CN117591949A - 一种设备异常识别方法、设备及介质 - Google Patents

Abstract

本说明书实施例公开了一种设备异常识别方法、设备及介质，包括：获取指定设备的实时健康状态关键表征参数；获取所述指定设备的运行数据；将所述指定设备的运行数据输入预先训练的预测模型，得到所述指定设备的预测健康状态关键表征参数；根据所述指定设备的实时健康状态关键表征参数与所述指定设备的预测健康状态关键表征参数进行残差分析，得到所述指定设备的残差分析结果；若所述指定设备的残差分析结果超出预设阈值，根据所述指定设备的运行数据识别所述指定设备存在异常的子***。

Description

一种设备异常识别方法、设备及介质

技术领域

本说明书涉及计算机技术领域，尤其涉及一种设备异常识别方法、设备及介质。

背景技术

随着技术的发展与应用，制造企业的设备异常识别近年来取得了较大进展。但对于多数制造企业来说，故障数据获取较为困难，从而使得预测模型的构建缺乏相应的数据支撑。在此种情况下，制造企业无法准确对设备异常进行识别。

发明内容

本说明书一个或多个实施例提供了一种设备异常识别方法、设备及介质，用于解决背景技术提出的技术问题。

本说明书一个或多个实施例采用下述技术方案：

本说明书一个或多个实施例提供的一种设备异常识别方法，包括：

获取指定设备的实时健康状态关键表征参数；

获取所述指定设备的运行数据；

将所述指定设备的运行数据输入预先训练的预测模型，得到所述指定设备的预测健康状态关键表征参数；

根据所述指定设备的实时健康状态关键表征参数与所述指定设备的预测健康状态关键表征参数进行残差分析，得到所述指定设备的残差分析结果；

若所述指定设备的残差分析结果超出预设阈值，根据所述指定设备的运行数据识别所述指定设备存在异常的子***。

本说明书一个或多个实施例提供的一种设备异常识别设备，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：

获取指定设备的实时健康状态关键表征参数；

获取所述指定设备的运行数据；

将所述指定设备的运行数据输入预先训练的预测模型，得到所述指定设备的预测健康状态关键表征参数；

根据所述指定设备的实时健康状态关键表征参数与所述指定设备的预测健康状态关键表征参数进行残差分析，得到所述指定设备的残差分析结果；

若所述指定设备的残差分析结果超出预设阈值，根据所述指定设备的运行数据识别所述指定设备存在异常的子***。

本说明书一个或多个实施例提供的一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令被计算机执行时能够实现：

获取指定设备的实时健康状态关键表征参数；

获取所述指定设备的运行数据；

将所述指定设备的运行数据输入预先训练的预测模型，得到所述指定设备的预测健康状态关键表征参数；

根据所述指定设备的实时健康状态关键表征参数与所述指定设备的预测健康状态关键表征参数进行残差分析，得到所述指定设备的残差分析结果；

若所述指定设备的残差分析结果超出预设阈值，根据所述指定设备的运行数据识别所述指定设备存在异常的子***。

本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：

本说明书实施例通过获取实时健康状态关键表征参数，可以及时了解设备的状态，预测模型的使用可以弥补数据获取困难的问题，通过预测模型得到设备的预测健康状态关键表征参数，通过比较实时健康状态和预测健康状态的差异，从而找出可能存在的异常。当残差分析结果超出预设阈值时，指示可能存在异常，通过识别运行数据，可以进一步确定是哪个子***存在异常，实现对异常的定位。此外，本说明书实施例通过设置预设阈值，具有自适应性，能够根据实时情况调整判断异常的标准。

附图说明

为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1为本说明书一个或多个实施例提供的一种设备异常识别方法的流程示意图；

