本發(fā)明涉及自動化生產(chǎn)線監(jiān)測技術(shù)，尤其涉及一種自動化生產(chǎn)線多參數(shù)實時監(jiān)測與故障診斷預(yù)警方法及系統(tǒng)。

背景技術(shù)：

1、隨著工業(yè)自動化水平的不斷提高，自動化生產(chǎn)線在制造業(yè)中得到廣泛應(yīng)用。為保障生產(chǎn)線的穩(wěn)定運行，通常采用多源傳感器對關(guān)鍵設(shè)備和工藝參數(shù)進(jìn)行實時監(jiān)測。然而，由于傳感器故障、數(shù)據(jù)傳輸異常等因素的影響，采集數(shù)據(jù)的可靠性難以保證，影響故障診斷的準(zhǔn)確性。

2、現(xiàn)有的故障診斷方法主要基于單一設(shè)備或局部參數(shù)進(jìn)行分析，無法有效識別設(shè)備組件間的故障關(guān)聯(lián)性和傳播特征。同時，傳統(tǒng)方法在處理多源異構(gòu)數(shù)據(jù)時存在特征提取不全面、診斷結(jié)果不準(zhǔn)確等問題，難以滿足復(fù)雜工業(yè)場景下的故障診斷需求。

3、針對自動化生產(chǎn)線中設(shè)備組件的故障診斷問題，亟需一種能夠?qū)Χ嘣磦鞲衅鲾?shù)據(jù)進(jìn)行可靠性評估和修正，結(jié)合設(shè)備組件的物理連接關(guān)系分析故障傳播鏈路，并實現(xiàn)故障源的精準(zhǔn)定位和故障類型識別的綜合性解決方案。

技術(shù)實現(xiàn)思路

1、本發(fā)明實施例提供一種自動化生產(chǎn)線多參數(shù)實時監(jiān)測與故障診斷預(yù)警方法及系統(tǒng)，能夠解決現(xiàn)有技術(shù)中的問題。

2、本發(fā)明實施例的第一方面，

3、提供一種自動化生產(chǎn)線多參數(shù)實時監(jiān)測與故障診斷預(yù)警方法，包括：

4、獲取自動化生產(chǎn)線中多源傳感器采集的實時運行數(shù)據(jù)，計算數(shù)據(jù)質(zhì)量特征值，生成數(shù)據(jù)可信度，當(dāng)數(shù)據(jù)可信度小于第一預(yù)設(shè)閾值時，基于相鄰時刻歷史數(shù)據(jù)進(jìn)行數(shù)據(jù)修正，得到修正后的實時運行數(shù)據(jù)；

5、將修正后的實時運行數(shù)據(jù)按照設(shè)備組件進(jìn)行分組，生成設(shè)備組件對應(yīng)的運行參數(shù)序列，基于運行參數(shù)序列計算設(shè)備組件的性能參數(shù)，根據(jù)性能參數(shù)計算性能劣化率，當(dāng)性能劣化率大于第二預(yù)設(shè)閾值時，將對應(yīng)的備組件確定為待監(jiān)測組件；

6、對待監(jiān)測組件的所述運行參數(shù)序列進(jìn)行時頻域特征分析，提取時域統(tǒng)計特征和頻域能量特征作為故障特征，將故障特征輸入預(yù)訓(xùn)練的故障識別模型，基于故障特征的組合模式輸出故障類型概率分布，選取概率最大的故障類型作為待監(jiān)測組件的故障判定結(jié)果；

7、根據(jù)待監(jiān)測組件與相鄰組件的物理連接關(guān)系，獲取相鄰組件的性能劣化率，基于性能劣化率的時序變化順序建立故障傳播鏈路，確定故障源組件，生成包含故障源組件位置信息和故障判定結(jié)果的故障診斷報告，并發(fā)送至生產(chǎn)管理系統(tǒng)。

8、在一種可選的實施例中，

9、獲取自動化生產(chǎn)線中多源傳感器采集的實時運行數(shù)據(jù)，計算數(shù)據(jù)質(zhì)量特征值，生成數(shù)據(jù)可信度，當(dāng)數(shù)據(jù)可信度小于第一預(yù)設(shè)閾值時，基于相鄰時刻歷史數(shù)據(jù)進(jìn)行數(shù)據(jù)修正，得到修正后的實時運行數(shù)據(jù)包括：

10、獲取自動化生產(chǎn)線中多源傳感器采集的實時運行數(shù)據(jù)并按照時間窗口進(jìn)行分段，得到分段數(shù)據(jù)序列；

11、分別計算分段數(shù)據(jù)序列的信號波動度、數(shù)值變化度和采樣完整度并進(jìn)行組合，得到數(shù)據(jù)質(zhì)量特征值，基于分段數(shù)據(jù)序列中數(shù)據(jù)的概率分布特征計算數(shù)據(jù)質(zhì)量特征值的信息熵，根據(jù)所述信息熵生成動態(tài)權(quán)重系數(shù)，將所述動態(tài)權(quán)重系數(shù)與對應(yīng)的數(shù)據(jù)質(zhì)量特征值進(jìn)行加權(quán)組合得到數(shù)據(jù)可信度；

