基于云平台的动态化设备智能诊断算法模型构建方案.pdf
《基于云平台的动态化设备智能诊断算法模型构建方案.pdf》由会员分享,可在线阅读,更多相关《基于云平台的动态化设备智能诊断算法模型构建方案.pdf(5页珍藏版)》请在咨信网上搜索。
1、第45卷 第08期 2023-08【183】收稿日期:2022-04-13作者简介:冯昭凯(1997-),男,河北石家庄人,硕士,研究方向为人工智能技术在故障诊断中的应用。基于云平台的动态化设备智能诊断算法模型构建方案Construction scheme of dynamic equipment intelligent diagnosis algorithm model based on cloud platform冯昭凯*,白 华,乔运华,赵怡静FENG Zhao-kai*,BAI Hua,QIAO Yun-hua,ZHAO Yi-jing(北京机械工业自动化研究所有限公司,北京 1001
2、20)摘 要:伴随着现代信息化技术与现代工业自动化技术的发展,企业生产设备日益复杂,企业设备维护成本也越来越高。在诸多成本中,最大限度地节省损耗成本是离散制造业生产过程中的一大难题,因此精准识别、定位复杂设备故障的研究成为当下智能制造领域的热点。在此背景下,首先面向离散制造业工艺频繁变更、设备快速迭代的特点进行业务分析,并基于分析结论提出一种设备智能诊断模型的快速构建方案,该方案可动态化、组件化配置设备智能诊断模型,以适应不同设备不同的故障诊断需求。在方案验证阶段,以滚动轴承的故障诊断为例,构建了轴承智能诊断算法模型,对提出的动态化模型构建方案进行验证。提出的动态化模型构建方案支持用户根据实际
3、生产设备需要,灵活构建设备智能诊断算法模型,实现不同类型设备的智能诊断,具有适用范围广、易使用等优点。关键词:智能诊断;故障诊断;模型构建;动态模型中图分类号:TP31 文献标志码:A 文章编号:1009-0134(2023)08-0183-050 引言近年来,以智能制造为核心的“中国制造2025”1国家战略快速推进,在人工智能、云计算、物联网等新型现代化技术的支撑推动下2,各类制造业企业向智能化、高效化、集成化发展已成为必然趋势。伴随着现代信息化技术与现代工业自动化技术的结合,制造业企业的生产设备愈发大型化、精密化、复杂化、自动化3,设备故障几率也随之升高,设备故障的识别、定位、排除也更加困
4、难。因此,如何及时、准确的对生产设备进行故障诊断以保障制造业企业生产过程的高可靠、高精度已经成为当下智能制造领域的研究热点4。本文立足于现代离散制造业领域,针对其业务变更频繁,设备引进频率高,生产任务、生产环境灵活多变等特点,提出一种可根据不同企业的实际设备需求,组件化、动态化配置设备智能诊断算法模型的模型构建方案。本文首先对动态化设备智能诊断算法模型构建方案所涉及的相关理论进行探讨,后结合实际业务需求,基于对业务对象及业务流程的逐层分析,提出一组构建方案,用以实现组态化、动态化配置设备智能诊断算法模型;最后,选取在旋转机械中,已经通过经典建模方法拥有了成熟建模结果的滚动轴承作为验证对象,为其
5、动态化配置智能诊断算法模型,以验证本文提出的动态化设备智能诊断算法模型构建方案的可行性。以上方法路线提出的设备智能诊断算法模型构建方案立足于模型动态化配置理念,在满足现有企业设备故障诊断需求的基础上,对设备故障诊断模型进行抽象建模,得到可根据设备个性化参数进行格式化配置的故障诊断模型构建方案。本文提出的动态模型构建方案对于离散制造业设备故障诊断具有较好的兼容性,可大大降低离散制造业设备智能诊断的准入门槛。1 相关理论研究本章将对动态化设备智能诊断算法模型构建方案所涉及的相关理论进行简要介绍,包括为动态化设备智能诊断算法模型提供支撑的云平台,以及对现有智能诊断算法的研究分析。1.1 基于云平台的
