论文部分内容阅读
当前,传统制造企业走向高质量高效率的发展之路,越来越多的企业意识到有效地降低设备维护成本对企业的长期发展至关重要。近年来,预测性维护技术(Predictive maintenance,PdM)快速发展,其目标是利用实时监测数据来预测设备的剩余使用寿命(Remaining Useful Life,RUL)及潜在的故障,从而避免设备发生意外停机,并通过最大化利用设备剩余价值以降低维护成本。因此,预测性维护的前提和首要任务在于设备的RUL预测。RUL预测方法的选择与被测设备可用的数据量和数据类型相关,对于复杂程度不等的设备,可进行监测的数据类型不一,所适用的RUL预测方法也就不同。在本文中,将由单一传感器获取的数据归类为低维监测数据,而由多种传感器获取的数据归类为多维监测数据,并分别对这两种情况下的设备RUL预测算法进行了研究,本论文主要研究内容归纳为以下三个部分:(1)对于以轴承为代表的支持低维监测数据的简单设备,运用了一种基于多特征融合的时间卷积网络(Temporal Convolutional Network,TCN)的RUL预测模型,该模型利用卷积神经网络(Convolutional Neural Networks,CNN)提取信号中的抽象特征并结合经过选择的时、频域特征,实现特征扩充,并利用TCN网络实现对轴承的剩余寿命预测。(2)对于支持高维监测数据的复杂设备,运用了一种基于卷积长短时记忆网络(Convolutional Long Short-Term Memory,ConvLSTM)和注意力机制的RUL预测模型,该模型利用ConvLSTM网络实现对传感器数据中时空特征的提取,并引入人类视觉中的注意力机制将对预测结果产生显著影响的特征因子加权,进一步提高了模型的预测准确度。(3)以某小型离散制造示范生产线为对象,综合利用RUL预测算法理论,设计了一套“边云协同”架构的预测性维护系统,实现了对于生产线设备的状态监测以及对设备关键部件的RUL预测。