[发明专利]基于大数据的多尺度状态监测法

说明书

本发明涉及基于大数据的多尺度状态监测法，包括以下步骤：S1、对数据仓库中的数据进行数据预处理；S2、基准模型建立；S3、异步信息融合：先将外层设备检测到的实际数据导入动态工况基准模型和稳态工况基准模型，计算获得动态残差和稳态残差；接着通过信息粒化的方式，将多个相邻的对应时间的动态残差和稳态残差分成多个信息粒；利用卡尔曼滤波进行动态残差和稳态残差的信息融合，获得融合残差；S4、对融合残差进行对尺度分析构建出状态检测信号。本发明通过构件状态检测信号能够为操作优化和预测性维护提供技术依据。

技术领域

本发明涉及用于工业生产的大数据应用领域，特别涉及基于大数据的多尺度状态监测法。

背景技术

工业大数据指的是各种数据和相关技术，以及在整个生命周期中的应用。不仅存在于客户需求销售、订单、计划、研究与开发、设计、加工、制造、进货、供应、库存、交付和送货、售后服务、维修、还存在于工业区域报废或回收过程和典型智能制造模式的运行。它以产品数据为核心，极大的扩展了传统工业数据的范围，并且包含了工业大数据的相关技术和应用。

大型工业数据的主要来源分以下三个类别。

(1)和生产和经营有关的企业数据

关于生产和经营的企业数据来源主要为存储在企业信息系统中传统范围内的企业信息。它包括传统的工业设计和制造软件、企业资源规划(ERP)、产品生命周期管理(PLM)、供应链管理(SCM)，客户关系管理(CRM)、环境管理体系(EMS)等等。这些企业数据系统积累了大量的产品研发数据，生产数据，运营数据，客户信息数据，物流供应数据和环境速率。这些数据都是在工业领域的传统数据资产，并且它们在移动互联网和其他新科技中的应用也正在被逐渐扩大。

(2)设备的物联网数据

设备的物联网数据主要是指在物联网运营模式下工业生产设备和目标产品产生和收集的数据。包括操作情况、工作状况和可反映设备运行状态和产品的环境参数。这些数据是工业大数据新的同时也是增长最快的来源。狭义的工业大数据指的就是这些数据，等同于说是由工业设备和产品快速产生的有不同时间序列的大量数据。

(3)外部数据

外部数据指的是与生产活动和工业企业的产品有关的外部网络源数据、例如评估企业的环境绩效的环保法规，预测产品市场的宏观社会和经济数据。工业大数据技术是一系列让工业大数据的价值被挖掘和显示出来的技术和方法。这种技术包括数据规划、收集、预处理、存储、分析和挖掘、可视化和智能控制。工业大数据的应用是一个通过综合应用工业大数据系列的技术和方法从特定的工业大型数据集中获取有价值的信息的过程。工业大数据技术的研究和取得的突破的根本目标是从复杂的数据集中发现新的规律和知识，挖掘新的有价值的信息，从而促进制造业企业的产品创新，提高管理水平和生产运营的效率，扩展新的商业模式。

工业大数据，除常规大数据的特点(数据量大，种类多，具有速度特征和价值密度低)以外，还有其他一些特点，像成序列，强关联，准确性和闭环。

(1)大数据量：数据量决定了被研究数据的价值和潜在信息。工业数据量相对较大。高频数据和大量机器设备的互联网数据的不断涌入使得大型工业企业的数据集将达到PB甚至EB的水平。

(2)多样性：它指的是数据类型的多样和来源的广泛。工业数据广泛分布在各种链接，如机器设备、工业产品、管理系统和互联网，同时它们具有复杂的结构。分为结构化的和半结构化的遥感数据和非结构化数据。

(3)速度：指数据可以被获取和处理的速度。工业数据处理速度的需求是多样化的，在生产站点的分析需要达到毫秒级的水平。管理和决策的应用程序需支持交互式分析或分批处理分析。

(4)低价值密度：工业大数据强调用户的价值驱动和数据本身的可用性。包括提高创新能力和生产效率，促进个性化定制，服务转型和向其他新智能制造业形式的转型。