一种基于TensorFlow的工业设备预检预修模型的训练方法及装置

技术领域

本发明涉及工业设备维护、维修技术领域，具体涉及一种基于TensorFlow的工业设备预检预修模型的训练方法及装置。

背景技术

随着工业互联网的飞速发展，工业设备维修、检测越来越难度，配件以及流程等越来越复杂，预测性维护更难提高准确率。

在现有操作中，设备维护维修主要通过两种方式：（1）在设备发生故障后进行维修，由于故障发生的随机性，因此会随机的出现需要停工停产维修设备的情况，为企业生产经营增加了不可控的风险因素；（2）周期性对设备进行维护，更换易损零件，这种方式可以有效降低随机故障的发生，但是由于设备本身及运行情况的个体差异，无法避免的会出现过度维护的情况，增加了不必要的成本。

因此，如何在设备发生故障之前进行维修，避免不可控的停工停产的发生，又避免过度维护的情况的发生，成为了本领域技术人员急需解决的问题。

发明内容

针对上述现有技术的不足，本发明实际解决的问题包括：如何在设备发生故障之前进行维修，避免不可控的停工停产的发生，又避免过度维护的情况的发生。

本发明采用了如下的技术方案：

一种基于TensorFlow的工业设备预检预修模型的训练方法，采用TensorFlow进行模型的训练，所述训练方法包括如下步骤：

S1、获取历史数据集，历史数据集包括设备故障前历史运行数据、设备历史故障记录及设备历史维修方案，设备故障前历史运行数据是发生故障前预设时间的设备历史运行数据；

S2、建立设备故障前历史运行数据、设备历史故障记录及设备历史维修方案之间的关联关系；

S3、从设备历史故障记录及设备历史维修方案提取故障类型数据及维修方案数据；

S4、调用待训练模型，初始化待训练模型的参数；

S5、将故障类型数据及维修方案数据导入待训练模型进行训练；

S6、满足训练结束条件时，完成模型训练，模型的输入是设备故障前历史运行数据或设备运行数据，模型的输出是设备故障预警及设备预修方案。

优选地，设备故障前历史运行数据包括设备故障前历史运行参数及设备故障前历史环境参数，设备运行数据包括设备运行参数及设备环境参数。

优选地，所述训练方法还包括:

S100、对设备进行仿真，获取不同环境参数相对于标准环境参数对设备使用寿命的寿命时长影响比例；

S200、计算标准环境参数下设备故障前历史运行数据与设备初始运行数据之间的数值变化趋势；

S300、获取历史数据集包括设备故障前历史运行数据对应的历史环境参数；

S400、在模型训练过程中，在设备故障前历史运行数据输入模型前，利用寿命时长影响比例、数值变化趋势及历史环境参数对设备故障前历史运行数据进行修正。

优选地，所述历史数据集包括多个历史数据子集，所述工业设备预检预修模型包括多个子模型，各历史数据子集和各子模型之间一一对应，每组历史数据子集和子模型对应一种设备零件。

一种基于TensorFlow的工业设备预检预修模型的训练装置，包括数据采集模块、数据处理模块及模型训练模块，其中：

数据采集模块用于获取历史数据集，历史数据集包括设备故障前历史运行数据、设备历史故障记录及设备历史维修方案，设备故障前历史运行数据是发生故障前预设时间的设备历史运行数据；

数据处理模块用于建立设备故障前历史运行数据、设备历史故障记录及设备历史维修方案之间的关联关系；还用于从设备历史故障记录及设备历史维修方案提取故障类型数据及维修方案数据；

模型训练模块用于调用待训练模型，初始化待训练模型的参数；还用于将故障类型数据及维修方案数据导入待训练模型进行训练。

优选地，数据处理模块还用于对设备进行仿真，获取不同环境参数相对于标准环境参数对设备使用寿命的寿命时长影响比例；计算标准环境参数下设备故障前历史运行数据与设备初始运行数据之间的数值变化趋势；获取历史数据集包括设备故障前历史运行数据对应的历史环境参数；在模型训练过程中，在设备故障前历史运行数据输入模型前，利用寿命时长影响比例、数值变化趋势及历史环境参数对设备故障前历史运行数据进行修正。