图2为本说明书一个或多个实施例提供的设备异常识别方法流程图；

图3为本说明书一个或多个实施例提供的数据降维流程图；

图4为本说明书一个或多个实施例提供的深度学习算法构建预测模型流程图；

图5为本说明书一个或多个实施例提供的一种设备异常识别设备的结构示意图。

具体实施方式

本说明书实施例提供一种设备异常识别方法、设备及介质。

随着传感器、物联网、“互联网+”、云计算、人工智能等技术的发展与应用，基于数据驱动的故障预测与健康管理技术近年来取得了较大进展。通过先进的传感器技术，获取温度、噪声、电压、电流、振动等与设备健康状态密切相关的运行数据，经由物联网实现对相关数据的采集存储。结合信号处理、特征提取、数据挖掘、机器学习等技术和方法评估设备的运行状态，监测设备早期故障，定性或定量评估故障程度，揭示装备性能的衰退规律，预测装备未来时刻的健康状态和剩余使用寿命，并基于装备的历史运行信息、维修记录以及未来预计的使用情况，结合故障成本分析，采购、储存等备件库存管理信息，实现装备的自适应容错控制，提高资源管理效率，优化运行维护策略。

在这一背景下，设备早期异常识别领域已取得一定的进展，但仍然存在一些缺陷。相关科研机构及生产设备提供商可以通过尽可能多地排布传感器，人为制造各种类型的故障，经过长期的积累，获取大量多种运行工况下多种类型的完备数据，并以此为基础训练出对应的预测模型。但对于大部分普通生产制造企业，仍存在以下现实问题：

1、传感器的布置会增加成本，还可能影响生产进程，难以获取完备的数据集。

2、对于不同种类的设备，数据采集终端配置、数据传输格式、模型训练方法、异常判定依据等缺乏标准化和规范性，限制了异常识别方法的通用性可迁移性。

3、生产过程中故障数据只占极小部分，数据不平衡现象严重，导致传统的训练方式得到的预测模型泛化能力差、性能评估不准确，并容易出现过拟合现象。

当前故障预测与健康管理有三种主要实现路径。基于模型的故障预测技术通过集成物理模型和随机过程建模，具有能够深入对象***本质的性质和实现实时故障预测的优点，但在实践中，往往无法构建出能准确描述复杂***行为的模型；基于统计可靠性的故障预测技术从过去故障历史数据的统计特性角度进行故障预测，易于实现但精确度较低；基于数据驱动的故障预测技术以采集的数据为基础，通过各种数据分析处理方法挖掘其中的隐含信息进行预测操作，从而避免了基于模型和基于统计可靠性的故障预测技术的缺点，成为了一种较为实用的故障预测方法。

但对于大部分计划引入故障预测与健康管理***的制造企业来说，数据获取困难、故障数据占比小、数据不平衡问题突出，预测模型的构建缺乏数据支撑。

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一子***实施例，而不是全部的实施例。基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。

图1为本说明书一个或多个实施例提供的一种设备异常识别方法的流程示意图，该流程可以由设备异常识别***执行。流程中的某些输入参数或者中间结果允许人工干预调节，以帮助提高准确性。

本说明书实施例的方法流程步骤如下：

S102，获取指定设备的实时健康状态关键表征参数。

在本说明书实施例中，指定设备的实时健康状态关键表征参数可以用于监测指定设备的健康状态。指定设备的健康状态关键表征参数可以根据指定设备的类型确定，也可以通过预先测量的方式确定。获取指定设备的实时健康状态关键表征参数时，可以根据健康状态关键表征参数的类型选择相应的设备进行获取，比如，健康状态关键表征参数为温度时可以采用温度传感器获取，健康状态关键表征参数为振幅时可以采用振动传感器，振动传感器可以测量物体的振动，从而获取振动信号。

进一步的，获取指定设备的实时健康状态关键表征参数前，可以先对所述指定设备通过故障树分析与故障模式影响分析，得到所述指定设备的分析结果：再根据所述分析结果，确定所述指定设备中各故障原因的危害程度与表征参数；最后，根据所述各故障原因的危害程度与表征参数，确定所述指定设备的健康状态关键表征参数。

需要说明的是，指定设备的健康状态关键表征参数可以表示指定设备整体的健康状态。故障树分析(Fault Tree Analysis,FTA)可以用于识别可能导致设备故障的基本事件和其之间的逻辑关系，故障模式影响分析(Failure Mode Effect and CriticalityAnalysis,FMECA)可以用于评估各故障模式对设备性能和安全性的影响

