CN112198857B - 一种基于监测数据的工业设备控制优化方法及*** - Google Patents
一种基于监测数据的工业设备控制优化方法及*** Download PDFInfo
- Publication number
- CN112198857B CN112198857B CN202011421929.3A CN202011421929A CN112198857B CN 112198857 B CN112198857 B CN 112198857B CN 202011421929 A CN202011421929 A CN 202011421929A CN 112198857 B CN112198857 B CN 112198857B
- Authority
- CN
- China
- Prior art keywords
- data
- historical
- process control
- current
- vibration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 95
- 238000005457 optimization Methods 0.000 title claims abstract description 16
- 238000012544 monitoring process Methods 0.000 title claims abstract description 12
- 238000004886 process control Methods 0.000 claims abstract description 152
- 230000036541 health Effects 0.000 claims abstract description 81
- 230000008569 process Effects 0.000 claims abstract description 64
- 239000013598 vector Substances 0.000 claims abstract description 63
- 238000003745 diagnosis Methods 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims description 85
- 238000005070 sampling Methods 0.000 claims description 37
- 238000007477 logistic regression Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 10
- 238000013145 classification model Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000011112 process operation Methods 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000007476 Maximum Likelihood Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000003139 buffering effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013144 data compression Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013386 optimize process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于监测数据的工业设备控制优化方法,对历史运行状态数据和历史工艺数据之间不同的时间戳进行对齐,生成时间序列一致的历史运行状态数据集和历史工艺数据集;对构成的特征向量样本集进行模型训练,构建健康诊断模型;将当前运行状态数据和当前工艺控制数据输入健康诊断模型,获取当前设备健康状态的预测概率;若该预测概率小于等于概率阈值时,将工艺控制参数集分为多组工艺控制参数集,将每一组工艺控制参数集和当前运行状态数据组合输入至健康诊断模型,获取当前设备健康状态的最大预测概率,并将最大预测概率对应的工艺控制参数集设定为当前设备的工艺控制参数。该发明能够更加全面地对设备运行状态进行分析。
Description
技术领域
本发明涉及工业设备故障诊断技术领域,尤其涉及一种基于监测数据的工业设备控制优化方法及***。
背景技术
随着大数据技术和机器学习的发展,采用机器学习和大数据分析技术成为工业设备工艺提升的重要的研究方向。数据来源于工业设备的各个传感器,多传感器信息融合技术是近年来的研究热点,它是一项结合了控制理论、信号处理、人工智能、概率和统计等各学科的综合技术。利用多个传感器信息在时间和空间上的冗余性,提高测量信息的精度和可靠性,获得更加准确的识别、判断和决策。来自不同类型的传感器测量信息具有相关性高的特点,将这些多源信息进行有效的融合,可以提高测量信息的精度,同时对传感器自身的故障进行诊断和隔离。但是现有技术方案中,仅仅是对于单一来源的传感器信息进行分析,并没有对多个来源的传感器信息进行分析,也没有将设备的工艺数据信息结合起来进行分析,因此对设备的运行状态分析不全面,不能精确地掌握设备工作状态。
