一种机器预测性维护系统的制作方法

1.本发明涉及设备维护技术领域，具体为一种机器预测性维护系统。


背景技术：

2.目前，对于机器的维护主要分为三种：1.应激式，即等机器坏了再进行检修。这种方式的优点在于不会产生维护费用，但相对的缺点是因为设备的欠维护，对于价值高的机器一旦产生故障，设备故障维修和设备的停转会造成重大损失；2.计划式，即为定期维护，不管机器有没有问题，按设定好的周期进行定期维护。这种方案的优点在于可以相当程度的保证机器的稳定性，定期维护能大大减小设备故障的可能性；缺点为可能导致过维护，机器不需要维护的时候也进行了维护，浪费了大量维护成本；3.预测式，通过收集设备的运转信息，建立预测系统，实现当机器需要维修时才进行必要的维修。这一方案可有效节约维护成本，并保证设备运行的稳定性，但缺点是目前仍有相关技术上的痛点——如机器故障数据非常少见难以收集，制约基于大数据的机器学习的使用、机器故障多种多样难以定义，制约其实用性、工况恶劣无法提供线缆电源，制约基于传感器收集数据、由于传输带宽的限制，目前无线传输的方式无法将传感器高速采集的大量数据全部传回服务器进行处理，制约全数据收集应用等等。
3.基于上述方案的区分讨论和预测式的机器维护方案的技术缺陷，本技术提出一种机器预测性维护系统。


技术实现要素：

4.本发明的目的在于提供一种机器预测性维护系统，以解决上述背景技术中提出的问题。
5.为实现上述目的，本发明提供如下技术方案：一种机器预测性维护系统，所述系统包括三个部分，所述三个部分分别为边缘自学习推理终端模组、服务器和用户界面，所述边缘自学习推理终端模组包括非故障模型，所述服务器包括异常分类模型、剩余寿命模型和其他分类模型，所述用户界面包括终端用户。
6.进一步的，所述边缘自学习推理终端模组的直接测量对象为各种机械或电气设备，所述各种机械或电气设备的测量信息输出链接非故障模型，所述非故障模型输出链接异常分类模型，所述异常分类模型输出链接剩余寿命模型，所述剩余寿命模型输出链接其他分类模型，所述其他分类模型输出链接终端用户，所述终端用户通过交互式学习反馈分别链接非故障模型、异常分类模型、剩余寿命模型和其他分类模型。
7.进一步的，所述其他分类模型为维护系统的开放数据接口，所述其他分类模型可接入并消费系统产生的数据。
8.进一步的，所述边缘自学习推理终端模组由传感器非固定可选组件、传感器组、微控制单元、存储单元、通信单元、供电单元和交互器件组成。
9.进一步的，所述传感器组通过传感器非固定可选组件链接各种机械或电气设备，
所述传感器组链接微控制单元，所述微控制单元内包括微控单元-1和微控单元-2，所述微控单元-1和微控单元-2之间通过存储单元交互链接，所述微控制单元通过通信单元链接外部系统输入和交互器件，所述交互器件链接传感器组，所述供电单元分别链接传感器组、微控制单元、通信单元和交互器件。
10.进一步的，所述服务器可部署于本地或云端，所述用户界面为低代码可视化web交互界面。
11.进一步的，一种机器预测性维护方法，所述方法包括以下步骤：a.首先边缘自学习推理终端模组从各种机械或电气设备中收集机器的运转参数，并将运转参数发送给非故障模型进行处理，非故障模型实时处理传感器实时产生的数据，当反映机器异常或故障的数据被非故障模型发现时，机器异常或故障的数据会被发送到异常分类模型，并通知终端用户，终端用户对机器异常或故障的数据进行判断决定是否进行维护，同时将决策结果反馈至非故障模型，非故障模型将决策结果作为机器异常或故障的数据的标签进行自学习；b.当步骤a中的机器异常或故障的数据被发送到异常分类模型时，异常分类模型结合终端用户的决策结果对机器异常或故障的数据进分类，并将分类结果发送给剩余寿命模型，同时异常分类模型对自身的分类结果进行自学习，如果下一次进入异常分类模型的数据是已经经过自学习的数据，则直接将结果反馈至终端用户；c.当步骤b将分类结果发送至剩余寿命模型时，剩余寿命模型结合终端用户的决策结果把分类结果对应的数据映射到对应机器或零部件的生命周期上，并将处理得到的分类结果对应的生命周期发送给终端用户，同时剩余寿命模型对分类结果和对应的生命周期进行自学习，如果下次进入剩余寿命模型的分类结果与分类数据是已经学习过的，那么将直接发送故障类型对应的生命周期给终端用户。
