基于工业大数据的设备智能运维方法及系统与流程

摘要: 本发明涉及工业设备智能运维,具体为基于工业大数据的设备智能运维方法及系统。背景技术:1、工业设备运维长期依赖单一信号阈值报警和定期检修策略。现场通常仅对振动幅值...
基于工业大数据的设备智能运维方法及系统与流程

本发明涉及工业设备智能运维,具体为基于工业大数据的设备智能运维方法及系统。

背景技术:

1、工业设备运维长期依赖单一信号阈值报警和定期检修策略。现场通常仅对振动幅值或温度值设定固定上限,一旦监测信号超出阈值即触发告警,维修人员依据经验排查故障并安排维修。这种方式在设备退化机理单一、运行工况稳定的场景下可以发挥一定作用,但面对现代复杂机电系统时,其局限性日益突出。现有技术方案存在的缺陷主要体现在两个方面。一方面,基于单一信号阈值的健康评估方式难以捕捉设备退化的多维特征,频繁误报和漏报成为普遍问题。振动、温度、电流等不同物理量的异常往往相互耦合,仅靠独立阈值判断忽略了信号之间的关联信息,也无法反映设备内部物理退化过程的真实状态。部分方法尝试引入数据驱动模型,但纯数据驱动方式缺乏对设备物理失效机理的表达,在样本不足或工况变化时泛化能力差,健康度评估结果与实际退化趋势之间存在较大偏差。

2、另一方面,故障定位与维修决策高度依赖人工经验,缺乏系统化的传播推理和资源约束下的优化机制。当设备健康度下降时,维护人员需手动查阅图纸和历史记录推断故障根因,对于复杂连接关系的设备群,人工分析难以完整追踪故障传播路径,容易遗漏关键节点或错误定位。维修方案的制定通常仅考虑单个故障点,忽略维修总成本、备件库存、人员资质和维修时间窗口等多种实际约束,导致维修执行阶段频繁发生资源冲突、工期延误或重复停机,运维整体效率难以满足精细化管理的需求。

3、为解决上述问题,需要一种能够融合多源数据与设备物理退化机理的健康评估方法,在降低误报的同时准确刻画设备状态变化趋势;还需要一种能够自动解析故障传播链并在复杂资源约束下生成最优维修方案的方法,以代替当前依赖人工的故障定位与计划编排,减少设备非计划停机并控制维修成本。

技术实现思路

1、提供一种基于工业大数据的设备智能运维方法及系统,利用多维特征与设备退化物理模型的残差计算实现设备健康状态的可靠评估,并结合设备关系图谱解析故障传播链,通过约束逻辑编程在资源约束下求解最优维修方案,从而提升健康评估准确度、降低故障误报率,并实现维修决策的自动化与全局优化。

2、为了实现上述目的,本发明提供如下技术方案:本发明提供一种基于工业大数据的设备智能运维方法,包括:采集设备运行过程中的振动时序信号、温度变化序列和电流波形数据;对所述振动时序信号进行傅里叶变换提取频谱特征,对所述温度变化序列进行差分计算提取温度变化率,对所述电流波形数据提取谐波失真度;将所述频谱特征、温度变化率和谐波失真度组合为多维特征向量;基于所述多维特征向量与设备退化物理模型之间的残差计算,得到设备健康度指标;当所述健康度指标低于预设阈值时触发维修请求;基于所述维修请求,从设备关系图谱中解析故障传播链,生成疑似故障节点列表;根据所述疑似故障节点列表和维修历史记录,采用约束逻辑编程求解最优维修方案;输出所述最优维修方案至维护管理系统。

3、通过同步采集振动、温度、电流等多源数据并提取频谱特征、温度变化率和谐波失真度,能够从频域、时域和波形畸变角度全面反映设备状态,克服单一信号对故障表征不完整的局限。多维特征向量与设备退化物理模型之间的残差计算,以欧氏距离量化实际特征与理想退化状态之间的偏离,并利用指数加权移动平均进行平滑,使得到的健康度指标在保留对早期退化敏感性的同时有效抑制瞬时噪声干扰,提升报警的准确性和鲁棒性。当健康度指标低于阈值时,利用以设备部件为节点、物理连接或工艺依赖关系为有向边的设备关系图谱进行反向宽度优先搜索,解析故障传播链,并通过计算介数中心度筛选出在故障传播路径中具有高影响力的节点,同时融合维修历史记录中的故障节点,生成疑似故障节点列表,从而缩小排查范围并提高故障定位的针对性和覆盖性。在此基础上,引入约束逻辑编程技术,将维修方案抽象为二元决策变量,综合考虑维修总成本上限、可用维修人员数量、关键节点强制维修、备件库存数量、维修人员持证排班冲突以及生产调度确定的维修窗口时间等多维约束,以最小化设备停机时间与维修成本加权和为优化目标,通过求解器在可行解空间中搜索全局最优维修方案,实现复杂资源约束下的维修决策自动优化。最终将最优维修方案按时序拆分为工单序列,每一工单包含维修对象、操作代码、备件清单和预计工时,并通过标准接口推送至计算机化维护管理系统,触发工单创建与资源预留,同时设置确认回执与超时重发机制,保证维修指令可靠下达并形成闭环管理,从而显著提升工业设备运维的智能化水平和执行效率。