专利公布号为CN110119339A的专利需要选取一个传感器为目标传感器,算法依据此传感器的数据进行展开,一方面***的精度依赖于此传感器的精度,波动较大,另一方面***的鲁棒性较差。专利公布号CN111913443A的专利仅考虑每个数据自身的特征提取,而没有考虑数据与数据之间的关联性和协同特征,而且,也没有进行数据之间的时间对齐,精度会受到影响。专利公布号为CN110377001A的专利可以通过数据融合进行模式识别,给出工业设备的各部件的故障严重等级,但是无法主动给出设备的工艺提升建议。专利公布号为CN108803552A的专利针对设备运行的状态量进行采集和分析,没有将设备DCS(Distributed Control System,分布式控制***)数据中的工艺量也整合起来进行协同分析。
发明内容
鉴于此,本发明提供一种基于监测数据的工业设备控制优化方法及***,将工业设备多个来源的运行状态信息和工艺信息进行融合,能够更加全面地对设备运行状态进行分析。
为实现上述目的,本发明提供一种基于监测数据的工业设备控制优化方法,所述方法包括:
S1、对获取的设备的历史运行状态数据和历史工艺数据之间不同的时间戳进行对齐,生成时间序列一致的历史运行状态数据集和历史工艺数据集,所述历史运行状态数据集包括历史振动数据集和历史温度数据集,所述历史工艺数据集包括历史电流数据集和历史工艺控制数据集;
S2、将获取的所述历史振动数据集中的时域特征向量和频域特征向量、历史温度数据集以及历史工艺数据集构成一个特征向量样本集,基于概率分类模型对所述特征向量样本集进行模型训练,构建一健康诊断模型;
S3、采集设备的当前运行状态数据和当前工艺控制数据,将所述当前运行状态数据和当前工艺控制数据输入所述健康诊断模型,获取当前设备健康状态的预测概率;
S4、若所述当前设备健康状态的预测概率小于等于预设概率阈值时,将一预设的工艺控制参数集分为多组工艺控制参数集,将每一组工艺控制参数集和当前运行状态数据分别进行组合并分别输入至所述健康诊断模型,获取当前设备健康状态的最大预测概率,并将所述最大预测概率对应的工艺控制参数集设定为当前设备的工艺控制参数。
优选的,所述步骤S1包括:
将所述振动暂存周期采集的每一个振动传感器的振动数据在终端设备进行暂存,并每隔所述振动暂存周期将数据上传至服务器,构成为历史振动数据,所述历史振动数据包括振动数据矩阵和振动时间矩阵,其中,所述振动数据矩阵由每一个振动传感器在每一个采样点采集的振动数据构成,所述振动时间矩阵由每一个振动传感器的每一个采样点的时间戳构成;
基于所述统一时间序列矩阵对所述历史振动数据之间不同的时间戳进行时间对齐,得到对齐后的时间序列一致的历史振动数据集;
优选的,所述步骤S1包括:
在温度暂存周期内设置m个采样点;
将所述温度暂存周期内采集的每一个温度传感器的温度数据在终端设备进行暂存,并每隔所述温度暂存周期将数据上传至服务器,构成为历史温度数据,所述历史温度数据包括温度数据矩阵和温度时间矩阵,其中,所述温度数据矩阵由每一个温度传感器在每一个采样点采集的温度数据构成,所述温度时间矩阵由每一个温度传感器的每一个采样点的时间戳构成;
将所述温度时间矩阵减去所述统一时间序列矩阵后得到第二时间偏移矩阵;
根据所述第二时间偏移矩阵,将所述历史温度数据与所述历史振动数据集进行时间对齐,构成时间序列一致的历史温度数据集。
优选的,所述步骤S1包括:
将所述DCS暂存周期内采集的电流数据和工艺控制数据在DCS服务器上暂存,并每隔DCS暂存周期将数据上传至服务器,并将获取的个电流数据和个工艺控制数据构成为历史电流数据和历史工艺控制数据,所述历史电流数据包括电流数据矩阵和工艺时间矩阵,所述历史工艺控制数据包括工艺控制数据矩阵和工艺时间矩阵,所述电流数据矩阵由各个电流采集点采集的电流信号构成,所述工艺控制数据矩阵由不同工艺操作下的工艺控制信号构成,所述工艺时间矩阵由电流信号采集的时间戳构成,其中,电流信号采集的时间戳与工艺控制信号采集的时间戳相同;
将所述工艺时间矩阵减去所述统一时间序列矩阵后得到第三时间偏移矩阵;
根据所述第三时间偏移矩阵,将所述历史电流数据和历史工艺控制数据分别与所述历史振动数据集进行时间对齐,构成时间序列一致的历史电流数据集和历史工艺控制数据集。
优选的,所述步骤S2包括:
对所述历史振动数据集中各个振动传感器的振动数据进行时域特征提取,获取每一个振动传感器的振动数据的时域特征信息,所述时域特征信息包括有效值、峰-峰值、偏态指标以及峭度指标。
优选的,所述步骤S2包括:
对所述历史振动数据集中各个振动传感器的振动数据傅里叶转换为相应的频域信息,对所述频域信息进行特征提取,获取每一个振动传感器的振动数据的频域特征信息,所述频域特征信息包括重心频率和均方频率。
优选的,所述步骤S2包括:
基于逻辑回归模型对所述特征向量样本集中各个时刻的特征向量进行模型训练,构建健康诊断模型,模型构建的步骤具体包括:
优选的,所述步骤S4包括:
基于所述健康诊断模型对个特征集分别进行预测,得到当前设备健康状态的最大预测概率,获取所述最大预测概率对应的工艺控制参数集,将当前设备的工艺控制参数自适应调整为所述工艺控制参数集,其中为工艺控制参数集的序列号,为所述二项逻辑回归模型训练过程中利用梯度下降法计算得到的权值参数向量的最优解,S=1表示设备运行状态健康良好。
优选的,所述阈值概率设置为0.5。
