基于机器学习的大型复杂装备故障诊断与预测系统技术方案

本发明专利技术提供了基于机器学习的大型复杂装备故障诊断与预测系统包括：数据采集模块，用于在预设时间周期内采集大型复杂装备的周期数据，故障分析模块，用于调取与相匹配的工作分析模型，将所述周期数据输入到分析模型中进行故障分析，得到分析结果，故障诊断模块，用于根据分析结果判断大型复杂装备是否发生故障，并在大型复杂装备发生故障时确定大型复杂装备的故障类型，传输到指定终端进行显示，故障预测模块，用于当大型复杂装备未发生故障时，解析周期数据预测所述大型复杂装备的故障发展趋势建立故障预测信息，将故障预测信息传输到指定终端进行显示，将大型复杂装备的实际数据完善传统模型的诊断弊端，从而可以随时进行故障诊断和预测工作

【技术实现步骤摘要】
基于机器学习的大型复杂装备故障诊断与预测系统


[0001]本专利技术涉及装备故障诊断与预测
，特别涉及基于机器学习的大型复杂装备故障诊断与预测系统
。

技术介绍

[0002]大型复杂装备并不一定是全智能化设备，从设计之初并没有为装备运行设置足够的传感器，如大型船舶中的大部分机电设备
。
工程师往往无法从这类设备中采集到足够多的运行监测数据，包括故障状态下的运行监测数据
。
因此，此类大型复杂装备的故障数据大部分由人工记录和处理，形成基于运维专家的经验性积累
。
这类小样本非标准化数据很难使用一般故障诊断模型来分析建模
。
在这种前提下为这类大型复杂装备现场运维人员提供一套交互式的智能故障诊断和预测辅助系统是一个比较有挑战的目标
。
[0003]因此，本专利技术提供了基于机器学习的大型复杂装备故障诊断与预测系统
。