分析结果可以包括故障树分析结果与故障模式影响分析结果，故障树分析结果可以包括事件树和基本事件的关系，用于分析故障发生的可能性。故障模式影响分析结果可以包括各故障模式的影响程度、危害度等信息。

根据所述分析结果，确定所述指定设备中各故障原因的危害程度与表征参数时，汇总故障树分析的结果，可以包括事件树和基本事件的关系，以及与每个基本事件相关的故障原因；汇总故障模式影响分析的结果，可以包括各故障模式的影响程度、危害度等信息。并制定危害程度评估的标准或指标，以便对不同的故障原因进行量化评估。可以考虑使用定量指标，例如影响程度的百分比、损失的成本等。针对每个故障原因，根据制定的评估标准进行危害程度的评估。可以考虑故障原因的可能性、对设备性能的影响程度等因素。再对于每个故障原因，确定与之相关的表征参数。表征参数可以通过监测和测量获取的，以反映故障原因对设备健康状态的影响。最终，可以建立故障原因与表征参数之间的映射关系，映射关系可以是一个表格或映射图，清晰地显示每个故障原因与其对应的表征参数。

进一步的，确定指定设备的健康状态关键表征参数时，可以综合危害程度评估和表征参数的相关性，确定指定设备的健康状态关键表征参数。表征参数应该是在实时监测中可以获取的，例如振幅、温度、电流等。

需要说明的是，可以使用先前建立的危害程度评估标准，对每个故障原因进行量化评估，这可以是一个定量的分数、百分比或其他可量化的指标。对于每个故障原因，识别在其危害程度下最为关键的表征参数。考虑表征参数的重要性，以及在故障原因发生时，这些参数对健康状态影响的敏感度。再将关键表征参数按照其在危害程度评估中的重要性进行排序，形成一个优先级列表。优先级排序有助于集中资源监测和收集最具有信息量的参数，优先级最高的一个或多个健康状态关键表征参数可以表示指定设备整体的健康状态。此外，还可以考虑不同表征参数之间的联合效应，有时多个参数共同变化可能表明更严重的健康状态问题。考虑采用一些统计方法或模型来综合考虑多个表征参数。

S104，获取所述指定设备的运行数据。

在本说明书实施例中，运行数据可以划分为两类，一类如温度、电压、电流等，可以直接采集传感终端的瞬时值作为后续分析依据，这类数据通常是实时性较强的，可以用于实时监测设备的基本运行状态；另一类如振动、噪声信号等，需要以指定采集频率获取某一时段内的数据，并结合实际需求，构建自动化的数据处理工具，提取原始信号的振幅、频率、方差、均值、峭度等特征，数据处理的目标是将复杂的原始信号转化为具有实际分析价值的特征，这些特征可以帮助理解设备运行的健康状况。

此外，采集和处理后的传感器数据，可以通过物联网传输并存储至时序数据库中。

S106，将所述指定设备的运行数据输入预先训练的预测模型，得到所述指定设备的预测健康状态关键表征参数。

在本说明书实施例中，可以先读取时序数据库中的数据，再使用深度学习算法构建预测模型，具体步骤如下：

(1)神经网络结构设计

选定模型的假设空间，即模型能够表达的关系集合，设计神经网络结构。神经网络结构包括网络的层数、每层的神经元数量以及激活函数的选择。结构设计可以考虑模型能够捕捉到设备健康状态的关键特征。

(2)训练配置

设定模型采用的寻解算法，即损失函数，可以是梯度下降、Adam等，并指定计算资源，包括GPU加速等，以加速训练过程。

(3)数据读取及处理

从时序数据库中读取所需数据，进行数据集校验及格式转化，以适应神经网络的输入要求，并将数据划分为训练集和测试集，通常按照一定的比例划分，以评估模型的泛化能力。

(4)模型训练

读取训练集，分批次循环调用训练过程，确保每个批次的数据都被用于模型的参数更新，每轮都包括前向计算(模型的预测)、损失函数和后向传播(梯度计算和参数更新)三个步骤。

