一种应用于自动化生产线的故障预测与健康管理方法与流程
本发明属于自动化生产线技术领域，具体涉及一种应用于自动化生产线的故障预测与健康管理方法。
背景技术：
随着科技的发展，现代自动化生产线设备的集成度和复杂度日益增加，随之带来的维护成本和难度也剧烈上升；效率低下且成本昂贵的传统的人工检修维护的方法在面对大量复杂的现在自动化生产线设备时已不再适用。故障预测与健康管理系统(phm)旨在减少人工维护的成本，以分析自动化生产线上的故障模型来确定其健康状态，从而在无人值守的情况下进行自我评估和故障预警，同时能够进行健康管理，对自动化生产线上的故障进行修复处理。phm技术一般具备故障检测、故障隔离、增强的诊断、性能检测、故障预测、健康管理、部件寿命追踪等能力，典型的phm流程包含了数据采集、数据预处理、数据传输、特征提取、数据融合、状态监测、故障诊断、故障预测和保障决策等环节。
基于数据分析的phm是通过采集被测设备的状态数据，排除物理知识对其进行数据分析，利用数学建模来获得故障模型用以判断设备的健康状态，其不需要获取被测设备的物理模型，并且建模时间短，这能进一步的减少成本开销，并且具有广泛的通用性。
目前针对自动化生产线中的轴承设备的故障诊断技术主要建立在物理模型之上，通过观测到的磨损、老化等现象对自动化生产线中的轴承设备进行分析，找出其中的故障点，再利用物理模型分析磨损、老化等现象出现的原因。这种方法目前主要用于研究自动化生产线中的轴承设备的故障机理，而以减少人工维护为目的的故障诊断和预测方面还鲜有出现。
技术实现要素：
本发明的目的在于提供一种基于深度学习与粒子滤波算法的应用于自动化生产线的故障预测与健康管理方法。该方法用于对运行中的自动化生产线中的轴承设备进行实时监测，并对监测数据进行实时的处理，实现对自动化生产线中的轴承设备的状态检查、故障预测、寿命预测及健康管理，避免自动化生产线中的轴承设备运转在故障的情况下。
为实现上述目的，本发明采用的技术方案如下介绍。
一种应用于自动化生产线的故障预测与健康管理方法，包括以下步骤：
步骤1，准备若干条待测自动化生产线，对待测自动化生产线中的轴承设备分别进行加热老化、振动测试，得到训练数据并存储于数据库中；
步骤2，对训练数据进行fmeca分析，得到训练样本；
步骤3，进行cbm试验，设定神经网络层数并初始化神经网络；
步骤4，利用传感器对自动化生产线中的轴承设备进行数据采集；
步骤5，进行数据分析，对采集的数据进行特征提取；
步骤6，采用深度学习模型、运用粒子滤波算法：vnn、dbn、cnn及sae对训练样本分别训练神经网络；若所有模型的训练误差均小于预设阈值，则返回步骤3，重新设定神经网络层数并初始化神经网络；否则，选定训练误差最小的深度学习模型，并将其训练好的神经网络放入测试芯片中。
步骤7，采用传感器对处于工作状态的待测自动化生产线的轴承设备进行实时数据采集，根据实时数据，测试芯片计算待测自动化生产线的轴承设备当前健康状态x进行输出，并将历史数据存储于ram中；
步骤8，采用切片双谱检测，当轴承发生故障时，采样信号的特征x(t)为受干扰的冲击调制信号，即
式中，ωi为调制源，包括轴承故障特征频率及其谐波频率；ω0为载波频率；b为任意常数；轴承发生故障时，其振动信号解调后的信号包含了故障特征频率的一次谐波，且相位是互相关联的，即存在二次相位耦合现象；若设ωf为轴承的故障特征频率，则双谱的（ωf,ωf）处出现相位耦合现象,从而双谱在(ωf,ωf)处会有明显的谱峰；
步骤9，计算ram中所有历史数据的平均值
步骤10，对自动化生产线中的轴承设备进行维修准备与健康管理。
优选的，步骤4中的传感器为温度传感器和加速度传感器。
优选的，步骤5中，对采集的数据提取的特征为温度和振动频率。
优选的，步骤6中，测试芯片与自动化生产线中的轴承设备相连接。
优选的，步骤7中，历史数据的存储方式为：
1）设定历史数据的最大保存数目n;
2)按照时间顺序依次存入n个历史数据；
3)初始化i=1;
4)当采集到下一个新数据时，替换第i个数据，并更新i=mod(i,n)+1。
优选的，步骤10中，健康管理的方式为：
1)通过温度传感器获取自动化生产线中轴承设备的温度，若异常升温：润滑剂过多，减少润滑剂；润滑剂不足或不合适，增加润滑剂或选择合适润滑剂；
2）通过加速度传感器获取自动化生产线中轴承设备的振动频率，轴的回转振动大导致裂缝、磨损：疲劳剥落，更换轴承；组装不良，提高轴的加工精度；异物侵入，清洗相关零件，使用干净润滑脂。