技术实现思路

[0004]本专利技术基于机器学习的大型复杂装备故障诊断与预测系统，通过分析大型复杂装备在不同时间段内产生的周期数据结合模型手段来对大型复杂装备进行故障诊断和预测，可以将大型复杂装备的实际数据完善传统模型的诊断弊端，从而可以随时进行故障诊断和预测工作
。
[0005]本专利技术提供了基于机器学习的大型复杂装备故障诊断与预测系统，包括：
[0006]数据采集模块，用于在预设时间周期内采集大型复杂装备的周期数据；
[0007]故障分析模块，用于调取与所述大型复杂装备工作状态相匹配的工作分析模型，将所述周期数据输入到所述分析模型中进行故障分析，得到分析结果；
[0008]故障诊断模块，用于根据所述分析结果判断所述大型复杂装备是否发生故障，并在所述大型复杂装备发生故障时确定所述大型复杂装备的故障类型，传输到指定终端进行显示；
[0009]故障预测模块，用于当所述大型复杂装备未发生故障时，解析所述周期数据预测所述大型复杂装备的故障发展趋势建立故障预测信息，将所述故障预测信息传输到指定终端进行显示
。
[0010]在一种可实施的方式中，
[0011]还包括：
[0012]指定终端，用于显示所述大型复杂装备的故障类型，以及显示所述故障预测信息
。
[0013]在一种可实施的方式中，
[0014]所述数据采集模块，包括：
[0015]数据采集单元，用于采集所述大型复杂装备的实时数据，在所述实时数据中截取每一预设时间周期对应的第一实时数据；
[0016]数据处理单元，用于分别将每一条所述第一实时数据划分为若干个元数据，分别
获取每一元数据对应的数据生成时刻，将同一第一实时数据包含的所有元数据的数据生成时刻进行统计，建立时间序列；
[0017]数据分析单元，用于分别获取每一时间序列对应的序列特征，分别将每一序列特征与预设样本特征进行对比，将与所述预设样本特征不一致的序列特征记作异常序列特征，获取所述异常序列特征对应的第一实时数据记作第二实时数据，根据所述异常序列特征与所述预设样本特征之间的特征差，确定对应第二实时数据的数据丢失量；
[0018]数据修正单元，用于获取所述大型复杂装备在每一预设时间周期内对应的工作状态，根据所述工作状态匹配对应的样本数据，利用所述样本数据修正对应的第二实时数据，记录每一条第二实时数据对应的数据修正量，当所述第二实时数据对应的数据修正量与数据修正量一致后，得到每一预设时间周期对应的周期数据
。
[0019]在一种可实施的方式中，
[0020]所述故障分析模块，包括：
[0021]预准备单元，用于所述大型复杂装备在每一预设时间周期内对应的工作状态，调取与所述工作状态相匹配的工作分析模型；
[0022]第一分析单元，用于将所述周期数据输入到所述工作分析模型中，利用所述周期数据对所述工作分析模型的模型结构进行修正，建立实时分析模型，将所述实时分析模型划分为若干个模型区域，分别获取每一模型区域对应的静态模型特征；
[0023]第二分析单元，用于运行并监测所述实时分析模型，得到所述实时分析模型在运行过程中产生的监测数据，获取所述大型复杂装备在所述工作状态下的标准数据，得到所述监测数据与所述标准数据之间的若干个数据差，根据所述数据差建立对应的动态模型特征；
[0024]第三分析单元，用于对所述静态模型特征进行第一特征融合，得到所述大型复杂装备的静态故障特征，对所述动态模型特征进行第二特征融合，得到所述大型复杂装备的动态故障特征，根据所述静态故障特征和所述动态故障特征建立分析结果，并将所述分析结果传输到所述故障诊断模块
。
[0025]在一种可实施的方式中，
[0026]所述故障诊断模块，包括：
[0027]故障匹配单元，用于根据所述分析结果得到所述大型复杂装备的静态故障特征和动态故障特征，在预设故障库中查找所述静态故障特征对应的若干种第一样本故障，和所述动态故障特征对应的若干种第二样本故障；
[0028]故障分析单元，用于分别获取所述大型复杂装备在每一种第一样本故障下对应的第一故障表现，建立每一种第一样本故障对应的第一故障表现信息，以及分别获取所述大型复杂装备在每一种第二样本故障下对应的第二故障表现，建立每一种第二样本故障对应的第二故障表现信息；
[0029]故障整理单元，用于以预设坐标系的第一坐标轴的映射方向分别将每一第一故障表现信息映射映射到所述预设坐标系中，得到每一种第一样本故障对应的若干个第一映射点，以预设坐标系的第二坐标轴为映射方向分别将每一第二故障表示信息映射到所述预设坐标系中，得到每一种第二样本故障对应的若干个第二映射点，获取所述预设坐标系中的重合映射点；
[0030]故障确定单元，用于分别获取每一所述重合映射点对应的重合故障表现，以及每一所述重合故障表现对应的故障特征，在预设知识库中查找每一故障特征建立所述大型复杂装备的故障类型，并将所述故障类型传输到指定终端进行显示
。
[0031]在一种可实施的方式中，
[0032]所述故障预测模块，包括：
[0033]信息解析单元，用于当所述大型复杂装备未发生故障时，解析所述分析周期得到所述大型复杂装备子在不同预设时间周期内的工作信息；
[0034]信息处理单元，用于分别将每一所述工作信息划分为若干个子信息，根据每一子信息对应的预设预设时间周期，分别为每一子信息建立时间标签；
[0035]信息统计单元，用于分别获取每一子信息对应的信息来源，将信息来源一致的子信息记作同类子信息，根据时间标签由远及近的顺序对所述同类子信息进行排序，得到每一信息来源对应的子信息折线图；
[0036]故障预测单元，用于每一根据所述子信息折线图中不同子信息折线的斜率确定每一信息来源的故障发展趋势，统计所有信息来源的故障发展趋势，建立故障预测信息，将所述故障预测信息传输到所述指定终端进行显示...

