一种基于大数据分析的自动化设备故障预测方法及系统与流程

本发明属于工业自动化与智能运维，具体地说是一种基于大数据分析的自动化设备故障预测方法及系统。

背景技术：

1、自动化仪表是工业生产过程中实现参数检测、控制和调节的核心设备，其运行可靠性直接影响生产安全与效率。随着工业4.0和智能制造的推进，自动化仪表的数量和复杂度持续增长，传统的定期维护和事后维修模式已难以满足高可靠性要求，基于状态的预测性维护成为行业发展趋势。

2、现有自动化仪表故障预测方法多采用单一时域统计特征或简单的频域分析，未能充分挖掘仪表运行数据中的时频联合特征。小波包分解虽被部分研究采用，但通常仅用于单一信号处理，缺乏多源异构数据的有效融合机制，导致特征维度低、信息损失大。

3、传统方法多采用固定阈值的规则判断或单一机器学习模型，无法有效捕捉仪表退化过程中的长期依赖关系和非线性动态变化。lstm等时序模型虽能处理序列数据，但标准lstm对关键时间步的关注能力有限，且单一模型在面对不同故障模式时泛化能力不足。

4、现有预警系统多采用固定阈值或基于3σ原则的静态判定，未考虑仪表运行工况漂移和数据分布变化，导致在工况切换时频繁误报或漏报，严重影响运维人员的信任度和响应效率。现有方法多为黑箱预测，无法解释故障预测的依据，且数据采集策略固定，未根据特征重要性动态调整采集资源，造成存储和计算资源的浪费。

5、因此，亟需一种能够充分利用多源大数据、具备强特征提取与融合能力、采用改进预测模型并支持动态预警和资源自适应优化的自动化仪表故障预测方法及系统。

6、本背景技术所公开的上述信息仅仅用于增加对本发明背景技术的理解，因此，其可能包括不构成本领域普通技术人员已知的现有技术。

技术实现思路

1、本发明的目的是提供一种基于大数据分析的自动化设备故障预测方法及系统，以解决现有技术中的问题。

2、为了实现上述目的，本发明提供如下技术方案：一种基于大数据分析的自动化设备故障预测方法，包括以下步骤：

3、s1：实时采集自动化仪表的多源运行数据，所述多源运行数据包括过程变量数据、环境变量数据和仪表自身状态数据；

4、s2：对所述多源运行数据进行预处理，包括缺失值填补、异常值检测和数据归一化；

5、s3：基于预处理后的数据进行多维特征提取与融合，得到综合特征向量；

6、s4：将所述综合特征向量输入改进的故障预测模型，输出故障概率和剩余使用寿命预测值；

7、s5：根据所述故障概率和剩余使用寿命预测值生成分级预警信息。

8、优选的，步骤s2中所述异常值检测采用基于滑动窗口的改进z-score算法，具体包括：

9、设定滑动窗口长度为w，对于第i个时间点的数据i，计算窗口内的局部统计量：

10、

11、

12、改进z-score为：

13、

14、其中k为自适应系数，为窗口内变异系数，为防除零常数；当>zth时判定为异常值，采用相邻有效值的加权插值进行填补，填补公式为：

15、

16、其中为异常点i周边有效样本集合，为衰减系数。

17、优选的，步骤s3中所述多维特征提取采用小波包分解方法，对信号进行j层小波包分解：

18、

19、其中为第j层第k个节点的小波包系数，为小波包基函数；提取各节点的能量特征：

20、

21、并计算能量熵：

22、

23、将各层能量特征、能量熵及时域统计量组成多维特征向量。

24、优选的，步骤s3中所述特征融合采用多头注意力机制，设提取的多源特征矩阵为，注意力权重计算为：

25、

26、其中为可学习参数矩阵；多头融合后的特征为：

27、

28、

29、其中h为注意力头数，为输出投影矩阵。

30、优选的，步骤s4中所述改进的故障预测模型为融合注意力门控的lstm网络，其门控计算公式为：

31、

32、其中为注意力门控系数，为上一时刻注意力输出；细胞状态和隐藏状态更新为：

33、

34、故障概率输出为：。

35、优选的，步骤s4中所述故障预测模型还包括xgboost集成分类器，与lstm模型进行stacking融合；xgboost的目标函数为：

36、

37、其中正则项，t为叶子节点数，w为叶子权重向量；第t次迭代的目标函数二阶泰勒展开为：

38、

39、其中；最优叶子权重为：

40、

41、其中；最终融合预测为:

42、

43、其中,通过验证集上的auc指标优化得到。

44、优选的，步骤s5中所述分级预警采用基于分布漂移感知的动态阈值方法，设故障概率预测序列为,动态阈值计算为:

45、

46、其中和分别为故障概率序列的均值和标准差，分布漂移度量为；

47、

48、和为可调参数；当p>时触发预警，预警等级根据比值η=p/确定：η∈(1,1.5]黄色预警，η∈(1.5,2.0]为橙色预警，η>2.0为红色预警。

49、优选的，步骤s4中所述剩余使用寿命rul预测采用基于wiener过程的退化模型，退化量服从：

50、

51、其中为标准布朗运动，为漂移系数，为扩散系数；rul的概率分布为：

52、

53、其中为失效阈值，φ(⋅)为标准正态分布累积分布函数；rul预测期望值为：

54、

55、当时触发维护建议。

56、优选的，还包括基于shap值的特征重要性分析与自适应采集策略，对于预测模型，特征的shap值为:

57、

58、特征重要性排序为:

59、

60、根据对特征进行分级：当>时提升该类数据采集频率至fhigh,当时保持标准频率fstd,当时降低采集频率至flow,实现采集资源的动态优化分配。

61、一种基于大数据分析的自动化仪表故障预测系统，用于实现如上所述的方法，包括：

62、数据采集层，用于通过opc ua协议实时采集自动化仪表的多源运行数据；

63、数据处理层，用于执行缺失值填补、异常值检测、小波包特征提取及注意力特征融合；

64、预测分析层，包含融合注意力门控的lstm模型与xgboost模型的stacking集成预测引擎，以及基于wiener过程的rul计算模块；

65、预警决策层，用于根据动态阈值生成分级预警信息，并基于shap特征重要性分析自适应调整数据采集策略，将预警信息推送至用户终端。

66、与现有技术相比，本发明具有如下有益效果：

67、1.本发明通过小波包分解提取信号的时频联合能量特征与能量熵，并引入多头注意力机制对多源异构特征进行自适应加权融合，相较于传统单一特征提取方法，融合后的特征向量能够更全面地刻画仪表健康状态，使得故障识别准确率提升。

68、2.本发明在lstm中引入注意力门控系数αt，使模型能够自适应地关注对故障判定最关键的时间步；同时通过xgboost的二阶泰勒展开目标函数捕捉特征间的高阶交互关系，两种模型通过stacking策略融合，兼顾时序建模能力和特征组合能力，预测auc值较单一模型提升。

69、3.本发明提出的动态阈值公式能够实时感知数据分布变化并自适应调整预警边界，相较于固定阈值方法，误报率降低约30%-40%，同时保持较高的故障检出率；引入wiener退化模型，不仅输出故障概率，还给出剩余使用寿命的概率分布和期望值，为维护计划制定提供定量依据，避免过度维护或维护不足。

70、4.本发明通过shap值量化各特征对预测结果的贡献度，动态调整不同数据源的采集频率，在保证预测精度的前提下，可降低约25%-35%的数据存储和传输开销，特别适用于边缘计算资源受限的工业现场场景。