综上所述，本发明公开了一种基于TensorFlow的工业设备预检预修模型的训练方法，采用TensorFlow进行模型的训练，所述训练方法包括如下步骤：S1、获取历史数据集，历史数据集包括设备故障前历史运行数据、设备历史故障记录及设备历史维修方案，设备故障前历史运行数据是发生故障前预设时间的设备历史运行数据；S2、建立设备故障前历史运行数据、设备历史故障记录及设备历史维修方案之间的关联关系；S3、从设备历史故障记录及设备历史维修方案提取故障类型数据及维修方案数据；S4、调用待训练模型，初始化待训练模型的参数；S5、将故障类型数据及维修方案数据导入待训练模型进行训练；S6、满足训练结束条件时，完成模型训练，模型的输入是设备故障前历史运行数据或设备运行数据，模型的输出是设备故障预警及设备预修方案。与现有技术相比，本发明并未采用设备故障时的运行数据进行训练，而是采用了设备故障前一段时间的运行数据进行模型训练，这样训练出的模型可根据设备还未故障时的数据对故障的发生进行预测，并得到设备故障预警及设备预修方案。便于实现在设备发生故障之前进行维修，避免了不可控的停工停产的发生，且避免了过度维护的情况的发生。

附图说明

为了使发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：

图1是本发明公开的一种基于TensorFlow的工业设备预检预修模型的训练方法的一种具体实施方式的流程图；

图2是本发明公开的一种基于TensorFlow的工业设备预检预修模型的训练装置的结构示意图。

具体实施方式

下面结合附图对本发明作进一步的详细说明。

如图1所示，本发明公开了一种基于TensorFlow的工业设备预检预修模型的训练方法，采用TensorFlow进行模型的训练，所述训练方法包括如下步骤：

S1、获取历史数据集，历史数据集包括设备故障前历史运行数据、设备历史故障记录及设备历史维修方案，设备故障前历史运行数据是发生故障前预设时间的设备历史运行数据；

本发明中设备故障前历史运行数据可取设备发生故障之前一至两天的运行数据。在实际使用模型时，实时采集设备运行数据并输入模型，可在设备发生故障前一至两天进行预警并提供对应的维修方案。

S2、建立设备故障前历史运行数据、设备历史故障记录及设备历史维修方案之间的关联关系；

S3、从设备历史故障记录及设备历史维修方案提取故障类型数据及维修方案数据；

S4、调用待训练模型，初始化待训练模型的参数；

本发明中的模型种类和结构可根据实际情况选取，模型为现有模型，在此不再赘述。

S5、将故障类型数据及维修方案数据导入待训练模型进行训练；

S6、满足训练结束条件时，完成模型训练，模型的输入是设备故障前历史运行数据或设备运行数据，模型的输出是设备故障预警及设备预修方案。

本发明中，可使用设备故障前历史运行数据、设备历史故障记录及设备历史维修方案之间的关联关系验证输出结果是否正确。当所有用于训练的样本都输入模型进行训练后和/或输出的结果的正确率大于预设比例后，可视为满足训练结束条件。

本发明中，使用TensorFlow作为基础工具进行训练，TensorFlow是一个端到端开源机器学习平台。它拥有一个全面而灵活的生态系统，其中包含各种工具、库和社区资源，可助力研究人员推动先进机器学习技术的发展，并使开发者能够轻松地构建和部署由机器学习提供支持的应用；TensorFlow提供多个抽象级别，因此可以根据自己的需求选择合适的级别。也可以使用高阶KerasAPI构建和训练模型，该API能够轻松地开始使用TensorFlow和机器学习。

与现有技术相比，本发明并未采用设备故障时的运行数据进行训练，而是采用了设备故障前一段时间的运行数据进行模型训练，这样训练出的模型可根据设备还未故障时的数据对故障的发生进行预测，并得到设备故障预警及设备预修方案。便于实现在设备发生故障之前进行维修，避免了不可控的停工停产的发生，且避免了过度维护的情况的发生。

