(19)國家知識產(chǎn)權局(71)申請人時代云英(深圳)科技有限公司地址518000廣東省深圳市南山區(qū)粵海街道高新區(qū)社區(qū)高新南四道13號麗雅查爾頓廣場608(72)發(fā)明人王金波胡志堯肖鋼郁聰羅洪文GO6N3/0442(2023.01)(74)專利代理機構深圳市博太聯(lián)眾專利代理事(54)發(fā)明名稱本發(fā)明公開了基于多維度數(shù)據(jù)校驗的設備預防性維護診斷方法，本發(fā)明涉及設備預防診斷技術領域，解決了難以全面、深入地分析故障原因，常出現(xiàn)故障原因誤判或無法定位的情況，導致維護措施缺乏針對性的技術問題，本發(fā)明通過構建故障診斷模型，針對不同類型數(shù)據(jù)采用適配算法，提高模型對設備故障的診斷準確率和對復雜工況的適應性，能夠快速、精準地識別設備故障類型和異常狀態(tài)，通過故障現(xiàn)象匹配、參數(shù)關聯(lián)分析以及深度回溯歷史數(shù)據(jù)等方法，能夠準確確定故障原因，結(jié)合混合相似度度量方法，能夠有效識別設備性能退化趨勢和潛在風險，二次分對采集的多維度數(shù)據(jù)預處理，得預處理數(shù)據(jù)對采集的多維度數(shù)據(jù)預處理，得預處理數(shù)據(jù)提取預處理數(shù)據(jù)中的特征參數(shù)，利用深度學習算法構建故障診斷模型，依實時數(shù)據(jù)生成設備正?；虍惓Ｐ盘枌υO備異常信號分析，分析得故障類型，與知識庫匹配獲相似故障原因，結(jié)合異常參數(shù)篩選得預選故障原因?qū)Ρ裙收犀F(xiàn)象，匹配則以預選故障原因生成設備故障信息，不匹配則結(jié)合歷史數(shù)據(jù)與異常參數(shù)生成設備故障信息對設備正常信號分析，獲取參數(shù)周期變化與異常設備記錄數(shù)據(jù)特征，按混合相似度匹配，生成潛在風險信息或二次分析信號對二次分析信號分析，確定相關性數(shù)據(jù)，結(jié)合歷史數(shù)據(jù)匹配生成潛在風險信息21.基于多維度數(shù)據(jù)校驗的設備預防性維護診斷方法，其特征在于，包括以下步驟：對采集的多維度數(shù)據(jù)預處理，得預處理數(shù)據(jù)；提取預處理數(shù)據(jù)中的特征參數(shù)，利用深度學習算法構建故障診斷模型，依實時數(shù)據(jù)生成設備正?；虍惓Ｐ盘枺粚υO備異常信號分析，分析得故障類型，與知識庫匹配獲相似故障原因，結(jié)合異常參數(shù)篩選得預選故障原因；對比故障現(xiàn)象，匹配則以預選故障原因生成設備故障信息，不匹配則結(jié)合歷史數(shù)據(jù)與異常參數(shù)生成設備故障信息；對設備正常信號分析，獲取參數(shù)周期變化與異常設備記錄數(shù)據(jù)特征，按混合相似度匹配，生成潛在風險信息或二次分析信號；對二次分析信號分析，確定相關性數(shù)據(jù)，結(jié)合歷史數(shù)據(jù)匹配生成潛在風險信息。2.根據(jù)權利要求1所述的基于多維度數(shù)據(jù)校驗的設備預防性維護診斷方法，其特征在于，所述得預處理數(shù)據(jù)的具體方式為：采集設備的多維度數(shù)據(jù)，包括設備運行狀態(tài)數(shù)據(jù)和歷史維護數(shù)據(jù)，并進行清洗數(shù)據(jù)，去3.根據(jù)權利要求1所述的基于多維度數(shù)據(jù)校驗的設備預防性維護診斷方法，其特征在于，所述依實時數(shù)據(jù)生成設備正?；虍惓Ｐ盘柕木唧w方式為：從預處理數(shù)據(jù)中提取反映設備運行狀態(tài)的特征參數(shù)，用大量設備運行數(shù)據(jù)通過深度學習算法建立故障診斷模型并訓練優(yōu)化，將采集到的設備運行數(shù)據(jù)，經(jīng)標準化預處理后輸入訓練好的故障診斷模型；當模型對“正常運行”類別預測概率高于閾值時，生成設備正常信號；若其他故障類別的預測概率超過閾值，則生成設備異常信號。4.