一种工控设备故障预测维护方法及系统与流程

摘要: 本发明涉及工控设备智能运维,特别是一种工控设备故障预测维护方法及系统。背景技术:1、随着工业自动化、智能制造及工业互联网技术的快速发展,工控设备在生产制造、能源...
一种工控设备故障预测维护方法及系统与流程

本发明涉及工控设备智能运维,特别是一种工控设备故障预测维护方法及系统。

背景技术:

1、随着工业自动化、智能制造及工业互联网技术的快速发展,工控设备在生产制造、能源管理、交通运输及过程控制等领域得到广泛应用。为提高设备运行可靠性、降低非计划停机造成的生产损失,基于数据驱动的故障预测维护技术逐渐成为工业设备智能运维的重要研究方向。现有工控设备故障预测维护技术通常通过采集设备运行过程中的温度、压力、振动、电流、位移等多类型状态数据,并利用数据分析模型建立设备运行状态与故障状态之间的关联关系,实现设备健康状态评估及故障趋势预测。随着人工智能技术的发展,机器学习、深度学习等方法被逐渐应用于工业设备状态监测,通过对历史运行数据进行特征提取和模型训练,能够挖掘设备运行参数变化规律,实现设备异常检测、故障分类以及剩余寿命预测。

2、然而,现有基于多源数据融合的工控设备故障预测维护技术在实际应用过程中,通常主要依据设备运行状态参数的变化规律进行异常判断,难以充分考虑控制指令执行过程与设备实际响应之间的动态一致性关系。当设备出现响应异常时,其异常原因可能来源于设备自身性能退化,也可能来源于工业通信过程中的数据传输延迟、指令异常或通信状态波动,而现有技术通常将上述不同来源的异常信息统一作为设备故障特征进行处理,导致设备真实退化状态与外部通信异常状态难以有效区分。此外,现有技术在完成故障趋势预测后,通常根据预测结果匹配固定维护策略,缺少针对不同维修动作对设备状态恢复过程影响的预测分析,难以对维护方案的实际恢复效果进行提前评价。

技术实现思路

1、鉴于上述现有存在的问题,提出了本发明。

2、因此,本发明提供了一种工控设备故障预测维护方法,解决工控设备响应异常中设备退化因素与通信干扰因素难以有效区分,导致真实退化状态识别准确性不足的问题。

3、为解决上述技术问题,本发明提供如下技术方案:

4、第一方面,本发明提供了一种工控设备故障预测维护方法,包括,

5、采集工控设备运行过程中的多源数据并进行数据关联处理,生成关联数据集,基于关联数据集构建设备响应预测模型,根据当前控制指令数据和设备状态数据,生成对应的预期响应轨迹;

6、根据预期响应轨迹与实际响应轨迹的差异生成指令-响应偏差特征,结合设备状态数据与通信交互数据,构建联合异常状态表征,基于联合异常状态表征进行状态分离,获得物理退化状态表征和通信异常状态表征,并进行特征解耦分析,确定设备异常来源和真实设备退化状态;

7、根据真实设备退化状态预测设备故障类型及发展趋势,并生成对应的候选维修动作集合,确定各候选维修动作对应的维修后恢复轨迹,并根据维修后恢复轨迹确定目标维修动作。

8、作为本发明所述工控设备故障预测维护方法的一种优选方案,其中:所述采集工控设备运行过程中的多源数据并进行数据关联处理,生成关联数据集,包括以下步骤:

9、采集工控设备运行过程中的设备状态数据、控制指令数据及通信交互数据,并对采集的多源数据进行时间对齐与格式归一化处理,生成标准化多源数据集;

10、以控制指令的下发时刻作为关联基准,在预设响应时间窗口内检索对应时刻的设备状态变化数据和通信交互数据,构建控制指令、设备状态变化及通信交互过程之间的事件级关联单元;

11、根据不同事件级关联单元之间的时间连续关系和设备拓扑关系,对事件级关联单元进行时序拼接和关系编码,生成包含控制指令序列、设备状态序列、设备响应序列及通信状态序列的关联数据集。