4、优选的,在采集设备运行数据时,于设备关键测点安装加速度传感器、热电偶和电流互感器,以固定采样频率同步采集数据,对原始数据采用滑动窗口分段并剔除窗口内超出三倍标准差范围的异常点,再将剔除异常点后的数据按时间戳对齐,生成连续的振动时序信号、温度变化序列和电流波形数据,由此消除传感器偶发异常和数据不同步对后续分析的干扰,确保特征提取输入的准确性与一致性。优选的,在提取频谱特征时,对振动时序信号施加汉宁窗函数后执行快速傅里叶变换得到幅值频谱,从幅值频谱中提取前五阶峰值对应的频率和幅值组成振动频谱特征向量,并将该特征向量归一化至单位长度,该方法可在抑制频谱泄漏的同时突出主要振动模态,增强特征对不同故障模式的区分能力。在健康度指标计算中,预先建立以多维特征向量为输入、健康度指标为输出的设备退化物理模型,模型参数由有限元仿真标定,使残差计算具备明确的物理意义,从而更准确地反映设备实际退化量。在解析故障传播链时,对以触发维修请求的设备部件为起点反向宽度优先搜索得到的所有可达节点作为候选故障节点,计算每个候选故障节点的介数中心度,并按照从高到低的顺序筛选出前预设比例的高影响节点,再与维修历史记录中出现过故障的节点取并集,生成最终的疑似故障节点列表,这一方式既考虑了拓扑结构上的传播关键度,又结合了历史故障经验,降低了漏检风险。在约束逻辑编程求解最优维修方案时,从企业资源计划系统获取维修复件库存数量约束,从人力资源系统获取持证人员排班约束,根据生产调度计划设定维修窗口时间约束,保证生成的最优维修方案在现实资源条件下可实际执行,避免产生不可行的维修计划。

5、本发明还提供一种基于工业大数据的设备智能运维系统,包括处理器和存储器,所述存储器存储有程序,所述处理器执行所述程序时实现上述基于工业大数据的设备智能运维方法。该系统具备与本方法相同的技术效果,能够在线采集多源信号、自动评估设备健康状态并在异常时生成资源约束下的最优维修方案,并将维修指令闭环传递至维护管理系统,适用于复杂工业场景中设备的预测性维护与智能决策。

6、在上述技术方案中,本发明提供的技术效果和优点:

7、从振动时序信号、温度变化序列和电流波形数据中提取频谱特征、温度变化率以及谐波失真度,组合形成多维特征向量,在此基础上计算该多维特征向量与设备退化物理模型输出的预测向量之间的欧氏距离,并对该距离进行指数加权移动平均处理,生成设备健康度指标。设备退化物理模型通过有限元仿真标定,内嵌了设备材料、结构与工况之间的力学和热学退化规律,多维特征向量与物理模型之间的残差可以直接反映当前观测数据与期望退化轨迹之间的偏离程度。在保留数据驱动灵敏度的同时,通过物理模型约束抑制了由噪声或瞬态工况扰动引入的虚假波动,健康度指标能够更早且更平稳地反映设备早期微弱退化趋势,低负荷或变工况条件下依然可以保持较低的误报率。当健康度指标低于预设阈值触发维修请求后,从设备关系图谱中解析故障传播链,以触发请求的设备部件为起点,沿有向边反向宽度优先搜索得到候选故障节点,再通过介数中心度计算筛选出高影响节点,并与维修历史记录中曾出现故障的节点取并集,生成疑似故障节点列表。将维修方案定义为针对各疑似节点的二元决策变量,在约束集合中包含维修总成本上限、可用维修人员数量限制、关键节点必须维修的硬约束,以及从企业资源计划系统获取的维修复件库存约束、从人力资源系统获取的持证人员排班约束,和根据生产调度计划限定的维修窗口约束,以最小化设备停机时间与维修成本加权和为优化目标,通过约束逻辑求解器在可行解空间中搜索目标函数值最小的维修方案。故障传播链解析利用设备关系图谱中的物理连接和工艺依赖结构,使疑似故障节点的生成更具物理可解释性,结合维修历史形成的并集能够兼顾高影响节点和历史薄弱节点,避免漏检。约束逻辑编程在面对多资源耦合限制时,能够同时处理硬约束和线性加权优化目标,所获得的最优维修方案在备件可用性、人员资质和时间窗口方面均具备直接可执行性,消除人工制定维修计划时常见的资源冲突,设备整体停机时间得到压缩且维修总成本受控。