大数据驱动的工业设备预测性维护方法及系统与流程

本发明属于设备维护，尤其涉及大数据驱动的工业设备预测性维护方法及系统。

背景技术：

1、随着制造业向智能化转型的步伐加快，铝冶炼作为基础材料生产的关键环节，其高效稳定运行对于保障供应链稳定及产品质量至关重要，然而，铝冶炼是一个高能耗、高技术密集型的工业过程，涉及众多复杂且相互依赖的机械设备，包括熔炼炉、还原炉、精炼设备、铸造设备以及各类输送和控制系统等。

2、如授权公告号为cn110705133b的中国专利公开了一种预测性维护的方法及预测性维护设备，该方法包括：接收数据传输设备发送的第一数据；对所述第一数据分类，其中，第一数据的类型包括正常数据、异常数据和故障数据；利用方差算法和所述第一数据建立预测模型。

3、如授权公告号为cn109460567b的中国专利公开了一种多部件设备的维护方法及系统，该方法包括以下步骤：(1)采集设备运行时各部件的状态监测数据及每次维护后的初始状态监测数据，并建立设备的运行及维护记录；(2)基于运行及维护记录分别建立设备的每个部件的随机退化模型及随机维护质量模型，并基于所有随机退化模型、随机维护质量模型及选取的优化指标来建立设备的维护优化模型；(3)基于维护优化模型求解出设备的最佳异常点阈值、最佳失效阈值和最佳监测间隔，继而依据最佳监测间隔对设备进行定期监测，同时依据最佳异常点阈值及最佳失效阈值对设备进行维护。

4、以上现有技术存在以下问题：1）铝冶炼过程中熔炼炉运行条件极端（高温、腐蚀性环境等），设备老化和故障模式复杂多变，现有的预测模型可能无法准确反映这种复杂性，预测精度受限，难以提前足够时间发现故障迹象；2）面对突发故障或性能衰退，现有的维护体系可能因缺乏高效的实时监测和智能分析能力，无法迅速定位问题、评估影响并制定应对策略，延误了故障处理的最佳时机，为了解决上述问题，本发明提供了大数据驱动的工业设备预测性维护方法及系统。

技术实现思路

1、针对现有技术的不足，本发明提出了大数据驱动的工业设备预测性维护方法及系统，该方法通过收集铝熔炼炉的属性参数、运行性能数据和设备缺陷图像，利用边缘计算进行预处理与整合，形成设备维护数据集，通过yolov5构建缺陷检测模型和粒子群优化的bp神经网络构建故障预测模型，分别评估设备缺陷类型和故障概率，系统设定维护评分阈值，结合单一缺陷评分和故障概率计算维护评分，并据此决定是否进行停机维护；该方法实现了铝熔炼炉的精准预测性维护，提高了设备运行的可靠性和效率。

2、为实现上述目的，本发明提供如下技术方案：

3、大数据驱动的工业设备预测性维护方法，包括：

4、步骤s1、获取铝熔炼炉属性参数、运行性能数据和设备缺陷图像数据，对收集到数据利用边缘计算方法进行预处理，并对预处理后的不同数据进行整合，获取设备维护数据集；

5、步骤s2、通过yolov5构建轻量缺陷检测评估模型，将预处理后的图像数据输入到缺陷检测评估模型中进行训练，获得对应位置单一缺陷评分；

6、步骤s3、基于粒子群优化的bp神经网络构建故障预测模型，并将预处理的属性参数和运行性能数据输入到故障预测模型中进行训练，获得单一缺陷导致熔炼炉故障的概率；

7、步骤s4、设置单一维护评分阈值和综合维护评分阈值，根据获得的对应位置单一缺陷评分和对应单一缺陷导致故障的概率，计算得到单一维护评分和综合维护评分；

8、步骤s5、将获取的单一维护评分与单一维护评分阈值比较，若至少一个单一维护评分大于等于单一维护评分阈值则对铝熔炼炉进行停机维护，若单一维护评分都小于单一维护评分阈值，则将综合维护评分与综合维护评分阈值进行比较，若综合维护评分大于等于综合维护评分阈值，则对铝熔炼炉进行停机维护，若综合维护评分小于综合维护评分阈值，则保持铝熔炼炉当前工作状态，并实时监测铝熔炼炉运行状态。

9、具体的，步骤s2中获得对应位置单一缺陷评分的具体步骤包括：

10、s201、对预处理的设备缺陷图像数据进行滤波增强处理，并对增强后的设备缺陷图像进行多级标注，获取标注完成的设备缺陷图像数据；所述多级标注包括一级标注，二级标注，三级标注和四级标注，所述一级标注为缺陷锚框标注；所述二级标注为对应锚框下缺陷位置标注，所述三级标注为对应位置下缺陷类型标注，所述四级标注为对应缺陷类型下缺陷得分标注；

11、s202、将标注完成的设备缺陷图像数据输入到轻量缺陷检测评估模型中的切片层中，对输入的设备缺陷图像进行切分，获得大小为640*640*3的设备缺陷图像输入序列x；

