[发明专利]设备故障发现方法及系统

说明书

本发明提供了一种设备故障发现方法及系统，通过传感器组采集设备运行过程中的设备运行状态反馈数据，并发送至本地存储器进行存储；从所述本地存储器，将所述设备运行状态反馈数据导入机器学习系统中提取特征参数；对提取的所述特征参数进行标准化处理后，发送至神经网络进行建模，得到神经网络模型；将所述神经网络模型发送至预测系统，以对所述设备的未来运行状态进行预测，能够预测设备的工作状态，第一时间发现设备故障，且预测结果精确性高，可靠性好。本发明采用的神经网络建模能够增强模型的学习能力和泛化能力，增强了模型的可靠性，进一步提高了分析数据的精确性。

技术领域

本发明涉及一种设备故障发现方法及系统。

背景技术

工业设备的发展经历了数字化阶段、信息化阶段，现在正在迈向智能化阶段。智能化工业设备的出现，使预防性维护技术的实现成为可能。

基于信息系统的智能装备、智能工厂等智能制造正在引领制造方式变革：协同设计、精准供应链管理、全生命周期管理等正在重塑产业价值链体系。在第四次工业革命阶段，工业设备的全生命周期管理对于使用方越来越重要。

人工智能起源于1950年左右，经过数十年的发展，随着互联网、物联网、云计算和大数据等新一代信息技术的发展与成熟，机器学习成为人工智能的核心研究课题。使计算机模拟或者实验人类的学习行为来获得知识和技能，同时不断根据新的信息改善性能。

目前，国内多数研究集中在设备监测和故障诊断方面，对整个设备的诊断模式、故障预测、知识服务等方面的研究较少。

发明内容

本发明的目的在于提供一种设备故障发现方法及系统，能够提供一种在第一时间发现设备故障，且预测结果精确性高，可靠性好的设备故障发现方法及系统。

为解决上述问题，本发明提供一种设备故障发现方法，包括：

传感器组采集设备运行过程中的设备运行状态反馈数据，并发送至本地存储器进行存储；

从所述本地存储器，将所述设备运行状态反馈数据导入机器学习系统中提取特征参数；

对提取的所述特征参数进行标准化处理后，发送至神经网络进行建模，得到神经网络模型；

将所述神经网络模型发送至预测系统，以对所述设备的未来运行状态进行预测。

进一步的，在上述方法中，将所述设备运行状态反馈数据导入机器学习系统中提取特征参数，包括：

将运行状态反馈数据的数据包分割成多个固定长度的数据段，获取分割得到的数据段的偏移值；

对各个数据段的进行归类，生成与数据段及其偏移值对应的各个数据段类型值；

获取每个数据段类型值对应的偏移值的数量，提取数量大于或等于预设偏移值命中阈值的数据段类型值；

将提取的数据段类型值及对应的偏移值作为所述特征参数，从而完成对数据特征的提取。

进一步的，在上述方法中，，对提取的所述特征参数进行标准化处理后，发送至神经网络进行建模，得到神经网络模型，包括：

对提取的所述特征参数进行标准化处理；

初始化神经网络模型的参数；

根据所述神经网络模型的参数及所述特征参数，计算所述神经网络模型的输出；

根据所述神经网络模型的参数及所述特征参数，计算所述神经网络模型的输出相对于输入的增益；

将所述增益通过极值优化算法，指导所述神经网络模型进行参数的迭代学习，直至得到优化后的神经网络模型。