6、故障诊断系统云平台最初来源于亚马逊公司向其他企业提供计算服务的云相关业务,近年来,伴随着国内外云计算技术的理论进步与诸多实践应用,越来越多的企业选择将信息服务部署在云平台上,这可以极大的降低企业在基础设施方面的维护成本,此外,通过与虚拟化技术相结合,系统的可用性、容灾能力也会大大增强。考虑到中小型制造业企业信息化设备维护实力较弱这一事实,本文提出的设备智能诊断算法模型构建方案也将部署在云平台之上,以减少企业信息化系统维护的人力、物力成本,降低制造业企业设备智能诊断的准入门槛。云平台总体架构如图1所示,共包含数据采集层、云平台层、业务层三层,本文的设备智能诊断算法模型构建方案归属于故障诊断模块中
7、基于算法诊断这一故障诊断模【184】第45卷 第08期 2023-08式,通过与数据采集层、云平台层及业务层其他业务模块相结合,共同构成设备故障诊断及远程运维云服务平台,为制造业企业提供设备故障诊断与远程运维服务。图1 设备故障诊断及远程运维云服务平台总体架构图1.2 智能诊断算法近年来,伴随着人工智能技术的迅速发展与制造业企业的实际需要,设备智能诊断算法的研究受到了广泛的关注,国内外学者分别从不同角度对设备智能诊断算法进行了深入的研究,设备智能诊断算法的故障诊断理论、模型和方法研究取得了显著进展。目前而言,设备智能诊断算法包括传统机器学习算法与深度学习算法两大类,具体如图2所示。图2 设备智
8、能诊断算法分类目前而言,基于某一类具体设备或零部件的设备智能诊断算法模型在其研究思路上已经较为成熟且经历过一些落地验证。在此基础上,研究基于行业特色的动态智能诊断算法,是使得智能诊断算法广泛投入应用,且为行业带来生机的必要尝试。无论是传统机器学习算法还是深度学习算法,都涉及算法训练与算法调用两部分,其中,算法训练指使用经过标注的有标签数据或未经标注的无标签数据对算法模型进行充分的训练、验证与测试,待算法的性能满足使用需求后,即可保存模型的架构及其相关参数,方便后续诊断预测时进行算法模型调用;算法调用指根据算法模型的输入数据需要,采集设备运行数据并对其进行数据预处理,而后将预处理后的数据作为诊断
9、算法的输入数据进行算法调用,算法模型预测计算完毕后,输出模型预测值,即设备或部件是否存在故障、故障类型、故障程度等。根据智能诊断算法模型构建方案的需求,本文对设备智能诊断算法的调用过程进行进一步的研究分析。如图3所示,在设备故障诊断领域,智能诊断算法的调用过程通常可分为两步:1)数据采集与预处理;2)诊断算法调用。图3 智能诊断算法调用过程在数据采集与预处理阶段,用户需要采集设备运行数据,并根据采集数据的实际情况与后续智能诊断算法的实际需求,构建数据预处理模型对设备运行数据进行数据预处理,数据预处理分为数据清洗与特征提取两类。其中,数据清洗包含降噪滤波与数据标准化等常用算法;特征提取则常用信号
10、处理技术进行提取,包括时域分析法5、频域分析法6、时频分析法7三类。预处理完毕后,进入诊断算法调用阶段,即以经过预处理后的数据作为机器学习或深度学习算法的输入数据,调用经过预先充分训练的机器学习算法模型得出设备状态值,从而实现设备的故障诊断。如图2所示,常见的传统机器学习算法有隐马尔科夫模型8、决策树9、支持向量机10等等,传统机器学习具有良好的可解释性,但对特征提取的要求更高,而高质量的特征提取又需要丰富的先验知识和设备知识,这就导致传统机器学习算法在设备故障诊断领域应用较为困难。作为传统机器学习的延伸,深度学习模型不需要专家介入,可直接通过深层神经网络进行数据特征提取与设备状态预测。目前,
