[发明专利]一种工业设备剩余有效寿命预测方法、系统及电子设备

说明书

本申请涉及一种工业设备剩余有效寿命预测方法、系统及电子设备。包括：步骤a：对设备的原始振动信号数据进行归一化处理；步骤b：使用经验模态分解方式对归一化处理后的振动信号数据进行特征扩充后，提取所述振动信号数据的数据特征；步骤c：根据提取的数据特征构建时序卷积网络；步骤d：使用所述时序卷积网络输出设备的剩余有效寿命预测结果。本申请通过经验模型分解提取并丰富原始信号的数据特征再用时序卷积神经网络训练预测得到剩余有效使用寿命预测模型，可以大大提高工业设备剩余寿命的预测速度和预测精度，在实际制造的过程中具有可实现性。

技术领域

本申请领属于设备故障预测技术域，特别涉及一种工业设备剩余有效寿命预测方法、系统及电子设备。

背景技术

工业生产过程中，设备的老化过程是不可避免的。为了保持竞争力，工业生产企业必须让其生产设备长期保持良好的工况，需要在减少设备维护费用的前提下提高设备的可用性、稳定性和安全性，而设备故障预测则成为其关键环节。准确的设备故障预测能够提前为设备维护人员提供设备安全预警，维护人员依据预警提前确定设备维护时间、减少由于设备故障产生的废品率、缩短维护周期，进而极大的减少企业的损失，具有极大的社会和经济效益。为此，工业生产企业需要采取适当的设备维护策略来满足这一需求。近年来，众多故障预测方法、工具以及应用涌现出来。

现有的故障预测方法主要包括基于模型的方法和数据驱动的方法：

1、基于模型的预测方法：主要根据经验知识和收集的数据建立数学模型来预测工业设备的剩余有效寿命，这类方法的评估和预测结果一般比较直观、准确，但是需要提前知道设备的退化信息和故障机理。

2、数据驱动的方法：旨在将设备的检测和运行数据转换成与设备退化有关的信息、系统运行状态及其退化机制模型。这类方法基本步骤为特征提取，特征选择，退化状态评估和剩余有效寿命预测，运用人工智能方法以及统计方法等技术从采集传感器信号中提取有效的数据特征，然后学习设备的退化模式并预测设备的有效剩余寿命(RUL)。数据驱动方法可以应用于一些获取并处理检测数据易于构建物理和分析模型的场景。

综上所述，现有故障预测方法存在的问题在于：

1、基于模型的预测方法依赖于分析模型(代数或微分方程)来代表工业设备运转状态及其老化过程。这类方法虽能能够提供比较准确的结果，但真实的设备系统通常是非线性的，设备的老化机制通常是随机的且很难以分析模型的形式得到，在实际工况中，很难建立一种模型能够适应复杂的环境噪声和退化机理。

2、现有数据驱动的方法中，有用支持向量机(SVM)建模预测工业设备的剩余有效使用寿命，但是对于大规模的训练数据以及多分类的问题中，SVM耗费大量的运行内存和运算时间，导致预测的精度较低而且速度较慢。另外也有用卷积神经网络(CNN)建模分析用以对剩余有效寿命的预测，但是从工业设备收集的原始振动信号数据从本质上来看是一种时序运行状态数据，卷积神经网络(CNN)无法很好的解决时间序列预测，导致预测精度不高，另一方面，若直接将原始信号应用于卷积神经网络(CNN)，模型是比较难以收敛，且预测速度较慢。

发明内容

本申请提供了一种工业设备剩余有效寿命预测方法、系统及电子设备，旨在至少在一定程度上解决现有技术中的上述技术问题之一。

为了解决上述问题，本申请提供了如下技术方案：

一种工业设备剩余有效寿命预测方法，包括以下步骤：

步骤a：对设备的原始振动信号数据进行归一化处理；

步骤b：使用经验模态分解方式对归一化处理后的振动信号数据进行特征扩充后，提取所述振动信号数据的数据特征；

步骤c：根据提取的数据特征构建时序卷积网络；

步骤d：使用所述时序卷积网络输出设备的剩余有效寿命预测结果。