[发明专利]一种应用于自动化生产线的故障预测与健康管理方法

说明书

技术领域

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。

发明内容

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，ω_i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ω_F为轴承的故障特征频率，则双谱的（ω_F,ω_F）处出现相位耦合现象,从而双谱在(ω_F ,ω_F)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，与最新数据对比，若存在故障率变大趋势，则计算其变化速率v：，其中time是时间偏移量；并计算其达到故障阈值的时间：，即为待测自动化生产线中的轴承设备的剩余寿命；

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：