一种基于知识感知的设备异常状态综合判断及运维方法技术

本发明专利技术公开了一种基于知识感知的设备异常状态综合判断及运维方法，包括S1、采集动态设备的负荷和能耗数据训练后得到第一模型，所述第一模型根据负荷和能耗数据判断设备的运行状态；S2、在生产过程中采集动态设备的各种参数数据并输入相应的运行状态，所述参数数据包括负荷、能耗、检测参数和噪声的数据；S3、对参数数据进行分析后将分析结果与故障类别和运行状态相互关联建立设备的运维知识库；S4、采集参数数据通过第一模型分析设备运行状态后，对参数数据处理为时序特征数据后与运维知识库中的数据进行匹配分析实现故障预测和诊断。本发明专利技术能提高非稳态运行状态下动态设备的故障预测和诊断的准确性和可靠性。

【技术实现步骤摘要】
一种基于知识感知的设备异常状态综合判断及运维方法
本专利技术涉及一种基于知识感知的设备异常状态综合判断及运维方法。
技术介绍
工厂运行效率高低和设备运转效率有很大的关系，设备故障会造成维护成本的提高并打断生产过程，有时生产线停产还会造成产品批量报废，因此能对设备状态实时监测并预测设备是否会发生异常故障，并诊断故障种类对于保障生产连续性，提高设备维护效率，减少设备故障造成的损失等方面具有重要意义。现在虽然已经出现通过在线检测设备各项参数，再通过卷积神经网络训练生成模型，以实现通过参数和模型预测设备设备预测诊断的方法，但是对于动态设备而言，由于在开机启动、生产和设备停止等多个状态下设备的运行情况会导致检测的参数数据不同，因此现有预测诊断方式的可靠性不足，在非稳态运行过程中出现的故障常常无法准确预测和诊断，导致设备在此过程中故障易发，且无法及时处理，造成生产损失。
技术实现思路
本专利技术的目的在于提供一种基于知识感知的设备异常状态综合判断及运维方法，以解决现有技术无法对动态设备在非稳态运行过程中产生的故障或故障预兆及时预测诊断的问题。所述的基于知识感知的设备异常状态综合判断及运维方法，包括下列步骤：S1、采集动态设备的负荷和能耗数据形成训练数据集，通过基于卷积神经网络的训练得到第一模型，所述第一模型根据输入的负荷和能耗数据输出所述动态设备的运行状态；S2、在生产过程中采集动态设备的各种参数数据并输入相应的运行状态，所述参数数据包括负荷、能耗、检测参数和噪声的数据；S3、对参数数据进行分析后将分析结果与故障类别和运行状态相互关联建立设备的运维知识库；S4、采集参数数据通过第一模型分析设备运行状态后，对参数数据处理为时序特征数据后与运维知识库中的数据进行匹配分析实现故障预测和诊断。优选的，所述分析方式包括：S3.1、通过特征提取算法从参数数据中提取出对应的时序特征数据，将时序特征数据关联到运行状态；S3.2、在采集到设备多次故障下的时序特征数据后，根据运行状态对时序特征数据进行分类，并对相同运行状态下时序特征数据进行聚类分析，将同类故障下相似度较高的时序特征数据划分为相应的类簇；S3.3、对类簇中的多种时序特征数据进行动态因子分析以得到其中各个时序特征数据及各种时序特征数据变化趋势与故障发生之间的关联性。优选的，根据周期内动态设备在不同运行状态下负荷和能耗变化的差异划分运行状态，并通过采集的数据判断各个运行状态之间转换的临界时间点，采集到的负荷数据为瞬时负荷值g，采集到的能耗数据为瞬时能耗值q，将负荷和能耗数据结合相应周期的时间时序化后作为输入值训练卷积神经网络，卷积神经网络的输出值为临界时间点的时间，并由此得到动态设备的所处的运行状态。优选的，设备运行一周期内能耗情况分为4种运行状态，分别为：设备由停机后开始启动到正常运行之间的启动状态，其时间区间定义为[tai,tbi)；设备稳态运行的时间区间定义为[tbi,tci)；设备由稳态结束到停机状态之间的时间区间定义为[tci,tdi)；设备从停止到启动之间的时间区间定义为[tdi,tai)，其中i表示运行的周期数，ai,bi,ci,di代表上述4种状态切换的临界时间点，i代表该状态在统计周期内出现的次数。优选的，还包括对静态设备进行异常状态判断的方法，通过采集静态设备的参数数据输入卷积神经网络进行训练，从而构建对静态设备进行故障预测和诊断的第二模型，将静态设备的参数数据输入第二模型就能判断相应静态设备的异常状态。优选的，同一个设备上采集各个参数数据的传感器通过无线网络连接到对应该设备的工控机，所述工控机用于将参数数据提取为时序化特征数据再发送到控制中心，控制中心根据时序化特征数据及其对应的设备进行分析，判断该设备处于的运行状态并与运维知识库的数据进行匹配，从而实现对该设备的故障预测与诊断。优选的，采用无线振动温度一体式传感器采集设备的振动速度和温度，所述无线振动温度一体式传感器内部设有剪切式压电陶瓷片作为感应端。本专利技术具有如下优点：本专利技术利用不同运行状态下设备的负荷与能耗之间存在差异，从而通过检测相关数据结合神经网络学习技术以实现对设备运行状态的判定，并对参数数据通过时序特征提取以方便分析参数依据时间的变化趋势，再配合聚类分析、动态因子分析得到不同时序特征数据及数据变化趋势与各类故障之间的关联性，建立相应分析结果与故障、运行状态和设备的运维知识库。由此在生产过程中，能通过相应的神经网络模型判定运行状态，再通过对参数数据处理，将生成的时序特征数据与运维知识库中的数据进行匹配分析得到相应的故障预测，由于该方法在建立运维数据库时已经将分析结果与运行状态关联，实际数据采集和判断过程中也通过预先建立的识别模型对设备进行运行状态识别，因此提高了对非稳态运行情况下设备故障进行预测和诊断的可靠性。附图说明图1为本专利技术的流程图。图2为采用本专利技术的监测系统的结构图。具体实施方式下面对照附图，通过对实施例的描述，对本专利技术具体实施方式作进一步详细的说明，以帮助本领域的技术人员对本专利技术的专利技术构思、技术方案有更完整、准确和深入的理解。如图1-2所示，本专利技术提供了一种基于知识感知的设备异常状态综合判断及运维方法，具体包括下列步骤：S1、采集动态设备的负荷和能耗数据形成训练数据集，通过基于卷积神经网络的训练得到第一模型，所述第一模型根据输入的负荷和能耗数据输出所述动态设备的运行状态。一般设备运行一周期内能耗情况分为4种运行状态，分别为：设备由停机后开始启动到正常运行之间的启动状态，其时间区间定义为[tai,tbi)；设备稳态运行的时间区间定义为[tbi,tci)；设备由稳态结束到停机状态之间的时间区间定义为[tci,tdi)；设备从停止到启动之间的时间区间定义为[tdi,tai)，其中i表示运行的周期数，ai,bi,ci,di代表上述4种状态切换的临界时间点，i代表该状态在统计周期内出现的次数。采集到的负荷数据为瞬时负荷值g，采集到的能耗数据为瞬时能耗值q，将负荷和能耗数据结合相应周期的时间时序化后作为输入值训练卷积神经网络，根据周期内动态设备在不同运行状态下负荷和能耗变化的差异划分运行状态，并通过采集的数据判断各个运行状态之间转换的临界时间点，卷积神经网络的输出值为临界时间点ai,bi,ci,di的时间t，并由此得到动态设备的所处的运行状态。S2、在生产过程中采集动态设备的各种参数数据并输入相应的运行状态，所述参数数据包括负荷、能耗、检测参数和噪声的数据。由于动态设备的故障预测受到时间上数据变化的影响，并且非稳态运行状态下与稳态运行状态下参数的变化趋势也有差异，因此需要将采集的参数数据时序化。S3、对参数数据进行分析后将分析结果与故障类别和运行状态相互关联建立设备的运维知识库。本步骤所用的分析方式包括下列步骤：S3.1、通过特征提取算法从参数数据中提取出对应的时序特征数据，将时序特征数据关本文档来自技高网...