【技术保护点】

【技术特征摘要】
1.
一种基于机器学习的大型复杂装备故障诊断与预测系统，其特征在于，包括：数据采集模块，用于在预设时间周期内采集大型复杂装备的周期数据；故障分析模块，用于调取与所述大型复杂装备工作状态相匹配的工作分析模型，将所述周期数据输入到所述分析模型中进行故障分析，得到分析结果；故障诊断模块，用于根据所述分析结果判断所述大型复杂装备是否发生故障，并在所述大型复杂装备发生故障时确定所述大型复杂装备的故障类型，传输到指定终端进行显示；故障预测模块，用于当所述大型复杂装备未发生故障时，解析所述周期数据预测所述大型复杂装备的故障发展趋势建立故障预测信息，将所述故障预测信息传输到指定终端进行显示
。2.
如权利要求1所述的一种基于机器学习的大型复杂装备故障诊断与预测系统，其特征在于，还包括：指定终端，用于显示所述大型复杂装备的故障类型，以及显示所述故障预测信息
。3.
如权利要求1所述的一种基于机器学习的大型复杂装备故障诊断与预测系统，其特征在于，所述数据采集模块，包括：数据采集单元，用于采集所述大型复杂装备的实时数据，在所述实时数据中截取每一预设时间周期对应的第一实时数据；数据处理单元，用于分别将每一条所述第一实时数据划分为若干个元数据，分别获取每一元数据对应的数据生成时刻，将同一第一实时数据包含的所有元数据的数据生成时刻进行统计，建立时间序列；数据分析单元，用于分别获取每一时间序列对应的序列特征，分别将每一序列特征与预设样本特征进行对比，将与所述预设样本特征不一致的序列特征记作异常序列特征，获取所述异常序列特征对应的第一实时数据记作第二实时数据，根据所述异常序列特征与所述预设样本特征之间的特征差，确定对应第二实时数据的数据丢失量；数据修正单元，用于获取所述大型复杂装备在每一预设时间周期内对应的工作状态，根据所述工作状态匹配对应的样本数据，利用所述样本数据修正对应的第二实时数据，记录每一条第二实时数据对应的数据修正量，当所述第二实时数据对应的数据修正量与数据修正量一致后，得到每一预设时间周期对应的周期数据
。4.
如权利要求1所述的一种基于机器学习的大型复杂装备故障诊断与预测系统，其特征在于，所述故障分析模块，包括：预准备单元，用于所述大型复杂装备在每一预设时间周期内对应的工作状态，调取与所述工作状态相匹配的工作分析模型；第一分析单元，用于将所述周期数据输入到所述工作分析模型中，利用所述周期数据对所述工作分析模型的模型结构进行修正，建立实时分析模型，将所述实时分析模型划分为若干个模型区域，分别获取每一模型区域对应的静态模型特征；第二分析单元，用于运行并监测所述实时分析模型，得到所述实时分析模型在运行过程中产生的监测数据，获取所述大型复杂装备在所述工作状态下的标准数据，得到所述监测数据与所述标准数据之间的若干个数据差，根据所述数据差建立对应的动态模型特征；第三分析单元，用于对所述静态模型特征进行第一特征融合，得到所述大型复杂装备
的静态故障特征，对所述动态模型特征进行第二特征融合，得到所述大型复杂装备的动态故障特征，根据所述静态故障特征和所述动态故障特征建立分析结果，并将所述分析结果传输到所述故障诊断模块
。5.
如权利要求1所述的一种基于机器学习的大型复杂装备故障诊断与预测系统，其特征在于，所述故障诊断模块，...

【专利技术属性】
技术研发人员：李红江，傅黎，韩强，
申请(专利权)人：武汉蓝海科创技术有限公司，
类型：发明
国别省市：