【技术实现步骤摘要】
本专利技术涉及工业物联网技术及大数据信息处理领域，具体涉及一种工业互联网设备健康故障监测方法及系统。
技术介绍
1、随着工业互联网技术的蓬勃发展,立足于工业互联网平台的设备预测性健康维护得到迅猛发展、平台化的智能设备健康监测管理系统得到广泛的应用。现有设备故障及健康度的预测方法，是针对设备本身的振动、噪音、温度、电压、电流、功率等物理状态进行监测。通过选取适当的硬件监测传感器，对设备各个机械部位的状态信号连续、多点的进行采集、分析，从而实现设备的健康状态的评测和故障预防。在设备的健康故障状态评测过程中，设备状态变化除受自身特性影响外还受设备外部环境条件的影响，如环境、能源供给、人员技能、产品、仓储物流、工艺相关等。
2、设备在不同的加工工艺，不同产品加工模式下，传感器监测出来的信号也是不同的，监测信号差异性很大，造成传统的设备健康评测不准确。例如：金属切削时，机床主轴的振动量跟刀具进给量、转速、刀具类型密切相关，不同加工工艺参数，不同切削负荷，主轴传感器监测振动数据差异性很大，当超过设备切削性能指标标准时，主轴还会产生颤动，此时设备预测系统容易误判为设备健康状态下降。设备所处的加工环境对设备的性能影响也大。例如：同样的加工工艺，当环境温度变动时受设备和材料的热胀冷缩影响，高精密加工零部件就可能出现合格率偏低的现象发生，传统的设备健康预测方法容易误判断为设备的加工精度下降，健康度降低。另外加工刀具的质量寿命对产品加工质量的影响很大，当刀具寿命超限或者质量问题会造成刀架、工件、主轴震动，这些振动信号会被监测系统的传感器采
3、传统的设备健康故障预测性维护方法是以设备状态为依据的判定，是对设备进行连续在线的状态监测及数据分析，诊断并预测设备故障的发展趋势，提前制定预测性维护计划并实施维修的行为。实际运行中当监测系统出现故障预测报警时，有的时候是由于设备本身以外的因素造成的设备预测误报警，或者说是由于设备以外的因素造成被监测设备状态异常，实际上设备还是处于健康正常状态，这种情况会造成设备监测系统误报情况发生。因此需要一种新的方法来识别异常，从客观、全面对设备健康度进行判定，改进和提高系统故障监测准确率。
4、综上所述，如何减少设备健康故障预测误报，提高系统故障监测准确率，成为了本领域技术人员急需解决的问题。
技术实现思路
1、针对上述现有技术的不足，本专利技术提供了一种减少设备健康故障预测误报率的方法及系统，本申请基于工业应用端和平台监测管理端，根据影响设备性能的故障的内在机理，综合分析设备运行环境、产品状态、仓储物流、加工工艺等数据与设备状态数据之间的相关关系，从而能够更真实、客观反应设备现有健康状态，实现减少智能设备健康预测误报，提高系统故障监测准确率。
2、为了实现上述目的，本专利技术具体技术方案如下：
3、一种工业互联网设备健康故障监测系统，包括工厂应用端和平台监测管理端；
4、所述工厂应用端用于对工业互联网设备的设备健康数据进行采集，并上传至平台监测管理端；所述设备健康数据包括工业互联网设备的设备状态数据和外部生产过程关联数据；
5、所述平台监测管理端用于以工业互联网设备数据状态特征库为依据，判断采集的设备健康数据中的设备状态数据是否存在异常，并在存在异常时，将存在异常的设备健康数据中的设备状态数据和外部生产过程关联数据进行相关性分析；若二者不存在相关性，则进行工业互联网设备自身健康故障报警；若二者存在关联性，则进行外部生产关联设备排查报警。
6、上述的工业互联网设备健康故障监测系统中，作为优选方案，所述平台监测管理端包括数据特征库、数据相关算法组件、数据处理中心；
7、所述数据特征库用于作为判断采集的设备健康数据中的设备状态数据是否存在异常的依据；
8、所述数据相关算法组件用于对异常的设备健康数据中的设备状态数据和外部生产过程关联数据进行相关性分析；
9、所述数据处理中心用于对采集的设备健康数据的汇集、设备状态数据和外部生产过程关联数据的相关性分析、数据状态特征库的处理和设备健康预测。
10、上述的工业互联网设备健康故障监测系统中，作为优选方案，所述工业互联网设备数据状态特征库中存储有工业互联网设备健康状态下的数据特征样本。
11、上述的工业互联网设备健康故障监测系统中，作为优选方案，所述平台监测管理端的处理流程为：
12、s1、平台监测管理端将接收到的设备健康数据分类为设备状态数据和外部过程关联数据；
13、s2、以工业互联网设备状态特征库中存储的工业互联网设备健康状态下的数据特征样本为依据，通过比对判断采集的设备健康数据中的设备状态数据是否存在异常；若存在异常，则执行步骤s3；若不存在异常，则执行步骤s6；
14、s3、将设备健康数据中的设备状态数据和外部生产过程关联数据进行相关性分析；若存在相关性，则执行步骤s4；若不存在相关性，则执行步骤s5；