(5)训练过程分析

绘制训练过程中的损失变化趋势，以观察训练过程中模型性能的变化通过分析损失变化趋势，可以了解模型是否收敛，是否需要进行调整。

(6)模型评估

调用测试集测试模型预测准确率，结合训练过程分析评估模型，当不满足要求时，调整神经网络结构和训练参数，再次执行训练、分析和评估，直至满足要求。

(7)模型保存

以固定格式保存训练好的模型，以备在执行预测任务时调用。

进一步的，在时序数据库存储的数据中，必然有一些特征是不带有有效的信息的(比如信号噪音)，或者有一些特征带有的信息和其他一些特征是重复的(比如一些特征可能会线性相关)，通过数据降维可以优化模型构建过程。同时可以尽可能使用设备减少额外布置传感器，便于现场实施。

本说明书实施例将所述指定设备的运行数据输入预先训练的预测模型前，可以根据预设分析方式确定所述指定设备的运行数据对应的特性子集，即可以遍历时序数据库的数据，通过计算F统计量、Pearson相关系数、距离相关系数，并结合递归特征消除工具，从中拆分出特性子集；将所述特性子集输入至预先训练的降维模型，输出指定设备降维后的运行数据，可以通过主成分分析(PCA)或t-分布邻域嵌入(t-SNE)，来减少特性子集的维度，并将所述指定设备降维后的运行数据输入所述预测模型。

S108，根据所述指定设备的实时健康状态关键表征参数与所述指定设备的预测健康状态关键表征参数进行残差分析，得到所述指定设备的残差分析结果。

在本说明书实施例中，可以通过相应的传感器实时获取指定设备的健康状态关键表征参数。这些参数可能包括温度、压力、振动、电流、电压等。可以从预测模型中获取的预测健康状态关键表征参数。对每个子***，将实时健康状态关键表征参数与预测健康状态关键表征参数相减，以计算残差。残差是实际观察到的健康状态参数与预测值之间的差异。

S110，若所述指定设备的残差分析结果超出预设阈值，根据所述指定设备的运行数据识别所述指定设备存在异常的子***。

在本说明书实施例中，为了进行异常识别，可以设定预设阈值。这个预设阈值是残差的一个限制，如果残差超出了阈值，指定设备将被识别为异常。记录异常相关信息，包括时间戳和残差值。并可以截取故障时段运行数据进行分析，识别所述指定设备存在异常的子***。

若所述指定设备存在异常的子***误报或漏报，记录指定设备的误报和漏报情况，可以包括哪些情况下***发出了误报，以及哪些情况下***漏报了异常。对误报和漏报情况进行详细分析，以确定其原因。可能有多种原因导致误报和漏报，如数据噪音、模型不准确性、阈值设置不合理等。根据误报和漏报的原因，制定自适应调整策略。自适应调整策略可以包括以下几个方面：

动态阈值：根据实时数据的变化和历史性能进行动态调整阈值。

模型改进：更新或改进预测模型，以提高准确性和鲁棒性。

数据清洗：减少数据中的噪音，确保输入数据的质量。

若误报或漏报的原因为所述阈值设置不合理，所述调整策略可以包括：对所述预设阈值进行适应性调整。

若误报或漏报的原因为所述数据噪音，所述调整策略可以包括：更换数据集中误报或漏报对应的运行数据，并通过更新后的数据集重新训练预测模型。

若误报或漏报的原因为所述模型不准确性，所述调整策略可以包括：获取所述指定设备的历史运行数据，根据所述历史运行数据确定失效率；根据所述失效率与所述指定设备的实际运行情况，确定所述预测模型的更新周期，以便在每个更新周期根据最新的运行数据更新训练预测模型。

在实施自适应调整后，可以进行测试和验证，以确保误报和漏报的减少。一旦自适应调整生效，可以建立持续监控机制，以实时跟踪异常检测***的性能，并根据需要进一步调整。

进一步的，整个指定设备的健康状态是各个子***健康状态的集成。考虑各子***之间的相互影响和综合，以便更准确地评估整个设备的健康状态。本说明书实施例的指定设备的实时健康状态关键表征参数可以包括所述指定设备各子***的实时健康状态关键表征参数；所述指定设备的运行数据可以包括所述指定设备各子***的运行数据；所述指定设备的预测健康状态关键表征参数可以包括所述指定设备各子***的预测健康状态关键表征参数。

