[发明专利]一种基于多维数据融合的设备状态预测方法及系统

说明书

本发明公开了一种基于多维数据融合的设备状态预测方法和系统，包括：对设备运行全生命周期的状态监测信号进行采集和预处理，利用小波包分析对状态监测信号进行降噪处理，对原始状态监测信号和本征模态分量进行时域、频域和时频域的特征提取，使用排列熵和信息熵进行特征筛选，对已经筛选过的特征进行设备工况的无监督识别，在云中心端进行模型训练，并保存至边缘端进行设备运行状态及其剩余寿命的预测。本发明利用多任务学习方法挖掘相似工况中的有用多维数据信息以提升设备状态及其剩余寿命预测模型的回归性能，采用云边结合的系统架构节省通信开销，增加计算效率。

技术领域

本发明涉及设备状态预测技术领域，尤其涉及一种基于多维数据融合的设备状态预测方法及系统。

背景技术

工业现场设备的安全可靠性运行不仅是保障企业经济和社会效益稳定提高的前提，也是保证操作人员生命安全的稳定基础，故工业设备的预测性维护成为工业生产中或不可缺的组成部分，而设备的运行状态信息及其寿命信息是设备维护所主要关注的对象，精准预测设备的未来状态及其失效时间可以降低相应生产工件的坏品率，提高整个工业流程的周转效率，进而提高生产效率。但是若采取过度的保护策略又会造成设备剩余寿命的浪费以及不必要的设备停机时间浪费。因此，如果能够基于多维历史数据和当前实时数据精准预测设备的状态信息及其剩余寿命，将有效地优化工作排程且降低设备采购成本。

但由于工业现场设备的机械结构特点和工业流程设计，设备的磨损趋势会因为多种工况的不同具有较大的区别，其设备的多样性使得基于物理模型预测的方法难以直接在高度耦合的复杂工业现场使用，例如数控机床、刀具以及工件设备就具有不同的物理模型，当面临真实运行的设备状态预测场景时，多个物理模型会以时变的状态产生复杂耦合，由于缺乏专家经验和高精密建模仪器，此类方法往往难以对设备及其工况快速精确建模。

而基于单任务思路的机器学习方法取决于特征构建方法和数据集的规模，并且对样本同分布要求极高，在设备运行过程中，预测主体映射会随着运行过程的变化而变化，进而导致不同工况的样本属于不同的分布等欠拟合现象，故使用单任务的机器学习方法不能在多工况条件下提供解释性更强的回归预测。基于机器学习与物理模型相结合的方法需要以数据驱动物理模型的更新，受限于设备运行状态信号会受不同工件加工流程的影响和数据更新的时延，此类方法在多工况异构设备场景中同样会面临物理模型难以精准建模等问题，导致模型预测性能较差。现有的设备状态预测方法大都只考虑了相似工况下的预测函数建模，当面临多工况异构设备状态预测场景时，现有方法往往会出现欠拟合的现象，导致预测性能大幅下降。同时当对全新设备进行冷启动预测时，缺少训练数据和标签数据等问题也会导致现有方法的预测结果难以直接使用。

申请号为202010281572.7的名为“云-边协同下电网设备运行状态预测方法及系统”的中国发明专利提出一种应对电网设备部署偏远场景下的云-边协同预测方法，云平台实现预测模型分布式计算和云端数据存储，而边缘端负责电网设备实时数据的采集，二者相互协作实现设备状态的实时预测，但设备之间的异构性以及工况的多样性使得数字孪生深度学习模型难以应用在复杂工况场景中。申请号为201710947637.5的名为“一种工业机械设备健康状态分析与预测方法及其系统”的中国发明专利综合运用统计学习及数据挖掘相关理论和技术，对工业设备的监测数据进行预处理和特征提取，进而进行工业设备性能的退化趋势分析，但是多工况场景下对应不同的映射函数主体，向量回归模型容易出现过拟合情况，导致预测性能变差。申请号为201910782945.6的名为“一种基于LSTM+CNN的机床刀具剩余寿命预测方法”的中国发明专利使用LSTM+CNN的方法挖掘信号中时序信息和邻近突出信息，但忽略了信号领域的专家经验，并且由于加工工序的不同，会导致刀具状态监测信号的时序性较为紊乱，难以直接加以利用。

因此，本领域的技术人员致力于开发一种基于多维数据融合的设备状态预测方法及系统，可解决多工况场景下的设备状态和剩余寿命预测问题和新设备冷启动预测不准的问题。

发明内容