根據(jù)權利要求1所述的基于多維度數(shù)據(jù)校驗的設備預防性維護診斷方法，其特征在于，所述對設備異常信號分析的具體方式為：獲取異常識別結(jié)果以及對應的故障類型，并與已有的故障知識庫匹配，得到相似故障原因，接著結(jié)合異常識別結(jié)果對應的異常參數(shù)對相似故障原因進行確定，得到預選故障原5.根據(jù)權利要求1所述的基于多維度數(shù)據(jù)校驗的設備預防性維護診斷方法，其特征在于，所述生成設備故障信息的具體方式為：對比異常識別結(jié)果與預選故障原因?qū)墓收犀F(xiàn)象，若匹配，以預選故障原因為準生成設備故障信息；若不匹配，獲取歷史數(shù)據(jù)，按故障現(xiàn)象篩選出相同故障記錄，依據(jù)異常識別結(jié)果中異常參數(shù)的周期變化情況，對篩選出的記錄進一步匹配，確定故障原因并生成設備故障信息。6.根據(jù)權利要求1所述的基于多維度數(shù)據(jù)校驗的設備預防性維護診斷方法，其特征在于，所述對設備正常信號進行分析的具體方式為：以周期T獲取設備實時數(shù)據(jù)的參數(shù)變化記作參數(shù)周期變化，提取歷史數(shù)據(jù)中異常設備記錄的數(shù)據(jù)特征，并通過混合相似度度量的方法比對二者，若匹配成功，則獲取異常設備記錄對應的潛在風險，生成潛在風險信息，反之若7.根據(jù)權利要求6所述的基于多維度數(shù)據(jù)校驗的設備預防性維護診斷方法，其特征在3于，所述通過混合相似度度量的方法比對二者的具體方式為：根據(jù)公式Similarity=α·DTW(X,Y)+β·Cosine(F,Fy)+γ·Corr(X,Y)計算得到相似度Similarity,X,Y為時序數(shù)據(jù)，F(xiàn)x,F,為特征向量，α、β和Y為權重系數(shù)，DTW(X,Y)為動態(tài)時間規(guī)整，Cosine表示余弦相似度，Corr代表皮爾將得到的相似度Similarity與閾值E進行比較，當相似度超過閾值E時，觸發(fā)潛在風險預警，并獲取對應的潛在風險，生成潛在風8.根據(jù)權利要求1所述的基于多維度數(shù)據(jù)校驗的設備預防性維護診斷方法，其特征在于，所述對二次分析信號分析的具體方式為：獲取設備實時運行數(shù)據(jù)，分析其中存在伴隨變化關系的數(shù)據(jù)作為相關性數(shù)據(jù)，將其與歷史數(shù)據(jù)匹配，在歷史數(shù)據(jù)中檢索相似的相關性模式，借助故障模式識別模型，確定并生成潛在風險信息。4基于多維度數(shù)據(jù)校驗的設備預防性維護診斷方法技術領域[0001]本發(fā)明涉及設備預防診斷技術領域，具體為基于多維度數(shù)據(jù)校驗的設備預防性維護診斷方法。背景技術[0002]設備維護是企業(yè)的日常工作之一，在工業(yè)生產(chǎn)領域，設備的穩(wěn)定運行對生產(chǎn)效率和質(zhì)量至關重要。[0003]根據(jù)公開號為CN118037259A的專利申請，公開了一種用于設備運行保障的預防性維護方法，包括S1:收集設備運行狀態(tài)，S2:發(fā)出預防性維護指令，其特征是：S1按如下步驟依次實施：S1.1:通過傳感器或設備自身診斷接口獲取設備運行狀態(tài)；S1.2:巡檢人員定期[0004]但是，傳統(tǒng)的設備維護多采用事后維修或定期維護方式。事后維修往往在設備故障發(fā)生后才進行處理，會導致生產(chǎn)中斷、經(jīng)濟損失，且難以預測故障發(fā)生時間；定期維護雖能在一定程度上減少故障發(fā)生，但由于缺乏對設備實際運行狀態(tài)的精準判斷，存在過度維護或維護不及時的問題，造成資源浪費或設備潛在風險無法及時排除。發(fā)明內(nèi)容[0005]針對現(xiàn)有技術的不足，本發(fā)明提供了基于多維度數(shù)據(jù)校驗的設備預防性維護診斷方法，解決了難以全面、深入地分析故障原因，常出現(xiàn)故障原因誤判或無法定位的情況，導致維護措施缺乏針對性的問題。[0006]為實現(xiàn)以上目的，本發(fā)明通過以下技術方案予以實現(xiàn)：基于多維度數(shù)據(jù)校驗的設對采集的多維度數(shù)據(jù)預處理，得預處理數(shù)據(jù)；提取預處理數(shù)據(jù)中的特征參數(shù)，利用深度學習算法構建故障診斷模型，依實時數(shù)據(jù)生成設備正?；虍惓Ｐ盘?；對設備異常信號分析，分析得故障類型，與知識庫匹配獲相似故障原因，結(jié)合異常參數(shù)篩選得預選故障原因；對比故障現(xiàn)象，匹配則以預選故障原因生成設備故障信息，不匹配則結(jié)合歷史數(shù)據(jù)與異常參數(shù)生成設備故障信息；對設備正常信號分析，獲取參數(shù)周期變化與異常設備記錄數(shù)據(jù)特征，按混合相似度匹配，生成潛在風險信息或二次分析信號；對二次分析信號分析，確定相關性數(shù)據(jù)，結(jié)合歷史數(shù)據(jù)匹配生成潛在風險信息。[0007]作為本發(fā)明的進一步方案，所述得預處理數(shù)據(jù)的具體方式為：采集設備的多維度數(shù)據(jù)，包括設備運行狀態(tài)數(shù)據(jù)和歷史維護數(shù)據(jù)，并進行清洗數(shù)[0008]作為本發(fā)明的進一步方案，所述依實時數(shù)據(jù)生成設備正?；虍惓Ｐ盘柕木唧w方式5從預處理數(shù)據(jù)中提取反映設備運行狀態(tài)的特征參數(shù)，用大量設備運行數(shù)據(jù)通過深度學習算法建立故障診斷模型并訓練優(yōu)化，將采集到的設備運行數(shù)據(jù)，經(jīng)標準化預處理后輸入訓練好的故障診斷模型；當模型對“正常運行”類別預測概率高于閾值時，生成設備正常信號；若其他故障類別的預測概率超過閾值，則生成設備異常信號。[0009]作為本發(fā)明的進一步方案，所述對設備異常信號分析的具體方式為：獲取異常識別結(jié)果以及對應的故障類型，并與已有的故障知識庫匹配，得到相似故障原因，接著結(jié)合異常識別結(jié)果對應的異常參數(shù)對相似故障原因進行確定，得到預選故障原因。[0010]作為本發(fā)明的進一步方案，所述生成設備故障信息的具體方式為：對比異常識別結(jié)果與預選故障原因?qū)墓收犀F(xiàn)象，若匹配，以預選故障原因為準生成設備故障信息；若不匹配，獲取歷史數(shù)據(jù)，按故障現(xiàn)象篩選出相同故障記錄，依據(jù)異常識別結(jié)果中異常參數(shù)的周期變化情況，對篩選出的記錄進一步匹配，確定故障原因并生成設備故障信[0011]作為本發(fā)明的進一步方案，所述對設備正常信號進行分析的具體方式為：以周期T獲取設備實時數(shù)據(jù)的參數(shù)變化記作參數(shù)周期變化，提取歷史數(shù)據(jù)中異常設備記錄的數(shù)據(jù)特征，并通過混合相似度度量的方法比對二者，若匹配成功，則獲取異常設備記錄對應的潛在風險，生成潛在風險信息，反之若匹配不成功，則生成二次分析信號。[0012]作為本發(fā)明的進一步方案，所述通過混合相似度度量的方法比對二者的具體方式根據(jù)公式Similarity=α·DTW(X,Y)+β·Cosine(F,Fy)+γ·Corr(X,Y)計算得到相似度Similarity,X,Y為時序數(shù)據(jù)，F(xiàn),F為特征向量，α、β和Y為權重系數(shù)，將得到的相似度Similarity與閾值ε進行比較，當相似度超過閾值ε時，觸發(fā)潛在風險預警，并獲取對應的潛在風險，生成潛在風險信息，反之則生成二[0013]作為本發(fā)明的進一步方案，所述對二次分析信號分析的具體方式為：獲取設備實時運行數(shù)據(jù)，分析其中存在伴隨變化關系的數(shù)據(jù)作為相關性數(shù)據(jù)，將其與歷史數(shù)據(jù)匹配，在歷史數(shù)據(jù)中檢索相似的相關性模式，借助故障模式識別模型，確定并生成潛在風險信息。[0014]本發(fā)明提供了基于多維度數(shù)據(jù)校驗的設備預防性維護診斷方法。與現(xiàn)有技術相比具備以下有益效果：本發(fā)明通過系統(tǒng)的數(shù)據(jù)預處理流程，包括采用統(tǒng)計方法和機器學習算法進行數(shù)據(jù)清洗，運用多種標準化方法統(tǒng)一數(shù)據(jù)格式，以及特征級、決策級等融合方法整合多源數(shù)據(jù)，有效提升數(shù)據(jù)質(zhì)量，為后續(xù)分析提供可靠基礎。[0015]本發(fā)明構建基于深度學習的故障診斷模型，針對不同類型數(shù)據(jù)采用適配算法，并6運用遷移學習、自適應優(yōu)化算法等技術，提高模型對設備故障的診斷準確率和對復雜工況的適應性，能夠快速、精準地識別設備故障類型[0016]本發(fā)明采用多維度數(shù)據(jù)分析與智能匹配技術，結(jié)合故障知識庫和知識圖譜，從多個角度對故障原因進行分析和驗證。通過故障現(xiàn)象匹配、參數(shù)關聯(lián)分析以及深度回溯歷史數(shù)據(jù)等方法，能夠準確確定故障原因，為設備維修提供精準指導，提高維護效率，降低維修成本。[0017]本發(fā)明對設備正常信號進行深入分析，運用自適應時間窗口算法和多維度特征提取，結(jié)合混合相似度度量方法，能夠有效識別設備性能退化趨勢和潛在風險。二次分析機制進一步挖掘數(shù)據(jù)間的相關性，結(jié)合歷史數(shù)據(jù)精準預判潛在風險，實現(xiàn)真正的預防性維護，減少設備故障發(fā)生概率，保障設備穩(wěn)定運行和生產(chǎn)連續(xù)性。附圖說明[0018]圖1為本發(fā)明步驟方法圖。具體實施方式[0019]下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例。基于本發(fā)明中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他[0020]請參閱圖1,本申請?zhí)峁┝嘶诙嗑S度數(shù)據(jù)校驗的設備預防性維護診斷方法，該方法具體包括以下步驟：步驟一、采集設備的多維度數(shù)據(jù)，其中多維度數(shù)據(jù)包括設備運行狀態(tài)數(shù)據(jù)和歷史維護數(shù)據(jù)，具體的設備運行狀態(tài)數(shù)據(jù)通過傳感器實時采集設備的運行參數(shù)，如溫度、壓力、和維護內(nèi)容等，同時對其進行數(shù)據(jù)預處理操作，包括數(shù)據(jù)清洗、數(shù)據(jù)標準化和數(shù)據(jù)融合，數(shù)據(jù)清洗則是去除數(shù)據(jù)中的噪聲、異常值和重復數(shù)據(jù)，可以采用統(tǒng)計方法或基于機器學習的異常檢測算法來識別和處理異常值，而數(shù)據(jù)標準化則是將不同維度、不同量綱的數(shù)據(jù)轉(zhuǎn)換為統(tǒng)一的標準格式，常見的標準化方法有最小-最大標準化、Z-score標準化等，數(shù)據(jù)融合則是將來自不同數(shù)據(jù)源的數(shù)據(jù)進行融合，形成一個完整的數(shù)據(jù)集，數(shù)據(jù)融合可以采用特征級[0021]步驟二、在數(shù)據(jù)特征提取階段，基于預處理后的設備運行數(shù)據(jù)，采用多維度特征提取策略挖掘設備狀態(tài)信息。[0022]在時域分析中，通過計算均值反映數(shù)據(jù)平均水平，方差衡量數(shù)據(jù)離散程度，峰值捕捉信號突變情況，這些特征可直觀反映設備運行的穩(wěn)定性與突發(fā)異常。[0023]頻域分析方面，利用快速傅里葉變換(FFT)將時域信號轉(zhuǎn)換為頻域信號，提取頻率成分與幅值譜，能有效識別設備振動、噪聲等信號中的周期性故障特征，如齒輪箱故障引發(fā)的特定頻率振動。針對非平穩(wěn)信號，采用小波變換技術構建時頻域特征，通過小波系數(shù)捕捉信號在時間與頻率維度的動態(tài)變化，可精準定位設備啟動、負載突變等過程中的瞬態(tài)故障。在故障診斷模型構建環(huán)節(jié)，結(jié)合設備故障特性與數(shù)據(jù)規(guī)模，選取適配的深度學習7算法。對于一維時序數(shù)據(jù)，如電流、溫度等連續(xù)監(jiān)測值，采用卷積神備退化趨勢的有效建模；針對振動、聲信號等二維時頻圖像數(shù)據(jù)，可采用二維CNN網(wǎng)絡挖掘圖像中的故障模式特征。在模型訓練過程中，引入遷移學習策略，將在大規(guī)模通用設備數(shù)據(jù)集上預訓練的模型參數(shù)作為初始化權重，結(jié)合目標設備的少量標注數(shù)據(jù)進行微調(diào)，提升模型在特定場景下的診斷性能。同時，采用自適應學習率優(yōu)化算法(如Adam)與正則化技術(如Dropout),平衡模型訓練速度與泛化能力，避免過擬合現(xiàn)象。模型部署后，通過實時數(shù)據(jù)采集系統(tǒng)獲取設備運行數(shù)據(jù)，經(jīng)標準化預處理后輸入訓練好的故障診斷模型。模型輸出設備狀態(tài)概率分布，基于預設的置信度閾值生成狀態(tài)診類別的預測概率超過閾值，則輸出設備異常信號，并根據(jù)概率排序確定故障類型優(yōu)先級。[0024]步驟三、對得到的設備異常信號進行分析，首先運用多維度數(shù)據(jù)分析技術，對設備異常信號進行深度挖掘。通過統(tǒng)計分析、信號處理算法(如頻譜分析、小波分解)和機器學習分類器，精準識別異常信號特征，獲取包含異常發(fā)生時間、異常參數(shù)波動范圍、異常變化趨勢等信息的異常識別結(jié)果，并依據(jù)預設的故障分類規(guī)則，快速定位對應的故障類型。隨后，基于故障類型，在結(jié)構化的故障知識庫中進行智能匹配。故障知識庫采用知識圖譜技術構建，存儲了海量歷史故障案例的故障類型、故障原因、故障現(xiàn)象及相關參數(shù)閾值等信息。通過語義匹配和相似度計算算法(如余弦相似度、Jaccard系數(shù)),篩選出與當前故障類型相似度最高的若干相似故障原因，形成預選故障原因集合。接著，結(jié)合異常識別結(jié)果中的關鍵異常參數(shù)，利用參數(shù)關聯(lián)分析模型(如貝葉斯網(wǎng)絡、關聯(lián)規(guī)則挖掘)對預選故障原因進行置信度計算，剔除與異常參數(shù)不匹配的原因，從而確定最可能的預選故障原因。在故障原因驗證階段，一方面提取異常識別結(jié)果對應的故障現(xiàn)象，另一方面獲取預選故障原因在故障知識庫中記錄的典型故障現(xiàn)象。通過構建故障現(xiàn)象匹配模型，從現(xiàn)象特征的完整性、關聯(lián)性和時序一致性三個維度進行匹配判斷。具體而言，利用自然語言處理技術將故障現(xiàn)象文本轉(zhuǎn)化為結(jié)構化特征向量，結(jié)合模糊匹配算法計算相似度；同時，通過時序分析驗證故障現(xiàn)象的發(fā)生順序是否符合邏輯。若二者故障現(xiàn)象匹配度超過預設閾值，則將預選故障原因確定為最終故障原因，生成包含故障類型、故障原因、異常參數(shù)詳情及處理建議的設備故障信息。若故障現(xiàn)象不匹配，則啟動深度回溯分析流程。首先，從歷史數(shù)據(jù)庫中調(diào)取全量設備運行數(shù)據(jù)，運用基于規(guī)則引擎和機器學習的篩選算法，根據(jù)故障現(xiàn)象關鍵詞、參數(shù)閾值等條件，精準篩選出歷史數(shù)據(jù)中與當前故障現(xiàn)象相同的故障記錄。然后，深入分析異常識別結(jié)果中異常參數(shù)的周期變化規(guī)律，提取變化周期、波動幅度、變化速率等關鍵特征指標。以這些特征指標為匹配標準，通過時間序列相似性度量算法(如動態(tài)時間規(guī)整DTW、歐幾里得距離)對相同故障記錄進行二次篩選，從歷史故障原因中找出與當前異常參數(shù)變化規(guī)律高度契合的故障原因，最終生成準確的設備故障信息。[0025]步驟四、對得到的設備正常信號進行分析，在設備正常信號分析階段，采用自時間窗口算法動態(tài)確定周期T,該窗口大小可根據(jù)設備運行狀態(tài)自動調(diào)整。對實時數(shù)據(jù)進行多維度特征提?。?頻譜特征：通過小波變換獲取不同頻帶能量分布；關聯(lián)特征：構建參數(shù)間的格蘭杰因果關系矩陣；歷史異常記錄特征提取時，運用特征重要性排序算法(如RandomForestFeatureImportance)篩選最具判別力的特征子集，匹配過程采用混合相似度度量方法：Similarity=α·DTW(X,Y)上的相似程度，Cosi