用于维护设备的方法和用于维护设备的系统

摘要

本申请公开了一种用于维护设备的方法和用于维护设备的系统。用于维护设备的方法包括：采集处于正常运转情况下的第一设备的多个样本数据；利用采集到的样本数据对模型进行训练，获得训练好的第一维护模型；采集处于正常运转情况下的第二设备的多个目标数据；将目标数据以及样本数据映射至隐蔽空间；比较目标数据在隐蔽空间中的分布与样本数据在隐蔽空间中的分布之间的差异；在差异小于阈值的情况下，将第一维护模型应用于第二设备，用于维护第二设备；在差异大于阈值的情况下，利用采集到的目标数据对模型进行训练，获得训练好的第二维护模型，用于维护第二设备。该系统和方法可将原模型应用于新设备，不需要等待较长时间来进行数据采集和模型训练。

说明书

技术领域

本发明涉及机械维护的方法和系统，具体涉及一种基于历史数据预测维护新设备的方法和系统。

背景技术

现代化机械设备的功能日益增多，并且结构也愈加复杂，自动化程度也显著提高，因此开发有效的设备维护和诊断技术，实时可靠地检测机械设备的健康状况，对延长设备使用寿命，保障正常生产和人员安全具有重要意义。

基于数据的智能维护方法(例如，人工神经网络(ANN))，通过利用大量历史数据来建立和优化参数，进而建立智能维护模型，已经广泛应用于机械设备的维护，并取得了较好的效果。因此，预测性维护是对机械设备进行状态监控和寿命预估的重要解决方案。

然而，基于数据的智能维护方法通常需要大量的样本来训练有效的维护模型，当已经构建的维护模型应用于新的设备时，由于机械设备不同，导致采集的数据通常伴随不均衡等情况，因此已经构建的维护模型无法正常用于新设备的维护。另一方面，如果基于新机械设备的数据来训练有效的维护模型，则可能花费大量的时间和成本来采集数据和训练模型。针对上述问题，在预测性维护中，期望基于原设备的历史数据训练模型并将其应用于新设备的连续监控以进行早期预警。客户的需求是将训练好的模型直接应用于新设备上以实现不间断预测。因此，需要研究迁移算法来实现该目标，从而节约时间和成本。然而，当前只有少数应用于工业现场的成熟预测性维护系统，但是尚无针对于预测性维护系统的迁移算法研究。

发明内容

为了解决现有技术存在的问题，本发明提供了一种基于历史数据预测维护新设备的方法和系统。该系统和方法将基于历史数据训练好的预测性维护系统模型应用于新设备，解决了新设备中的数据采集不足以训练模型的问题。如此，可将原模型应用于新设备，而不需要等待较长时间来进行数据采集和模型训练。

本发明采用以下技术方案来实现：

一种用于维护设备的方法，包括：采集处于正常运转情况下的第一设备的多个样本数据；利用采集到的样本数据对模型进行训练，获得训练好的第一维护模型；采集处于正常运转情况下的第二设备的多个目标数据；将目标数据以及样本数据映射至隐蔽空间；比较目标数据在隐蔽空间中的分布与样本数据在隐蔽空间中的分布之间的差异；在差异小于阈值的情况下，将第一维护模型应用于第二设备，用于维护第二设备；在差异大于阈值的情况下，利用采集到的目标数据对模型进行训练，获得训练好的第二维护模型，用于维护第二设备。

优选地，将目标数据和样本数据映射至隐蔽空间包括：对目标数据以及样本数据进行相同类型的处理，处理包括以下各项中的至少一项：正则化处理、降维处理、特征变换处理、自动编码器处理。

优选地，在对目标数据以及样本数据进行相同类型的处理中，采用第一参数对样本数据进行处理，采用第二参数对目标数据进行处理，其中，基于样本数据确定第一参数，基于目标数据确定第二参数。

优选地，比较目标数据在隐蔽空间中的分布与样本数据在隐蔽空间中的分布之间的差异包括：比较目标数据在隐蔽空间中的分布函数与样本数据在隐蔽空间中的分布函数。

优选地，在目标数据在隐蔽空间中的分布函数与样本数据在隐蔽空间中的分布函数相同的情况下，判定目标数据在隐蔽空间中的分布与样本数据在隐蔽空间中的分布之间的差异小于阈值。

优选地，第一设备和第二设备的类型以及工况相同。

优选地，样本数据的数量大于所述目标数据的数量。

根据本申请的另一方面，提供了一种用于维护设备的系统，包括：第一采集模块，采集处于正常运转情况下的第一设备的多个样本数据；训练模块，利用采集到的样本数据对模型进行训练，获得训练好的第一维护模型；第二采集模块，采集处于正常运转情况下的第二设备的多个目标数据；映射模块，将目标数据以及样本数据映射至隐蔽空间；比较模块，比较目标数据在隐蔽空间中的分布与样本数据在隐蔽空间中的分布之间的差异；在差异小于阈值的情况下，用于维护设备的系统将第一维护模型应用于第二设备，用于维护第二设备；在差异大于阈值的情况下，用于维护设备的系统利用采集到的目标数据对模型进行训练，获得训练好的第二维护模型，用于维护第二设备。

优选地，映射模块对目标数据以及样本数据进行相同类型的处理，处理包括以下各项中的至少一项：正则化处理、降维处理、特征变换处理、自动编码器处理。

优选地，在对目标数据以及样本数据进行相同类型的处理中，映射模块采用第一参数对样本数据进行处理，映射模块采用第二参数对目标数据进行处理，其中，基于样本数据确定第一参数，基于目标数据确定第二参数。

优选地，比较模块比较目标数据在隐蔽空间中的分布函数与样本数据在隐蔽空间中的分布函数。

优选地，在目标数据在隐蔽空间中的分布函数与样本数据在隐蔽空间中的分布函数相同的情况下，比较模块判定目标数据在隐蔽空间中的分布与样本数据在隐蔽空间中的分布之间的差异小于阈值。

优选地，第一设备和第二设备的类型以及工况相同。

优选地，样本数据的数量大于目标数据的数量。

与现有技术相比，本发明的有益效果包括：

1.使得预测性维护解决方案可使用有限的数据来进行新设备的监控，而不需要采集长时间的数据并训练模型，在进一步节约训练时间的同时，提高维护的智能性和准确性；

2.借助于基于历史数据训练的维护模型，实现迁移到不同的设备维护中，尤其适用于数据不足，数据不均衡情况下的设备维护。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1示出了根据本发明的用于维护设备的方法的流程图；

图2示出了根据本发明的用于维护设备的模型适应的流程图；

图3示出了现有技术中的模型应用的比较例以及根据发明的用于维护设备的模型迁移的示例图。

具体实施方式

为使需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。

需要指出的是，除非另有指明，本申请使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

在本发明中，在未作相反说明的情况下，使用的方位词如“上、下、顶、底”通常是针对附图所示的方向而言的，或者是针对部件本身在竖直、垂直或重力方向上而言的；同样地，为便于理解和描述，“内、外”是指相对于各部件本身的轮廓的内、外，但上述方位词并不用于限制本发明。

图1示出了根据本发明的用于维护设备的方法的流程图。如图1所示，根据本发明的用于维护设备的方法包括以下步骤：S102，采集处于正常运转情况下的第一设备(例如，原设备)的多个样本数据，例如，样本数据可以包括第一设备的温度-湿度数据、振动数据等；S104，利用采集到的样本数据对模型进行训练，获得训练好的第一维护模型，例如，可以将采集到的样本数据根据故障类型进行标定，设定类型标签，并利用深度置信网络(DBN)或卷积神经网络(CNN)训练并获得第一维护模型；S106，采集处于正常运转情况下的第二设备(例如，新设备)的多个目标数据，例如，为了充分利用训练好的第一维护模型，优选地，第二设备与第一设备的类型、工况、模式一致；S108，将目标数据以及样本数据映射至隐蔽空间，例如，可以对目标数据以及样本数据进行相同类型的处理，该处理包括但不限于：正则化处理、降维处理、特征变换处理、自动编码器(auto encoder)处理，从而利用相同的处理方式将目标数据以及样本数据映射至同一空间，诸如，利用第一参数和第二参数分别对样本数据和目标数据进行降维处理或正则化、归一化处理，诸如，对温度-湿度数据进行降维处理、对振动数据等进行正则化、归一化处理，其中，第一参数包括但不限于：多个样本数据的平均值、均方差、中值中的一者，第二参数包括但不限于：多个目标数据的平均值、均方差、中值中的一者；S110，比较目标数据在隐蔽空间中的分布与样本数据在隐蔽空间中的分布之间的差异是否小于预定阈值，例如，可以比较目标数据在隐蔽空间中的分布函数与样本数据在隐蔽空间中的分布函数(例如，高斯分布函数)；S112，在分布差异小于阈值的情况下，将第一维护模型应用于第二设备，用于维护第二设备，例如，在S110中，在目标数据在隐蔽空间中的分布函数与样本数据在隐蔽空间中的分布函数相同的情况下，可以判定目标数据在隐蔽空间中的分布与样本数据在隐蔽空间中的分布之间的差异小于阈值，并且在S112中，将第一维护模型应用于第二设备，用于维护第二设备；S114，在S110中判定分布差异大于阈值的情况下，利用采集到的目标数据对模型进行训练，获得训练好的第二维护模型，用于维护第二设备，例如，可以将采集到的目标数据根据故障类型进行标定，设定类型标签，并利用深度置信网络(DBN)或卷积神经网络(CNN)训练并获得第二维护模型，用于维护第二设备。

图2示出了根据本发明的用于维护设备的模型适应的流程图。如图2所示，根据本发明的用于维护设备的模型适应的流程图包括分别在原设备A侧和目标设备B侧进行的处理步骤。原设备A的处理包括：S202-A，采集处于正常运转情况下的原设备A的多个样本数据，例如，样本数据可以是在长时间内采集的原设备A的大量的温度-湿度数据、振动数据等；S204-A，对采集到的样本数据进行处理，例如，对样本数据进行平滑处理、剔除不稳定的起始数据和未体现变化趋势的数据；S206-A，将样本数据映射至隐蔽空间，例如，可以对样本数据进行相同类型的处理，该处理包括但不限于：正则化处理、降维处理、特征变换处理、自动编码器(auto encoder)处理，诸如，利用第一参数对样本数据进行降维处理或正则化、归一化处理，诸如，对温度-湿度数据进行降维处理，对振动数据等进行正则化、归一化处理，其中，第一参数包括但不限于：多个样本数据的平均值、均方差、中值中的一者；S208-A，训练第一维护模型，例如，可以将采集到的样本数据根据故障类型进行标定，设定类型标签，利用采集到的样本数据对第一维护模型进行训练，例如，利用深度置信网络(DBN)或卷积神经网络(CNN)训练第一维护模型； S210-A，获得训练好的第一维护模型。此外，新设备B的处理包括：S202-B，采集处于正常运转情况下的新设备B的多个目标数据，例如，目标数据可以是在短时间内采用的新设备B的少量的温度-湿度数据、振动数据等；S204-B，对采集到的目标数据进行处理，例如，对目标数据进行平滑处理、剔除不稳定的起始数据和未体现变化趋势的数据； S206-B，将目标数据映射至隐蔽空间，例如，可以利用与S204-A相同的处理方式，对目标数据进行处理(例如，正则化处理、降维处理、特征变换处理、自动编码器处理)，诸如，利用第二参数对目标数据进行降维处理或正则化、归一化处理，诸如，对温度-湿度数据进行降维处理，对振动数据等进行正则化、归一化处理，其中，第二参数包括但不限于：多个目标数据的平均值、均方差、中值中的一者；S208-B，比较S206-A中样本数据在隐蔽空间中的分布与S206-B中目标数据在隐蔽空间中的分布之间的差异，例如，比较S206-A中样本数据在隐蔽空间中的分布与S206-B中目标数据在隐蔽空间中的分布之间的差异，在目标数据在隐蔽空间中的分布函数与样本数据在隐蔽空间中的分布函数 (例如，高斯分布函数)相同的情况下，可以判定目标数据在隐蔽空间中的分布与样本数据在隐蔽空间中的分布之间的差异小于阈值，目标数据在隐蔽空间中的分布与样本数据在隐蔽空间中的分布相同；S210-B，在S208-B中确定目标数据在隐蔽空间中的分布与样本数据在隐蔽空间中的分布相同的情况下，将S210-A中获得的训练好的第一维护模型迁移到新设备B，并且在S212-B中，在新设备B中部署第一维护模型，用于维护第二设备；S214-B，在S208-B中确定目标数据在隐蔽空间中的分布与样本数据在隐蔽空间中的分布不相同的情况下，判定S202-B中采集的处于正常运转情况下的新设备B的多个目标数据是否足够用于进行模型训练；S216-B，在S214-B判定S202-B中采集的处于正常运转情况下的新设备B的多个目标数据的数量不足以用于进行模型训练的情况下，长时间采集处于正常运转情况下的新设备B的多个目标数据，然后继续进行S202-B至S208-B； S218-B，在S214-B判定S202-B中采集的处于正常运转情况下的新设备B的多个目标数据的数量足以用于进行模型训练的情况下，训练第二维护模型，例如，可以将采集到的目标数据根据故障类型进行标定，设定类型标签，利用采集到的目标数据对第二维护模型进行训练，例如，利用深度置信网络(DBN)或卷积神经网络(CNN)训练第二维护模型；S220-B，获得训练好的第二维护模型，并且在S212-B中，在新设备B中部署第二维护模型，用于维护第二设备。顺便提及，在原设备A和新设备B处执行的上述处理可以并行执行，或者可以顺序执行。

图3示出了现有技术中的模型应用的比较例以及根据发明的用于维护设备的模型迁移的示例图。如图3中的(A)所示，采集到的第一设备(例如，原设备)的多个样本数据如图3中的(A)的圆点所示，采集到的第二设备(例如，新设备)的多个目标数据如图3中的(A)的十字所示，正如图3中的(A)所示，采集到的第一设备(例如，原设备)的样本数据的数量远远多于采集到的第二设备(例如，新设备)的目标数据的数量。图3中的(B)示出了现有技术中的模型应用的比较例，如图3中的(B)所示，若基于第一设备(例如，原设备)训练的异常检测模型直接应用于第二设备(例如，新设备)，例如，采用相同的处理方式并且采用相同的映射参数(诸如，第一设备的样本数据的平均值)将第一设备的样本数据以及第二设备的目标数据映射至同一空间，则第二设备的目标数据的大部分数据点落在第一设备的样本数据的中心区域之外，即，第二设备的目标数据的大部分数据被标识为“异常数据”，那么，基于第一设备(例如，原设备)训练的异常检测模型不能正常地用于第二设备，进行第二设备的维护。图3中的(C)示出了根据发明的用于维护设备的模型迁移，如图3中的(C)所示，采用相同的处理方式但基于不同的参数将第一设备的样本数据以及第二设备的目标数据映射至同一空间，例如，基于多个样本数据的平均值、均方差、中值中的一者的第一参数，通过正则处理，将第一设备的样本数据映射至隐藏空间，并且基于多个目标数据的平均值、均方差、中值中的一者的第二参数，通过正则处理，将第二设备的目标数据映射至隐藏空间，则第二设备的目标数据的大部分数据点均入第一设备的样本数据的中心区域，即，第二设备的目标数据的大部分数据被标识为“正常数据”，那么，基于第一设备(例如，原设备)训练的异常检测模型能正常地迁移至第二设备，用于第二设备的维护。

与现有技术相比，本发明的有益效果包括：

1.使得预测性维护解决方案可使用有限的数据来进行新设备的监控，而不需要采集长时间的数据并训练模型，在进一步节约训练时间的同时，提高维护的智能性和准确性；

2.借助于基于历史数据训练的维护模型，实现迁移到不同的设备维护中，尤其适用于数据不足，数据不均衡情况下的设备维护。

显然，上述所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/ 或“包括”时，其指明存在特征、步骤、工作、器件、组件和/或它们的组合。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施方式能够以除了在这里图示或描述的那些以外的顺序实施。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。