一种基于深度学习的设备故障预测及维护方法与流程

本发明涉及深度学习与设备故障诊断，尤其涉及一种基于深度学习的设备故障预测及维护方法。

背景技术：

1、随着工业设备智能化程度的不断提高以及预测性维护技术的大规模应用，设备运行状态的连续感知与故障演化预测逐渐成为智能制造领域的重要研究方向，针对设备故障预测与维护任务，现有技术主要采用基于统计分析、传统机器学习或深度神经网络的方法对设备运行参数进行建模分析，但在复杂工况和连续退化场景下普遍存在以下问题：

2、传统故障预测方法大多基于单一时间序列或局部特征进行状态分析，难以准确表征设备运行过程中多维运行参数之间的复杂耦合关系，当设备处于变负载、变工况及长周期运行状态时，容易出现退化状态识别不稳定的问题；现有深度学习方法通常采用卷积神经网络、循环神经网络或transformer网络直接学习故障特征，主要依赖特征空间中的数值变化关系，缺乏对设备退化过程中连续拓扑结构变化的建模能力，难以有效描述设备退化状态在时间维度和空间结构维度中的连续演化特征；已有方法普遍采用固定时间窗口或静态特征提取方式构建设备状态表示，无法根据设备运行状态变化动态调整退化分析粒度，导致早期微弱退化特征容易被局部平均化处理所掩盖；此外，现有deeponet模型主要面向函数映射或物理场预测任务，缺乏针对设备连续退化流形的拓扑折叠递归建模机制，也未建立退化流形、拓扑折叠算子与故障风险传播之间的关联演化关系，难以实现复杂工况下设备故障风险的连续预测与维护决策生成。

3、因此，如何提供一种基于深度学习的设备故障预测及维护方法是本领域技术人员亟需解决的问题。

技术实现思路

1、本发明的一个目的在于提出一种基于深度学习的设备故障预测及维护方法，本发明通过构建拓扑退化指纹、连续退化流形与拓扑折叠递归deeponet模型，建立设备退化过程中的连续拓扑演化关系；利用拓扑折叠算子递归更新机制，实现复杂工况下退化流形的连续演化预测；结合流形曲率变化区域构建连续故障风险场，实现设备故障到达概率预测与维护策略生成，提高设备故障预测的连续性、稳定性与智能维护能力。

2、根据本发明实施例的一种基于深度学习的设备故障预测及维护方法，包括如下步骤：

3、步骤一：采集设备运行参数，结合设备运行工况对所述设备运行参数执行归一化处理，生成工况归一化状态矩阵；

4、步骤二：基于所述工况归一化状态矩阵中的状态变化频率调整滑动时间窗口长度，构建高维状态点云，并对所述高维状态点云执行持续同调计算，生成拓扑退化指纹向量；

5、步骤三：基于设备稳定运行阶段对应的拓扑退化指纹向量构建健康基准拓扑指纹，并生成对应的拓扑漂移量和拓扑漂移速度；

6、步骤四：将所述工况归一化状态矩阵、拓扑退化指纹向量、拓扑漂移量和拓扑漂移速度进行时序组合，生成退化输入函数，并构建连续退化流形；

7、步骤五：将所述连续退化流形输入拓扑折叠递归deeponet模型，利用拓扑折叠算子对所述连续退化流形执行递归折叠演化，并基于当前流形折叠状态更新对应的拓扑折叠算子，输出退化流形演化结果；

8、步骤六：基于所述退化流形演化结果提取流形曲率变化区域，根据所述流形曲率变化区域生成连续故障风险场和对应故障到达概率；

9、步骤七：根据所述故障到达概率确定预测故障到达时间，并生成对应维护时间和设备维护策略。

10、可选的，所述步骤一具体为：

11、利用部署于设备不同运行位置的振动传感器、温度传感器、电流传感器、压力传感器和转速传感器同步采集设备运行参数，并依据采集时间顺序构建设备原始时序数据序列；

12、对所述设备原始时序数据序列执行时间对齐处理，将不同采样频率对应的数据按照统一时间间隔执行插值重采样，构建多维同步时序矩阵；

13、对所述多维同步时序矩阵执行异常波动检测，基于当前时间窗口内的数据变化幅值计算局部波动强度，并将局部波动强度超过当前时间窗口平均波动强度的数据标记为异常采样点；

14、对异常采样点对应的数据执行邻域重构处理，利用异常采样点前后时间区间内的连续采样数据计算相邻采样点之间的数据变化率，并依据数据变化率执行数据修正，构建连续运行状态矩阵；

15、基于连续运行状态矩阵中的设备负载参数、能耗参数和运行转矩参数构建工况状态向量，并依据工况状态向量中的负载变化趋势执行工况分段处理，生成多个工况区间对应的运行状态子矩阵；

