(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111540193.6 (22)申请日 2021.12.16 (71)申请人 成都航天科工大 数据研究院有限公 司 地址 610000 四川省成 都市中国(四川)自 由贸易试验区成都市天府新区兴隆街 道湖畔路西段天府菁蓉中心D区A6号 楼4、 5层 (72)发明人 樊妍睿　马波涛　 (74)专利代理 机构 成都九鼎天元知识产权代理 有限公司 51214 代理人 孙元伟 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06Q 10/00(2012.01) G06F 119/02(2020.01) G06F 119/04(2020.01) (54)发明名称 一种工业设备健康管理系统及方法 (57)摘要 本发明公开了一种工业设备健康管理系统 及方法， 属于工业设备故障预警领域， 包括数据 采集模块、 数据预处理模块、 异常检测模块、 故障 诊断模块和寿命 预测模块； 数据采集模块采集工 业设备的数据并存入数据库； 数据预处理模块构 建构造特征和获取最终特征； 异常检测模块进行 异常点检测计算； 故障诊断模块采用多模型融合 的方法对设备 故障情况进行诊断； 寿命预测模块 采用神经网络对设备的剩余使用寿命进行预测。 本发明实现对工业设备进行全生命周期的监测 和管理， 便于设备管理人员和企业管理者对所有 设备的健康状况有更全面的了解， 也便于进行更 精细化的管理。 权利要求书3页 说明书10页 附图2页 CN 114282434 A 2022.04.05 CN 114282434 A 1.一种工业设备健康管理系统， 其特征在于， 包括数据采集模块、 数据预处理模块、 异 常检测模块、 故障诊断模块和寿命预测模块； 数据采集模块， 用于采集工业设备的数据并存 入数据库； 数据预处理模块， 用于利用原始特征中的部分数据得到构造特征， 再将原始特征和构 造特征输入训练好的神经网络模型， 并提取 出多个特 征作为最终特征， 用于后续计算； 异常检测模块， 用于将预处理后得到的原始特征和构造特征一起作为输入， 进行异常 点检测计算； 故障诊断模块， 用于将数据预处理模块中得到的最终特征作为输入， 采用多模型融合 的方法对设备故障情况进行诊断； 寿命预测模块， 用于将数据预处理模块中得到的最终特征作为输入， 采用神经网络对 设备的剩余使用寿命进行 预测。 2.根据权利要求1所述的工业设备健康管理系统， 其特征在于， 所述数据 预处理模块包 括数据清洗模块、 特 征构造模块和特 征提取模块； 数据清洗模块， 用于对原 始数据进行清洗后进行 标准化处理， 生成原 始特征； 特征构造模块， 用于利用原 始特征中的部分数据构建构造特 征； 特征提取模块， 用于利用卷积神经网络CNN模型进行特征提取， 将原始特征和构造特征 输入训练好的卷积神经网络 CNN模型， 提取 出多个特 征作为所述 最终特征。 3.根据权利要求1所述的工业设备健康管理系统， 其特征在于， 所述异常点检测计算包 括： 阈值判断： 根据历史数据统计结果， 设定重要参数的正常范围， 当某参数值超出该范围 时， 判定为异常点； 和/或， 聚类分析： 首先用聚类算法对设定时间段的正常历史数据进行聚类分析， 得出k个聚类 中心， 然后计算实时数据点到每个聚类中心的距离L， 当L大于阈值L0时， 判定该点为异常 点； 在t0时间 间隔内， 若出现异常点个数 大于设定数量个， 则判定设备 出现异常情况。 4.根据权利要求1所述的工业设备健康管理系统， 其特征在于， 所述采用多模型融合的 方法具体为基于Stacking算法模 型， 且在Stacking算法模型的第一层模 型采用XGBoost、 支 持向量机和随机森林三个模型， 第二层模型采用逻辑回归模型； 首先对第一层的三个模型 分别进行训练， 然后用第一层模型 的预测输出作为输入训练第二层模型， 最终得到的融合 模型作为故障诊断模型， 用于对设备进行故障诊断。 