12、當(dāng)所述數(shù)據(jù)可信度小于第一預(yù)設(shè)閾值時，確定待修正數(shù)據(jù)，提取所述待修正數(shù)據(jù)對應(yīng)時間窗口前后n個時間窗口的相鄰時刻歷史數(shù)據(jù)序列；

13、將所述相鄰時刻歷史數(shù)據(jù)序列按照數(shù)據(jù)變化趨勢的相似度進(jìn)行聚類得到多個子序列組，計算每個子序列組中各子序列與待修正數(shù)據(jù)的時間相關(guān)度，基于所述時間相關(guān)度構(gòu)建具有差異化權(quán)重的遞歸優(yōu)化模型，其中權(quán)重大小與時間相關(guān)度正相關(guān)；

14、采用遞歸優(yōu)化模型對待修正數(shù)據(jù)進(jìn)行迭代修正，在每輪迭代中計算修正結(jié)果與相關(guān)度大于預(yù)設(shè)的相關(guān)度閾值的子序列的擬合誤差，當(dāng)所述擬合誤差小于動態(tài)閾值時輸出修正結(jié)果作為修正后的實時運行數(shù)據(jù)。

15、在一種可選的實施例中，

16、基于分段數(shù)據(jù)序列中數(shù)據(jù)的概率分布特征計算數(shù)據(jù)質(zhì)量特征值的信息熵，根據(jù)所述信息熵生成動態(tài)權(quán)重系數(shù)包括：

17、構(gòu)建概率密度估計函數(shù)，基于分段數(shù)據(jù)序列計算標(biāo)準(zhǔn)差和四分位差，根據(jù)標(biāo)準(zhǔn)差和四分位差的比值動態(tài)調(diào)整所述概率密度估計函數(shù)的帶寬系數(shù)，得到分段數(shù)據(jù)序列的連續(xù)概率密度曲線；

18、對所述連續(xù)概率密度曲線進(jìn)行分段積分，獲取各段數(shù)據(jù)累積概率值，根據(jù)累積概率值將所述分段數(shù)據(jù)序列劃分為第一分布區(qū)域和第二分布區(qū)域，計算第一分布區(qū)域與第二分布區(qū)域的累積概率比值作為數(shù)據(jù)分布特征比；

19、利用所述數(shù)據(jù)分布特征比設(shè)定重疊滑動窗口步長，在第一分布區(qū)域內(nèi)滑動計算得到第一局部信息熵；以所述數(shù)據(jù)分布特征比的倒數(shù)設(shè)定非重疊滑動窗口寬度，在第二分布區(qū)域內(nèi)計算得到第二局部信息熵；

20、以所述第一分布區(qū)域和第二分布區(qū)域的累積概率值為權(quán)重系數(shù)，對第一局部信息熵和第二局部信息熵進(jìn)行加權(quán)得到區(qū)域組合熵；

21、對所述連續(xù)概率密度曲線計算全局信息熵，將所述區(qū)域組合熵與全局信息熵歸一化處理得到數(shù)據(jù)質(zhì)量特征值的最終信息熵，根據(jù)所述最終信息熵生成動態(tài)權(quán)重系數(shù)，所述動態(tài)權(quán)重系數(shù)與最終信息熵成反比。

22、在一種可選的實施例中，

23、基于運行參數(shù)序列計算設(shè)備組件的性能參數(shù)，根據(jù)性能參數(shù)計算性能劣化率，當(dāng)性能劣化率大于第二預(yù)設(shè)閾值時，將對應(yīng)的備組件確定為待監(jiān)測組件包括：

24、對運行參數(shù)序列進(jìn)行時頻分析得到能量分布特征，基于所述能量分布特征選擇特征參數(shù)組合，將所述特征參數(shù)組合構(gòu)建為性能狀態(tài)綜合指標(biāo)；

25、分析所述性能狀態(tài)綜合指標(biāo)的時序變化規(guī)律，建立性能狀態(tài)轉(zhuǎn)移矩陣，基于所述性能狀態(tài)轉(zhuǎn)移矩陣計算性能參數(shù)的變化速率，結(jié)合所述性能狀態(tài)轉(zhuǎn)移矩陣對所述變化速率進(jìn)行修正得到性能劣化率；