16、分别统计各运行状态子矩阵对应的数据均值、数据极差和变化速度，并依据数据均值、数据极差和变化速度分别执行区间缩放处理，生成工况归一化状态矩阵。

17、可选的，所述步骤二具体为：

18、对工况归一化状态矩阵中的连续采样数据执行时间序列变化分析，统计相邻采样点之间的数据变化幅值，统计连续时间区间内数据变化幅值超过平均变化幅值的数据出现次数，并依据数据出现次数生成状态变化频率序列；

19、依据状态变化频率序列调整滑动时间窗口长度，在状态变化频率增大的时间区间缩短滑动时间窗口长度，在状态变化频率减小的时间区间增大滑动时间窗口长度，生成多个动态时间窗口；

20、按照各动态时间窗口对应的数据区间提取工况归一化状态矩阵中的连续状态数据，并依据时间顺序构建多维状态向量集合；

21、对多维状态向量集合中的各维状态数据执行相空间重构处理，依据连续采样点之间的时间延迟顺序构建高维嵌入状态空间，生成对应动态时间窗口的高维状态点云；

22、基于高维状态点云中各状态点之间的欧式距离构建距离矩阵，依据距离矩阵中状态点之间的距离大小建立状态点连接关系，并生成拓扑单纯形连接关系；

23、基于拓扑单纯形连接关系执行持续同调计算，提取不同拓扑尺度对应的连通区域、环状结构和空腔结构，生成拓扑生命周期集合；

24、依据拓扑生命周期集合中各拓扑结构对应的生成时间、消失时间和持续时间构建拓扑特征编码序列，并按照时间顺序组合拓扑特征编码序列，生成拓扑退化指纹向量。

25、可选的，所述步骤三具体为：

26、提取设备稳定运行阶段对应的拓扑退化指纹向量，并按照时间顺序构建健康拓扑特征序列；

27、统计健康拓扑特征序列中各拓扑特征编码对应的生成时间、消失时间和持续时间，构建健康拓扑分布矩阵；

28、依据健康拓扑分布矩阵中各拓扑特征编码之间的距离相似度和时间变化趋势执行聚类归并处理，生成健康基准拓扑指纹；

29、提取当前时间窗口对应的拓扑退化指纹向量，并计算当前拓扑退化指纹向量与健康基准拓扑指纹之间各拓扑特征编码对应的差异值，生成拓扑偏移序列；

30、依据时间顺序对拓扑偏移序列中的各差异值执行递增累积计算，生成当前时间窗口对应的拓扑漂移量；

31、统计相邻时间窗口对应的拓扑漂移量变化幅度，并依据时间间隔计算拓扑漂移速度；

32、依据拓扑漂移量和拓扑漂移速度构建拓扑退化状态序列，并按照时间顺序组合拓扑退化状态序列，生成连续拓扑退化演化轨迹。

33、可选的，所述步骤四具体为：

34、提取工况归一化状态矩阵中各时间窗口对应的运行状态数据、拓扑退化指纹向量、拓扑漂移量和拓扑漂移速度，并按照时间顺序构建多维退化状态序列；

35、依据多维退化状态序列中相邻时间窗口对应的数据变化幅值和时间间隔计算状态演化间隔，并按照状态演化间隔对多维退化状态序列执行连续时间重组，生成时序退化片段集合；

