一种双轴状态识别与风险量化的搅拌设备异常预警方法与流程

摘要: 本发明属于工业设备故障预测,具体涉及一种双轴状态识别与风险量化的搅拌设备异常预警方法。背景技术:1、随着工业生产自动化程度不断提升,搅拌设备作为锂电电芯生产、化...
一种双轴状态识别与风险量化的搅拌设备异常预警方法与流程

本发明属于工业设备故障预测,具体涉及一种双轴状态识别与风险量化的搅拌设备异常预警方法。

背景技术:

1、随着工业生产自动化程度不断提升,搅拌设备作为锂电电芯生产、化工物料混合等场景的核心装备,其运行稳定性直接影响生产效率、产品质量与生产安全。传统设备运维多采用定期检修或事后维修模式,存在维护过度、故障停机损失大等问题,因此基于数据驱动的异常预警技术已成为工业设备运维的核心发展方向。

2、现有异常检测技术主要分为基于统计学、基于聚类、基于分类与基于邻近性四大类。随着深度学习技术发展,自动编解码器等方案被广泛应用:通过对正常高维数据进行降维重建建模,以重建偏差大小判定异常程度。但在工业多轴搅拌设备的实际应用中,现有技术仍存在显著缺陷:

3、使用自动编解码器在模型训练对正常数据质量要求高。工业现场采集的运行数据往往混入少量异常样本,导致训练得到的模型基线出现偏差,直接降低异常检测准确率,易出现早期故障漏检。

4、其次,传统异常检测效果评估需要大量标注完成的异常数据,而工业生产中仅能获取故障节点的少量标注,全量数据标注需投入大量人力成本,难以规模化落地。

5、因此,需要一种检测准确率高且无需人工标注工况的搅拌设备异常预警方案。

技术实现思路

1、为了解决现有的异常预警技术方案标注成本高、异常检测准确率低的问题,本发明提供一种双轴状态识别与风险量化的搅拌设备异常预警方法,无需人工标注工况,实现设备的高精度异常预警。

2、本发明的技术方案如下:

3、一种双轴状态识别与风险量化的搅拌设备异常预警方法,包括如下步骤:

4、步骤1:采集目标设备的三轴振动和温度多源异构数据,并采用固定时间窗口对多源振动数据进行滑动聚合,提取每个时间窗口内多源异构数据的均值、标准差及最大值,构建多维统计特征向量;

5、步骤2:选择三轴振动中主振动方向的能量特征,利用k-means聚类算法对所述能量特征进行迭代计算,将目标设备运行状态自动聚类为三种模式,包括待机状态、副轴运行状态及主轴运行状态;

6、步骤3:对主轴运行状态和副轴运行状态分别构建独立的孤立森林异常检测模型,记录训练集在各状态下输出异常分数的均值和标准差;

7、步骤4:通过得到的均值和标准差对实时异常分数进行z-score标准化,随后通过sigmoid激活函数将其映射至[0,100%]的区间,生成故障风险概率;

8、步骤5:根据故障风险概率的风险分级标准触发对应等级预警,并生成诊断报告。

9、进一步的,步骤1具体为:采集目标设备的三轴振动和温度多源异构数据,具体为:在目标设备上安装振动传感器与温度传感器,以预设的采样频率采集三轴振动有效值和温度,对每个时间窗口内的数据进行统计计算,提取各信号通道的均值、标准差及最大值三类统计特征,计算公式如下:

10、 ;

11、 ;

12、 ;

13、其中,表示信号通道s在第i个采样时刻ti的采样值,n表示该时间窗口内的采样点总数,表示该时间窗口内信号通道s的均值;

14、表示该时间窗口内信号通道s的标准差,用于表征该时间窗口内信号数据相对于均值的离散程度,即信号波动的剧烈程度;

15、表示该时间窗口内信号通道s的最大值,即时间窗口内n个采样值中的峰值;

16、最终生成的特征向量表示为:

17、 ;

18、其中,所述信号通道包括温度通道、x轴振动通道、y轴振动通道、z轴振动通道,即;将四个通道的三类统计特征拼接组合,形成12维的多维统计特征向量。

19、进一步的,所述采样频率为10hz至100hz。

20、进一步的,所述固定时间窗口为1分钟。

21、进一步的,步骤3具体为:孤立森林模型设置隔离树数量为200,污染率参数设为0.01;两个模型分别使用对应稳态工况的正常运行数据完成训练,训练完成后分别保存模型文件与对应训练集异常分数的均值和标准差。

22、进一步的,步骤2具体为:

23、步骤2.1:选取x轴振动均值作为主振动方向的能量特征,设置聚类数量k=3,通过k-means算法最小化簇内平方误差和完成聚类;将三个聚类中心按数值从小到大排序,依次对应待机状态、副轴运行状态、主轴运行状态三类稳态工况;

24、步骤2.2:定义待机与副轴的切换阈值,以及副轴与主轴的切换阈值分别计算为:

25、 ;

26、其中,;

27、步骤2.3:引入变异系数识别非稳态的过渡过程,对于当前窗口,计算主振动方向的变异系数,变异系数的计算公式为:

28、 ;

29、其中为主振动方向的标准差,为主振动方向的均值;当>过渡状态预设阈值时,判定当前为过渡状态,暂停异常判定。

30、进一步的,步骤4具体为:建立从原始分数到风险概率的非线性映射机制:

31、步骤4.1:计算标准化异常分数z-score,公式为:

32、 ;

33、其中,为实时数据的原始异常分数;为极小值,用于防止分母为零;为均值;为标准差。

34、步骤4.2:构建风险概率映射函数,利用改进的sigmoid函数将标准化异常分数z-score映射至[0,100%]区间,公式如下:

35、 ;

36、其中,参数k用于控制风险曲线的陡峭程度;参数b为偏移量,用于校准正常区间的基准线;该公式使得异常分数越低,计算出的风险概率越接近100%。

37、进一步的,步骤5中,所述根据故障风险概率的风险分级标准触发对应等级预警具体为:定义风险分级标准,当0%≤≤50%时表示健康状态,当50%

38、进一步的,所述诊断报告包括故障发生时间、工况模式及风险等级。

39、进一步的,步骤5还包括:在可视化界面展示原始振动趋势、温度变化曲线与当前识别的工况状态;实时绘制各轴的风险概率曲线,在时间轴上标记高风险事件与持续时长;当风险概率连续处于某一需要预警的风险分级标准时,通过邮件、短信或声光报警装置触发预警。

40、与现有技术相比,本发明具有如下有益效果:

41、本发明由k-means聚类算法对振动能量特征进行无监督迭代计算,自动划分待机、副轴运行、主轴运行三类运行状态,无需人工标注工况标签,可节省80%以上的数据标注与预处理成本,适配工业场景数据标注匮乏的现状。

42、本发明通过针对主轴运行、副轴运行两种稳态分别构建独立的孤立森林异常检测模型,避免高能量工况的振动基线掩盖低能量工况的微弱故障特征,有效提升早期故障识别能力。

43、在本发明的实施例中,引入变异系数作为稳定性指标,自动识别设备启停、工况切换的过渡状态,过渡态期间暂缓异常判定,有效规避非稳态振动波动导致的误报,可显著降低误报率,大幅提升系统鲁棒性。

44、在本发明的实施例中,通过z-score标准化结合sigmoid激活函数,将无界的原始异常分数转换为0-100%区间的故障风险概率,搭配三级风险分级标准,输出直观的风险等级,便于运维人员快速判断故障严重程度,可直接对接运维工单系统。