技术领域
[0001] 本
发明涉及
旋转机械的异常、例如
转子等的
异常检测技术领域，尤其涉及一种融合机器机理与人工智能算法系统的数据处理方法及系统。
背景技术
[0002] 工业制造业的核心是各种各样的机器，机器的健康运行状态的对于保证工厂连续可靠
云运转非常关键。传统的机器运维一般采用故障后维修，即在人工发现机器故障或者影响生产时，安排维护人员对机器进行维修处理。此种模式下，人工无法预知机器的状态，经常出现机器非计划中的停机，一方面增加运维开支，另一方面造成生产中断，影响产能。
[0003] 近年来随着
数据采集传输、工业互联网、人工智能等技术的发展，在机器运维领域，预测性维护逐渐成为趋势，并为越来越多的企业采用。机器预测性维护通过采集机器运行的各类状态参数，如
温度、振动、转速、
电流、负荷等，然后通过数据处理算法对数据进行处理，提取机器异常时的特征，设置异常
阈值，一旦特征超过阈值，系统自动发出报警，机器运维人员收到异常报警后，就可以根据机器问题的严重程度以及生产计划，灵活安排维修时机。
[0004] 特征阈值设置的是否合理，将直接影响系统的有效性。阈值偏高，将导致早期机器
缺陷无法及时提醒，甚至漏掉重要的故障提醒；阈值偏低，将导致机器的任何微小
波动即被发现并报警，导致运维人员接收到过多的、不必要的警报，给运维人员带来额外打扰以及工作量。
发明内容
[0005] 为解决上述技术问题，本发明提出了一种融合机器机理与人工智能算法系统的数据处理方法及系统，以解决机器运行过程中异常特征产生的异常报警问题。
[0006] 根据本发明的一个
实施例，本发明提出了一种融合机器机理与人工智能算法系统的数据处理方法，所述方法包括：
[0007] 采集机器运用过程中的实时状态数据，并从中筛选出满足要求的状态数据；
[0008] 基于机器的故障机理，从满足要求的状态数据中提取出特征指标，并基于机理特征指标算法，计算出四类状态标签数据对应的指标集合；
[0009] 选择
机器学习算法模型，将带有标签的指标集矩阵输入机器学习算法模型中，输出特征指标集阈值参数；
[0010] 将所述阈值参数部署到机器实用环境中，作为初始阈值参数，每次系统推送出机器状态等级后，由人工在系统中确认标签的真实状态等级；
[0011] 判断接收到的阈值参数对应的特征等级与人工确认的标签对应的真实状态等级是否一致，如果不一致，将新标签数据对应的指标集纳入标签库，并更新阈值参数，否则通过机器学习算法反复持续训练，直至阈值模型推送的准确率达到95％时，
迭代终止。
[0012] 优选的，所述实时状态数据包括温度、振动、电流以及功率。
[0013] 优选的，所述特征指标包括温度的温度值、温度变化率；振动的有效值、峰峰值、峭度、冲击值；电流指标的电流值、电流变化率；功率指标集的功率值、功率变化率。
[0014] 优选的，所述状态标签数据对应的指标集合为温度的温度值、温度变化率；振动的有效值、峰峰值、峭度、冲击值；电流指标的电流值、电流变化率；功率指标集的功率值、功率变化率的指标集合，表示为{x1，x2，……，x10}。
[0015] 优选的，所述机器学习算法模型包括基于
决策树算法、
随机森林算法、逻辑回归算法、
支持向量机算法、朴素贝叶斯算法、K近邻算法、K均值算法、Adaboost算法、神经网络算法以及
马尔科夫算法中的一种。
[0016] 优选的，所述准确率的计算公式为：
[0017]
[0018] 其中，a为阈值参数对应的特征等级与人工确认的标签对应的真实状态等级吻合后的累计值，b为更新阈值参数的累计值，a和b的初始值为0。
[0019] 优选的，所述四类状态标签包括健康、亚健康、警告、危险四类状态的标签数据。
[0020] 根据本发明的又一实施例，本发明还提出了一种融合机器机理与人工智能算法系统的
数据处理系统，所述数据处理系统包括：
[0021]
传感器，用于采集机器运用过程中的实时状态数据，并从中筛选出满足要求的状态数据；