36、对各时序退化片段中的运行状态数据、拓扑退化指纹向量、拓扑漂移量和拓扑漂移速度执行分层特征映射处理，生成对应退化特征子空间；

37、依据各退化特征子空间之间的时间邻接关系和变化连续性构建多维退化嵌入轨迹，并按照时间顺序连接多维退化嵌入轨迹，生成退化输入函数；

38、依据退化输入函数中相邻退化状态节点之间的距离关系执行局部邻域展开处理，建立流形邻接关系；

39、依据流形邻接关系中相邻退化状态节点之间的连接方向变化计算局部曲率变化，并按照局部曲率变化构建流形连接路径；

40、基于流形连接路径对退化输入函数执行连续流形嵌入处理，生成连续退化流形。

41、可选的，所述步骤五具体为：

42、将所述连续退化流形输入拓扑折叠递归deeponet模型；

43、所述拓扑折叠递归deeponet模型包括流形分支算子网络、折叠算子递归网络和流形时间主干网络；

44、所述流形分支算子网络以连续退化流形中的流形轨迹节点作为输入，包括：

45、对各流形轨迹节点检索邻域节点集合，计算各流形轨迹节点与邻域节点集合中各邻域节点之间的连接方向向量；

46、基于同一流形轨迹节点对应的多个连接方向向量之间的夹角变化计算局部空间弯曲程度，并依据局部空间弯曲程度生成局部折叠方向量；

47、统计连续时间区间内各流形轨迹节点对应的局部折叠方向量变化趋势，并依据局部折叠方向量变化趋势构建流形折叠传播路径；

48、将各流形折叠传播路径按照时间顺序排列，生成初始拓扑折叠算子序列；

49、所述折叠算子递归网络以初始拓扑折叠算子序列作为输入，包括：

50、计算相邻时刻对应的拓扑折叠算子之间的方向差值、幅值差值和传播路径偏移量，生成折叠算子变化量；

51、将当前时刻拓扑折叠算子与折叠算子变化量执行递归叠加，形成下一时刻拓扑折叠算子；

52、按照时间顺序逐时刻执行拓扑折叠算子更新，并依据更新后的拓扑折叠算子调整对应流形轨迹节点之间的连接方向，生成递归拓扑折叠算子序列；

53、统计递归拓扑折叠算子序列中连接方向连续聚集的流形区域，并依据连接方向连续聚集的流形区域构建递归折叠流形轨迹；

54、所述流形时间主干网络以未来预测时间节点作为输入，包括：

55、将未来预测时间节点经时间基函数变换生成时间基函数向量；

56、将所述递归折叠流形轨迹中的各流形轨迹节点对应的折叠传播路径和连接方向变化进行线性变换，生成流形算子系数向量；

57、将所述流形算子系数向量与所述时间基函数向量按对应维度相乘并求和，生成未来预测时间节点对应的退化流形节点；

58、按照多个未来预测时间节点对应的退化流形节点构建退化流形演化结果。

59、可选的，所述步骤六具体为：

60、提取退化流形演化结果中各退化流形节点对应的空间位置和时间位置，并按照时间顺序构建流形演化节点序列；

61、检索各退化流形节点对应的邻域流形节点集合，计算各退化流形节点与邻域流形节点之间的连接方向变化和节点间距离变化，依据连接方向变化和节点间距离变化构建局部曲率变化值，并生成局部流形弯曲变化序列；

62、依据局部流形弯曲变化序列统计连续时间区间内的曲率聚集区域，并将曲率聚集程度超过当前连续时间区间平均曲率聚集程度的区域标记为流形曲率变化区域；

63、统计各流形曲率变化区域对应的曲率变化幅度、曲率变化持续时间和区域连接方向，并依据曲率变化幅度、曲率变化持续时间和区域连接方向构建故障风险传播轨迹；

64、依据各故障风险传播轨迹中的节点分布密度和轨迹扩展长度变化计算区域风险强度，并按照时间顺序连接各区域风险强度，生成连续故障风险场；

65、统计连续故障风险场中各时间位置对应的风险强度变化幅度，并依据风险强度变化幅度和风险持续时间计算故障风险累计值；

66、依据故障风险累计值在连续时间区间内的增长趋势计算各时间位置对应的故障到达概率。

67、可选的，所述步骤七具体为：

68、提取连续时间区间内各时间位置对应的故障到达概率，并按照时间顺序构建故障概率演化序列；

69、统计故障概率演化序列中相邻时间位置对应的概率变化幅度和概率增长速度，生成故障风险增长序列；

70、依据故障风险增长序列中的连续增长区间构建故障概率增长轨迹，并统计各故障概率增长轨迹对应的增长持续时间和概率变化波动幅度；

71、检索各故障概率增长轨迹中故障到达概率连续增长且概率增长速度达到局部最大值的位置，并将对应时间位置确定为预测故障到达时间；

72、提取预测故障到达时间对应的设备运行负载、设备运行时长和故障风险增长速度，并依据预测故障到达时间与当前时间之间的时间差计算维护响应间隔；

73、依据预测故障到达时间和维护响应间隔生成设备维护时间，并按照时间顺序构建设备维护时间序列；

74、依据设备维护时间序列中各维护时间对应的故障风险增长速度、设备运行负载和故障概率增长轨迹划分风险等级区间，并依据各风险等级区间生成对应设备维护策略。

75、本发明的有益效果是：

76、本发明通过构建基于持续同调分析的拓扑退化指纹生成机制，结合连续退化流形建模与拓扑折叠递归deeponet模型的协同设计，针对复杂工况下设备退化状态难以连续表征、传统深度学习模型缺乏拓扑演化建模能力以及故障风险传播过程难以动态预测的问题，提出基于动态时间窗口调整、拓扑生命周期提取与拓扑漂移量构建的连续退化分析策略，显著增强设备运行状态在时间维度和空间拓扑维度中的连续表达能力；在退化流形构建阶段，引入退化输入函数与流形邻接关系生成机制，通过多维退化状态序列的连续时间重组与流形连接路径构建，实现设备退化过程中的连续流形嵌入表达；在模型结构阶段构建拓扑折叠递归deeponet模型，通过流形分支算子网络提取局部折叠方向量，并利用折叠算子递归网络对拓扑折叠算子执行连续递归更新，使退化流形演化过程同时保留时间连续性与空间拓扑变化关系；在故障风险分析阶段，构建基于流形曲率变化区域的连续故障风险场生成机制，通过故障风险传播轨迹、区域风险强度与故障风险累计值之间的连续关联分析，实现设备故障到达概率的连续预测；最终结合故障概率增长轨迹、维护响应间隔与风险等级区间生成对应设备维护策略，实现复杂工况下设备故障演化过程的连续预测与智能维护决策。