一种基于AI技术的设备预测性维护方法与流程

本发明属于人工智能运维，具体涉及一种基于ai技术的设备预测性维护方法。

背景技术：

1、在智能制造领域，自动化装配产线广泛采用多台工业机器人、数控机床、压装单元等设备协同完成复杂工艺。为适应柔性生产需求，产线通常配备视觉引导系统和力觉补偿算法，当某台设备的实际位置或输出力与指令值存在偏差时，控制系统会自动调整协作设备的运动参数或发力大小，以维持最终工艺精度。这种补偿机制使得产线能够容忍一定的位置误差和设备性能波动，从而保证连续生产。然而，随着设备长期运行，其内部机械部件（如减速机齿轮、轴承、丝杠螺母副）会逐渐磨损，早期退化通常表现为输出位置或力的微小漂移，恰好落在补偿系统能够修正的范围之内。

2、现有技术中，针对多机协同产线的设备维护主要依赖单台设备的独立监测数据，例如采集各设备的振动信号、伺服电机电流、温度等特征参数，通过阈值判断或时序预测模型评估设备健康状态。然而，这种监测方式忽略了补偿系统对退化信号的“掩盖”作用：当一台设备出现早期退化时，其自身的振动和电流特征可能变化不大，但补偿系统会迫使其他协作设备额外发力，导致后者负载升高、电流波动加剧。因此，传统方法往往将预警指向负载升高的健康设备，而真正的根源退化设备因症状轻微被漏报。更严重的是，随着视觉补偿算法和力觉控制策略的日益复杂化，这种耦合干扰效应越发显著，使得现有基于单设备独立监测的预测性维护方法在协同产线中难以准确识别根因设备。

技术实现思路

1、鉴于现有技术中的上述缺陷或不足，本技术提供一种基于ai技术的设备预测性维护方法，包括：

2、实时采集多台设备在协同作业过程中的运行响应数据，所述运行响应数据包括各设备的驱动电流、输出转矩、实际位置与指令位置的偏差以及各设备之间的相对位姿修正量；

3、检测产线运行状态以识别自然发生的工况切换事件，将识别出的工况切换事件作为准干预信号，从运行响应数据中提取该准干预信号发生前后预定时间窗口内的响应数据片段；

4、将采集的响应数据片段输入预先构建的因果解耦模型中，使因果解耦模型通过对准干预信号前后响应数据片段的对比分析，确定各设备响应异常之间的传递关系，并基于所述传递关系分离出每一台设备独立于其他设备影响的退化特征分量；

5、根据各设备在不同时刻的退化特征分量构成的时间序列，预测其剩余使用寿命，并输出维护决策。

6、根据本发明提供的技术方案，所述监测产线运行状态以识别自然发生的工况切换事件包括：

7、实时获取产线运行状态参数，所述状态参数包括当前产品型号标识、工具标识、设定节拍时间及工件抓取成功率；

8、当检测到一种或多种预设情况发生时，判定为工况切换事件；所述预设情况包括产品型号切换导致的机器人轨迹参数跳变、工具自动更换引起的夹持力阶跃、生产节拍调整时的运动速度突变或者工件抓取失败后的重试序列开始与结束。

9、根据本发明提供的技术方案，所述提取该准干预信号发生前后预定时间窗口内的响应数据片段之后，还包括预处理步骤：

10、对提取的响应数据片段进行时间戳对齐，将准干预信号发生时刻标记为零时刻；

11、将零时刻之前的响应数据片段作为第一状态序列，零时刻之后的响应数据片段作为第二状态序列。

12、根据本发明提供的技术方案，所述使因果解耦模型通过对响应数据片段的对比分析，确定各设备响应异常之间的传递关系，包括：

13、对于每一台设备，分别比较其在第一状态序列和第二状态序列中的各项运行响应数据的最大均值差异；若任一运行响应数据的最大均值差异超过该设备对应的第一阈值，则标记该设备存在响应异常；

14、对每一个被标记为存在响应异常的第一设备，将其分别与所有其他第二设备配对，计算第一设备的第二状态序列中的数据波动与第二设备的第一状态序列中对应项数据波动之间的时序互相关函数，并记录最大相关系数及其对应的滞后时间；

15、若最大相关系数超过第二阈值，且所述滞后时间与产线控制补偿的固有延迟相匹配，则判定在该准干预信号发生时刻，第一设备的响应异常是由第二设备的退化经控制补偿传递所致，并记录该传递关系。

