一种设备预测性维护学习系统
阅读说明：本技术 一种设备预测性维护学习系统 (Equipment predictive maintenance learning system ) 是由 杜雪飞 吴兴鹏 陈亮 贾祥 于 2021-07-14 设计创作，主要内容包括：本发明涉及工业互联网技术领域,提供了一种设备预测性维护学习系统,包括服务器和学习机,学习机与服务器通信连接,服务器包括设备状态监测模块,用于监测实训装置并获取实训装置的运行数据；预测性维护模块,预设有分析策略,用于根据分析策略对实训装置的运行数据进行预测性维护分析得到实训装置运行状态的分析结果；报警模块,用于根据分析结果进行实训装置的报警或预警；其中,服务器还包括设备数字双胞胎模块,用于获取工厂设备的设备数据和运行数据,根据设备数据进行三维建模得到虚拟设备模型,根据运行数据控制虚拟设备模型进行虚拟运行。(The invention relates to the technical field of industrial internet, and provides an equipment predictive maintenance learning system, which comprises a server and a learning machine, wherein the learning machine is in communication connection with the server; the predictive maintenance module is preset with an analysis strategy and used for performing predictive maintenance analysis on the operation data of the practical training device according to the analysis strategy to obtain an analysis result of the operation state of the practical training device; the alarm module is used for alarming or prewarning the practical training device according to the analysis result; the server also comprises an equipment digital twin module which is used for acquiring equipment data and operation data of the factory equipment, carrying out three-dimensional modeling according to the equipment data to obtain a virtual equipment model, and controlling the virtual equipment model to carry out virtual operation according to the operation data.)
技术领域
本发明涉及工业互联网技术领域，具体为一种设备预测性维护学习系统。
背景技术
设备运维指的是通过数据采集、识别、分析技术实现设备的自动化故障智能检测，自动判断设备在运营过程中存在哪些隐患以及对发生的故障及时发出警告，从而能够辅助运维管理者进行设备的消患、故障根因判断和处理。由于传统的设备运维主要是采用事后控制的方式来解决问题，即，在故障出现后及时解决问题，这种情况下，由于故障已经发生，对设备而言，故障的发生带来的损失也就是已然存在的。因此，为了避免降低或避免因为故障而带来的损失，就需要可以预测出故障的发生，以进行预测性维护，对设备潜在的问题进行及时改善。
由于预测性维护涉及到设备运行数据的采集、识别、状态分析等技术，综合性较强，所以学校中关于设备预测性运维的教学开设得较少，只是开设有部分相关课程和实训，同时，由于工业设备范围广，包括机械和电气设备等，现有的教学实训设备远不能满足要求。而且，目前学校教学多为理论教学，并没有实际的设备供学生进行实际操作，学生的参与性也就不高，而预测性维护涉及人工智能、大数据分析等，技术要求高，纯理论教学效果并不理想。因此需要设计一种设备预测性维护学习系统。
