[发明专利]一种基于数据驱动的挤压机设备智能运维方法及系统

说明书

本发明公开了一种基于数据驱动的挤压机设备智能运维方法，包括如下步骤：根据挤压机故障变化敏感的特征参数采集需求，对故障特征参数进行实时采集；根据挤压机生产一线记录的设备故障情况，按照挤压机的故障分类，从挤压机故障历史数据中搜集每种类别故障的数据集各N条，构建挤压机故障数据集；基于机器学习算法构建挤压机的智能故障预测模型，以构建的挤压机故障数据集为训练样本集，对智能故障预测模型进行训练；采用智能故障预测模型提前对设备的故障趋势进行判断，对具体故障类别进行预警预测，并根据模型预测的结果来提前对设备可能发生的故障进行运维干预。本发明大大缩小生产线、设备瘫痪时间，满足挤压机设备智能保障和维修优化的需求。

技术领域

本发明涉及故障预测技术领域，具体涉及一种基于数据驱动的挤压机设备智能运维方法及系统。

背景技术

铝型材在建筑和工业领域应用广泛，而挤压机是铝型材挤压工艺生产线上的重要设备。在铝型材挤压生产过程中，挤压机主要负责铝型材初期的塑性加工过程，参与铝挤压工艺流程中的预热、挤压和压余等三个阶段，是让铝棒通过模具孔挤出，形成所需的各种形状型材的关键设备。挤压机结构复杂，主要由机械结构系统、液压动力系统和电气控制系统三个部分组成。由于各子系统相互间影响、关系复杂、耦合度高，可能导致设备异常状态转移，难以准确定位故障所在。同时，在实际生产过程中，挤压机设备各部位的故障都会导致设备停顿、生产瘫痪，维修时长在0.1～9小时之间不等。因此，频发的设备故障将会严重影响铝型材生产线的产能。在此背景下，本发明提出分析、识别、预测挤压机故障，对其进行基于数据驱动的智能运维方法具有重要现实意义。

目前大多数铝型材制造企业，针对关键设备挤压机的故障，采取的都是以事后诊断维修为主的被动式维修方式，已难以满足设备智能保障和维修优化的需求。在智能故障诊断方法中，基于信号的故障诊断及运维方式，需要额外在设备关键零部件上加装大量传感器，获取如振动等信号，才可进一步分析、运维，这不仅大大增加了运维的成本，也不符合生产现场实际情况；而对于基于模型的故障诊断方法而言，由于挤压机设备结构复杂、系统间相互影响，很难精确构建设备模型，因此也不具有适用性。

发明内容

有鉴于此，为了解决现有技术中的上述问题，本发明提出一种基于数据驱动的挤压机设备智能运维方法及系统，针对挤压机进行深入分析，确定挤压机的主要故障类别和影响因素。根据挤压机异常原因分析，提取对故障变化敏感的特征参数，设计数据采集模块进行特征参数采集。在此基础上构建故障数据集和智能故障预测模型，并以各类故障统计数据为驱动进行模型训练，进一步完善模型。基于此模型，对挤压机设备进行实时监测，提前预警具体故障，最终实现基于数据驱动的挤压机智能故障运维新模式。

本发明通过以下技术手段解决上述问题：

第一方面，本发明提供一种基于数据驱动的挤压机设备智能运维方法，包括如下步骤：

根据挤压机故障变化敏感的特征参数采集需求，对故障特征参数进行实时采集；

根据挤压机生产一线记录的设备故障情况，在数据中心找到相对应的故障数据；按照挤压机的故障分类，从挤压机故障历史数据中搜集每种类别故障的数据集各N条，构建挤压机故障数据集；N为自然数，N≥5；

基于机器学习算法构建挤压机的智能故障预测模型，将故障特征参数标签化作为模型输入，以故障类型识别结果为模型输出，通过迭代算法使理想输出与实际输出的均方误差达到最小值；在构建的初始故障预测模型基础上，以构建的挤压机故障数据集为训练样本集，对智能故障预测模型进行训练，进一步调整模型参数；

采用智能故障预测模型提前对设备的故障趋势进行判断，对具体故障类别进行预警预测，并根据模型预测的结果来提前对设备可能发生的故障进行运维干预。

作为优选地，根据挤压机故障变化敏感的特征参数采集需求，对故障特征参数进行实时采集之前还包括如下步骤：