为实现上述目的,本发明提供一种基于监测数据的工业设备控制优化***,所述***包括:
时间对齐模块,用于对获取的设备的历史运行状态数据和历史工艺数据之间不同的时间戳进行对齐,生成时间序列一致的历史运行状态数据集和历史工艺数据集,所述历史运行状态数据集包括历史振动数据集和历史温度数据集,所述历史工艺数据集包括历史电流数据集和历史工艺控制数据集;
模型构建模块,用于将获取的所述历史振动数据集中的时域特征向量和频域特征向量、历史温度数据集以及历史工艺数据集构成一个特征向量样本集,基于概率分类模型对所述特征向量样本集进行模型训练,构建一健康诊断模型;
诊断模块,用于采集设备的当前运行状态数据和当前工艺控制数据,将所述当前运行状态数据和当前工艺控制数据输入所述健康诊断模型,获取当前设备健康状态的预测概率;
工艺控制模块,用于若所述当前设备健康状态的预测概率小于等于预设概率阈值时,将一预设的工艺控制参数集分为多组工艺控制参数集,将每一组工艺控制参数集和当前运行状态数据分别进行组合并分别输入至所述健康诊断模型,获取当前设备健康状态的最大预测概率,并将所述最大预测概率对应的工艺控制参数集设定为当前设备的工艺控制参数。
与现有技术相比,本发明提供的一种基于监测数据的工业设备控制优化方法及***,所带来的有益效果为:将获得的多种来源的设备运行数据和工艺数据进行信息融合,并根据它们的相关性和历史数据趋势,利用逻辑回归模型构建设备的健康诊断模型,通过该健康诊断模型能够预测在某组工艺控制参数下设备发生故障的概率性,基于该概率性对设备的工艺控制参数进行自适应调整,能够预知工艺参数的改变对设备运行状态的影响,从而实现对设备工艺控制的优化,进而更安全、更有效地提升工业设备的工艺控制;使用不同时间序列的数据进行相关性分析会导致较大的***误差和噪音,本发明通过对不同时间序列的多种来源数据进行时间对齐,解决了不同来源数据之间的时间戳不同步的问题,提升了技术分析的严密性和准确性;用于工艺决策判断的数据来源于设备上的多点运动测量数据,温度测量数据,以及电流、工艺变量等DCS数据,其中任意一个设备测量点发生断链,其余数据来源也可以根据相关性进行补足,不会导致整个控制优化***的中断运行;可以基于各数据源之间的关联性,通过设备运行状态判断工艺的可优化空间,或者通过工艺数据预测设备状态的变化趋势;设置了多个终端设备进行数据的暂时存储、压缩与上传操作,并且针对不同来源的数据特点设置了不同的工作模式,降低了网络传输和数据处理的压力,使得实时分析优化成为可能。
附图说明
图1是根据本发明的一个实施例的基于监测数据的工业设备控制优化方法的流程示意图。
图2是根据本发明的一个具体实施例的***架构示意图。
图3是根据本发明的一具体实施例的没有进行时间对齐操作的各个数据示意图。
图4是根据本发明的一具体实施例的经过时间对齐步骤处理后的各个数据示意图。
图5是根据本发明的一个具体实施例的工艺控制参数示意图。
图6是根据本发明的一个实施例的基于监测数据的工业设备控制优化***的***示意图。
具体实施方式
以下将结合附图所示的具体实施方式对本发明进行详细描述,但这些实施方式并不限制本发明,本领域的普通技术人员根据这些实施方式所做出的结构、方法、或功能上的变换均包含在本发明的保护范围内。
如图1所示的本发明的一个实施例,本发明提供一种基于监测数据的工业设备控制优化方法,所述方法包括:
S1、对获取的设备的历史运行状态数据和历史工艺数据之间不同的时间戳进行对齐,生成时间序列一致的历史运行状态数据集和历史工艺数据集,所述历史运行状态数据集包括历史振动数据集和历史温度数据集,所述历史工艺数据集包括历史电流数据集和历史工艺控制数据集;
S2、将获取的所述历史振动数据集中的时域特征向量和频域特征向量、历史温度数据集以及历史工艺数据集构成一个特征向量样本集,基于概率分类模型对所述特征向量样本集进行模型训练,构建一健康诊断模型;
S3、采集设备的当前运行状态数据和当前工艺控制数据,将所述当前运行状态数据和当前工艺控制数据输入所述健康诊断模型,获取当前设备健康状态的预测概率;
S4、若所述当前设备健康状态的预测概率小于等于预设概率阈值时,将一预设的工艺控制参数集分为多组工艺控制参数集,将每一组工艺控制参数集和当前运行状态数据分别进行组合并分别输入至所述健康诊断模型,获取当前设备健康状态的最大预测概率,并将所述最大预测概率对应的工艺控制参数集设定为当前设备的工艺控制参数。
采集并获取工业设备的运行状态数据和工艺数据,所述运行状态数据包括振动数据和温度数据。以工业设备中常见的变速箱为例,在变速箱的轴承处安装多个状态传感器,状态传感器包括振动传感器和温度传感器。通过多个振动传感器读取工业设备的振动数据,所述振动数据为工业设备的加速度信息、速度信息或者位移信息。状态传感器采集数据的频率为每秒10次到1000次。通过温度传感器采集工业设备的温度数据。本发明的数据来源并不近局限于振动数据等,数据来源也可以为压强信号、应力信号等。对获取的设备的历史运行状态数据和历史工艺数据之间不同的时间戳进行对齐,生成时间序列一致的历史运行状态数据集和历史工艺数据集,所述历史运行状态数据集包括历史振动数据集和历史温度数据集,所述历史工艺数据集包括历史电流数据集和历史工艺控制数据集。如图2所示,本发明的一具体实施例的***架构。