发明内容
本发明意在提供一种设备预测性维护学习系统，以解决现有技术中，由于校方多采用理论教学的方式进行教学而出现可操作性不强的问题。
本发明提供基础方案是：一种设备预测性维护学习系统，包括服务器和学习机，学习机与服务器通信连接，服务器包括设备状态监测模块，用于监测实训装置并获取实训装置的运行数据；
预测性维护模块，预设有分析策略，用于根据分析策略对实训装置的运行数据进行预测性维护分析得到实训装置运行状态的分析结果；
报警模块，用于根据分析结果进行实训装置的报警或预警；
其中，服务器还包括设备数字双胞胎模块，用于获取工厂设备的设备数据和运行数据，根据设备数据进行三维建模得到虚拟设备模型，根据运行数据控制虚拟设备模型进行虚拟运行；
预测性维护模块还根据分析策略对工厂设备的运行数据进行预测性维护分析得到虚拟设备模型运行状态的分析结果，报警模块根据分析结果进行虚拟设备模型的报警或预警。
基础方案的工作原理及有益效果是：本方案中，利用服务器的设备状态监测模块对实训装置的运行数据进行监测，得到的运行数据表示当前实训装置的运行状态；预测性维护模块预设有分析策略后，根据分析策略对实训设备的运行数据进行分析，得到的分析结果则能够表示当前实训装置的运行状态是否正常，报警模块根据分析结果进行预警或报警，以提醒学生对实训装置进行检修，及时消除实训装置出现的故障。
考虑到对于不同设备来说，各自的性能也都是不同的，所以为了帮助学生可以更好的了解到各个设备的使用和维护，最好的方式就是能够让学生实际操作到设备，然而对于学校来说，购入大量的设备将会是一笔巨大的开销，而对于学生来说，纯理论的学习会比较枯燥，而且由于没有实际的设备操作，在学习过程中，也无法对对应知识进行应用，因此本方案中，服务器还设置有数字双胞胎模块，利用数字双胞胎模块获取工厂设备的设备数据，根据获取到的设备数据利用三维建模技术也就能够构建出对应工厂设备的三维模型，即虚拟设备模型，虚拟设备模型构建出来后，学生在学习过程中能够看得到对应的设备实物，同时还利用数字双胞胎模块根据获取的运行数据控制虚拟设备模型进行虚拟运行，从而能够更好的进行学习。同样的，针对构建出的虚拟设备模型也采用预测性维护模块对其进行预测性维护分析，以辅助学生对不同类型的设备进行维护操作。
与现有技术相比，本方案中，利用设置的数字双胞胎单元获取工厂设备的设备数据和运行数据后，建立出对应的虚拟设备模型供学生进行学习，一方面通过构建虚拟设备模型的方式可以减少校方购进设备的数量，为校方减少了设备的购置成本，另一方面，利用构建的虚拟设备模型辅助教学，让学生在学习过程中能够看到实物，毕竟通过操作虚拟设备模型来进行操作，与纯理论的教学方式相比，可以更好的进行学习。
优选方案一：作为基础方案的优选，预测性维护模块包括规则驱动单元，规则驱动单元预设有规则驱动策略，用于根据规则驱动策略对获取到的运行数据进行预测性维护分析得到分析结果。说明，本方案中，规则驱动策略指的是根据设备的特性曲线对设备运行曲线进行分析。有益效果：本方案中，利用设置的规则驱动单元根据获取到的运行数据进行实训装置和虚拟设备模型的运行进行预测性维护分析，以及时对实训装置和虚拟设备模型进行维护，操作简单。
优选方案二：作为优选方案一的优选，预测性维护模块还包括数据驱动单元，数据驱动单元预设有数据驱动策略，用于根据数据驱动策略对获取到的运行数据进行预测性分析得到分析结果。说明：本方案中，数据驱动策略则指的是根据设备当前状态下大量的运行数据，通过神经网络等机器学习方法进行学习以得到设备的特性后进行分析。有益效果：考虑到对于有的设备而言，它的特性曲线还并没有被完整的分析出来，规则驱动策略也就不适用于这些设备，因此本方案中，还设置有数据驱动单元，利用数据驱动单元根据数据驱动策略进行预测性分析的方式对运行数据进行辅助分析，从而保证了分析结果的准确性。
优选方案三：作为基础方案的优选，服务器还包括设备运维知识模块，预存有故障表，故障表包括设备故障表现和对应的故障类型；工单派发模块，用于根据分析结果和故障表得到生成维护工单并进行派发，维护工单包括具体设备和故障类型。有益效果：考虑到在进行设备的维护时，提前知晓设备的故障类型有助于提高维护效率，因此本方案中，还设置工单派发模块生成维护工单后进行派发，维护工单中包括的具体设备和故障类型能够帮助客户对故障进行充分的了解从而提高故障的维护效率。