[0022] 处理器，用于基于机器的故障机理，从满足要求的状态数据中提取出特征指标，并基于机理特征指标算法，计算出状态标签数据对应的指标集合；选择机器学习算法模型，将带有标签的指标集矩阵输入机器学习算法模型中，输出特征指标集阈值参数；将所述阈值参数部署到机器实用环境中，作为初始阈值参数，每次系统推送出机器状态等级后，由人工在系统中确认标签的真实状态等级；判断接收到的阈值参数对应的特征等级与人工确认的标签对应的真实状态等级是否一致，如果不一致，将新标签数据对应的指标集纳入标签库，并更新阈值参数，否则通过机器学习算法反复持续训练，直至阈值模型推送的准确率达到95％时，迭代终止；
[0023]
存储器，用于存储状态标签数据对应的指标集合、阈值参数集以及特征等级值。
[0024] 本发明的有益效果：
[0025] (1)本发明融合了机器机理算法与机器学习算法，充分发挥了各自在机器预测性维护应用方面的优势。既符合机器故障逻辑机理，又使得系统具备
自学习能
力，避免了繁琐的人为调整复杂参数。大幅提升了系统报警模型的可用
水平和准确率；
[0026] (2)系统模型中使用基本的机器机理算法，系统模型思路与机器类型无直接关联，使得模型具备普适性，可以应用于各行业各类型机器的异常预警和预测性维护相关应用；
[0027] (3)系统模型参数的确定逻辑是动态可调的，使得即使前期没有状态等级对应的标签数据，随着机器运行积累数据后，也能形成与当前机器相适应的阈值参数。
附图说明
[0028] 图1为本发明提出的融合机器机理与人工智能算法系统的数据处理方法
流程图。
具体实施方式
[0029] 以下，基于附图来说明本发明的一实施方式。需要说明的是，在各附图中标注有相同的附图标记的结构表示相同的结构，并适当省略其说明。在本
说明书中，在统称的情况下由省略尾标的附图标记表示，在表示单独的结构的情况下由带有尾标的附图标记表示。
[0030] 当下主流的特征阈值确定方法主要有两种，一是参考相关行业标准预先设置，二是根据机器运维专家经验人工设定。因为机器类型多样，在不同的工业现场运行环境以及工况负荷多变，而标准参考阈值是机器在理想运行环境的实验值，与真实环境相差甚远，在实际工业现场应用中不具备参考价值。采用机器专家经验设定阈值，需要大量的试错才能找到相对合适的参数，在特征较多时如十个特征值同时设置参数，因为参数有无限组合，依靠专家无法对所有参数找到最优解。
[0031] 基于此，在本发明的实施例中，通过设置相应的特征阈值来实现机器运行过程中产生的报警得到及时解决。如图1所示，具体来说，
[0032] S101、采集机器运用过程中的实时状态数据，并从中筛选出满足要求的状态数据；
[0033] 在进行设备故障诊断的过程中，获取的信息是
基础，如果没有足够准确的信息，就很难进行机器的故障检测过程。在本实施例中，采集的实时状态数据包括与机器状态相关的温度、振动、电流、功率等实时数据，并对数据
质量进行筛选，保留质量满足要求的数据。
[0034] 在实际中，对不不同的机组来说，数据的获取可能采用的方式也不是十分相同，尤其对于一些大的机组，旋转设备通常都是企业生产过程中的关键设备，影响很大，在实际的可能发生的故障
位置定位中，通常多发生在转子一
轴承系统上，所以采用的方案为对转子实时检测，从而确保机组能够长时间安全工作。在本实施例中，进行实时状态数据的采集主要采用的是传感器设备，对于不同的状态数据，采用的传感器类型也不尽相同，举例来说，在温度获取的过程中，涉及的是温度传感器，而振动
信号数据的所采用的可以为
涡流位移传感器或者其他与之相同作用的传感器，同时，还需要涉及采集电流、功率的传感器或者相应的采集设备来实现对这些状态数据的采集。
[0035] 由于在数据采集过程中，涉及到的数据类别较多，数据量也较大，并不是所有数据都需要进行分析，因此在本实施例中，筛选出满足要求的状态数据，所谓的满足要求即筛选出能反应机器运行过程中有一定参考价值的数据，可以根据人为经验选择也可以根据预设的参数标准来设置，具体不做限制。
[0036] S102、基于机器的故障机理，从满足要求的状态数据中提取出特征指标，并基于机理特征指标算法，计算出四类状态标签数据对应的指标集合；在本实施例中，所述特征指标包括温度的温度值、温度变化率；振动的有效值、峰峰值、峭度、冲击值；电流指标的电流值、电流变化率；功率指标集的功率值、功率变化率。其指标集合表示为：{x1，x2，……，x10}。