12、作为本发明所述工控设备故障预测维护方法的一种优选方案,其中:所述构建设备响应预测模型,根据当前控制指令数据和设备状态数据,生成对应的预期响应轨迹,包括以下步骤:

13、从关联数据集中提取设备正常运行周期内的控制指令序列、设备状态序列及对应的设备响应序列,并按照滑动时间窗口构建响应预测样本;

14、从响应预测样本中提取控制指令序列和设备状态序列,并分别进行多时间尺度特征编码,获得控制指令动态特征和设备状态演化特征;

15、基于控制指令动态特征与设备状态演化特征之间的相关程度,对不同时间节点和不同状态参数对应的特征权重进行动态分配,生成融合响应特征;

16、将融合响应特征输入响应预测模型,获得响应预测样本对应的预测响应数据;

17、根据预测响应数据与响应预测样本中的实际响应数据之间的误差,调整设备响应预测模型的模型参数;

18、将当前控制指令数据和实时设备状态数据输入调整后的设备响应预测模型,获得连续时间窗口内的多个预测响应状态,按照时间顺序生成预期响应轨迹。

19、作为本发明所述工控设备故障预测维护方法的一种优选方案,其中:所述根据预期响应轨迹与实际响应轨迹的差异生成指令-响应偏差特征,结合设备状态数据与通信交互数据,构建联合异常状态表征,包括以下步骤:

20、对预期响应轨迹与实际响应轨迹进行时间轴对齐,分别计算不同时间节点下的响应幅值差异、响应相位差异和响应变化率差异;

21、按照不同时间尺度对响应幅值差异、响应相位差异和响应变化率差异进行分层编码,生成表征瞬时偏差、短时累积偏差及长期趋势偏差的多尺度指令-响应偏差特征;

22、建立多尺度指令-响应偏差特征与设备状态数据之间的对应关系,确定不同设备状态参数对各层级偏差特征的物理关联权重,生成物理状态关联特征;

23、建立多尺度指令-响应偏差特征与通信交互数据之间的对应关系,确定通信延迟、报文时序变化和指令内容变化对各层级偏差特征的通信关联权重,生成通信状态关联特征;

24、根据物理关联权重和通信关联权重,对多尺度指令-响应偏差特征、物理状态关联特征及通信状态关联特征进行加权融合,构建联合异常状态表征。

25、作为本发明所述工控设备故障预测维护方法的一种优选方案,其中:所述基于联合异常状态表征进行状态分离,获得物理退化状态表征和通信异常状态表征,并进行特征解耦分析,确定设备异常来源和真实设备退化状态,包括以下步骤:

26、将联合异常状态表征分别输入物理退化特征编码通道和通信异常特征编码通道,获得初始物理退化状态表征和初始通信异常状态表征;

27、根据指令-响应偏差特征在不同时间尺度下的变化规律,对初始物理退化状态表征和初始通信异常状态表征进行时间尺度关联分析,获得不同时间尺度的物理退化状态子表征和通信异常状态子表征;

28、基于设备状态数据与不同时间尺度的物理退化状态子表征之间的重构一致性,对初始物理退化状态表征进行约束;

29、基于通信交互数据与不同时间尺度的通信异常状态子表征之间的重构一致性,对初始通信异常状态表征进行约束;

30、根据不同时间尺度下物理退化状态表征与通信异常状态表征之间的特征重叠程度,对两个特征编码通道进行联合调整,使设备物理退化特征与通信异常特征分别映射至不同特征空间;

31、分别计算解耦后的物理退化状态表征和通信异常状态表征对指令-响应偏差特征的解释贡献度,并根据解释贡献度确定设备异常来源;

32、从联合异常状态表征中剔除由通信异常状态表征解释的偏差分量,获得表征设备自身性能衰减的真实设备退化状态。

33、作为本发明所述工控设备故障预测维护方法的一种优选方案,其中:所述根据真实设备退化状态预测设备故障类型及发展趋势,并生成对应的候选维修动作集合,包括以下步骤:

34、根据真实设备退化状态在连续时间窗口内的变化关系,提取设备退化程度、退化部位、退化速率及退化加速度,构建设备退化状态序列;