12、s203、将获取的缺陷图像序列x输入到轻量缺陷检测评估模型中的轻量骨干层中，进行初步特征提取，获取设备初始缺陷特征；

13、s204、将获取的设备初始缺陷特征输入到缺陷相似聚类层中，对属于同一缺陷类型的缺陷特征进行聚类，获取n个聚类缺陷特征空间；

14、s205、将获取的n个聚类缺陷特征空间输入到轻量缺陷检测评估模型中的瓶颈层中进行特征注意力融合，获取设备缺陷融合聚类特征；

15、s206、将获取的设备缺陷融合聚类特征输入到轻量缺陷检测评估模型中的预测层，获取预测的缺陷类型、缺陷锚框位置和对应锚框位置单一缺陷得分。

16、具体地，s2中获得对应位置单一缺陷评分的具体步骤还包括：

17、s207、构建缺陷检测综合损失函数，根据s201-206过程进行训练获取训练完成的轻量缺陷检测评估模型；

18、s208、将获取的训练完成的轻量缺陷检测评估模型部署到熔炼炉视觉传感器中，根据视觉传感器实时采集的设备缺陷图像，进行缺陷评分和定位。

19、具体地，s207中损失函数l具体为：

20、，

21、其中，c表示设备缺陷类型的总个数，表示第c个真实缺陷类型标签的独热编码向量，表示预测缺陷为第c个缺陷类型的概率，和表示超参数；表示第n个预测缺陷锚框与对应真实标签锚框的交并比，表示第n个预测缺陷锚框中心点位置与对应真实标签锚框中心点位置的马氏距离，表示平衡加权系数，表示第n个缺陷对应缺陷评分低估惩罚因子，表示第n个缺陷对应缺陷评分超估惩罚因子，表示第n个缺陷预测评估得分，表示第n个缺陷真实评估得分；表示综合损失函数加权系数。

22、具体地，步骤s3中获得单一缺陷导致熔炼炉故障的概率，具体步骤包括：

23、s301、将设备维护数据集中的铝熔炼炉属性参数和运行性能数据，输入到主成分分析算法中，计算得到累计贡献率大于80%的属性参数和运行性能变量，并将其作为有效预测数据；

24、s302、将获取的有效预测数据输入到故障预测模型中的bp神经网络中，同时通过粒子群算法为bp神经网络初始化一个由i个粒子组成的权重和偏置向量空间v，并为每个粒子配置一个更新速度和位置，其中，，，表示第i个粒子，表示第i个粒子中第j个权重系数，表示第i个粒子中的偏置系数，m表示第i个粒子中权重系数的总个数；

25、s303、基于故障预测模型的交叉熵损失函数和运行性能数据构建适应度函数，具体公式包括：

26、，

27、其中，表示t时刻预测得到的第n个缺陷导致熔炼炉故障的概率，表示第n个缺陷导致熔炼炉故障的真实概率，表示t时刻熔炼炉产出铝产品的量，表示t时刻产出铝产品对应的能耗，n表示熔炼炉实时检测到的缺陷总个数，表示一个超参数，表示适应度函数的加权系数；

28、s304、设置适应度阈值和最大迭代周期，对s302-s303执行迭代，当适应度函数值低于适应度阈值或达到最大迭代周期时，停止迭代，输出最优粒子对应的权重和偏置向量；

29、s305、将获取的权重和偏置向量反馈到bp神经网络，预测得到熔炼炉下一个运行周期单一缺陷导致熔炼炉故障的概率。

30、具体地，s4中综合维护评分，具体公式包括：

31、，

32、其中，f表示综合维护评分，表示t时刻预测得到的第n个缺陷对应的评估得分，表示t时刻预测得到的第n个缺陷导致熔炼炉故障的概率。

33、大数据驱动的工业设备预测性维护系统，包括：数据处理模块、缺陷检测模块、故障预测模块和维护判别模块；

34、所述故障预测模块，用于根据属性参数和运行性能数据，通过粒子群优化的bp神经网络构建故障预测模型，预测得到单一缺陷导致熔炼炉故障的概率；

35、所述数据处理模块包括数据收集单元和预处理单元；所述数据收集单元，用于从铝熔炼炉的传感器中获取属性参数、运行性能数据和设备缺陷图像数据；

36、所述预处理单元，用于利用边缘计算方法对收集到的数据进行清洗、去噪、归一化预处理操作，并将不同格式的数据整合成统一格式的设备维护数据集。

37、具体地，缺陷检测模块包括模型构建单元和缺陷检测单元；

38、所述模型构建单元，用于基于yolov5算法构建并训练轻量缺陷检测评估模型；

39、所述缺陷检测单元，用于根据预处理后的熔炼炉图像数据和训练完成的缺陷检测评估模型，预测得到对应位置的单一缺陷评分、缺陷类型和缺陷位置。

40、具体地，维护判别模块包括评分计算单元和决策响应单元；

41、所述评分计算单元，用于设置维护评分阈值，根据缺陷检测模块和故障预测模块的输出结果，计算单一维护评分和综合维护评分；所述决策响应单元，用于将评分计算单元设置的阈值和单一维护评分与综合维护评分进行比较，并根据比较结果，决定是否进行停机维护操作。

42、一种计算机可读存储介质，其上存储有计算机指令，当计算机指令运行时执行大数据驱动的工业设备预测性维护方法。

43、与现有技术相比，本发明的有益效果是：

44、本发明针对现有技术的不足，通过基于yolov5的轻量缺陷检测评估模型，能够实时地对设备缺陷图像进行高效分析，快速定位问题所在，并评估其对设备性能的影响，这大幅缩短了故障定位和处理的时间，提高了维护效率，其次，本方法基于粒子群优化的bp神经网络构建的故障预测模型，能够根据设备的属性参数和运行性能数据，预测出单一缺陷导致熔炼炉故障的概率，并根据预测的缺陷得分和预测的故障概率，计算得到维护得分，利用维护得分判断是否进行维护操作，这种智能化的预测方法能够更准确地反映设备的未来的运行和故障状态，能够更好地把握设备维护的时间点，提高生产效率和设备利用率；