一种基于工业互联网的设备状态智能预测与维护方法与流程

本发明涉及工业互联网设备状态监测，具体为一种基于工业互联网的设备状态智能预测与维护方法。

背景技术：

1、随着工业互联网的发展，转换器与接收器作为工业现场设备互联与信号传输的核心组件，其运行可靠性直接影响整个系统的稳定性。为提升对这类设备的状态感知能力，现有技术已开始尝试融合多维度传感信息。例如，在智能转接器方面，已有产品集成了多维度传感模块，可实时采集端口电压、电流、温度等关键参数，以期通过同步采集振动、温度、电流等多维传感数据，构建统一的诊断框架来实现更高精度的设备故障检测。

2、工业厂房内存在大量干扰源，如变频器、大型电机、焊接设备等产生的宽频电磁噪声及结构性环境噪音，使得声学监测设备易受其他声源和复杂声场环境的干扰。更为棘手的是，当同一区域内多台同类型设备同时运行时，邻近设备产生的干扰声与目标设备声音在音色上高度相似，导致传统盲源分离算法因缺乏先验信息引导而难以从混合信号中准确提取目标声音分量。此外，现有多模态融合方法大多采用固定权重或简单拼接策略，缺乏根据实时噪声强度动态调整各模态权重的自适应机制，一旦声学通道受到严重污染，整体诊断框架的可靠性便急剧下降。因此，针对上述问题提出一种基于工业互联网的设备状态智能预测与维护方法。

技术实现思路

1、本发明的目的在于提供一种基于工业互联网的设备状态智能预测与维护方法，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：

3、一种基于工业互联网的设备状态智能预测与维护方法，包括以下步骤：

4、步骤一：通过部署于目标设备处的多模态传感器阵列采集所述目标设备的运行数据，所述多模态传感器阵列包括声音传感器、振动传感器、温度传感器和电流传感器，并同步采集所述目标设备的功率信息作为活动信息；

5、步骤二：基于所述活动信息对采集到的声音信号进行活动信息引导的盲源分离，从混合声音信号中分离出目标设备声音分量与环境噪音分量；

6、步骤三：对分离后的目标设备声音分量进行降噪与特征增强处理，提取抗噪声学特征；

7、步骤四：基于所述抗噪声学特征计算声学异常评分，同时分别基于所述振动传感器、温度传感器和电流传感器的采集数据计算振动异常评分、温度异常评分和电流谐波异常评分，其中所述温度异常评分和电流谐波异常评分通过与各自预设阈值比较获得；

8、步骤五：实时估算当前环境的信噪比，根据所述信噪比动态调整各模态特征在融合决策时的权重，生成融合异常评分；

9、步骤六：基于所述融合异常评分计算当前预测的置信度分数，根据所述置信度分数执行分级响应策略；

10、步骤七：基于所述分级响应策略的输出结果，对所述目标设备进行健康度评估与剩余使用寿命预测，生成维护建议。

11、优选的，步骤二中所述活动信息引导的盲源分离具体包括：通过所述功率信息确定所述目标设备的当前工作状态，所述工作状态包括待机状态、轻载状态和满载状态；构建状态-声纹映射字典，以所述当前工作状态作为先验标签，在盲源分离网络中嵌入状态条件约束；利用所述目标设备工频倍频的周期性，将混合声音信号按周期分割为多个单元，每个单元独立计算自适应分离阈值；根据所述状态条件约束和所述自适应分离阈值，从混合声音信号中提取与当前工作状态匹配的目标设备声音分量。

12、具体的，设混合声音信号为 ，其中其中包含目标设备信号  与环境噪声 ，则；

13、设目标设备的工频为 ，其倍频周期为 ， 为谐波次数；

14、将混合信号按周期  分割为  个单元，每个单元长度为 ：

15、

16、对于第  个单元，其自适应分离阈值  为：

17、其中， 为该单元信号的均值， 为该单元信号的标准差， 为预设的阈值系数，通常取 ；

18、以活动信息  作为状态条件约束，在分离网络中引入条件概率 ，提取与当前工作状态匹配的目标设备声音分量。

19、优选的，所述步骤三中所述降噪与特征增强处理具体包括：

20、步骤3.1：采用堆叠降噪自编码器对分离后的目标设备声音分量进行深度降噪处理，所述堆叠降噪自编码器预先以添加了高斯噪声和掩码噪声的纯净设备声音样本进行训练；

21、步骤3.2：对降噪后的声音信号进行多尺度时频联合分析，通过多尺度深度残差网络提取时域多粒度特征，通过多尺度注意力交错网络解析梅尔语谱图中的频域特征；

22、步骤3.3：采用动态频率弯曲技术提取频率特征，根据信号噪声水平自适应调整特征提取粒度。

23、优选的，步骤四中所述声学异常评分通过以下方式计算：

24、步骤4.1：以所述目标设备正常运行状态下的抗噪声学特征训练自编码器模型和高斯混合模型；

25、步骤4.2：将当前采集的抗噪声学特征分别输入训练好的自编码器模型和高斯混合模型，计算重构误差和对数似然概率；

26、步骤4.3：综合所述重构误差和所述对数似然概率，生成归一化的声学异常评分。

27、优选的，所述振动异常评分、温度异常评分和电流谐波异常评分在所述声学异常评分落入预设模糊区间时被激活作为并行辅助判断；所述预设模糊区间，其中为正常阈值，为明确异常阈值；