11、深度学习算法已经受到研究人员和制造业企业的重视并被广泛应用在多个领域,如轴承故障诊断11、风力发电机组故障诊断12、齿轮箱故障诊断13、煤矿设备故障诊断14等。如图2所示,在设备智能诊断领域,经典的深度学习算法模型包括卷积神经网络、自编码器及其变体、循环神经网络以及深度置信网络等等15。2 动态智能诊断算法模型基于离散行业设备特征,结合多品类生产过程设备的差别应用,本文对企业设备诊断过程进行设备诊断算法整体建模,基于行业的动态化智能诊断算法建模对智能诊断模型提出了新的需求,即模型可动态、灵活、组件化配置。以上需求首先需要对设备智能算法流程和关键接口、设备建模的对象特征进行格式化表达,后基于属性
12、化的标准表达,结合实际诊断流程对如何使用建模对象的不同属性进行规范流程抽象和流程建模。最终得到可动态调整,适应离散制造行业设备特征的通用设备智能诊断算法模型构建方案。第45卷 第08期 2023-08【185】2.1 建模对象研究分析在进行设备智能算法诊断时,可以分为如下几个过程:1)数据采集与预处理;2)智能诊断算法调用。本部分研究通过对上述诊断过程逐层分析,抽象出设备智能算法诊断时,各阶段所需的建模对象。1)数据采集与预处理:在设备数据采集与预处理阶段,系统需要与数据采集平台交互,获取设备运行数据,并根据后续智能诊断算法的需求,对其进行相应的预处理操作。在此阶段涉及到两个主要的建模对象,即
13、数据源信息与数据预处理项信息。数据源信息用于维护系统需要从数据采集平台获取的设备运行数据信息,如振动、噪声、温度、油液指标、电气参数等,按数据源类型可将其分为两类,即数值数据与文件数据,在系统与数据采集平台进行数据交互时,不同数据源类型对应不同的数据接口表。在进行设备故障诊断前,系统还需要根据智能诊断算法的需求,对设备数据源进行相应的预处理,包括针对数值数据的逻辑运算、字符比较、四则运算、求均值、求最值、自定义函数等,以及针对文件数据的统计指标计算、标准化处理、降噪滤波、信号处理等。2)智能诊断算法调用:在此阶段,系统将根据用户定义好的设备智能诊断算法模型进行设备故障诊断,而诊断又可细分为三步
14、,即输入、诊断、输出。其中,故障诊断的输入数据来源于上一阶段数据采集与预处理的结果,即设备技术指标(包括设备数据源信息与设备数据预处理项信息);故障诊断的诊断逻辑由设备智能诊断算法模型决定,设备智能诊断算法模型包括智能算法文件、智能算法需要的输入数据与设备技术指标的映射关系、智能算法的输出值信息与设备故障信息的映射关系;智能诊断算法诊断完毕后,返回算法的输出值。系统根据设备智能诊断算法模型中定义的算法输出值与设备故障信息的映射关系生成故障诊断记录,包括故障设备的设备信息、诊断的模型信息、相应的故障信息及其解决方案。根据以上分析,动态建模所涉及的建模对象及对象属性如表1所示。表1 动态建模涉及的
15、建模对象及对象属性建模对象对象属性数据源信息数据类型、数据源目标表、数据类别、数据源编码、数据源名称、单位;数据预处理项信息数据类型、数据类别、数据预处理项编码、数据预处理项名称、单位、预处理模型;设备类型技术指标设备类型、技术指标;设备类型故障信息设备类型、故障类型、故障、故障描述、解决方案、解决方案附件;设备类型智能诊断算法模型设备类型、故障类型、故障、模型编码、模型名称、模型描述、诊断算法(智能诊断算法、算法输入:输入参数、技术指标;算法输出:输出值、故障程度);2.2 模型构建流程研究根据建模对象特征分析结果,在对设备智能算法诊断过程抽象得出的建模对象及其属性的前提下,本阶段研究通过对
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 平台 动态 设备 智能 诊断 算法 模型 构建 方案
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。