【技术保护点】
1.一种基于知识感知的设备异常状态综合判断及运维方法，其特征在于：包括下列步骤：/nS1、采集动态设备的负荷和能耗数据形成训练数据集，通过基于卷积神经网络的训练得到第一模型，所述第一模型根据输入的负荷和能耗数据输出所述动态设备的运行状态；/nS2、在生产过程中采集动态设备的各种参数数据并输入相应的运行状态，所述参数数据包括负荷、能耗、检测参数和噪声的数据；/nS3、对参数数据进行分析后将分析结果与故障类别和运行状态相互关联建立设备的运维知识库；/nS4、采集参数数据通过第一模型分析设备运行状态后，对参数数据处理为时序特征数据后与运维知识库中的数据进行匹配分析实现故障预测和诊断。/n

【技术特征摘要】
1.一种基于知识感知的设备异常状态综合判断及运维方法，其特征在于：包括下列步骤：
S1、采集动态设备的负荷和能耗数据形成训练数据集，通过基于卷积神经网络的训练得到第一模型，所述第一模型根据输入的负荷和能耗数据输出所述动态设备的运行状态；
S2、在生产过程中采集动态设备的各种参数数据并输入相应的运行状态，所述参数数据包括负荷、能耗、检测参数和噪声的数据；
S3、对参数数据进行分析后将分析结果与故障类别和运行状态相互关联建立设备的运维知识库；
S4、采集参数数据通过第一模型分析设备运行状态后，对参数数据处理为时序特征数据后与运维知识库中的数据进行匹配分析实现故障预测和诊断。


2.根据权利要1所述的一种基于知识感知的设备异常状态综合判断及运维方法，其特征在于：所述分析方式包括：
S3.1、通过特征提取算法从参数数据中提取出对应的时序特征数据，将时序特征数据关联到运行状态；
S3.2、在采集到设备多次故障下的时序特征数据后，根据运行状态对时序特征数据进行分类，并对相同运行状态下时序特征数据进行聚类分析，将同类故障下相似度较高的时序特征数据划分为相应的类簇；
S3.3、对类簇中的多种时序特征数据进行动态因子分析以得到其中各个时序特征数据及各种时序特征数据变化趋势与故障发生之间的关联性。


3.根据权利要2所述的一种基于知识感知的设备异常状态综合判断及运维方法，其特征在于：根据周期内动态设备在不同运行状态下负荷和能耗变化的差异划分运行状态，并通过采集的数据判断各个运行状态之间转换的临界时间点，采集到的负荷数据为瞬时负荷值g，采集到的能耗数据为瞬时能耗值q，将负荷和能耗数据结合相应周期的时间时序化后作为输入值训练卷积神经网络，卷积...

【专利技术属性】
技术研发人员：赵波，潘伟，李晓乐，俞康，方平，陈博，杨雨亮，钱自根，胡小东，
申请(专利权)人：安徽海螺信息技术工程有限责任公司，
类型：发明
国别省市：安徽;34