[发明专利]基于人工智能的设备故障检测与预警系统及方法

权利要求书

1.基于人工智能的设备故障检测与预警系统，其特征在于，包括采集模块、处理模块和预警模块，所述处理模块包括数据训练单元、预测单元和判断单元：

采集模块包括若干传感器，传感器安装在工控设备的不同部件上，用于采集工控设备实时状态数据；

所述数据训练单元用于训练采集到的设备状态历史数据，建立设备异常预测模型；

预测单元用于在采集到的设备状态新数据输入设备异常预测模型后，预测设备状态；

判断单元用于在预测设备状态异常时，通知预警模块发出预警。

2.根据权利要求1所述的基于人工智能的设备故障检测与预警系统，其特征在于，所述预警模块用于发出预警信号，所述设备故障检测与预警系统还包括存储模块，用于存储和更新设备状态数据。

3.根据权利要求1所述的基于人工智能的设备故障检测与预警系统，其特征在于，所述传感器为声音传感器、温度传感器和振动传感器中的一种或多种。

4.基于人工智能的设备故障检测与预警方法，其特征在于，包括以下步骤：

(1)在工控设备的不同部件上选取状态观测点，在状态观测点上安装传感器采集工控设备实时状态数据；

(2)利用数据训练单元训练采集到的设备状态历史数据，建立设备异常预测模型；

(3)采集到的设备状态新数据输入设备异常预测模型后，预测单元预测设备状态，若预测设备状态异常，判断单元则通知预警模块发出预警。

5.根据权利要求4所述的基于人工智能的设备故障检测与预警方法，其特征在于，步骤(2)中，建立设备异常预测模型具体包括以下步骤：

(21)数据预处理：对传感器采集的设备状态数据进行预处理；

(22)特征选择、特征分析：采用过滤式或包裹式或嵌入式的方法来进行数据的特征选择；经过特征选择后，采用统计方法进行特征分析；

(23)特征构造及特征融合：根据需要，将多个特征进行融合处理，特征融合算法主要可以分为三类：基于贝叶斯决策理论的算法、基于稀疏表示理论的算法、基于深度学习理论算法；

(24)异常因子构建：根据不同部件的不同需求及特征数据，构建不同部件的异常因子；

(25)异常预测模型构建：基于特征数据及构建的异常因子，采用回归模型或神经网络模型来构建预测模型。

6.根据权利要求5所述的基于人工智能的设备故障检测与预警方法，其特征在于，步骤(21)中，数据预处理具体步骤为：

1)“抽取(Extraction)”：指的是将数据从各种原始的业务系统中读取出来，这是所有工作的前提；

2)“转换(Transformation)”：指按照预先设计好的规则将抽取的数据进行转换，使本来异构的数据格式能统一起来；

3)“加载(Loading)”：将转换完的数据按计划导入到数据库中。

7.根据权利要求5所述的基于人工智能的设备故障检测与预警方法，其特征在于，步骤(22)中，特征分析采用分布分析或帕累托分析。