具体地,在振动暂存周期内设置n个采样点,将所述振动暂存周期采集的每一个振动传感器的振动数据在终端设备进行暂存,并进行数据压缩处理,并每隔振动暂存周期将数据上传至服务器,构成为历史振动数据,比如设置为10分钟,所述历史振动数据包括振动数据矩阵和振动时间矩阵,其中,所述振动数据矩阵由每一个振动传感器在每一个采样点采集的振动数据构成,所述振动时间矩阵由每一个振动传感器的每一个采样点的时间戳构成;
由于各个振动传感器的实际采样时间点,彼此之间会有时间点的偏差,所以需要对多个振动数据之间进行时间对齐将所述历史振动数据中的振动时间矩阵减去第一时间偏移矩阵,得到修正后的统一时间序列矩阵;基于所述统一时间序列矩阵对所述历史振动数据之间不同的时间戳进行时间对齐,得到对齐后的时间序列一致的历史振动数据集为:
其中,下标,,,…为振动传感器的编号,下标1,2,3,…n为所述振动暂存周期内不同的时间采样点, 表示在第n个采样点上振动传感器采集的振动数据,表示振动传感器第n个采样点的时间戳,,是统一时间序列矩阵,为振动传感器的采样频率。
温度传感器的温度信号变化的灵敏度通常远远小于振动传感器。同上述实施例的方法一样,对多个温度传感器采集的温度数据进行数据暂存和时间对齐。由于温度变化的灵敏度远远小于振动传感器,所以可以选择较高的数据暂存周期和较低的温度采样频率,比如数据暂存周期设置为30分钟。具体地,在温度暂存周期内设置m个采样点,将所述温度暂存周期采集的每一个温度传感器的温度数据在终端设备进行暂存,并进行数据压缩处理,并每隔一温度暂存周期将数据上传至服务器,构成为历史温度数据,所述历史温度数据包括温度数据矩阵和温度时间矩阵,其中,所述温度数据矩阵由每一个温度传感器在每一个采样点采集的温度数据构成,所述温度时间矩阵由每一个温度传感器的每一个采样点的时间戳构成;
将所述历史温度数据与所述步骤S2获取的历史振动数据集进行时间对齐,将所述温度时间矩阵减去所述统一时间序列后得到第二时间偏移矩阵,根据所述第二时间偏移矩阵,将所述历史温度数据与所述历史振动数据集进行时间对齐,构成时间序列一致的历史温度数据集,对齐后构成时间序列一致的历史温度数据集为:
其中,下标,,,…为温度传感器的编号,下标1,2,3,…m为所述温度暂存周期内不同的时间采样点, 表示在第m个采样点上温度传感器采集的温度数据,表示温度传感器第m个采样点的时间戳,表示振动传感器第n个采样点的时间戳,为温度传感器的采样频率。
在上述实施例中,温度传感器和振动传感器是单独安装,分别独立的采集温度数据和振动数据。在一些实际应用的实施例中,温度传感器和振动传感器为同一个传感器,此时传感器,,,…,同时代表了振动和温度传感器,且数据暂存周期与步骤2中的相同,采样频率与步骤2中的相同,,此时与信号自然对齐。
一般情况下,基于工业设备的DCS获取设备的工艺数据,工艺数据主要包括电流数据和工艺控制数据。从工业设备上直接获取驱动电机的电流数据息。对于变速箱来说,工艺控制数据包括设备运转时的操作流信息,比如设备启停、加减速、处理调整等操作信息。同样的,将工艺数据在设备进行暂存,并进行数据压缩处理,并每隔一个周期将数据上传至服务器。具体地,设置DCS暂存周期,将DCS数据处理周期设置为所述振动暂存周期;将所述DCS暂存周期内采集的电流数据和工艺控制数据在DCS服务器上暂存,进行数据压缩处理,并每隔DCS暂存周期将数据上传至服务器,并将获取的个电流数据和个工艺控制数据构成为历史电流数据和历史工艺控制数据,所述历史电流数据包括电流数据矩阵和工艺时间矩阵,所述历史工艺控制数据包括工艺控制数据矩阵和工艺时间矩阵,所述电流数据矩阵由各个电流采集点采集的电流信号构成,所述工艺控制数据矩阵由不同工艺操作下的工艺控制信号构成,所述工艺时间矩阵由电流信号采集的时间戳构成,其中,电流信号采集的时间戳与工艺控制信号采集的时间戳相同;
将所述历史电流数据和历史工艺控制数据分别与所述步骤S2获取的历史振动数据集进行时间对齐,将所述工艺时间矩阵减去所述统一时间序列后得到第三时间偏移矩阵,基于所述第三时间偏移矩阵,对齐后构成时间序列一致的历史电流数据集和历史工艺控制数据集分别为:
其中,上标表示矩阵的转置,下标i表示来自不同电流采集点的电流信号,下标j表示来不同工艺操作的工艺控制信号,为DCS中获取的电流信号和工艺信号的时间点,1、2、3…表示所述DCS数据处理周期内的采样点,本步骤中的数据均来自于DCS,故时间信号统一为。也通过DCS***自带的暂存机制获取,每隔上传一次数据,且该的周期远小于,故进行数据对齐时,以最接近振动数据采集时刻的DCS采集时刻为基准,往后选取个DCS暂存数据,并将时间信息进行统一的平移,以实现数据时间对齐。如图3所示的没有进行时间对齐操作的各个数据示意图,图4为经过时间对齐步骤处理后的各个数据示意图。
对所述历史振动数据集中的进行时域特征提取和频域特征提取,获取对应的时域特征向量和频域特征向量。具体的,对所述历史振动数据集中各个振动传感器的振动数据进行时域特征提取,获取每一个振动传感器的振动数据的时域特征信息,所述时域特征信息包括有效值、峰-峰值、偏态指标以及峭度指标,其中,
对所述历史振动数据集中各个振动传感器的振动数据进行傅里叶转换,获取相应的频域信息,对所述频域信息进行特征提取,获取每一个振动传感器的振动数据的频域特征信息,所述频域特征信息包括重心频率和均方频率,其中,
将所述时域特征向量、频域特征向量、历史温度数据集以及工艺数据集构成一个特征向量样本集,基于概率分类模型对所述特征向量样本集进行模型训练,构建一健康诊断模型。具体地,基于逻辑回归模型对所述特征向量样本集中各个时刻的特征向量进行模型训练,构建健康诊断模型,所述健康诊断模型用于输出当前时刻的设备健康状态。所述健康诊断模型的构建步骤为:特征向量样本集为输入,输出设备健康状态的预测概率,其中,0表示设备故障,1表示设备运行状态健康度良好,二项逻辑回归模型为:
根据定义,属于凸函数,N为特征向量样本集中的特征向量组数;基于训练样本特征,用梯度下降法或牛顿法进行求max最优解,获取权值参数向量的最优解。本实施例中采用逻辑回归模型进行建模,以极大似然估计作为模型目标函数,目标函数为凸函数具有全局最优解,并利于牛顿法求解模型参数。除此之外,还可以使用BP神经网络和最大熵模型进行模型建模。
采集设备的当前运行状态数据和当前工艺控制数据,将所述当前运行状态数据和当前工艺控制数据输入所述健康诊断模型,获取当前设备健康状态的预测概率。基于上述实施例的方法,通过振动传感器或者温度传感器采集设备的当前振动数据和当前温度数据,并基于设备的DCS***获取设备的当前电流数据和工艺控制数据。将当前振动数据进行时域和频域处理,获取当前振动数据的时域特征向量和频域特征向量,将所述当前振动数据的时域特征向量和频域特征向量、当前温度数据、当前电流数据以及当前工艺控制数据输入到所述健康诊断模型,输出当前设备健康状态的预测概率。如上所述的,设备故障的预测概率或者设备运行状态健康度良好的预测概率。当输出为设备故障时,提醒用户及时进行设备故障分析和维护。
若所述当前设备健康状态的预测概率小于等于预设概率阈值时,将一预设的工艺控制参数集分为多组工艺控制参数集,将每一组工艺控制参数集和当前运行状态数据分别进行组合并分别输入至所述健康诊断模型,获取当前设备健康状态的最大预测概率,并将所述最大预测概率对应的工艺控制参数集设定为当前设备的工艺控制参数。比如,概率阈值设置为0. 5。设备运行实时运行状态监测过程中,当前设备健康状态的预测概率小于等于0.5,设备出现故障的可能性较高,需要通过优化设备工艺控制参数,提高当前设备健康度。具体地,预先设定工艺控制参数集中每个工艺控制参数的上、下极限值,将每一个工艺控制参数的两个极限值之间等分个点,将所述工艺控制参数集形成个工艺控制参数集。将当前的运行状态数据V与个工艺控制参数集融合成个特征集,基于所述健康诊断模型对个特征集分别进行预测,得到当前设备健康状态的最大预测概率,获取所述最大预测概率对应的工艺控制参数集,将当前设备的工艺控制参数自适应调整为所述工艺控制参数集,其中为工艺控制参数集的序列号,为所述二项逻辑回归模型训练过程中利用梯度下降法计算得到的权值参数向量的最优解量,S=1表示设备运行状态健康良好。该工艺控制参数集即为优化的工艺控制方案。若调整后最大预测概率小于等于0.5,则设备中止优化并输出告警提示,以提示对设备故障分析。如图5所示的基于健康诊断模型训练后的工艺参数优化控制调整示意图。
如图6本发明的一实施例,本发明提供一种基于监测数据的工业设备控制优化***,所述***包括:
时间对齐模块60,用于对获取的设备的历史运行状态数据和历史工艺数据之间不同的时间戳进行对齐,生成时间序列一致的历史运行状态数据集和历史工艺数据集,所述历史运行状态数据集包括历史振动数据集和历史温度数据集,所述历史工艺数据集包括历史电流数据集和历史工艺控制数据集;
模型构建模块61,用于将获取的所述历史振动数据集中的时域特征向量和频域特征向量、历史温度数据集以及历史工艺数据集构成一个特征向量样本集,基于概率分类模型对所述特征向量样本集进行模型训练,构建一健康诊断模型;
诊断模块62,用于采集设备的当前运行状态数据和当前工艺控制数据,将所述当前运行状态数据和当前工艺控制数据输入所述健康诊断模型,获取当前设备健康状态的预测概率;
工艺控制模块63,用于若所述当前设备健康状态的预测概率小于等于预设概率阈值时,将一预设的工艺控制参数集分为多组工艺控制参数集,将每一组工艺控制参数集和当前运行状态数据分别进行组合并分别输入至所述健康诊断模型,获取当前设备健康状态的最大预测概率,并将所述最大预测概率对应的工艺控制参数集设定为当前设备的工艺控制参数。
在所述时间对齐模模块中,将采集的多个振动传感器的多个振动数据在终端设备进行暂存,并进行数据压缩处理,并每隔振动暂存周期将数据上传至服务器,构成为历史振动数据;对所述历史振动数据之间不同的时间戳进行时间对齐操作,构成时间序列一致的历史振动数据集;将采集的多个温度传感器的多个温度数据在终端设备进行暂存,并进行数据压缩处理,并每隔一温度暂存周期将数据上传至服务器,构成为历史温度数据;将所述历史温度数据与历史振动数据集进行时间对齐,得到时间序列一致的历史温度数据集;将获取的电流数据和工艺控制数据在DCS服务器上暂存,并每隔一DCS暂存周期将数据上传至服务器,构成为历史电流数据和历史工艺控制数据,将所述历史电流数据和历史工艺控制数据分别与所述历史振动数据集进行时间对齐,得到时间序列一致的历史电流数据集和历史工艺控制数据集。
模型构建模块对所述历史振动数据集进行时域特征提取和频域特征提取,获取对应的时域特征向量和频域特征向量,将时域特征向量、频域特征向量、历史温度数据集以及历史工艺数据集构成一个特征向量样本集,基于逻辑回归模型对所述特征向量样本集中各个时刻的特征向量进行模型训练,构建健康诊断模型,所述健康诊断模型用于输出当前时刻的设备健康状态。诊断模块采集设备的当前运行状态数据和当前工艺控制数据,将所述当前运行状态数据和当前工艺控制数据输入所述健康诊断模型,获取当前设备健康状态的预测概率。若所述当前设备健康状态的预测概率小于等于预设概率阈值时,工艺控制模块将一预设的工艺控制参数集分为多组工艺控制参数集,将每一组工艺控制参数集和当前运行状态数据分别进行组合并分别输入至所述健康诊断模型,获取当前设备健康状态的最大预测概率,并将所述最大预测概率对应的工艺控制参数集设定为当前设备的工艺控制参数,用以实现对设备工艺控制参数的优化。
