一种用于物联网设备的预测性维护方法与流程

本发明涉及人工智能物联网，尤其涉及一种用于物联网设备的预测性维护方法。

背景技术：

1、智慧社区中部署有大量物联网设备（如电梯、水泵、风机、空调、门禁等），这些设备的运行状态直接影响居民生活质量；用于物联网设备的传统维护模式以“基本阈值监控、事后维修及定期保养”为主，但前述传统维护模式难以在故障发生之前进行有效预警，具体体现为：

2、1）采用“基本阈值监控”时，只能发现已超限的异常，无法识别早期故障征兆（例如：振动频谱中特定频率分量的微弱变化）；

3、2）采用“事后维修”时，很容易导致设备服务中断，不仅影响居民正常生活，甚至可能引发安全事故；

4、3）采用“定期保养”时，由于不考虑设备实际状态，可能对健康设备进行不必要的维护，导致设备维护成本高昂；

5、为了解决前述多个技术问题，本申请提出一种用于物联网设备的预测性维护方法。

技术实现思路

1、鉴于现有技术的上述缺点、不足，本发明提供一种用于物联网设备的预测性维护方法，其解决了当下所存在的“如何在“确保设备服务连续性”及“降低设备维护成本”的情况下，精准识别出物联网设备的早期故障征兆”这一技术问题。

2、为了达到上述目的，本发明采用的主要技术方案包括：

3、本发明提供一种用于物联网设备的预测性维护方法；所述用于物联网设备的预测性维护方法涉及：

4、s1、数据采集agent基于部署于物联网设备的传感器以采集实时运行数据，并依次执行：实时运行数据-预处理、预处理数据上传；

5、s2、基于所上传的预处理数据以提取特征，基于特征获取对应的特征权重及偏离度以计算特征融合评分；特征涉及时域、频域及时频域；

6、s3、若计算出的特征融合评分评分阈值，则无操作；否则，执行：

7、以当前时刻为基准，获取过去14天的运行数据以构建特征时序数据；

8、基于特征时序数据，通过lstm预测算法以获取：未来14天的预测-运行数据；通过孤立森林算法以获取预测-运行数据中的异常数据；

9、基于异常数据，通过极端梯度提升算法以确定对应的物联网设备-故障，以定位故障设备；基于退化速率、扩散系数及失效阈值以计算：故障设备所对应的剩余可使用天数-概率分布；

10、s4、基于所定位的故障设备及其剩余可使用天数-概率分布，通过设定约束条件以执行：涉及维护成本、服务中断时间、设备可用性的最优化，并通过prophet时间序列预测算法以确定：未来14天的备件需求量；

11、基于最优化结果及备件需求量以执行物联网设备-故障维修。

12、可选的，传感器涉及振动传感、温度传感、电流传感、压力传感及运行传感；

13、在边缘网关上对实时运行数据进行预处理；实时运行数据-预处理涉及数据清洗、数据压缩及时间对齐；

14、完成预处理的实时运行数据上传至云端时序数据库influxdb。

15、可选的，时域特征涉及均方根值、峰值、峭度及波形因数；

16、快速傅里叶变换fft将时域信号转换为频谱，以提取特征频率分量及其幅值作为频域特征；

17、采用小波包分解wpd提取频带能量以构建能量谱向量，以捕捉非平稳信号中的故障特征作为时频域特征。

18、可选的，基于ahp层次分析法构建判断矩阵以计算特征权重；基于特征数值与正常基线的标准化偏离程度以确定特征偏离度；

19、基于历史运行数据，采用极大似然估计法以确定扩散系数；

20、特征融合评分的计算公式如（1）：

21、（1）

22、其中，表征特征融合评分；表征扩散系数；表征特征权重；表征特征偏离度；表征特征编号，且，表征特征的总数量。

23、可选的，基于lstm预测算法构建lstm模型；基于历史运行数据构建lstm模型的训练集、验证集，以训练lstm模型，并优化模型参数；

24、将特征时序数据输入lstm模型以输出预测-运行数据；

25、基于孤立森林算法对预测-运行数据所涉及的特征空间进行随机划分，以执行异常点-检测，以获取对应的异常数据。

26、可选的，基于历史运行数据中的异常数据，基于极端梯度提升算法构建极端梯度提升模型；将实时获取的异常数据输入极端梯度提升模型以输出故障-概率分布；基于故障-概率分布确定故障类型以定位故障设备；

27、故障类型涉及轴承磨损、电机过热、密封老化、电路板失效、传感器漂移、机械松动。

28、可选的，基于历史运行数据，采用极大似然估计法以确定退化速率；

29、故障设备所对应的剩余可使用天数-概率分布的计算公式如（2）及（3）：

30、（2）

31、（3）

32、其中，表征退化系数；表征时间；表征退化速率；表征标准布朗运动；表征剩余可使用天数-概率分布；表征失效阈值；

33、剩余可使用天数-概率分布表征为，且；表征：剩余可使用天数为的概率为。

34、可选的，约束条件涉及维护人员排班、备件库存、维护窗口、设备优先级；

35、基于所定位的故障设备及其剩余可使用天数-概率分布执行nsga-ii优化计算，以获取对应的pareto最优解集。

36、可选的，基于设备库存阈值、所定位的故障设备及设备基数，通过prophet时间序列预测算法以适配：设备退化趋势、季节效应及节假日效应，以确定：对应的设备-备用需求量。

37、可选的，自动存储每一故障维修的相关信息以构建结构化故障知识库，以辅助执行快速故障诊断；

38、相关信息涉及故障现象、原因分析、处置方法、备件消耗及耗时；

39、结构化故障知识库包括：多个基于边连接的节点；节点用于表征故障类型、原因、部位及处置方法，边用于表征因果关系。

40、本申请的有益效果包括如下：

41、本申请并未采用传统的“事后维修”及“定期保养”，而是采用：

42、实时提取物联网设备所涉及的特征，基于特征以计算特征融合评分；基于特征融合评分、评分阈值以适时依次执行如下1）至5）：

43、1）基于lstm预测算法以获取预测-运行数据；2）基于孤立森林算法以获取异常数据；3）基于极端梯度提升算法以定位故障设备；4）基于退化速率、扩散系数及失效阈值以计算：故障设备的剩余可使用天数-概率分布；5）执行设备维护最优化，并通过prophet时间序列预测算法以确定备件需求量；

44、基于设备维护最优化结果及备件需求量以执行物联网设备-故障维修，能够在“确保设备服务连续性”及“降低设备维护成本”的情况下，精准识别出物联网设备的早期故障征兆。

1.一种用于物联网设备的预测性维护方法，其特征在于：

2.根据权利要求1所述的预测性维护方法，其特征在于：

3.根据权利要求1所述的预测性维护方法，其特征在于：

4.根据权利要求1所述的预测性维护方法，其特征在于：

5.根据权利要求1所述的预测性维护方法，其特征在于：

6.根据权利要求5所述的预测性维护方法，其特征在于：

7.根据权利要求1所述的预测性维护方法，其特征在于：

8.根据权利要求1所述的预测性维护方法，其特征在于：

9.根据权利要求1所述的预测性维护方法，其特征在于：

10.根据权利要求1所述的预测性维护方法，其特征在于：