[0037] S103、选择机器学习算法模型，将带有标签的指标集矩阵输入机器学习算法模型中，输出特征指标集阈值参数；
[0038] 本发明采用的是机器机理与人工智能算法融合系统，该系统采用的是机器学习算法，在实际应用中，机器学习算法模型包括基于决策树算法、随机森林算法、逻辑回归算法、支持向量机算法、朴素贝叶斯算法、K近邻算法、K均值算法、Adaboost算法、神经网络算法以及马尔科夫算法中的一种。
[0039] 举例来说，决策树算法是根据一些特征进行分类，每个
节点提一个问题，通过判断，将数据分为两类，再继续提问。这些问题是根据已有数据学习出来的，再投入新数据的时候，就可以根据这棵树上的问题，将数据划分到合适的叶子上。应用到本发明中，即根据状态数据特征来进行分类，具体来说，分为温度、振动、电流和功率，由这些特征数据来表征。在数据标签中，也可以用健康、亚健康、警告、危险四类状态的标签数据来表征。同样，本
申请中采用的也可以采用其他相关算法来实现特征指标集阈值参数的输出。
[0040] 具体来说，前述步骤中采集了各类状态数据，在本步骤中，通过四类标签对这些状态数据再次进行计算分类，从而得到不同状态下的状态数据标签，如健康标签状态下的电流、温度、振动以及功率数据，亚健康标签、警告标签以及危险标签下也相应记录电流、温度、振动以及功率数据。
[0041] S104、将所述阈值参数部署到机器实用环境中，作为初始阈值参数，每次系统推送出机器状态等级后，由人工在系统中确认标签的真实状态等级；
[0042] 判断接收到的阈值参数对应的特征等级与人工确认的标签对应的真实状态等级是否一致，如果不一致，将新标签数据对应的指标集纳入标签库，并更新阈值参数，否则通过机器学习算法反复持续训练，直至阈值模型推送的准确率达到95％时，迭代终止。
[0043] 所述准确率的计算公式为：
[0044]
[0045] 其中，a为阈值参数对应的特征等级与人工确认的标签对应的真实状态等级吻合后的累计值，b为更新阈值参数的累计值，a和b的初始值为0。
[0046] 根据本发明的又一实施例，本发明还提出了一种融合机器机理与人工智能算法系统的数据处理系统，所述数据处理系统包括：
[0047] 传感器，用于采集机器运用过程中的实时状态数据，并从中筛选出满足要求的状态数据；
[0048] 处理器，用于基于机器的故障机理，从满足要求的状态数据中提取出特征指标，并基于机理特征指标算法，计算出状态标签数据对应的指标集合；选择机器学习算法模型，将带有标签的指标集矩阵输入机器学习算法模型中，输出特征指标集阈值参数；将所述阈值参数部署到机器实用环境中，作为初始阈值参数，每次系统推送出机器状态等级后，由人工在系统中确认标签的真实状态等级；判断接收到的阈值参数对应的特征等级与人工确认的标签对应的真实状态等级是否一致，如果不一致，将新标签数据对应的指标集纳入标签库，并更新阈值参数，否则通过机器学习算法反复持续训练，直至阈值模型推送的准确率达到95％时，迭代终止；
[0049] 存储器，用于存储状态标签数据对应的指标集合、阈值参数集以及特征等级值。
[0050] 对于本领域技术人员而言，显然本发明实施例不限于上述示范性实施例的细节，而且在不背离本发明实施例的精神或基本特征的情况下，能够以其他的具体形式实现本发明实施例。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明实施例的范围由所附
权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明实施例内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统、装置或终端权利要求中陈述的多个单元、模
块或装置也可以由同一个单元、模块或装置通过
软件或者
硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
[0051] 最后应说明的是，以上实施方式仅用以说明本发明实施例的技术方案而非限制，尽管参照以上较佳实施方式对本发明实施例进行了详细说明，本领域的普通技术人员应当理解，可以对本发明实施例的技术方案进行
修改或等同替换都不应脱离本发明实施例的技术方案的精神和范围。