15、s4、判定为设备健康故障与外部生产因素相关，对外部生产过程关联数据进行排查报警；
16、s5、判定为设备健康故障与外部生产因素无关，判断为设备自身健康出现故障，进行工业互联网设备自身健康故障报警；
17、s6、判定当前设备状态数据正常，设备处于健康状态，继续进行设备健康数据的监测。
18、上述的工业互联网设备健康故障监测系统中，作为优选方案，步骤s3中，将设备健康数据中的设备状态数据和外部生产过程关联数据进行相关性分析的具体方法采用相关系数算法、数据支持度算法或数据置信度算法；
19、其中，相关系数算法用于反映两个变量之间的相互关系及相关方向，数学公式表示为：
20、
21、其中，x为设备状态数据，y为设备状态数据x对应的外部过程关联数据；γ(x,y)为x与y的相关系数，cov(x,y)为x与y的协方差，var[x]为x的方差，var[y]为y的方差；γ(x,y)值的范围在-1和+1之间；γ(x,y)＞0为正相关，γ(x,y)＜0为负相关；γ(x,y)＝0表示不相关；
22、当相关系数γ(x,y)的绝对值大于或等于预设的相关系数阈值时，则判定设备状态数据和外部生产过程关联数据之间存在关联；否则，判定设备状态数据和外部生产过程关联数据之间不存在关联；
23、所述数据支持度算法用于反映两个变量之间同时出现在所有数据项的概率，数学公式表示为：
24、
25、其中，x为设备状态数据，y为设备状态数据x对应的外部过程关联数据；s(x→y)为x与y的数据支持度，σ(x∪y)为x和y同时出现的概率，n为数据组集数量；
26、当数据支持度s(x→y)大于或等于预设的支持度阈值时，则判定设备状态数据和外部生产过程关联数据之间存在关联；否则，判定设备状态数据和外部生产过程关联数据之间不存在关联；
27、所述数据本文档来自技高网...
【技术保护点】
1.一种工业互联网设备健康故障监测系统，其特征在于，包括工厂应用端和平台监测管理端；
2.根据权利要求1所述的工业互联网设备健康故障监测系统，其特征在于，所述平台监测管理端包括数据特征库、数据相关算法组件、数据处理中心；
3.根据权利要求2所述的工业互联网设备健康故障监测系统，其特征在于，所述工业互联网设备数据状态特征库中存储有工业互联网设备健康状态下的数据特征样本。
4.根据权利要求3所述的工业互联网设备健康故障监测系统，其特征在于，所述平台监测管理端的处理流程为：
5.根据权利要求4所述的工业互联网设备健康故障监测系统，其特征在于，步骤S3中，将设备健康数据中的设备状态数据和外部生产过程关联数据进行相关性分析的具体方法采用相关系数算法、数据支持度算法和数据置信度算法进行联合分析；
6.一种工业互联网设备健康故障监测方法，其特征在于，包括如下步骤：
7.根据权利要求6所述的工业互联网设备健康故障监测方法，其特征在于，所述外部生产过程关联数据包括设备参数、环境气候数据、能源供给数据、工艺标准数据、仓储物流数据
8.根据权利要求6所述的工业互联网设备健康故障监测方法，其特征在于，所述工业互联网设备数据状态特征库中存储有工业互联网设备健康状态下的数据特征样本。
9.根据权利要求8所述的工业互联网设备健康故障监测方法，其特征在于，以工业互联网设备数据状态特征库为依据判断采集的设备健康数据中的设备状态数据是否存在异常的具体处理流程为：
10.据权利要求9所述的工业互联网设备健康故障监测方法，其特征在于，步骤S3中，将设备健康数据中的设备状态数据和外部生产过程关联数据进行相关性分析的具体方法采用相关系数算法、数据支持度算法和数据置信度算法进行联合分析；
...【技术特征摘要】
1.一种工业互联网设备健康故障监测系统，其特征在于，包括工厂应用端和平台监测管理端；
2.根据权利要求1所述的工业互联网设备健康故障监测系统，其特征在于，所述平台监测管理端包括数据特征库、数据相关算法组件、数据处理中心；
3.根据权利要求2所述的工业互联网设备健康故障监测系统，其特征在于，所述工业互联网设备数据状态特征库中存储有工业互联网设备健康状态下的数据特征样本。
4.根据权利要求3所述的工业互联网设备健康故障监测系统，其特征在于，所述平台监测管理端的处理流程为：
5.根据权利要求4所述的工业互联网设备健康故障监测系统，其特征在于，步骤s3中，将设备健康数据中的设备状态数据和外部生产过程关联数据进行相关性分析的具体方法采用相关系数算法、数据支持度算法和数据置信度算法进行联合分析；
6.一种工业互联网设备健康故障监测方法，其...
【专利技术属性】
技术研发人员：江虹锋，卢仁谦，罗林，姜仁杰，张芷馨，
申请(专利权)人：重庆忽米网络科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。