5.根据权利要求1所述的工业设备健康管理系统， 其特征在于， 所述采用神经网络对设 备的剩余使用寿命进行 预测， 包括： 根据已有的设备退化曲线构造训练集和测试集， 设置采样间隔， 代入预先构建的神经 网络， 对神经网络进行训练， 建立模型； 采用多项式曲线拟合法对设备退化曲线进行拟合； 通过拟合出的退化曲线对设备的剩余使用寿命进行 预测。 6.根据权利要求1所述的工业设备健康管理系统， 其特征在于， 包括健康管理模块， 用 于对设备 的健康状况进行评估和管理， 将设备 的健康状况分为多个等级， 多个等级包括正 常、 亚健康、 临近失效、 故障； 当设备正常运行， 未出现异常点的状态为正常状态； 当异常检 测模块检测出设备出现异常点时， 设备状态标记为亚健康； 当寿命预测模块计算出设备 的 剩余使用寿命小于设定时间时， 设备状态标记为临近失效； 当故障诊断模块检测出设备出权　利　要　求　书 1/3 页 2 CN 114282434 A 2现故障时， 设备状态标记为 故障； 当设备状态为临近失效或故障时， 将设备信息发送给故障 报警模块。 7.根据权利要求1所述的工业设备健康管理系统， 其特征在于， 包括系统性能评估模 块， 用于根据设备的实际故障情况与系统预测结果进 行比较， 评估系统的性能， 并将评价结 果进行反馈到异常检测模块、 故障诊断模块和寿命 预测模块， 用于异常检测、 故障诊断和寿 命预测的优化。 8.根据权利要求7所述的工业设备健康管理系统， 其特征在于， 所述系统 的性能通过故 障诊断准确率、 寿命预测准确率两个指标进行评估； 故障诊断准确率F1采用f1‑score来评估， 其计算公式为： 其中， R示故障诊断模块的召回率， P表示故障诊断模块的准确率； 寿命预测准确率PL的计算公式为： 其中， Lreal表示某台设备的实际剩余使用寿命， Lpre表示系统模型预测出的剩余使用寿 命， N表示计算该准确率所抽取的样本数量。 9.根据权利要求1～8任一项所述的工业设备健康管理系统， 其特征在于， 包括故障报 警模块、 维修决策模块和历史数据库； 故障报警模块， 用于接收健康管理模块发来的故障或临近失效状态的设备信息， 并实 时展示给用户； 也能够根据用户订阅， 实时显示其他设备的健康状态信息； 还用于接收异常 点信息； 数据库管理模块， 用于实时数据库和历史数据库之间的数据传输， 当接收到历史数据 库的数据迁移请求时， 根据请求信息编写SQL语句， 从实时数据库读取响应的设备数据， 然 后发送给历史数据库， 并保存迁移 记录以备查询； 实时数据库， 用于存储当天的设备数据， 并在每天的网络空闲时段将数据上传到历史 数据库进行长期保存； 采用MySQL存储和管理实时数据， 用于存储设备数据、 故障数据和维 护数据。 历史数据库， 用于存储实时数据库上传的设备历史数据， 用于后续的数据分析和模型 训练， 也供用户进行历史数据的批量 查询。 10.一种基于 权利要求9所述的工业设备健康管理系统的方法， 其特 征在于， 包括 步骤： S1， 数据采集模块采集设备的运行 数据和物理数据， 并发送给实时数据库进行存 储； S2， 数据预处理模块从实时数据库读取设备的实时数据并进行特征提取和选择， 然后 将处理后的数据发送给异常诊断模块； S3， 异常诊断模块首先根据预设的阈值进行异常判断， 若阈值范围正常则进行聚类分 析判断设备是否出现异常点； 若设备运行中出现异常点， 则将异常点信息发送给故障诊断 模块； S4， 故障诊断模块根据异常点信息， 从实时数据库请求设备数据， 并代入故障诊断模型权　利　要　求　书 2/3 页 3 CN 114282434 A 3