需要说明的是，实时健康状态关键表征参数不仅包括整个设备层面的参数，还包括各个子***层面的参数。指定设备的健康状态可以由各个子***的状态综合而来，因此需要考虑子***层面的表征参数。运行数据不仅仅是整个设备的运行数据，还包括每个子***的运行数据。子***的运行数据可以包括温度、压力、振幅等参数，这些参数对于子***的健康状态具有重要影响。预测健康状态关键表征参数也被细分到各个子***的层面。预测每个子***的健康状态关键表征参数可以帮助提前预警和采取相应的维护措施。

进一步的，基于上述分析，实施方式可以包括：

获取指定设备各子***的实时健康状态关键表征参数；

获取所述指定设备各子***的运行数据；

将所述指定设备各子***的运行数据输入预先训练的预测模型，得到所述指定设备各子***的预测健康状态关键表征参数；

根据所述指定设备各子***的实时健康状态关键表征参数与所述指定设备各子***的预测健康状态关键表征参数进行残差分析，得到所述指定设备各子***的残差分析结果；

若所述指定设备特定子***的残差分析结果超出预设阈值，识别所述指定设备特定子***为存在异常的子***。

进一步的，获取指定设备的实时健康状态关键表征参数前，可以对所述指定设备各子***通过故障树分析与故障模式影响分析，得到所述指定设备各子***的分析结果：根据所述分析结果，确定所述指定设备各子***中各故障原因的危害程度与表征参数；根据所述各故障原因的危害程度与表征参数，确定所述指定设备各子***的健康状态关键表征参数。

需要说明的是，本说明书实施例通过引入残差分析，工业机理分析确定设备健康状态关键表征参数，并以此作为残差分析对象；使用降维算法在保证预测模型准确度的前提下简化数据采集流程和残差分析对象预测模型构建流程；在运行过程中对参数实际值和模型预测值进行残差分析，通过历史数据和生产经验确定初始阈值，并在***运行过程中根据现场实际调整阈值，在残差超过阈值时进行设备早期异常判定。

需要说明的是，本说明书实施例可以基于生产制造企业相对易于获取的健康运行样本，使用残差分析，通过对比设备健康状态关键表征参数实际值和模型预测值识别设备早期异常，降低了故障预测与健康管理***构建所需的数据要求，提高了设备早期异常识别***的泛化能力，提高了***构建可行性。

需要说明的是，设备异常识别方法流程图如图2所示，内容包括：

1、设备工业机理分析

设备运行过程中，可以通过某个或某些特定部位的参数，表征设备的健康状态。在构建设备早期异常识别***前，从设备的组成、结构、运行原理出发，进行故障树分析(Fault Tree Analysis,FTA)和故障模式影响分析(failure mode effect andcriticalityanalysis，FMECA)，从而梳理出设备故障对应的原因及其组合，基于故障模式和故障原因对设备造成的影响进行量化处理，通过分析故障模式和故障原因对设备子***影响的严重程度，从而确定各个子***对整体设备的危害度。

结合FTA和FMECA，基于以下逻辑进行设备工业机理分析：

(i)故障表征参数与设备是否发生故障强相关。

(ii)模型输入参数与故障原因强相关。

(iii)将子***i因为某故障原因j而使设备发生故障不能正常运行的概率记为子***i因为故障原因j发生故障造成该子***损伤的概率记为β_ij，则/>和β_ij越大，其对应的模型输入参数异常时，越容易导致***故障，/>可以认定为危害程度。