12.与现有技术相比，本发明的有益效果是：从安装的角度来说，本设计下的维护系统安装更快速和方便，同时更节约能源、节约材料和人工费用；现有技术框架将传感器数据传送回云端或本地服务器，数据和计算之间的距离是百公里或公里级别。因为数据传输的能耗和距离在一定程度上成正比。将数据回传到云端或本地服务器的传感器无法使用电池供电。工厂有很多环境不允许或架设线缆的成本太高，而本设计下的数据和计算的距离只有毫米级别，最终传感器可以使用电池供电方便用户更快速的部署安装，并节约大量的能源消耗，线缆器材和人工费用。
13.从安全角度来说，本系统可保障安全性和隐私性并节约大量传输带宽成本；针对工业生产环境，数据被严格要求不能出生产网。因为非故障模型被压缩运行在边缘传感器，省去了大量数据传输的需求。数据不进入外网（互联网），各种数据截获破坏被有效的避免了。没有大量的数据传输，数据传输这一块的成本也被节约下来。
14.从效用角度来说，本系统下的数据被实时处理，没有传输延时数据无需传输进入外网，稳定性得到保障；全数据处理，不会丢掉所有异常故障；而且，不同于现有的市场方案需要传输数据到几百公里外的云端服务器进行处理，数据和计算结果之间相差好几秒，如果遇到网络不稳定，服务直接被中断。而本系统压缩运行在边缘传感器的非故障模型实时处理传感器数据，不存在延时问题，同时稳定性也得到保障。对于一些非常关键的设备，异常检测的及时性和稳定性非常重要，不及时或者不稳定都会有错过异常的可能。
15.从模型训练角度来说，本系统的客户无需提供历史数据而且客户可以快速部署非故障模型推行预测性维护，且可以发现没有定义过的异常；因为机器绝大多数时候都是正常运行的，所以很难收集大量的机器故障数据。从比例上来说，1年内，95%以上都是非故障数据，对于有些大型关键机器可能更高接近99%的数据都是非故障数据。而现有技术中，95%-99%的数据都会被丢弃，只使用1-5%的数据来训练模型。机器学习一个非常重要的前提就是大量的数据，如果没有足够的数据，机器学习的精度会大大下降。如果要用现有的故障模型来做，用户需要提供大量的历史故障数据，大多数工厂数据意识薄弱，并没有搜集相应的数据。或者安装传感器等待很长时间收集故障数据，用户在很长一段时间内不能享受预测性维护带来的效益，而且需要很多的前期投资。但在本系统中，非故障建模无需客户提供历史数据，仅仅使用机器系统正常运行数据就可以训练模型并可以发现所有异常数据，也就是可以发现认为没有定义过的故障。即使客户没有历史数据，额外安装传感器也无需等待很长时间等待故障出现，而只要几个小时或几天的正常运行数据就可以训练模型。当非故障模型部署后，正常的数据还会不停地促进模型自学习进化从而不会错过任何异常的发现。
附图说明
16.图1是本发明中的整体系统架构图；图2是本发明中的边缘自学习推理终端构架图；图3为本发明和现有技术的构架对比图；图4为边缘自学习推理终端的逻辑关系图。
17.图中：1、边缘自学习推理终端模组；11、各种机械或电气设备或电气设备；12、非故障模型；100、传感器非固定可选组件；101、传感器组；102、微控制单元；103、存储单元；104、通信单元；105、供电单元；106、交互器件；2、服务器；21、异常分类模型；22、剩余寿命模型；23、其他分类模型；3、用户界面；31、终端用户。
具体实施方式
18.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