26、建立組件正常運行時的性能基準(zhǔn)值，根據(jù)所述性能基準(zhǔn)值結(jié)合歷史運行數(shù)據(jù)確定性能波動容差范圍，當(dāng)檢測到所述性能劣化率超出性能波動容差范圍時啟動累積時間計數(shù)，當(dāng)所述累積時間達(dá)到預(yù)設(shè)周期時將對應(yīng)的設(shè)備組件確定為待監(jiān)測組件。

27、在一種可選的實施例中，

28、建立組件正常運行時的性能基準(zhǔn)值，根據(jù)所述性能基準(zhǔn)值結(jié)合歷史運行數(shù)據(jù)確定性能波動容差范圍包括：

29、獲取設(shè)備組件的歷史運行數(shù)據(jù)，從歷史運行數(shù)據(jù)中識別正常運行時段和異常運行時段，對所述正常運行時段和異常運行時段進(jìn)行對比分析，提取誤報信息和漏報信息，構(gòu)建獎勵函數(shù)；

30、將所述獎勵函數(shù)和正常運行時段的性能數(shù)據(jù)輸入強化學(xué)習(xí)框架，通過強化學(xué)習(xí)訓(xùn)練得到性能基準(zhǔn)值，基于所述性能基準(zhǔn)值生成初始容差調(diào)整策略；

31、采集組件的實時運行狀態(tài)數(shù)據(jù)，將實時運行狀態(tài)數(shù)據(jù)與初始容差調(diào)整策略進(jìn)行匹配分析，計算不同容差設(shè)置下的狀態(tài)預(yù)警概率，生成容差范圍的風(fēng)險預(yù)測結(jié)果；

32、獲取組件在生產(chǎn)工藝流程中的位置信息、所處工序的工藝參數(shù)要求以及歷史維護(hù)成本數(shù)據(jù)，將所述位置信息、工藝參數(shù)要求和歷史維護(hù)成本數(shù)據(jù)與所述風(fēng)險預(yù)測結(jié)果進(jìn)行多目標(biāo)優(yōu)化計算，生成容差優(yōu)化目標(biāo)函數(shù)；

33、基于所述容差優(yōu)化目標(biāo)函數(shù)對初始容差調(diào)整策略進(jìn)行優(yōu)化，得到性能波動容差范圍，將所述性能波動容差范圍與性能基準(zhǔn)值組合形成監(jiān)測閾值，并將所述監(jiān)測閾值對應(yīng)的狀態(tài)數(shù)據(jù)反饋至強化學(xué)習(xí)框架進(jìn)行持續(xù)優(yōu)化訓(xùn)練。

34、在一種可選的實施例中，

35、將故障特征輸入預(yù)訓(xùn)練的故障識別模型，基于故障特征的組合模式輸出故障類型概率分布，選取概率最大的故障類型作為待監(jiān)測組件的故障判定結(jié)果包括：

36、將故障特征輸入預(yù)訓(xùn)練的故障識別模型，通過特征解耦網(wǎng)絡(luò)將所述故障特征分解為共性特征和個性特征，對所述共性特征和個性特征施加正交約束得到解耦特征；

37、將所述解耦特征構(gòu)建為屬性圖，將特征維度設(shè)置為圖節(jié)點，特征關(guān)聯(lián)強度設(shè)置為圖邊，通過圖卷積和多頭注意力機制提取局部依賴關(guān)系和全局依賴關(guān)系，得到故障特征的組合模式；

38、將故障特征的組合模式和解耦特征輸入變分推斷模塊，基于所述特征關(guān)聯(lián)強度和正交約束建立狀態(tài)轉(zhuǎn)移矩陣，得到初始故障類型概率；

39、對所述初始故障類型概率進(jìn)行貝葉斯建模，結(jié)合故障特征的組合模式中的局部依賴關(guān)系和全局依賴關(guān)系進(jìn)行概率校準(zhǔn)，生成校準(zhǔn)后的故障類型概率分布，從所述校準(zhǔn)后的故障類型概率分布中選取概率最大的故障類型作為待監(jiān)測組件的故障判定結(jié)果。

40、在一種可選的實施例中，

41、根據(jù)待監(jiān)測組件與相鄰組件的物理連接關(guān)系，獲取相鄰組件的性能劣化率，基于性能劣化率的時序變化順序建立故障傳播鏈路，確定故障源組件包括：

42、獲取待監(jiān)測組件與相鄰組件的機械耦合關(guān)系、能量傳遞關(guān)系和物理拓?fù)潢P(guān)系，建立表征組件間空間連接強度的組件連接關(guān)系矩陣；

43、在連續(xù)時間窗口內(nèi)獲取所述待監(jiān)測組件和相鄰組件的性能參數(shù)，計算所述性能參數(shù)的時間導(dǎo)數(shù)得到性能劣化率，對所述性能劣化率進(jìn)行希爾伯特變換得到瞬時相位；