由此确定设备健康状态的关键表征参数(健康状态关键表征参数)，并为数据采集***的设计实施提供初期理论依据。

2、数据采集与处理

基于工业机理分析，结合现场实际，配置传感终端并采集所需原始数据。根据原始数据的可用性，可将其划分为两类。一类例如温度、电压、电流等，可以直接获取传感终端的瞬时值作为后续分析依据；一类例如振动、噪声信号，需要以指定采集频率获取某一时段内的数据，并结合实际需求，构建自动化的数据处理工具，提取原始信号的振幅、频率、方差、均值、峭度等特征。采集和处理后的传感器数据，通过物联网传输并存储至时序数据库中。

3、数据降维

在时序数据库存储的数据中，必然有一些特征是不带有有效的信息的(比如信号噪音)，或者有一些特征带有的信息和其他一些特征是重复的(比如一些特征可能会线性相关)，通过数据降维可以优化模型构建过程。同时可以尽可能使用设备已有参数，减少额外布置传感器，便于现场实施。

数据降维流程图如图3所示，步骤如下：

(1)遍历设备监控参数数据集，通过计算F统计量、Pearson相关系数、距离相关系数，结合递归特征消除工具，从中拆分出特性子集。

(2)依据特性子集，使用训练集数据训练神经网络模型。

(3)使用测试集数据对模型进行评估，若模型不满足要求，重新拆分特性子集并进行训练评估

(4)若满足要求，输出降维后的特性子集。

4、预测模型构建

依据数据降维结果，读取时序数据库中的数据，使用深度学习算法构建预测模型，深度学习算法构建预测模型流程图如图4所示，步骤如下：

(1)神经网络结构设计

选定模型的假设空间，即模型能够表达的关系集合，设计神经网络结构。

(2)训练配置

设定模型采用的寻解算法，即损失函数，并指定计算资源。

(3)数据读取及处理

从时序库中读取所需数据，进行数据集校验及格式转化，并将数据划分为训练集和测试集。

(4)模型训练

读取训练集，分批次循环调用训练过程，每轮都包括前向计算、损失函数(优化目标)和后向传播三个步骤。

(5)训练过程分析

绘制训练过程中的损失变化趋势，分析训练过程。

(6)模型评估

调用测试集测试模型预测准确率，结合训练过程分析评估模型，当不满足要求时，调整神经网络结构和训练参数，再次执行训练、分析和评估，直至满足要求。

(7)模型保存

以固定格式保存训练好的模型，在执行预测任务时调用。

5、残差分析及早期异常判定

在设备运行过程中，实时监测设备健康状态关键表征参数值，结合预测模型输出值进行残差分析，若残差超差，截取故障时段信号进行分析，给出设备早期异常判定结果，推送至具有相关权限的人员。

6、模型更新与优化

为保证预测模型的准确性，提高模型利用率，采用以下三种策略对模型进行更新与优化。

(1)当出现设备早期异常漏报误报时，结合现场实际调整残差阈值，以使其满足异常识别要求。

(2)无法通过调整残差阈值完善异常识别模型时，提取预测错误时段对应的数据，更新数据集重复预测模型构建过程，优化预测模型。

(3)随着设备运行时长的累积，设备运行数据的分布或特性会逐渐发生改变，出现数据漂移现象。因此，在设备从投入到停止的使用周期内，结合其失效率曲线，每隔一定时间间隔，更新数据集重新训练模型。同时，原模型存入模型库，供后续同型号设备在对应的阶段使用，并为同类型设备的模型训练过程提供指导。

本实施例描述滚齿机异常识别***构建方法流程图如图4所示，该方法包括以下步骤：

1、滚齿机工业机理分析

基于设备供应商提供的设备信息、相关学术研究资料、设备使用过程记录，结合故障树分析和故障模式影响分析，确定齿轮箱Y向振幅为滚齿机健康状态的关键表征参数。

2、传感器布置

依据工业机理分析结果，在滚刀箱大托座处布置温度传感器、三向应变传感器；在齿轮箱侧面、工作台侧面、X轴丝杠安装支座布置三向加速度传感器、温度传感器；在Z轴丝杠安装支座布置三向加速度传感器；在润滑油箱上端面和靠近底部侧面布置温度传感器；在左/右床身中间位置布置温度传感器、三向应变传感器及三向加速度传感器；在左/右床身端面布置位移传感器；在操作台左上方布置噪声传感器、温度传感器。

