【技术实现步骤摘要】
本专利技术涉及烟草设备维护，特别是涉及一种烟草设备故障预测方法和系统。
技术介绍
1、在制造业企业，特别是像烟草公司这样依赖高度自动化设备的企业中，设备的重要性不言而喻。与此同时，随着企业规模的扩大，设备故障导致的停机损失急剧上升，一次停机可能导致企业上亿美元的损失。在自动化制造环境中，设备的突发故障甚至可能导致火灾、爆炸等危险事件，对操作员和维修人员构成生命威胁。因此对烟草公司设备的维修和管理变得尤为重要。
2、设备维修在企业生产运营的过程中发挥着不可替代的作用。但是目前的维修方案多是定期预防维修和事后诊断维修。一方面，因为设备的各种情况不同，定期维修难免造成维修过剩或维修不足；另一方面，事后诊断维修属于非计划性维修，维修过程容易打乱整个生产计划活动，对公司的运营产生较大影响。此外，在逐渐兴起的故障预测领域中也存在效率和精度难以平衡的问题，很难满足企业高效准确的要求。
技术实现思路
1、本专利技术的目的是提供一种准确高效的烟草设备故障预测方法和系统。本专利技术提出的预测模型具有结构简单、易于实施的优势，能够通过方便部署和实时高效预测的方式准确预测设备故障，为维修人员提供重要的预警信息。
2、为实现上述目的，本专利技术提供了如下方案：
3、一种烟草设备故障预测方法，包括：
4、获取目标烟草设备的历史数据并进行预处理，所述历史数据包括设备运行数据、外部环境数据以及故障数据；对所述历史数据进行预处理，得到特征提取数据；对所述特征提取数据使
5、构建并优化故障预测模型，所述构建为搭建包括输入模块、扩张卷积模块以及输出模块的kd-wavenet故障预测模型；所述输入模块用于调整数据维度；所述扩张卷积模块用于提取并分析数据特征；所述输出模块用于输出故障概率；所述优化为使用基于生成对抗网络的知识蒸馏方法优化所述kd-wavenet故障预测模型；
6、获取目标烟草设备运行产生的实时数据，将所述实时数据输入所述kd-wavenet故障预测模型进行分析，输出下一时刻的故障概率，与事先设定的故障阈值相比较，判断下一时刻烟草设备故障情况，并且及时报警提醒维修人员；所述故障情况包括有故障和无故障。
7、可选地，对所述历史数据进行预处理，得到特征输入数据，具体包括：
8、对所述历史数据进行异常值处理和归一化，得到模型输入数据；
9、对所述模型输入数据使用一维空洞卷积网络提取特征，得到特征提取数据；所述一维空洞卷积网络包括两层一维空洞卷积层提取特征，一层最大池化层降低维度；所述一维空洞卷积层之间加入bn层进行归一化。
10、可选地，对所述特征提取数据使用fast autoaugment自动增强方法生成故障数据，具体包括：
11、构建策略空间；所述策略空间包含多个策略；所述策略由多个子策略构成；所述每个子策略包括多个数据增强操作；
12、基于贝叶斯优化方法对所述策略空间进行策略搜索，生成候选策略集；将所述特征提取数据拆分为k个子数据集，在所述子数据集上分别进行贝叶斯优化，每次贝叶斯优化选出最优的n次采样作为候选策略，在每个子数据集上重复贝叶斯优化t次，产生y个候选策略集合；所述候选策略集合个数y＝k*n*t；
13、使用基于密度的方法对所述候选策略集进行策略评估，找出最优数据生成策略；将所述特征提取数据分为训练集dtrain和验证集dvalid，在dtrain上训练随机森林预测模型，在dvalid上使用所述随机森林模型进行预测，基于损失函数最小化判断dtarin和dvalid之间的相似程度，找出最优数据生成策略；所述dtrain未经数据增强，dvalid经数据增强；
14、使用所述最优数据生成策略对所述特征提取数据进行故障数据生成，输出平衡数据。
15、可选地，对所述故障预测模型进行构建，具体包括：
16、搭建所述kd-wavenet故障预测模型，包括输入模块、两个相同的扩张卷积模块以及输出模块，引入门控激活单元以及残差和跳步连接缓解梯度爆炸、加快训练速度；所述输入模块用于调整数据维度，符合模型分析要求；所述扩张卷积模块用于提取特征、分析信息；所述输出模块用于输出故障概率。
17、可选地，对所述故障预测模型进行预训练，具体包括：
18、将所述平衡数据输入所述kd-wavenet故障预测模型中，以故障预测值与故障真实值之间的损失最小为目标进行训练，寻找最优kd-wavenet故障预测模型，减少优化时间。
19、可选地，所述故障预测模型的优化方法为：
20、搭建并训练性能优异的教师网络；所述教师网络即multi-channel transformer模型，包括数据输入和处理层、编码器、解码器以及输出层；所述数据输入和处理层包括patch划分和位置编码层；所述编码器包括一个局部增强的多头注意力机制，一个前向传播层，两个残差连接及层标准化模块；所述解码器包括两个局部增强的多头注意力机制，一个前向传播层，两个残差连接及层标准化模块；所述输出层包括flatten层及线性层；所述训练过程为基于损失函数最小化寻找最优教师网络；
