论文部分内容阅读
大型精密工业装备在运行过程中,各种状态参数纷繁复杂,当设备异常现象不明显且发展进程缓慢时,这些渐变而微弱的异常信息往往被忽略。操纵员,包括通常的设备监控系统,很难在第一时间直接察觉到设备的异常现象,不能对可能引发事故的设备异常及时进行诊断、预测和处理。由于故障在初始阶段得不到及时准确预测和有效处理,很容易会导致后续重大设备故障事故发生,造成严重的经济损失,甚至造成人身安全重大事故。因此,设计并实现工业物联网大数据平台,开发智能化的工业装备故障预测系统,对设备状态进行实时监测并对设备潜在的故障进行预测,对提高工业装备运行的可靠性、稳定性、安全性,都有着重要的意义,是发展智能制造,建设制造强国的重要内容之一。针对目前各种故障预测方法在精度与稳定性等方面都还有待提升的问题,本文设计并实现了基于工业物联网(Industrial Internet of Things,IIo T)和大数据(Big Data)分析技术的设备智能故障预测系统。首先,利用IIo T技术收集前端传感器的各种采集数据,汇聚到大数据平台中进行整理、存储与分析。其次,采用深度学习技术,提出了一种DFPNN(Device Fault Prediction Neural Network)网络模型,实现了设备故障预测算法。将基于长短期记忆网络(Long-Short Term Memory,LSTM)的趋势预测网络模型与基于残差网络(Residual Network,Res Net)的故障诊断网络模型相结合,利用状态预测网络预测设备在未来一段时间状态的变化趋势,利用故障诊断网络预测未来一段时间设备可能出现的故障及故障类型。实验结果表明,本文提出的基于IIo T和Big Data分析技术的设备故障智能预测系统,具有较高的精准度和较快的响应速度,能够有效地辅助设备操纵员进行设备的维护和管理,保障设备的正常运行,为提升设备的可靠性和稳定性提供了重要的技术支撑。本文具体的研究内容如下:(1)搭建工业物联网大数据平台。针对工业设备运行数据的特点,以开源组件EMQ X、TDengine和Grafana为核心,定制搭建了物联网大数据设备状态感知平台,具备数据采集、清洗、存储、查询、可视化等功能,可以直观展现当前环境和系统状态。利用Node.js模拟工业物联网的数据采集场景,验证了本文搭建的工业物联网大数据平台的可靠性与稳定性。(2)提出了一种DFPNN故障预测网络模型,实现了智能化的设备故障预测算法。该预测算法由两部分组成:基于LSTM网络的设备运行状态趋势预测算法和基于Res Net网络的设备故障诊断分类算法。采用公开数据集(Paderborn Dataset)对网络模型进行训练、测试和验证,确定了模型参数,验证了本文提出的故障预测算法的可行性和正确性。(3)以GDS6230晶圆划片机为研究对象,采用DFPNN故障预测模型,设计并搭建了一套设备运行状态监测与故障预测系统。运行结果表明,本文提出的智能化设备故障预测系统,性能稳定可靠,能够对设备实时有效监控,可以辅助设备操纵员对设备故障进行预测。