基于大数据技术的设备故障预警系统及方法与流程

本技术涉及智能检测领域，且更为具体地，涉及一种基于大数据技术的设备故障预警系统及方法。

背景技术：

1、钻探设备是用于进行地质勘探和钻探作业的工具和设备。在黄金开采阶段，钻探设备用于钻孔爆破和提取矿石。钻机会钻孔到黄金矿脉中，然后通过爆破方式将岩石破碎，最后使用提矿设备将黄金矿石提取出来。

2、钻探设备的性能和运行状态对开采效率和生产成本具有重要影响。黄金开采作业通常在复杂的地质环境中进行，且是一个高投入、高风险和高成本的过程。如果钻探设备发生故障或操作不当，可能会导致事故发生，进而导致生产中断和工作效率降低。

3、但由于目前的设备故障大多是离线进行的，即需要停机或暂停设备运行来进行检测和诊断，导致故障检测结果的延迟，在需要实时故障检测和快速响应的场景下，传统方法无法满足，进而导致生产中断和停机时间增加，对生产效率造成影响。

4、因此，期待一种优化的基于大数据技术的设备故障预警方案。

技术实现思路

1、为了解决上述技术问题，提出了本技术。

2、根据本技术的一个方面，提供了一种基于大数据技术的设备故障预警系统，其包括：

3、钻探设备振动信号获取模块，用于获取预定时间段钻探设备的振动信号并提取钻探设备振动信号的多个统计特征值，所述统计特征值包括均值、方差、峰值、峭度、偏度；

4、钻探设备振动信号特征分析模块，用于将所述预定时间段钻探设备振动信号的波形图进行波形特征分析以得到振动信号特征矩阵；

5、振动信号统计特征分析模块，用于将所述钻探设备振动信号的多个统计特征值进行统计特征分析和多尺度提取以得到多尺度全局统计语义特征矩阵；

6、特征融合模块，用于融合所述振动信号特征矩阵和所述多尺度全局统计语义特征矩阵并进行特征处理以得到振动信号融合特征向量；

7、设备故障判断预警模块，用于基于所述振动信号融合特征向量，确定钻探设备是否出现故障，并基于结果生成预警指示；

8、其中，所述设备故障判断预警模块，包括：

9、振动特征优化单元，用于对所述振动信号融合特征向量进行节点间拓扑平滑运动交互以得到优化振动信号融合特征向量；

10、故障判断单元，用于将所述优化振动信号融合特征向量通过分类器得到分类结果，所述分类结果用于表示钻探设备是否出现故障，并基于所述分类结果生成预警指示；

11、所述振动特征优化单元，用于：以如下优化公式对所述振动信号融合特征向量进行节点间拓扑平滑运动交互以得到所述优化振动信号融合特征向量；

12、其中，所述优化公式为：

13、；

14、其中，表示所述振动信号融合特征向量的第个位置的特征值，表示所述振动信号融合特征向量的所有特征值的均值，表示所述振动信号融合特征向量的长度，表示点乘，表示所述优化振动信号融合特征向量的第个位置的特征值。

15、进一步地，所述钻探设备振动信号特征分析模块，包括：

16、振动信号降噪单元，用于将所述预定时间段钻探设备振动信号波形图通过降噪模块进行图形降噪以得到降噪后振动信号波形图；

17、振动信号特征提取单元，用于对所述降噪后振动信号波形图进行振动信号特征提取以得到所述振动信号特征矩阵。

18、进一步地，所述振动信号特征提取单元，用于：将所述降噪后振动信号波形图输入基于卷积神经网络模型的振动信号特征提取模块以得到所述振动信号特征矩阵。

19、进一步地，所述振动信号统计特征分析模块，包括：

20、统计特征语义编码单元，用于将所述钻探设备振动信号的多个统计特征值进行语义编码以得到多个统计语义特征向量；

21、统计特征排列单元，用于将所述多个统计语义特征向量进行二维排列以得到全局语义统计特征矩阵；

22、统计特征多尺度提取单元，用于将所述全局语义统计特征矩阵进行多尺度特征提取以得到所述多尺度全局统计语义特征矩阵。

23、进一步地，所述统计特征语义编码单元，用于：将所述钻探设备振动信号的多个统计特征值通过包含词嵌入层的语义编码模型以得到所述多个统计语义特征向量。

24、进一步地，所述统计特征多尺度提取单元，用于：将所述全局语义统计特征矩阵输入金字塔网络模型以得到所述多尺度全局统计语义特征矩阵。

25、进一步地，所述特征融合模块，包括：

26、统计特征融合单元，用于融合所述振动信号特征矩阵和所述多尺度全局统计语义特征矩阵以得到振动信号融合特征矩阵；

27、线性嵌入单元，用于使用线性嵌入层的可学习嵌入矩阵对所述振动信号融合特征矩阵进行线性嵌入编码以得到所述振动信号融合特征向量。

28、根据本技术的另一方面，提供了一种基于大数据技术的设备故障预警方法，其包括：

29、获取预定时间段钻探设备的振动信号并提取钻探设备振动信号的多个统计特征值，所述统计特征值包括均值、方差、峰值、峭度、偏度；

30、将所述预定时间段钻探设备振动信号的波形图进行波形特征分析以得到振动信号特征矩阵；

31、将所述钻探设备振动信号的多个统计特征值进行统计特征分析和多尺度提取以得到多尺度全局统计语义特征矩阵；

32、融合所述振动信号特征矩阵和所述多尺度全局统计语义特征矩阵并进行特征处理以得到振动信号融合特征向量；

33、基于所述振动信号融合特征向量，确定钻探设备是否出现故障，并基于结果生成预警指示；

34、其中，基于所述振动信号融合特征向量，确定钻探设备是否出现故障，并基于结果生成预警指示，包括：

35、对所述振动信号融合特征向量进行节点间拓扑平滑运动交互以得到优化振动信号融合特征向量；

36、将所述优化振动信号融合特征向量通过分类器得到分类结果，所述分类结果用于表示钻探设备是否出现故障，并基于所述分类结果生成预警指示；

37、其中，对所述振动信号融合特征向量进行节点间拓扑平滑运动交互以得到优化振动信号融合特征向量，包括：以如下优化公式对所述振动信号融合特征向量进行节点间拓扑平滑运动交互以得到所述优化振动信号融合特征向量；

38、其中，所述优化公式为：

39、；

40、其中，表示所述振动信号融合特征向量的第个位置的特征值，表示所述振动信号融合特征向量的所有特征值的均值，表示所述振动信号融合特征向量的长度，表示点乘，表示所述优化振动信号融合特征向量的第个位置的特征值。

41、进一步地，将所述预定时间段钻探设备振动信号波形图进行波形特征分析以得到振动信号特征矩阵，包括：

42、将所述预定时间段钻探设备振动信号波形图通过降噪模块进行图形降噪以得到降噪后振动信号波形图；

43、对所述降噪后振动信号波形图进行振动信号特征提取以得到所述振动信号特征矩阵。

44、与现有技术相比，本技术采用基于深度神经网络模型的人工智能技术，获取预定时间段钻探设备的振动信号并提取钻探设备振动信号的多个统计特征值并对其进行波形特征分析和全局语义编码，从而确定钻探设备是否出现故障，并基于结果生成预警指示。通过该方法可以实现对钻探设备的实时监测和故障预测，减少人为误判的可能性，并降低人力成本，提高设备的可靠性和生产效率，减少生产中断和停机时间。