16、根据本发明提供的技术方案，所述基于所述传递关系分离出每一台设备独立于其他设备影响的退化特征分量，包括：

17、对于存在传递关系的设备对，将第一设备的第二状态序列中与该传递关系对应的数据波动分量减去，剩余部分作为第一设备在该准干预信号发生时刻的独立退化特征分量；

18、对于被判定为响应异常但非传递关系源头的设备，将其第一状态序列与第二状态序列的差值直接作为该设备在该准干预信号发生时刻的独立退化特征分量；

19、对于被判定为传递关系源头的第二设备，将其第一状态序列与第二状态序列的差值直接作为该设备在该准干预信号发生时刻的独立退化特征分量，并保留其作为传递关系源头的标识。

20、根据本发明提供的技术方案，所述根据各设备在不同时刻的退化特征分量构成的时间序列，预测其剩余使用寿命，包括：

21、每当获得各设备在当前时刻的独立退化特征分量后，将该独立退化特征分量按设备标识和时刻追加存储，形成每个设备的退化特征分量时间序列；

22、对每个设备的退化特征分量时间序列进行拟合，得到退化趋势函数；

23、将所述退化趋势函数外推值预设的失效阈值，计算达到失效阈值所需的时间作为该设备的剩余寿命预测值。

24、根据本发明提供的技术方案，所述输出维护决策包括：

25、对于每一台设备，根据传递关系统计该设备作为传递关系源头的次数或者被其他设备传递影响的次数，计算该设备的贡献度；

26、将贡献度最大的设备确定为根因设备，贡献度小于第三阈值的为无异常设备，其余为从属设备；仅对根因设备生成维护指令，对从属设备生成耦合干扰提示；

27、根据根因设备的剩余寿命预测值生成三级预警，当预警等级达到第二级及以上时，生成临时任务重调度方案，将该根因设备的工序转移至其他设备或人工工位。

28、根据本发明提供的技术方案，所述提取该准干预信号发生前后预定时间窗口内的响应数据片段过程中，当连续检测时间超过预设时长仍未捕获到足够数量的工况切换事件时，触发主动探测模式，包括：

29、向产线控制系统发送短时微小幅度的附加运动指令，幅值限制在设备静态精度允许范围内，持续时长不超过设定时长；

30、将附加运动指令起始时刻标记为准干预信号发生时刻，按照与工况切换事件相同的方式提取前后预定时间窗口内的响应数据片段；

31、在主动探测指令执行完毕后，恢复产线原有的控制指令，并将该次主动探测产生的响应数据片段标记为人工干预样本供因果解耦模型使用。

32、根据本发明提供的技术方案，所述实时采集各设备的运行响应数据的过程中，当检测到某一传感器的数据连续丢失，或数值持续超出预设的合理范围，触发数据恢复流程，包括：

33、根据所述因果解耦模型中已建立的设备间传递关系，查找与该故障传感器存在耦合关系的其他传感器的实时数据；

34、利用所述耦合关系以及其他传感器的数据，拟合推算出该故障传感器的近似替代值；

35、将所述近似替代值用于后续步骤的运算，同时在系统日志中生成传感器异常记录，提示维护人员在下次停机时进行检查或更换。

36、根据本发明提供的技术方案，所述根据各设备在不同时刻的退化特征分量构成时间序列的过程中，还包括：

37、判断当前时刻的独立退化特征分量小于前一时刻的独立退化特征分量，且两者的差值绝对值大于第四阈值，判定发生异常跳变；

38、将当前时刻的独立退化特征分量修订为前一时刻的分量与一个设定增长步长之和。

39、与现有技术相比，本发明的有益效果在于：本发明利用产线自然发生的工况切换事件作为准干预信号，无需主动扰动即可获取因果对比数据，避免影响正常生产。通过因果解耦模型对事件前后响应数据片段进行对比分析，能够准确识别设备间响应异常的传递关系，从而从被补偿系统掩盖的混合信号中分离出每台设备独立的退化特征分量。基于该分量构成的时间序列预测剩余寿命，能够精准锁定真实退化的根因设备，避免将预警错误指向健康设备。本发明从根本上克服了现有技术因补偿系统干扰无法准确识别根因设备的缺陷，显著提升了协同产线预测性维护的准确性。