19.请参阅图1-图4，本发明提供一种技术方案：一种机器预测性维护系统，系统包括三个部分，三个部分分别为边缘自学习推理终端模组1、服务器2和用户界面3，边缘自学习推理终端模组1包括非故障模型12，服务器2包括异常分类模型21、剩余寿命模型22和其他分类模型23，用户界面3包括终端用户31。
20.边缘自学习推理终端模组1的直接测量对象为各种机械或电气设备11，各种机械或电气设备11的测量信息输出链接非故障模型12，非故障模型12输出链接异常分类模型21，异常分类模型21输出链接剩余寿命模型22，剩余寿命模型22输出链接其他分类模型23，其他分类模型23输出链接终端用户31，终端用户31通过交互式学习反馈分别链接非故障模型12、异常分类模型21、剩余寿命模型22和其他分类模型23。
21.其他分类模型23为维护系统的开放数据接口，其他分类模型23可接入并消费系统产生的数据。
22.边缘自学习推理终端模组1由传感器非固定可选组件100、传感器组101、微控制单元102、存储单元103、通信单元104、供电单元105和交互器件106组成。
23.请参阅图4，传感器组101通过传感器非固定可选组件100链接各种机械或电气设备11，传感器组101链接微控制单元102，微控制单元102内包括微控单元-1和微控单元-2，微控单元-1和微控单元-2之间通过存储单元103交互链接，微控制单元102通过通信单元104链接外部系统输入和交互器件106，交互器件106链接传感器组101，供电单元105分别链接传感器组101、微控制单元102、通信单元104和交互器件106。
24.进一步的，从逻辑关系上说，边缘自学习推理终端模组1由三个模组组成，模组i包括传感器模组，包括多种传感器，如加速度计、温度传感单元、图像采集单元等；模组i生成高频原始数据单向传入模组ii，模组i的供电单元105可以采用移动电源或线缆电源供电；模组ii包括微控制单元102和存储单元103，用以处理原始数据，生成特征，运行推理并将结果推向无线传输模组或模组iii中的plc通信模组；模组ii中的通信单元104无线传输模组将结果送到外部系统；两个微控单元，即为微控单元-1和微控单元-2根据无线传输模组或模组iii中plc通信模组回传参数调用存储模组中不同非故障建模模型；模组ii的供电单元105采用移动电源供电。
25.模组iii包括交互单元106中的转换器转换模组i传感器原始数据格式和频率适配plc通信模组，plc通信模组将转换后的数据传入外部系统；模组iii的供电单元105采用线缆电源供电。
26.通信关系：1.模组i可以同时将数据传入模组ii 和模组iii；2.模组ii可以将结果传入模组iii；3.模组ii可以接收自身无线模组数据也可以接收模组iii数据；4.模组i不可以独立存在，必须配合模组ii或模组iii工作；5.模组ii和模组iii可以同时配合模组i工作。
27.需要说明的是，服务器2可部署于本地或云端，用户界面3为低代码可视化web交互界面。
28.请参阅图1，一种机器预测性维护方法，方法包括以下步骤：a.首先边缘自学习推理终端模组1从各种机械或电气设备11中收集机器的运转参数，并将运转参数发送给非故障模型12进行处理，非故障模型12实时处理传感器实时产生的数据，当反映机器异常或故障的数据被非故障模型12发现时，机器异常或故障的数据会被发送到异常分类模型21，并通知终端用户31，终端用户31对机器异常或故障的数据进行判断决定是否进行维护，同时将决策结果反馈至非故障模型12，非故障模型12将决策结果作为机器异常或故障的数据的标签进行自学习；b.当步骤a中的机器异常或故障的数据被发送到异常分类模型21时，异常分类模型21结合终端用户31的决策结果对机器异常或故障的数据进分类，并将分类结果发送给剩余寿命模型22，同时异常分类模型21对自身的分类结果进行自学习，如果下一次进入异常分类模型21的数据是已经经过自学习的数据，则直接将结果反馈至终端用户31；