35、将设备退化状态序列与预设故障状态演化模板进行相似性匹配,确定故障类型及各故障类型的发生可能性;

36、根据设备退化状态序列的状态转移关系,推演设备由当前退化状态向不同故障状态演化的状态路径,获得故障发展趋势;

37、根据故障类型、故障发展趋势及设备当前运行条件,从维修知识库中检索与当前退化状态相匹配的维修动作;

38、根据各维修动作对应的适用故障类型、作用部位及预期状态改善范围,对检索得到的维修动作进行组合和筛选,生成候选维修动作集合。

39、作为本发明所述工控设备故障预测维护方法的一种优选方案,其中:所述确定各候选维修动作对应的维修后恢复轨迹,并根据维修后恢复轨迹确定目标维修动作,包括以下步骤:

40、将各候选维修动作与对应的设备状态变化信息进行关联,生成各候选维修动作的维修预测样本;

41、基于维修预测样本,确定各候选维修动作对设备退化特征的作用关系,预测执行各候选维修动作后设备状态随时间的变化过程;

42、根据预测得到的设备状态变化过程,提取设备性能恢复程度、恢复速度、退化趋势改善程度及故障复发可能性,生成各候选维修动作的维修后恢复轨迹;

43、对各维修后恢复轨迹进行比较,确定各候选维修动作对应的维护有效性;

44、根据维护有效性对各候选维修动作进行评价,并将满足预设维护目标的候选维修动作确定为目标维修动作。

45、第二方面,本发明提供了一种工控设备故障预测维护系统,包括,

46、多源数据关联模块,采集工控设备运行过程中的多源数据,并进行数据关联处理,生成关联数据集;

47、响应轨迹预测模块,基于关联数据集建立设备响应预测模型,根据当前控制指令数据及设备状态数据生成设备正常运行状态下的预期响应轨迹;

48、偏差特征构建模块,对预期响应轨迹与实际响应轨迹进行差异分析,提取指令-响应偏差特征,并构建联合异常状态表征;

49、异常状态解耦模块,对联合异常状态表征进行状态分离,解耦设备物理退化因素及通信异常因素,确定真实设备退化状态;

50、故障趋势预测模块,根据真实设备退化状态预测设备故障类型及发展趋势,并生成对应的候选维修动作集合;

51、恢复轨迹生成模块,针对不同候选维修动作预测设备维修后的状态变化过程,生成对应的维修后恢复轨迹;

52、维护决策优化模块,根据不同的恢复轨迹进行维护效果评价,确定目标维修动作。

53、第三方面,本发明提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其中:所述计算机程序被处理器执行时实现如本发明第一方面所述的工控设备故障预测维护方法的任一步骤。

54、第四方面,本发明提供了一种计算机可读存储介质,其上存储有计算机程序,其中:所述计算机程序被处理器执行时实现如本发明第一方面所述的工控设备故障预测维护方法的任一步骤。

55、本发明有益效果为:通过采集工控设备运行过程中的多源数据并进行关联处理,构建包含控制指令、设备状态及响应信息的数据基础,并基于控制指令与设备状态生成预期响应轨迹,为设备正常运行状态下的响应规律提供参考依据,提高了设备异常识别的准确性;通过根据预期响应轨迹与实际响应轨迹之间的差异生成指令—响应偏差特征,并结合设备状态数据与通信交互数据构建联合异常状态表征,能够从控制执行过程、设备运行状态及通信交互状态多个维度刻画设备异常特征,避免单一运行参数变化导致异常判断不准确的问题;进一步通过对联合异常状态表征进行状态分离和特征解耦,分别获得物理退化状态表征和通信异常状态表征,实现设备自身性能退化因素与通信异常因素的有效区分,降低外部通信扰动对设备故障判断的影响,提高真实设备退化状态识别能力;通过基于真实设备退化状态预测故障类型及发展趋势,并结合不同候选维修动作对应的维修后恢复轨迹进行维护效果分析,能够根据设备未来状态变化选择适配的维修方案,实现由故障预测向维护决策的智能化延伸,提高工控设备预测维护的针对性和有效性。