44、根據(jù)所述組件連接關(guān)系矩陣中的空間連接強度和瞬時相位的變化趨勢，計算相鄰組件間的相位同步強度，構(gòu)建反映組件間動態(tài)耦合關(guān)系的網(wǎng)絡(luò)序參量；

45、監(jiān)測所述網(wǎng)絡(luò)序參量的動態(tài)變化，獲取網(wǎng)絡(luò)序參量的突變時刻和突變幅值，基于所述突變時刻、突變幅值和相位同步強度構(gòu)建有向故障傳播圖，其中以相鄰組件為節(jié)點，以突變時刻的時間差為邊權(quán)重，以相位同步強度為邊方向；

46、根據(jù)所述有向故障傳播圖中的邊權(quán)重和邊方向計算各組件的下游影響范圍，基于下游影響范圍確定各組件的級聯(lián)失效規(guī)模，將所述級聯(lián)失效規(guī)模與所述突變時刻相結(jié)合得到失效影響因子；

47、根據(jù)所述有向故障傳播圖的動態(tài)演化規(guī)律，對所述失效影響因子中的突變時刻特征和級聯(lián)失效規(guī)模進(jìn)行權(quán)重配置，將配置后的失效影響因子最大且突變時刻最早的組件確定為故障源組件。

48、本發(fā)明實施例的第二方面，

49、提供一種自動化生產(chǎn)線多參數(shù)實時監(jiān)測與故障診斷預(yù)警系統(tǒng)，包括：

50、第一單元，用于獲取自動化生產(chǎn)線中多源傳感器采集的實時運行數(shù)據(jù)，計算數(shù)據(jù)質(zhì)量特征值，生成數(shù)據(jù)可信度，當(dāng)數(shù)據(jù)可信度小于第一預(yù)設(shè)閾值時，基于相鄰時刻歷史數(shù)據(jù)進(jìn)行數(shù)據(jù)修正，得到修正后的實時運行數(shù)據(jù)；

51、第二單元，用于將修正后的實時運行數(shù)據(jù)按照設(shè)備組件進(jìn)行分組，生成設(shè)備組件對應(yīng)的運行參數(shù)序列，基于運行參數(shù)序列計算設(shè)備組件的性能參數(shù)，根據(jù)性能參數(shù)計算性能劣化率，當(dāng)性能劣化率大于第二預(yù)設(shè)閾值時，將對應(yīng)的備組件確定為待監(jiān)測組件；

52、第三單元，用于對待監(jiān)測組件的所述運行參數(shù)序列進(jìn)行時頻域特征分析，提取時域統(tǒng)計特征和頻域能量特征作為故障特征，將故障特征輸入預(yù)訓(xùn)練的故障識別模型，基于故障特征的組合模式輸出故障類型概率分布，選取概率最大的故障類型作為待監(jiān)測組件的故障判定結(jié)果；

53、第四單元，用于根據(jù)待監(jiān)測組件與相鄰組件的物理連接關(guān)系，獲取相鄰組件的性能劣化率，基于性能劣化率的時序變化順序建立故障傳播鏈路，確定故障源組件，生成包含故障源組件位置信息和故障判定結(jié)果的故障診斷報告，并發(fā)送至生產(chǎn)管理系統(tǒng)。

54、本發(fā)明實施例的第三方面，

55、提供一種電子設(shè)備，包括：

56、處理器；

57、用于存儲處理器可執(zhí)行指令的存儲器；

58、其中，所述處理器被配置為調(diào)用所述存儲器存儲的指令，以執(zhí)行前述所述的方法。

59、本發(fā)明實施例的第四方面，

60、提供一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序指令，所述計算機程序指令被處理器執(zhí)行時實現(xiàn)前述所述的方法。

61、在本實施例中，通過對自動化生產(chǎn)線多源傳感器采集的數(shù)據(jù)進(jìn)行質(zhì)量評估和修正，確保了數(shù)據(jù)的可靠性，避免了因數(shù)據(jù)異常導(dǎo)致的誤判，提高了故障診斷的準(zhǔn)確性和可信度?；谠O(shè)備組件的性能參數(shù)和劣化率進(jìn)行故障監(jiān)測，并結(jié)合時頻域特征分析方法，從多個維度提取故障特征，通過預(yù)訓(xùn)練的故障識別模型實現(xiàn)了故障類型的精確識別，提升了故障診斷的效率和準(zhǔn)確度。通過分析設(shè)備組件間的物理連接關(guān)系和性能劣化率的時序變化規(guī)律，建立故障傳播鏈路，實現(xiàn)了故障源的準(zhǔn)確定位，有效避免了因故障傳播導(dǎo)致的誤判，為設(shè)備維護(hù)和故障處理提供了可靠的決策依據(jù)，提高了生產(chǎn)線的運行可靠性和維護(hù)效率。