c.当步骤b将分类结果发送至剩余寿命模型22时，剩余寿命模型22结合终端用户31的决策结果把分类结果对应的数据映射到对应机器或零部件的生命周期上，并将处理得到的分类结果对应的生命周期发送给终端用户31，同时剩余寿命模型22对分类结果和对应的生命周期进行自学习，如果下次进入剩余寿命模型22的分类结果与分类数据是已经学习过的，那么将直接发送故障类型对应的生命周期给终端用户31。
29.需要注意的是，异常分类模型21不在服务器2上进行运行，该模型通过神经网络压缩直接部署在边缘自学习推理终端的mcu上，而不需要运行在本地或云端的服务器上，模型实时处理传感器实时产生的数据，而不需要把数据传到服务器，这大大增加了本系统的安全性和隐私性并节约大量传输带宽成本；此外，由于数据被实时处理，没有传输延时数据无需传输进入外网，稳定性得到保障。服务器2可部署于本地或云端，这一部分的服务器业务主要进行的是异常分类模型21、剩余寿命模型22和其他分类模型23的算例运行，主要是处理过程，因此部署起来可以比较自由。用户界面3为低代码可视化web交互界面低代码可视化web交互界面。用户界面3将上述提及的模型封闭成一个个有输入和输出的可视化节点，终端用户31可以直接拖拽组合上述模型做出符合个性化需求的解决方案。不同于目前市场上定制化的预测性维护系统，定制化意味着从需求到解决方案需要甲方和乙方项目配合。通常情况下，一线员工产生了需要，需要层层上报，逐级审批最后到达乙方工程团队。本发明的预测性维护模式是，人工智能 机器机理，我们将机器的机理交给一线的工作人员。人工智能涉及的数据收集，处理，建模，部署全部模块化，工具化，一线工作人员只要懂得机器工作机理就可以通过我们的可视化低代码平台搭建符合他们的预测性维护方案。最终，我们让同一个人即提出需要也做出解决方案。
30.请参阅图3，本设计相对于现有技术的特点在于，现有的市场方案需要传输数据到几百公里外的云端服务器进行处理，或是数公里的本地服务器端，数据和计算结果之间相差好几秒，如果遇到网络不稳定，服务直接被中断。而本系统压缩运行在边缘传感器的非故障模型实时处理传感器数据，信息传输在毫米级别，不存在延时问题，同时稳定性也得到保障。对于一些非常关键的设备，异常检测的及时性和稳定性非常重要，不及时或者不稳定都会有错过异常的可能。而且，减少了传输距离，也大大减少了通讯和部署运算的成本。此外，请参照图3 ，现有技术在工业生产环境环节，传感器和通讯仅仅起到对故障数据进行数据采集和传输的作用，然后依赖云服务器和本地服务器进行数据学习，而本设计采用非故障数据建模预测，传感器收集数据的频率非常的高，通常为毫秒级别，短时间内就可以产生大量的数据。但将利用图3中的现有技术将这些数据全部传输到云端是不现实的，无论从技术角度来看，传输带宽无法满足要求，而且从商业角度来看，数据传输的成本会非常高。由于数据传输技术在短时间内无法突破，所以只能舍弃大量的数据，间隔几分钟或是几个小时才回传一次数据。这就导致数据不是全时段数据，无法全面的描述被预测机器运行状态，异常故障数据将会被忽略，最终影响预测系统的准确性。
31.而现有技术中的故障模型建立的前提是收集大量机器发生故障时的数据。下次同样的故障数据出现时，故障模型就可以识别特定的故障。现实中，工厂的数据意识非常薄弱，并没有收集大量的机器故障数据，为了训练故障识别模型需要首先安装传感器并等待故障出现。作为生产线的主要机器，发生故障的几率很低，而且机器的故障各种各样，很难收集所有的故障类型。最终的结果是，为了实施预测性维护，客户需要忍受漫长的数据收集
过程，还需要接受只能识别出现过的故障。而非故障建模的算法意义在于，可获得大量的数据进行机器学习，算法收益高，学习效果好。
32.以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。