21、知识蒸馏训练kd-wavenet故障预测模型；搭建生成对抗网络，将所述kd-wavenet故障预测模型作为学生网络和生成器，将所述教师网络multi-channel transformer输出的特征信息和学生网络kd-wavenet输出的特征信息输入鉴别器，判断两者的相似程度，基于生成对抗网络训练直至所述学生网络输出的特征信息与教师网络差距最小；通过软标签和硬标签的加权和预测值最小化训练kd-wavenet学生网络，得到最优的kd-wavenet故障预测模型；所述软标签为教师网络预测值和学生网络预测值之间的差值；所述硬标签为学生网络预测值和真实值之间的差值。
22、可选地，用损失函数最小化寻找最优教师网络，具体包括：
23、将所述平衡数据均分为多个不重复时间段patch，视为预测的最小单元，将所述patch输入所述数据输入和处理层，将m个维度拆分，每个维度单独放入所述教师网络进行训练，分别输出下一时刻故障概率，经所述输出层对m个预测概率进行加权求和，取所述加权和预测值作为最终预测值，根据损失函数最小化得到最佳效果的教师网络multi-channel transformer模型。
24、本专利技术还提供了一种烟草设备故障预测系统，包括：
25、数据收集与处理模块，用于获取目标烟草设备的历史数据并且对历史数据进行预处理，得到特征提取数据；所述历史数据包括设备运行数据、外部环境数据以及故障数据；对所述特征提取数据使用fast autoaugment自动增强方法生成故障数据，得到平衡数据；
26、离线模型构建与优化模块，用于接收所述烟草设备的平衡数据，并且构建故障预测模型对本文档来自技高网...
【技术保护点】
1.一种烟草设备故障预测方法，其特征在于，包括：
2.根据权利要求1所述的烟草设备故障预测方法，其特征在于，对所述历史数据进行预处理，得到特征提取数据，具体包括：
3.根据权利要求1所述的烟草设备故障预测方法，其特征在于，对所述特征提取数据使用Fast Autoaugment自动增强方法生成故障数据，具体包括：
4.根据权利要求1所述的烟草设备故障预测方法，其特征在于，对所述KD-WaveNet故障预测模型进行构建，具体包括：搭建所述KD-WaveNet故障预测模型，包括输入模块、两个相同的扩张卷积模块以及输出模块，引入门控激活单元以及残差和跳步连接缓解梯度爆炸、加快训练速度；所述输入模块用于调整数据维度，符合模型分析要求；所述扩张卷积模块用于提取特征、分析信息；所述输出模块用于输出故障概率。
5.根据权利要求1所述的烟草设备故障预测方法，其特征在于，对所述KD-WaveNet故障预测模型进行预训练，具体包括：将所述平衡数据输入所述KD-WaveNet故障预测模型中，以故障预测值与故障真实值之间的损失最小为目标进行训练，寻找最优KD
6.根据权利要求1所述的烟草设备故障预测方法，其特征在于，使用基于生成对抗网络的知识蒸馏方法优化所述KD-WaveNet故障预测模型：
7.根据权利要求6所述的烟草设备故障预测方法，其特征在于，基于损失函数最小化寻找最优教师网络，具体包括：将所述平衡数据均分为多个不重复时间段patch，视为预测的最小单元，将所述patch输入所述数据输入和处理层，将M个维度拆分，每个维度单独放入所述教师网络进行训练，分别输出下一时刻故障概率，经所述输出层对M个预测概率进行加权求和，取所述加权和预测值作为最终预测值，根据损失函数最小化得到最佳效果的教师网络Multi-Channel Transformer模型。
8.一种烟草设备故障预测系统，其特征在于，包括：
...【技术特征摘要】
1.一种烟草设备故障预测方法，其特征在于，包括：
2.根据权利要求1所述的烟草设备故障预测方法，其特征在于，对所述历史数据进行预处理，得到特征提取数据，具体包括：
3.根据权利要求1所述的烟草设备故障预测方法，其特征在于，对所述特征提取数据使用fast autoaugment自动增强方法生成故障数据，具体包括：
4.根据权利要求1所述的烟草设备故障预测方法，其特征在于，对所述kd-wavenet故障预测模型进行构建，具体包括：搭建所述kd-wavenet故障预测模型，包括输入模块、两个相同的扩张卷积模块以及输出模块，引入门控激活单元以及残差和跳步连接缓解梯度爆炸、加快训练速度；所述输入模块用于调整数据维度，符合模型分析要求；所述扩张卷积模块用于提取特征、分析信息；所述输出模块用于输出故障概率。
5.根据权利要求1所述的烟草设备故障预测方法，其特征在于，对所述kd-wavenet故障预测模型进行预训练，具体...
【专利技术属性】
技术研发人员：蔡嘉，杨渊策，贾宁，林琴萍，陈燎，
申请(专利权)人：天津瀛智科技有限公司，
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。