尽管为示例目的,已经公开了本发明的优选实施方式,但是本领域的普通技术人员将意识到,在不脱离由所附的权利要求书公开的本发明的范围和精神的情况下,各种改进、增加以及取代是可能的。
Claims (10)
1.一种基于监测数据的工业设备控制优化方法,其特征在于,所述方法包括:
S1、对获取的设备的历史运行状态数据和历史工艺数据之间不同的时间戳进行对齐,生成时间序列一致的历史运行状态数据集和历史工艺数据集,所述历史运行状态数据集包括历史振动数据集和历史温度数据集,所述历史工艺数据集包括历史电流数据集和历史工艺控制数据集;
S2、将获取的所述历史振动数据集中的时域特征向量和频域特征向量、历史温度数据集以及历史工艺数据集构成一个特征向量样本集,基于概率分类模型对所述特征向量样本集进行模型训练,构建一健康诊断模型;
S3、采集设备的当前运行状态数据和当前工艺控制数据,将所述当前运行状态数据和当前工艺控制数据输入所述健康诊断模型,获取当前设备健康状态的预测概率;
S4、若所述当前设备健康状态的预测概率小于等于预设概率阈值时,将一预设的工艺控制参数集分为多组工艺控制参数集,将每一组工艺控制参数集和当前运行状态数据分别进行组合并分别输入至所述健康诊断模型,获取当前设备健康状态的最大预测概率,并将所述最大预测概率对应的工艺控制参数集设定为当前设备的工艺控制参数。
2.如权利要求1所述的基于监测数据的工业设备控制优化方法,其特征在于,所述步骤S1包括:
将所述振动暂存周期内采集的每一个振动传感器的振动数据在终端设备进行暂存,并每隔所述振动暂存周期将数据上传至服务器,构成为历史振动数据,所述历史振动数据包括振动数据矩阵和振动时间矩阵,其中,所述振动数据矩阵由每一个振动传感器在每一个采样点采集的振动数据构成,所述振动时间矩阵由每一个振动传感器的每一个采样点的时间戳构成;
基于所述统一时间序列矩阵对所述历史振动数据之间不同的时间戳进行时间对齐,得到对齐后的时间序列一致的历史振动数据集;
3.如权利要求2所述的基于监测数据的工业设备控制优化方法,其特征在于,所述步骤S1包括:
在温度暂存周期内设置m个采样点;
将所述温度暂存周期内采集的每一个温度传感器的温度数据在终端设备进行暂存,并每隔所述温度暂存周期将数据上传至服务器,构成为历史温度数据,所述历史温度数据包括温度数据矩阵和温度时间矩阵,其中,所述温度数据矩阵由每一个温度传感器在每一个采样点采集的温度数据构成,所述温度时间矩阵由每一个温度传感器的每一个采样点的时间戳构成;
将所述温度时间矩阵减去所述统一时间序列矩阵后得到第二时间偏移矩阵;
根据所述第二时间偏移矩阵,将所述历史温度数据与所述历史振动数据集进行时间对齐,构成时间序列一致的历史温度数据集。
4.如权利要求3所述的基于监测数据的工业设备控制优化方法,其特征在于,所述步骤S1还包括:
设置DCS暂存周期,将DCS数据处理周期设置为所述振动暂存周期;将所述DCS暂存周期内采集的电流数据和工艺控制数据在DCS服务器上暂存,并每隔DCS暂存周期将数据上传至服务器,并将获取的个电流数据和个工艺控制数据构成为历史电流数据和历史工艺控制数据,所述历史电流数据包括电流数据矩阵和工艺时间矩阵,所述历史工艺控制数据包括工艺控制数据矩阵和工艺时间矩阵,所述电流数据矩阵由各个电流采集点采集的电流信号构成,所述工艺控制数据矩阵由不同工艺操作下的工艺控制信号构成,所述工艺时间矩阵由电流信号采集的时间戳构成,其中,电流信号采集的时间戳与工艺控制信号采集的时间戳相同;
将所述工艺时间矩阵减去所述统一时间序列矩阵后得到第三时间偏移矩阵;
根据所述第三时间偏移矩阵,将所述历史电流数据和历史工艺控制数据分别与所述历史振动数据集进行时间对齐,构成时间序列一致的历史电流数据集和历史工艺控制数据集。
5.如权利要求4所述的基于监测数据的工业设备控制优化方法,其特征在于,所述步骤S2包括:
对所述历史振动数据集中各个振动传感器的振动数据进行时域特征提取,获取每一个振动传感器的振动数据的时域特征信息,所述时域特征信息包括有效值、峰-峰值、偏态指标以及峭度指标。
6.如权利要求5所述的基于监测数据的工业设备控制优化方法,其特征在于,所述步骤S2包括:
对所述历史振动数据集中各个振动传感器的振动数据傅里叶转换为相应的频域信息,对所述频域信息进行特征提取,获取每一个振动传感器的振动数据的频域特征信息,所述频域特征信息包括重心频率和均方频率。
8.如权利要求7所述的基于监测数据的工业设备控制优化方法,其特征在于,所述步骤S4包括:
9.如权利要求8所述的基于监测数据的工业设备控制优化方法,其特征在于,所述概率阈值设置为0.5。
10.一种基于监测数据的工业设备控制优化***,其特征在于,所述***包括:
时间对齐模块,用于对获取的设备的历史运行状态数据和历史工艺数据之间不同的时间戳进行对齐,生成时间序列一致的历史运行状态数据集和历史工艺数据集,所述历史运行状态数据集包括历史振动数据集和历史温度数据集,所述历史工艺数据集包括历史电流数据集和历史工艺控制数据集;
模型构建模块,用于将获取的所述历史振动数据集中的时域特征向量和频域特征向量、历史温度数据集以及历史工艺数据集构成一个特征向量样本集,基于概率分类模型对所述特征向量样本集进行模型训练,构建一健康诊断模型;