进一步说明的是，fmeca分析的目的是为了找到失效事件的根源，现代fmeca分析可以提供先进的算法，以提取最佳的故障特征或条件指标，检测并隔离早期的故障，并预测关键部件的剩余使用寿命，fmeca分析可以收集先前的机器失效数据以便对故障演化进行预测，以及规划好现有的人力资源来执行维护操作。本发明采用深度学习模型，根据实时数据，深度学习神经网络的计算得输出值x即为待测自动化生产线当前健康状态；在深度学习中，其输出值x代表其分类概率，大于0.5被标记为分类1，小于0.5则被标记为分类0，本发明中设定分类0为故障，上述“故障率变大的趋势”就是x值减小的趋势，达到故障阈值则是x减小到达0.5的时刻。
和现有技术相比，本发明的有益效果在于：
本发明能够实时监测自动化生产线中轴承设备的运转状态，并预计故障时间，减小突发故障的发生概率，并在突发故障出现时避免诸多安全隐患，从而保护财产，降低维护开销，同时可以减少人工维护。
附图说明
图1为本发明应用于自动化生产线的故障预测与健康管理系统的cbm/phm的综合设计方法。
图2为本发明应用于自动化生产线的故障预测与健康管理系统的cbm/phm周期。
图3为本发明应用于自动化生产线的故障预测与健康管理系统的分步骤示意图。
图4为本发明应用于自动化生产线的故障预测与健康管理系统的存储流程示意图。
具体实施方式
下面结合附图和实施例对本发明进行详细描述
如图1和2所示，本发明包括：设计与权衡研究，fmeca分析，cbm实验，数据采集，数据分析，算法开发，执行核查与验证。具体如下：
1.设计与权衡研究的主要作用是找到关键部件/子系统故障模式的诊断与预测的最好或最平衡的方案，以实现最理想的cbm/phm。
2.fmeca分析收集先前的机器失效数据以便对故障演化进行预测，以及规划好现有的人力资源来执行维护操作。
3.进行数据采集，设备的运行数据包括内部数据和外部参数：内部数据包括：设备的运行频率、纠错次数、工作负荷等能通过设备直接获取的数据；外部参数包括：温度、电压、电流等需要通过传感器采集的数据；数据的容量和可靠性直接影响了测试系统的准确度和可靠性，因此，为了提高测试系统的可靠性，通常需要对多条待测自动化生产线中的轴承设备进行老化、震动测试，以便收集其整个生命周期的足够的训练数据。
4.建立神经网络模型，通过数据库中设备的运行数据，依靠深度神经网络算法，建立由参数得到的健康状态模型，其主要训练流程是：
确定被测自动化生产线中的轴承设备，准备多个温度、振动频率样本用于收集训练数据；
通过温度传感器、加速度传感器采集自动化生产线中的轴承设备的数据信息，并将采集到的信息存入数据库中；
对采集到的数据进行fmeca分析，若发现贡献极小的特征，将其视为噪声维度，将其进行噪声处理后得到训练样本；
设定神经网络层数，初始化神经网络；采用深度学习模型、运用粒子滤波算法：vnn、dbn、cnn及sae对训练样本分别训练神经网络；若所有模型的训练误差均小于预设阈值，则重新设定神经网络层数并初始化神经网络；否则，选定训练误差最小的深度学习模型，并将其训练好的神经网络放入测试芯片中。
5.如图3所示，采用深度学习模型和粒子滤波算法，在设备工作时对自动化生产线中的轴承设备进行实时监测，由测试程序将设备当前的健康状态x，即深度学习模型的输出计算出来进行输出，并按规律将历史数据保存在ram中；若在此期间检测出设备发生故障，进行报警等保护操作；经历史数据存储后，进行轨迹追踪，输出自动化生产线中的轴承设备的寿命预测、故障诊断与预测以及健康管理保障决策；
6.存储方式流程如图4所示，历史数据存储规律如下：
设定历史数据的最大保存数目n;
按照时间顺序依次存入n个历史数据；
初始化i=1;
当采集到下一个新数据时，替换第i个数据，并更新i=mod(i,n)+1；
最终这样存储的数据特点是：越新的数据存储越密集，越旧的数据存储越稀疏。
7.计算ram中所有历史数据的平均值，与最新的数据对比，观察其变化趋势并计算变化速率v：
发明人采用上述方法针对某自动化生产线进行实际测量和计算，得出该自动化生产线中的轴承设备预测剩余寿命为7900h，实际使用寿命为8000h，较准确的预测了自动化生产线中的轴承设备剩余寿命；
8.对自动化生产线中的轴承设备进行维修准备与健康管理：
1)通过温度传感器获取自动化生产线中轴承设备的温度，若异常升温：润滑剂过多，减少润滑剂；润滑剂不足或不合适，增加润滑剂或选择合适润滑剂；
2）通过加速度传感器获取自动化生产线中轴承设备的振动频率，轴的回转振动大导致裂缝、磨损：疲劳剥落，更换轴承；组装不良，提高轴的加工精度；异物侵入，清洗相关零件，使用干净润滑脂。
以上所述，仅为本发明的具体实施方式，本说明书中所公开的任一特征，除非特别所述，均可被其他等效或具体类似目的的替代特征加以替换。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，其还可以对这些已描述的实施方式做出若干替代或变型方式都应当视为属于本发明的保护范围。
- 还没有人留言评论。精彩留言会获得点赞！