[发明专利]一种机器预测性维护系统

说明书

本发明涉及设备维护技术领域，具体为一种机器预测性维护系统，所述系统包括三个部分，所述三个部分分别为边缘自学习推理终端模组、服务器和用户界面，所述边缘自学习推理终端模组包括各种机械或电气设备和非故障模型，所述服务器部分包括异常分类模型、剩余寿命模型和其他分类模型，所述用户界面部分包括终端用户。本发明将非故障模型通过神经网络压缩运行在边缘传感器内，实时发现所有异常故障。解决预测式的技术痛点。

技术领域

本发明涉及设备维护技术领域，具体为一种机器预测性维护系统。

背景技术

目前，对于机器的维护主要分为三种：1.应激式，即等机器坏了再进行检修。这种方式的优点在于不会产生维护费用，但相对的缺点是因为设备的欠维护，对于价值高的机器一旦产生故障，设备故障维修和设备的停转会造成重大损失；2.计划式，即为定期维护，不管机器有没有问题，按设定好的周期进行定期维护。这种方案的优点在于可以相当程度的保证机器的稳定性，定期维护能大大减小设备故障的可能性；缺点为可能导致过维护，机器不需要维护的时候也进行了维护，浪费了大量维护成本；3.预测式，通过收集设备的运转信息，建立预测系统，实现当机器需要维修时才进行必要的维修。这一方案可有效节约维护成本，并保证设备运行的稳定性，但缺点是目前仍有相关技术上的痛点——如机器故障数据非常少见难以收集，制约基于大数据的机器学习的使用、机器故障多种多样难以定义，制约其实用性、工况恶劣无法提供线缆电源，制约基于传感器收集数据、由于传输带宽的限制，目前无线传输的方式无法将传感器高速采集的大量数据全部传回服务器进行处理，制约全数据收集应用等等。

基于上述方案的区分讨论和预测式的机器维护方案的技术缺陷，本申请提出一种机器预测性维护系统。

发明内容

本发明的目的在于提供一种机器预测性维护系统，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种机器预测性维护系统，所述系统包括三个部分，所述三个部分分别为边缘自学习推理终端模组、服务器和用户界面，所述边缘自学习推理终端模组包括非故障模型，所述服务器包括异常分类模型、剩余寿命模型和其他分类模型，所述用户界面包括终端用户。

进一步的，所述边缘自学习推理终端模组的直接测量对象为各种机械或电气设备，所述各种机械或电气设备的测量信息输出链接非故障模型，所述非故障模型输出链接异常分类模型，所述异常分类模型输出链接剩余寿命模型，所述剩余寿命模型输出链接其他分类模型，所述其他分类模型输出链接终端用户，所述终端用户通过交互式学习反馈分别链接非故障模型、异常分类模型、剩余寿命模型和其他分类模型。

进一步的，所述其他分类模型为维护系统的开放数据接口，所述其他分类模型可接入并消费系统产生的数据。

进一步的，所述边缘自学习推理终端模组由传感器非固定可选组件、传感器组、微控制单元、存储单元、通信单元、供电单元和交互器件组成。

进一步的，所述传感器组通过传感器非固定可选组件链接各种机械或电气设备，所述传感器组链接微控制单元，所述微控制单元内包括微控单元-1和微控单元-2，所述微控单元-1和微控单元-2之间通过存储单元交互链接，所述微控制单元通过通信单元链接外部系统输入和交互器件，所述交互器件链接传感器组，所述供电单元分别链接传感器组、微控制单元、通信单元和交互器件。

进一步的，所述服务器可部署于本地或云端，所述用户界面为低代码可视化WEB交互界面。

进一步的，一种机器预测性维护方法，所述方法包括以下步骤：