28、所述振动异常评分基于所述振动传感器采集的三轴振动信号提取时域特征和频域特征后，通过振动自编码器模型计算获得，所述时域特征包括峰值、均方根、峭度和峰峰值，所述频域特征包括主频能量分布和谐波分量；

29、所述温度异常评分基于所述温度传感器采集的温度信号提取温度绝对值、温度变化率和温度波动方差后，通过与预设温度阈值比较获得；

30、所述电流谐波异常评分基于所述电流传感器采集的输入电流信号进行快速傅里叶变换，提取总谐波畸变率及各次谐波幅值比例后，通过与预设谐波基线值比较获得。

31、优选的，步骤五中所述根据信噪比动态调整各模态特征的权重具体包括：

32、当信噪比高于第一预设阈值时，声学模态特征在融合决策中占据第一权重；

33、当信噪比低于第二预设阈值时，降低声学模态特征的权重，提高电流谐波模态特征和温度模态特征的权重；

34、各模态特征的权重随信噪比的变化连续调整。

35、优选的，步骤六中所述置信度分数的计算因素包括：当前信噪比、盲源分离质量评估结果、以及各模态异常评分之间的一致性程度；

36、所述分级响应策略包括：

37、当所述置信度分数高于第一置信度阈值时，直接输出融合异常评分作为预测结果；

38、当所述置信度分数介于第一置信度阈值与第二置信度阈值之间时，启动多模型集成投票机制，所述多模型包括基于原始信号的第一预测模型、基于盲源分离后信号的第二预测模型、基于降噪处理后信号的第三预测模型、以及基于非声音模态的第四预测模型，以各模型的实时置信度为权重进行加权投票；

39、当所述置信度分数介于第二置信度阈值与第三置信度阈值之间时，挂起声学模态通道，仅基于振动模态、温度模态和电流谐波模态进行降级预测，并触发人工复核；

40、当所述置信度分数低于第三置信度阈值时，暂停自动预测，记录原始采集数据，触发现场巡检。

41、优选的，步骤七中所述健康度评估与剩余使用寿命预测具体包括：

42、步骤7.1：建立所述目标设备全生命周期的多模态异常评分时序数据库；

43、步骤7.2：用长短期记忆网络对所述时序数据库进行建模，输出健康度指数和剩余使用寿命预测区间；

44、步骤7.3：基于所述声学异常评分、振动异常评分、温度异常评分和电流谐波异常评分的组合模式，推断故障根因类型；

45、步骤7.4：根据所述故障根因类型生成对应的维护建议；

46、优选的，所述故障根因类型的推断规则包括：

47、当声学异常评分与振动异常评分同时高于各自阈值时，推断故障根因为变压器铁芯松动或电感共振；

48、当声学异常评分与电流谐波异常评分同时高于各自阈值时，推断故障根因为开关管老化或整流二极管开路；

49、当声学异常评分与温度变化率异常评分同时高于各自阈值时，推断故障根因为电解电容等效串联电阻增大或设备过载。

50、优选的，还包括步骤八：将人工复核结果和现场维修后的实际故障类型、维修动作及维修后声纹变化作为带标签样本回注训练数据集，对所述方法中的各模型进行增量学习更新。

51、与现有技术相比，本发明的有益效果是：

52、1、本发明中，通过活动信息引导的盲源分离，以设备实时工作状态为先验标签嵌入分离网络，利用工频倍频周期性与自适应阈值实现目标声音分量的精准提取，通过堆叠降噪自编码器与多尺度时频联合分析，对分离后的声音分量进行深度提纯；通过声学异常评分与振动、温度、电流谐波多模态并行辅助判断，在声学特征模糊时引入其他物理维度的独立判据进行交叉验证，有效排除环境噪音引起的误判。

53、2、本发明中，通过信噪比驱动的动态模态权重调整，根据实时信噪比自适应降低声学模态权重、向电流谐波和温度等抗噪模态倾斜，确保在强噪声覆盖下仍可获得可靠的融合异常评分；通过置信度驱动的四级分级响应策略，在预测不可靠时执行多模型集成投票、降级预测或触发人工复核，避免因误报导致的非计划停机损失；通过lstm时序建模与弹性权重巩固增量学习机制，实现健康度指数计算、剩余使用寿命区间预测及模型持续优化，确保在极端噪声环境下仍能对目标设备进行高可靠性的预测性维护。