3、数据采集与处理

每执行一次传感器数据采集，获取39条原始数据，其中通过加速度传感器和噪声传感器获取的振动信号和噪声信号必须以一定频率截取一段时间内的连续数据，才能进行后续分析。结合现场实际，确定了每分钟一个采集周期，每个周期内以10kHz的频率截取0.5s的信号的采集策略。构建数据采集程序，执行采集策略并将包含39类原始数据的信号提取后转化为.xlsx格式的文件，以时间戳命名保存。构建数据处理程序定时读取对应文件，并处理后得到信号均值或振幅，通过websocket接口推送至时序库。

4、数据降维

根据积累的数据，使用开发的数据降维算法简化数据集。在该实施例中，齿轮箱Y向振幅为预测值，其它38项参数为预测模型输入值。通过数据降维算法，将输入值减少至24项，从而提高了振幅预测模型训练效率。同时，在构建同型号或同类型设备早期异常识别***时，数据降维结果可为传感器布置阶段提供参考，简化数据采集与处理流程。

5、振幅预测模型构建

将滚齿机齿轮箱Y向振幅为模型输出值，数据降维得到的24项参数作为输入值训练振幅预测模型。从时序库中提取积累的数据集，将其划分为训练集和测试集，使用训练集训练振幅预测卷积神经网络模型，使测试集测试模型预测效果，若满足要求，则保存模型。若不满足要求，调整模型卷积核大小、卷积核步长、池化窗口大小、池化窗口步幅、全连接层数等，重复训练过程，直至模型满足要求。

6、振幅残差分析

在滚齿机运行过程中，计算齿轮箱Y向振幅实际值和振幅预测模型预测值的残差，当残差超过设定的阈值时，提取故障信号进行后续处理。

7、振动信号分析

使用开发的振动信号分析程序处理对应的齿轮箱Y向振动信号，提取主要特征频率，与故障特征频率进行比对，确定异常位置并将结果推送至相关人员，实现对滚齿机的早期异常识别。

8、模型更新与优化

当出现误报漏报时，调整振幅残差阈值，若仍未满足异常识别要求，更新数据集并重复振幅预测模型构建流程，从而更新优化模型。此外，根据滚齿机失效率曲线，定期更新预测模型并将旧模型存储进模型库，供后续同型号设备调用。

图5为本说明书一个或多个实施例提供的一种设备异常识别设备的结构示意图，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：

获取指定设备的实时健康状态关键表征参数；

获取所述指定设备的运行数据；

将所述指定设备的运行数据输入预先训练的预测模型，得到所述指定设备的预测健康状态关键表征参数；

根据所述指定设备的实时健康状态关键表征参数与所述指定设备的预测健康状态关键表征参数进行残差分析，得到所述指定设备的残差分析结果；

若所述指定设备的残差分析结果超出预设阈值，根据所述指定设备的运行数据识别所述指定设备存在异常的子***。

本说明书一个或多个实施例提供的一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令被计算机执行时能够实现：

获取指定设备的实时健康状态关键表征参数；

获取所述指定设备的运行数据；

将所述指定设备的运行数据输入预先训练的预测模型，得到所述指定设备的预测健康状态关键表征参数；

根据所述指定设备的实时健康状态关键表征参数与所述指定设备的预测健康状态关键表征参数进行残差分析，得到所述指定设备的残差分析结果；

若所述指定设备的残差分析结果超出预设阈值，根据所述指定设备的运行数据识别所述指定设备存在异常的子***。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的子***互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备、非易失性计算机存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的子***说明即可。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

以上所述仅为本说明书的一个或多个实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书的一个或多个实施例可以有各种更改和变化。凡在本说明书的一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (10)