诊断模块,用于采集设备的当前运行状态数据和当前工艺控制数据,将所述当前运行状态数据和当前工艺控制数据输入所述健康诊断模型,获取当前设备健康状态的预测概率;
工艺控制模块,用于若所述当前设备健康状态的预测概率小于等于预设概率阈值时,将一预设的工艺控制参数集分为多组工艺控制参数集,将每一组工艺控制参数集和当前运行状态数据分别进行组合并分别输入至所述健康诊断模型,获取当前设备健康状态的最大预测概率,并将所述最大预测概率对应的工艺控制参数集设定为当前设备的工艺控制参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011421929.3A CN112198857B (zh) | 2020-12-08 | 2020-12-08 | 一种基于监测数据的工业设备控制优化方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011421929.3A CN112198857B (zh) | 2020-12-08 | 2020-12-08 | 一种基于监测数据的工业设备控制优化方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112198857A CN112198857A (zh) | 2021-01-08 |
CN112198857B true CN112198857B (zh) | 2021-03-02 |
Family
ID=74034517
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011421929.3A Active CN112198857B (zh) | 2020-12-08 | 2020-12-08 | 一种基于监测数据的工业设备控制优化方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112198857B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113280854A (zh) * | 2021-04-02 | 2021-08-20 | 无锡先导智能装备股份有限公司 | 感应加热装置的监测方法、装置、计算机设备和存储介质 |
CN113253037B (zh) * | 2021-06-22 | 2021-10-08 | 北京赛博联物科技有限公司 | 基于电流波纹的边云协同设备状态监测方法及***、介质 |
CN113613462B (zh) * | 2021-07-30 | 2023-06-09 | 上海德衡数据科技有限公司 | 一种数据中心散热方法及*** |
CN113515158B (zh) * | 2021-09-13 | 2021-12-24 | 常州旭泰克***科技有限公司 | 基于概率混合有限状态机的设备状态监测方法 |
CN114237180B (zh) * | 2021-12-17 | 2023-10-13 | 内蒙古工业大学 | 一种工业控制***攻击检测方法及装置 |
CN114489167B (zh) * | 2021-12-17 | 2023-04-18 | 中国船舶重工集团公司第七一九研究所 | 一种基于监督学习的舰船旋转机械设备前馈振动控制*** |
CN114662698A (zh) * | 2022-02-11 | 2022-06-24 | 南京英锐祺科技有限公司 | 工业互联网多模态机器学习数据处理方法 |
CN115307896A (zh) * | 2022-09-20 | 2022-11-08 | 重庆忽米网络科技有限公司 | 一种基于机器学习的设备健康状态检测方法 |
CN115221982B (zh) * | 2022-09-21 | 2022-12-09 | 石家庄铁道大学 | 牵引供电运维方法、装置、终端及存储介质 |
CN115809178B (zh) * | 2022-11-29 | 2023-10-17 | 国网山东省电力公司应急管理中心 | 一种基于数据分析的应急装备健康状态监测预警方法和装置 |
CN116339267B (zh) * | 2023-05-25 | 2023-08-08 | 深圳市星火数控技术有限公司 | 基于物联网的自动化生产线控制*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107742194A (zh) * | 2017-11-30 | 2018-02-27 | 成都航天科工大数据研究院有限公司 | 一种工业设备全生命周期管理***及方法 |
CN110119339A (zh) * | 2019-05-07 | 2019-08-13 | 上海电气集团股份有限公司 | 工业设备的健康状态的评估方法、***、设备和存储介质 |
CN111710380A (zh) * | 2020-06-10 | 2020-09-25 | 深圳市好克医疗仪器股份有限公司 | 基于医疗泵的医疗方法、装置、设备及可读存储介质 |
CN111796953A (zh) * | 2019-04-09 | 2020-10-20 | 纳博特斯克有限公司 | 故障预测装置及方法、存储介质、模型的学习及生成方法 |
