本发明涉及设备维护,具体涉及一种基于工况时序分析的设备预测性维护方法。
背景技术:
1、石膏板生产企业,所用的生产设备在运行一定周期后都会出现不同程度的设备隐患或设备故障。为了保障设备的高效运行,提高设备开机率,促进产能。更为了预测性发现并规避这些设备隐患和设备故障以及设备的保养维护,而设备预测性维护的重点是在设备故障预测层面,设备故障预测层面通常利用设备巡检达到预测性故障监测的目的,因此通常会设置设备巡检流程用于维修人员或各岗位人员对设备的巡检维护保养工作,保障生产安全性。
2、现有技术中,生产设备巡检通过巡检人员现场巡检观察的方式进行,安全监管过程的流程、标准、结果均依靠手工进行查阅和记录,无实时的电子数据,导致现场工人也必须使用纸质工单以及工件图纸进行任务核对与检视,无法做到无间隙连续作业,导致巡检效率低。另外,巡检监测到设备故障时,说明此时设备故障已经发生了,已经对生产造成了可见性影响,因此此种故障巡检方式仍然存在滞后性,并会产生安全风险。
技术实现思路
1、本发明的目的在于提供一种基于工况时序分析的设备预测性维护方法,以解决现有技术中人工巡检效率低下,故障巡检方式仍然存在滞后性,并会产生安全风险的技术问题。
2、为解决上述技术问题,本发明具体提供下述技术方案:
3、一种基于工况时序分析的设备预测性维护方法,包括以下步骤:
4、步骤s1、对各个设备工况表征数据的时序序列进行隔断性分析得到各个设备工况表征数据间的隔断性量化结果,所述隔断性分析用于定量化各个设备工况表征数据之间的隔断性关系为隔断性量化结果,所述隔断性关系为各个设备工况表征数据间在时间轴趋势上的同一性程度关系;
5、步骤s2、将各个设备工况表征数据,以及各个设备工况表征数据间的隔断性量化结果抽象为表征设备工况表征数据间隔断性关系的拓扑结构,并对拓扑结构进行集聚分析以实现将同时间轴趋势的设备工况表征数据集聚至同一集团结构内;
6、步骤s3、在同一集团结构中确定出众联性工况表征数据,并利用众联性工况表征数据对利用同一集团结构中非众联性工况表征数据预建立的设备故障预测模型进行替换性更新得到设备故障众联性预测模型,以通过设备工况表征数据监测的极简化实现设备故障模型化预测的全面化。
7、作为本发明的一种优选方案,所述对各个设备工况表征数据的时序序列进行隔断性分析得到各个设备工况表征数据间的隔断性量化结果,包括:
8、依次将任意两个设备工况表征数据的时序序列进行隔断性量化计算得到任意两个设备工况表征数据间的隔断性量化结果;
9、所述隔断性量化公式为:
10、
11、式中,yk,l为第k个设备工况表征数据与第l个设备工况表征数据间的隔断性量化结果,hk,i为第k个设备工况表征数据的时序序列在第i个时序序列处的数据值,hk,i为第l个设备工况表征数据的时序序列在第i个时序序列处的数据值,m为设备工况表征数据的时序序列中时序序列总数量,和差值的二范数,k,l,i为计数变量。
12、作为本发明的一种优选方案,所述将各个设备工况表征数据,以及各个设备工况表征数据间的隔断性量化结果抽象为表征设备工况表征数据间隔断性关系的拓扑结构,包括:
13、将各个设备工况表征数据抽象为拓扑节点,并在任意两个拓扑节点间设置拓扑边对两个拓扑节点进行连接;
14、将任意两个设备工况表征数据间的隔断性量化结果抽象为对应拓扑节点间的拓扑边权重,以得到表征设备工况表征数据间隔断性关系的拓扑结构。
15、作为本发明的一种优选方案,所述对拓扑结构进行集聚分析以实现将同时间轴趋势的设备工况表征数据集聚至同一集团结构内,包括:
16、利用模块度密度作为拓扑结构集聚分析的目标函数;
17、基于目标函数利用遗传算法将拓扑结构中的所有拓扑节点进行集聚化得到多个拓扑节点集群;