1.一种设备异常识别方法，其特征在于，所述方法包括：

获取指定设备的实时健康状态关键表征参数；

获取所述指定设备的运行数据；

将所述指定设备的运行数据输入预先训练的预测模型，得到所述指定设备的预测健康状态关键表征参数；

根据所述指定设备的实时健康状态关键表征参数与所述指定设备的预测健康状态关键表征参数进行残差分析，得到所述指定设备的残差分析结果；

若所述指定设备的残差分析结果超出预设阈值，根据所述指定设备的运行数据识别所述指定设备存在异常的子***。

2.根据权利要求1所述的方法，其特征在于，所述获取指定设备的实时健康状态关键表征参数前，所述方法还包括：

对所述指定设备通过故障树分析与故障模式影响分析，得到所述指定设备的分析结果：

根据所述分析结果，确定所述指定设备中各故障原因的危害程度与表征参数；

根据所述各故障原因的危害程度与表征参数，确定所述指定设备的健康状态关键表征参数。

3.根据权利要求1所述的方法，其特征在于，所述指定设备的实时健康状态关键表征参数包括所述指定设备各子***的实时健康状态关键表征参数；所述指定设备的运行数据包括所述指定设备各子***的运行数据；所述指定设备的预测健康状态关键表征参数包括所述指定设备各子***的预测健康状态关键表征参数；

所述获取指定设备的实时健康状态关键表征参数前，所述方法还包括：

对所述指定设备各子***通过故障树分析与故障模式影响分析，得到所述指定设备各子***的分析结果：

根据所述分析结果，确定所述指定设备各子***中各故障原因的危害程度与表征参数；

根据所述各故障原因的危害程度与表征参数，确定所述指定设备各子***的健康状态关键表征参数。

4.根据权利要求1所述的方法，其特征在于，所述将所述指定设备的运行数据输入预先训练的预测模型前，所述方法还包括：

根据预设分析方式，确定所述指定设备的运行数据对应的特性子集；

将所述特性子集输入至预先训练的降维模型，输出指定设备降维后的运行数据，并将所述指定设备降维后的运行数据输入所述预测模型。

5.根据权利要求1所述的方法，其特征在于，若所述指定设备存在异常的子***误报或漏报时，所述方法还包括：

分析误报或漏报的原因，所述误报或漏报的原因包括数据噪音、模型不准确性与阈值设置不合理；

根据所述误报或漏报的原因确定调整策略。

6.根据权利要求5所述的方法，其特征在于，所述误报或漏报的原因为所述阈值设置不合理，所述调整策略包括：

对所述预设阈值进行适应性调整。

7.根据权利要求5所述的方法，其特征在于，所述误报或漏报的原因为所述数据噪音，所述调整策略包括：

更换数据集中误报或漏报对应的运行数据，并通过更新后的数据集重新训练预测模型。

8.根据权利要求5所述的方法，其特征在于，所述误报或漏报的原因为所述模型不准确性，所述调整策略包括：

获取所述指定设备的历史运行数据，根据所述历史运行数据确定失效率；

根据所述失效率与所述指定设备的实际运行情况，确定所述预测模型的更新周期，以便在每个更新周期根据最新的运行数据更新训练预测模型。

9.一种设备异常识别设备，其特征在于，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：

获取指定设备的实时健康状态关键表征参数；

获取所述指定设备的运行数据；

将所述指定设备的运行数据输入预先训练的预测模型，得到所述指定设备的预测健康状态关键表征参数；

根据所述指定设备的实时健康状态关键表征参数与所述指定设备的预测健康状态关键表征参数进行残差分析，得到所述指定设备的残差分析结果；

若所述指定设备的残差分析结果超出预设阈值，根据所述指定设备的运行数据识别所述指定设备存在异常的子***。

10.一种非易失性计算机存储介质，其特征在于，存储有计算机可执行指令，所述计算机可执行指令被计算机执行时能够实现：

获取指定设备的实时健康状态关键表征参数；

获取所述指定设备的运行数据；

将所述指定设备的运行数据输入预先训练的预测模型，得到所述指定设备的预测健康状态关键表征参数；

根据所述指定设备的实时健康状态关键表征参数与所述指定设备的预测健康状态关键表征参数进行残差分析，得到所述指定设备的残差分析结果；

若所述指定设备的残差分析结果超出预设阈值，根据所述指定设备的运行数据识别所述指定设备存在异常的子***。