CN111913443A (zh) * | 2019-08-24 | 2020-11-10 | 南京鸿雁讯通信息科技有限公司 | 基于相似性的工业设备故障预警方法 |
-
2020
- 2020-12-08 CN CN202011421929.3A patent/CN112198857B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107742194A (zh) * | 2017-11-30 | 2018-02-27 | 成都航天科工大数据研究院有限公司 | 一种工业设备全生命周期管理***及方法 |
CN111796953A (zh) * | 2019-04-09 | 2020-10-20 | 纳博特斯克有限公司 | 故障预测装置及方法、存储介质、模型的学习及生成方法 |
CN110119339A (zh) * | 2019-05-07 | 2019-08-13 | 上海电气集团股份有限公司 | 工业设备的健康状态的评估方法、***、设备和存储介质 |
CN111913443A (zh) * | 2019-08-24 | 2020-11-10 | 南京鸿雁讯通信息科技有限公司 | 基于相似性的工业设备故障预警方法 |
CN111710380A (zh) * | 2020-06-10 | 2020-09-25 | 深圳市好克医疗仪器股份有限公司 | 基于医疗泵的医疗方法、装置、设备及可读存储介质 |
Non-Patent Citations (1)
Title |
---|
基于深度神经网络的复杂化工过程故障检测研究;旷天亮;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》;20190115;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112198857A (zh) | 2021-01-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112198857B (zh) | 一种基于监测数据的工业设备控制优化方法及*** | |
JP7183471B2 (ja) | 将来の動作の予測分類 | |
CN111695598B (zh) | 一种基于生成对抗网络的监测数据异常诊断方法 | |
KR101948604B1 (ko) | 센서 군집화 기반의 설비 건강 모니터링 방법 및 장치 | |
CN110929934A (zh) | 设备故障预测方法、装置、计算机设备和存储介质 | |
US12007745B2 (en) | Apparatus for predicting equipment damage | |
CN113776794A (zh) | 一种嵌入式边缘计算的故障诊断方法、装置和*** | |
CN116380445B (zh) | 基于振动波形的设备状态诊断方法及相关装置 | |
CN117390591B (zh) | 基于电参量分析的输煤皮带采样机运行监测方法及*** | |
CN116611817A (zh) | 一种饲料厂设备的故障管理方法及*** | |
CN113858566B (zh) | 一种基于机器学习的注塑机能耗预测方法及*** | |
CN115640860A (zh) | 一种工业云服务的机电设备远程维护方法及*** | |
Kizito et al. | Long short-term memory networks for facility infrastructure failure and remaining useful life prediction | |
TWI780434B (zh) | 異常診斷裝置及方法 | |
CN117172958A (zh) | 一种豆芽生长实时数据管理方法 | |
CN114787735A (zh) | 预测***、信息处理装置以及信息处理程序 | |
CN114266013B (zh) | 基于深度学习虚拟感知网络的传动***振动解耦方法 | |
CN113465924A (zh) | 一种基于改进bp神经网络的轴承故障诊断方法及*** | |
CN117332360B (zh) | 基于5g技术的温室大棚设备故障监测方法及*** | |
CN112654060B (zh) | 一种装置异常检测方法及*** | |
RU2795745C1 (ru) | Независимая от датчика идентификация неисправности механического станка | |
CN116643170B (zh) | 电机轴系振动测试方法、装置和计算机设备 | |
RU2779795C1 (ru) | Способ и устройство для предиктивного диагностирования технического состояния промышленных объектов | |
CN115099332A (zh) | 一种基于混合森林的雷达数据实时处理方法及*** | |
He | Deep Learning-based Fault Diagnostics and Prognostics for Industrial Systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |