[发明专利]基于大数据的工业预测维修系统及其使用方法

权利要求书

1.一种基于大数据的工业预测维修系统的使用方法，其特征在于，所述基于大数据的工业预测维修系统的使用方法包括以下步骤：

获取历史运行数据，根据所述历史运行数据得到若干训练样本，所述训练样本包括故障样本以及正常样本；

基于所述若干训练样本对广度和深度Wide And Deep模型进行训练，得到故障检测模型；

将所述正常样本输入所述故障检测模型，得到若干第一输出值；

根据所述若干第一输出值，确定故障阈值；

将待检测机械的当前运行数据输入所述故障检测模型，得到第二输出值；

检测所述第二输出值是否大于所述故障阈值；

若所述第二输出值大于所述故障阈值，则输出告警提示。

2.如权利要求1所述的基于大数据的工业预测维修系统的使用方法，其特征在于，所述获取历史运行数据，根据所述历史运行数据得到若干训练样本，所述训练样本包括故障样本以及正常样本的步骤包括：

获取历史运行数据，并将所述历史运行数据中处于故障状态的机械的运行数据标记为故障数据，将所述历史运行数据中处于正常状态的机械的运行数据标记为正常数据；

将所述故障数据作为故障样本，将所述正常数据作为正常样本，并设置所述故障样本的标签为第一标签，设置所述正常样本的标签为第二标签。

3.如权利要求2所述的基于大数据的工业预测维修系统的使用方法，其特征在于，所述历史运行数据包括：

机械的DCS数据和/或本特利系统数据。

4.如权利要求2所述的基于大数据的工业预测维修系统的使用方法，其特征在于，所述广度和深度Wide And Deep模型包括深度神经网络DNN模型以及线性模型，所述基于所述若干训练样本对广度和深度Wide And Deep模型进行训练，得到故障检测模型的步骤包括：

将单个训练样本输入广度和深度Wide And Deep模型，得到单个训练样本对应的DNN模型输出值以及线性模型输出值；

叠加所述DNN模型输出值以及线性模型输出值，得到叠加值，基于σ函数确定所述叠加值对应的类别，并判断所述类别与所述单个训练样本对应的标签是否一致；

若一致，则记作预测正确，若不一致，则记作预测错误；

将新的单个训练样本作为单个训练样本，并执行将单个训练样本输入广度和深度WideAnd Deep模型，得到单个训练样本对应的DNN模型输出值以及线性模型输出值的步骤，直至遍历所有训练样本；

统计得到预测正确的次数a，预测错误的次数b；

通过公式：

计算得到训练误差值e；

检测所述训练误差值是否小于或等于预设误差值；

若所述训练误差值小于或等于预设误差值，则将当前的Wide And Deep模型作为故障检测模型；

若所述训练误差值大于预设误差值，则基于所述训练误差值更新DNN模型以及线性模型的参数，得到新的Wide And Deep模型；

将所述新的Wide And Deep模型作为Wide And Deep模型，并执行所述将单个训练样本输入广度和深度Wide And Deep模型，得到单个训练样本对应的DNN模型输出值以及线性模型输出值的步骤。

5.如权利要求1所述的基于大数据的工业预测维修系统的使用方法，其特征在于，所述根据所述若干第一输出值，确定故障阈值的步骤包括：

选取所述若干第一输出值中的最大值，将所述最大值作为故障阈值。