具体实施时，设备故障前历史运行数据包括设备故障前历史运行参数及设备故障前历史环境参数，设备运行数据包括设备运行参数及设备环境参数。

除了运行参数之外，设备运行时的环境参数，例如温度、湿度也会对设备的故障发生产生影响，因此，本发明中，训练时输入的数据包括了设备故障前历史运行参数及设备故障前历史环境参数，使用时输入的数据包括了设备运行数据包括设备运行参数及设备环境参数。

具体实施时，所述训练方法还包括:

S100、对设备进行仿真，获取不同环境参数相对于标准环境参数对设备使用寿命的寿命时长影响比例；

S200、计算标准环境参数下设备故障前历史运行数据与设备初始运行数据之间的数值变化趋势；

S300、获取历史数据集包括设备故障前历史运行数据对应的历史环境参数；

S400、在模型训练过程中，在设备故障前历史运行数据输入模型前，利用寿命时长影响比例、数值变化趋势及历史环境参数对设备故障前历史运行数据进行修正。

作为另一种实施方式，本发明中除了直接将环境参数作为输入数据进行训练以外，还可以对训练和实际使用时的数据进行预处理。在训练前，先分析运行环境对设备故障的影响。修正后的数值=实际数值+修正值，修正值的大小等于实际数值*寿命时长影响比例，影响比例和变化趋势同号，则修正值为负，否则修正值为正。

例如，设置标准环境参数为20℃，仿真实验得到30℃时，设备使用寿命与在20℃环境下运行减少了10%（-10%）；并且20℃时，设备故障前历史运行数据为噪声75分贝，设备初始运行时的噪声为50分贝，则数值变化趋势为正。那么若训练输入的设备故障前历史运行数据对应的历史环境参数也为30℃，则将设备故障前历史运行数据的值增加10%。采用这种方式，根据环境参数对设备的运行数据进行修正，与将环境参数作为运行参数直接进行训练相比，能够减少训练量，提高训练效率。

具体实施时，所述历史数据集包括多个历史数据子集，所述工业设备预检预修模型包括多个子模型，各历史数据子集和各子模型之间一一对应，每组历史数据子集和子模型对应一种设备零件。

现有模型，对设备类型敏感，往往只能针对同一种模型。本发明中的模型由多个子模型组成，且每个子模型对应的是一种设备零件，一个设备往往包括多种零件，而故常通常又能够具体到某一具体零件。因此本发明中，不按照设备种类或类型进行区分，而是按照零件的种类设置了多个子模型，可以有效提高模型的适应性，可实现对多种不同的设备进行检测。

如图2所示，本发明还公开了一种基于TensorFlow的工业设备预检预修模型的训练装置，包括数据采集模块、数据处理模块及模型训练模块，其中：

数据采集模块用于获取历史数据集，历史数据集包括设备故障前历史运行数据、设备历史故障记录及设备历史维修方案，设备故障前历史运行数据是发生故障前预设时间的设备历史运行数据；

数据处理模块用于建立设备故障前历史运行数据、设备历史故障记录及设备历史维修方案之间的关联关系；还用于从设备历史故障记录及设备历史维修方案提取故障类型数据及维修方案数据；

模型训练模块用于调用待训练模型，初始化待训练模型的参数；还用于将故障类型数据及维修方案数据导入待训练模型进行训练。

具体实施时，数据处理模块还用于对设备进行仿真，获取不同环境参数相对于标准环境参数对设备使用寿命的寿命时长影响比例；计算标准环境参数下设备故障前历史运行数据与设备初始运行数据之间的数值变化趋势；获取历史数据集包括设备故障前历史运行数据对应的历史环境参数；在模型训练过程中，在设备故障前历史运行数据输入模型前，利用寿命时长影响比例、数值变化趋势及历史环境参数对设备故障前历史运行数据进行修正。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管通过参照本发明的优选实施例已经对本发明进行了描述，但本领域的普通技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离所附权利要求书所限定的本发明的精神和范围。