求1所述的设备运行状态监测方法，其特征在于，将定义好的设备运行状态数据输入到GMM模型，输出设备运行状态特征及状态特征的分布的具体实现方法为：1)数据集分割：定义函数split_dataset(A,n)，其中，输入为数据集A，子模型数量为n，对于数据集A，随机选取其预设比例的长度的数据集并输出，输出为自数据集集合[A_1,A_2,…，A_n]；2)生成模型：定义函数cluster_action(A_i,stop_weight)，其中输入为数据集A_i，中止分裂权重stop_weight；将数据集A_i输入到标准GMM模型，得到概率分布M_i；输出对A_i、M_i的预测值，当预测值为0时，将数据集A_i归为A_i0，当预测值为1时，将数据集A_i归为A_i1；当A_i0的权重大于中止分裂权重stop_weight时，将A_i0聚类到概率分布M_i的左节点；当A_i1的权重大于中止分裂权重s...

【专利技术属性】
技术研发人员：刘健，
申请(专利权)人：上海应势信息科技有限公司，
类型：发明
国别省市：上海,31