18、依次将每个拓扑节点集群映射至拓扑结构中,在拓扑结构中提取出由拓扑节点集群中所有拓扑节点构成的集团结构,以实现同时间轴趋势的设备工况表征数据集聚至同一集团结构内。
19、作为本发明的一种优选方案,所述在同一集团结构中确定出众联性工况表征数据,包括:
20、依次在每个集团结构中量化每个拓扑节点的节点中心度,并将每个集团结构中节点中心度最高的拓扑节点作为集团结构的众联性工况表征数据;
21、其中,将每个集团结构中除众联性工况表征数据外的所有设备工况数据作为非众联性工况表征数据。
22、作为本发明的一种优选方案,所述利用众联性工况表征数据对利用同一集团结构中非众联性工况表征数据预建立的设备故障预测模型进行替换性更新得到设备故障众联性预测模型,包括:
23、将设备故障预测模型中非众联性工况表征数据利用与非众联性工况表征数据位于同一集团结构中的众联性工况表征数据进行替换;
24、将替换后的设备故障预测模型进行学习训练更新为所述设备故障众联性预测模型。
25、作为本发明的一种优选方案,所述利用同一集团结构中非众联性工况表征数据预建立的设备故障预测模型,包括:
26、在设备故障日志中,提取设备故障类型以及用于识别设备故障类型的非众联性工况表征数据;
27、将非众联性工况表征数据位于检测到设备故障类型前置时序处的时序序列作为非众联性工况表征数据的前置序列;
28、将非众联性工况表征数据的前置序列作为cnn神经网络的输入项,将设备故障类型作为cnn神经网络的输出项;
29、利用cnn神经网络对cnn神经网络的输入项和cnn神经网络的输出项进行卷积训练得到设备故障预测模型;
30、所述设备故障预测模型的模型表达式:
31、label=cnn({rt|t∈[tb-n,tb]});
32、式中,label为设备故障类型,{rt|t∈[tb-n,tb]}为非众联性工况表征数据r的前置序列,tb为检测到设备故障类型的时序,tb-n为位于检测到设备故障类型n个前置时序的时序,n为前置序列的总数量,t为时序计数变量。
33、作为本发明的一种优选方案,所述将替换后的设备故障预测模型进行学习训练更新为所述设备故障众联性预测模型,包括:
34、将与非众联性工况表征数据同一集团结构中众联性工况表征数据位于检测到设备故障类型前置时序处的时序序列作为众联性工况表征数据的前置序列;
35、利用众联性工况表征数据的前置序列替换设备故障预测模型中的非众联性工况表征数据的前置序列进行学习训练得到所述设备故障众联性预测模型;
36、所述设备故障众联性预测模型的模型表达式:
37、label=cnn({vt|t∈[tb-n,tb]});
38、式中,label为设备故障类型,{vt|t∈[tb-n,tb]}为众联性工况表征数据r的前置序列,tb为检测到设备故障类型的时序,tb-n为位于检测到设备故障类型n个前置时序的时序,n为前置序列的总数量,t为时序计数变量。
39、作为本发明的一种优选方案,对各个所述设备工况表征数据的时序序列在计算前进行归一化处理。
40、作为本发明的一种优选方案,所述设备故障预测模型和设备故障众联性预测模型的网络结构一致,且损失函数均设置为均方误差。
41、本发明与现有技术相比较具有如下有益效果:
42、本发明在同一集团结构中确定出众联性工况表征数据,并利用众联性工况表征数据对利用同一集团结构中非众联性工况表征数据预建立的设备故障预测模型进行替换性更新得到设备故障众联性预测模型,以通过设备工况表征数据监测的极简化实现设备故障模型化预测的全面化,能够提高巡检效率,而且利用前置时序的工况表征数据时序序列进行模型化故障识别,能够预见性的识别出设备故障,降低故障损失。