[发明专利]融合机器机理与人工智能算法系统的数据处理方法及系统

说明书

本发明提出了一种融合机器机理与人工智能算法系统的数据处理方法及系统，包括：采集机器运用过程中的实时状态数据，并从中筛选出满足要求的状态数据；从满足要求的状态数据中提取出特征指标，计算出四类状态标签数据对应的指标集合；将带有标签的指标集矩阵输入机器学习算法模型中，输出特征指标集阈值参数；将所述阈值参数作为初始阈值参数，每次系统推送出机器状态等级后，由人工在系统中确认标签的真实状态等级；判断接收到的阈值参数对应的特征等级与人工确认的标签对应的真实状态等级是否一致，如果不一致，将新标签数据对应的指标集纳入标签库，并更新阈值参数，否则通过机器学习算法反复持续训练，直至阈值模型推送的准确率达到95％时，迭代终止。从而大幅提升了系统报警模型的可用水平和准确率。

技术领域

本发明涉及旋转机械的异常、例如转子等的异常检测技术领域，尤其涉及一种融合机器机理与人工智能算法系统的数据处理方法及系统。

背景技术

工业制造业的核心是各种各样的机器，机器的健康运行状态的对于保证工厂连续可靠云运转非常关键。传统的机器运维一般采用故障后维修，即在人工发现机器故障或者影响生产时，安排维护人员对机器进行维修处理。此种模式下，人工无法预知机器的状态，经常出现机器非计划中的停机，一方面增加运维开支，另一方面造成生产中断，影响产能。

近年来随着数据采集传输、工业互联网、人工智能等技术的发展，在机器运维领域，预测性维护逐渐成为趋势，并为越来越多的企业采用。机器预测性维护通过采集机器运行的各类状态参数，如温度、振动、转速、电流、负荷等，然后通过数据处理算法对数据进行处理，提取机器异常时的特征，设置异常阈值，一旦特征超过阈值，系统自动发出报警，机器运维人员收到异常报警后，就可以根据机器问题的严重程度以及生产计划，灵活安排维修时机。

特征阈值设置的是否合理，将直接影响系统的有效性。阈值偏高，将导致早期机器缺陷无法及时提醒，甚至漏掉重要的故障提醒；阈值偏低，将导致机器的任何微小波动即被发现并报警，导致运维人员接收到过多的、不必要的警报，给运维人员带来额外打扰以及工作量。

发明内容

为解决上述技术问题，本发明提出了一种融合机器机理与人工智能算法系统的数据处理方法及系统，以解决机器运行过程中异常特征产生的异常报警问题。

根据本发明的一个实施例，本发明提出了一种融合机器机理与人工智能算法系统的数据处理方法，所述方法包括：

采集机器运用过程中的实时状态数据，并从中筛选出满足要求的状态数据；

基于机器的故障机理，从满足要求的状态数据中提取出特征指标，并基于机理特征指标算法，计算出四类状态标签数据对应的指标集合；

选择机器学习算法模型，将带有标签的指标集矩阵输入机器学习算法模型中，输出特征指标集阈值参数；

将所述阈值参数部署到机器实用环境中，作为初始阈值参数，每次系统推送出机器状态等级后，由人工在系统中确认标签的真实状态等级；

判断接收到的阈值参数对应的特征等级与人工确认的标签对应的真实状态等级是否一致，如果不一致，将新标签数据对应的指标集纳入标签库，并更新阈值参数，否则通过机器学习算法反复持续训练，直至阈值模型推送的准确率达到95％时，迭代终止。

优选的，所述实时状态数据包括温度、振动、电流以及功率。

优选的，所述特征指标包括温度的温度值、温度变化率；振动的有效值、峰峰值、峭度、冲击值；电流指标的电流值、电流变化率；功率指标集的功率值、功率变化率。

优选的，所述状态标签数据对应的指标集合为温度的温度值、温度变化率；振动的有效值、峰峰值、峭度、冲击值；电流指标的电流值、电流变化率；功率指标集的功率值、功率变化率的指标集合，表示为{x1，x2，……，x10}。