优选方案四：作为优选方案三的优选，服务器还包括智能运维模块，预设有不同故障类型的维护指导视频，还根据分析结果匹配对应故障类型的维护指导视频，工单派发模块在派发维护工单时还发送对应的维护指导视频。说明，本方案中的维护指导视频指的是针对相应设备故障进行的维护教学视频，如第一步需要检查什么，比如检查电源是否异常，指示灯是否异常，第二步又需要做什么之类的指导视频。有益效果：本方案中，维护指导视频的发送有利于帮助学生进行设备的维护和学习。
优选方案五：作为优选方案四的优选，服务器还包括通信模块，用于获取维护记录，维护记录包括故障实际类型；设备运维知识模块还用于根据维护记录对比对应的维护工单中的故障类型，若对比出维护记录中故障实际类型与维护工单中故障类型不同时，根据故障实际类型和故障表现对故障表进行更新。有益效果：考虑到在设备使用过程中，可能会出现与预设的故障类型和故障表现不同的故障，因此本方案中，还设置通信模块获取维护记录，并根据维护记录对比维护工单中的故障类型，若维护记录中的故障实际类型与维护工单中的故障类型不同时，如故障表现为设备电动机过热时，维护工单中故障类型为电动机电压过高，而在维护时发现故障实际类型是电动机内部短路，即故障实际类型与预判的故障类型不符，此时设备运维知识模块根据故障实际类型和故障表现对故障表进行更新，从而对故障表进行完善，以提高维护工单的准确性。
优选方案六：作为基础方案的优选，服务器还包括自定义模块，用于录入修改信息并根据修改信息对相应的分析策略进行修改。有益效果：考虑到在设备使用过程中，设备的性能会有所降低，为了能够及时的预测出潜在的故障，就需要对应的将分析策略进行调整，因此本方案中设置有自定义模块，当需要修改分析策略时，通过自定义模块进行录入和修改，操作简单。
优选方案七：作为优选方案六的优选，自定义模块还用于录入策略信息并生成新的分析策略。有益效果：考虑到对于不同设备不同参数来说，通常会采用不同的分析策略进行分析预警，因此本方案中，还利用自定义模块根据录入策略信息生成全新的分析策略以提高分析策略的全面性。
优选方案八：作为基础方案的优选，数字双胞胎模块还用于获取设备厂家公开的设备信息并根据设备信息建立设备数字双胞胎模型。有益效果：考虑到设备厂家推出的设备产品远会比工厂内设备多，因此本方案中，还设置数字双胞胎模块获取设备厂家公开的设备信息，并根据设备信息建立设备数字双胞胎模型，设备数字双胞胎模型的建立能够扩大学习系统内的设备模型库，从而增大了设备学习的全面性。
附图说明
图1为本发明一种设备预测性维护学习系统实施例一中服务器的模块框图；
图2为实施例一中溢出规则的分析示意图；
图3为实施例三中上下限规则的分析示意图；
图4为实施例三中趋势规则的分析示意图；
图5为实施例三中偏差规则的分析示意图；
图6为实施例三中摇摆规则的分析示意图。
具体实施方式
下面通过具体实施方式进一步详细说明：
实施例一
基本如附图1所示：一种设备预测性维护学习系统，包括服务器和学习机，学习机与服务器通信连接。
服务器包括设备知识模块，设备知识模块存储有相关的设备知识，如设备选型、安装、调试和运维等，设备知识可以是通过互联网在线获取，也可以是由厂家提供后，利用输入设备录入进行存储。
设备状态监测模块，用于监测实训装置并获取实训装置的运行数据；本实施例中，实训装置为典型工业生产线，包括物料运输单元、物料装配单元、物料计数单元、传感器单元、工业网络通讯单元、气动单元和自动控制单元，通过实训装置的设置模拟一种典型的工厂设备，可供学生进行实操。
预测性维护模块，预设有分析策略，用于根据分析策略对实训装置的运行数据进行预测性维护分析得到实训装置运行状态的分析结果；具体的，本实施例中，分析策略包括规则驱动策略和数据驱动策略，预测性维护模块包括规则驱动单元和数据驱动单元，规则驱动单元预设有规则驱动策略，用于根据规则驱动策略对获取到的运行数据进行预测性维护分析得到分析结果，数据驱动单元预设有数据驱动策略，用于根据数据驱动策略对获取到的运行数据进行预测性分析得到分析结果。其中，规则驱动策略指的是根据设备的特性曲线对设备运行曲线进行分析，如设备的使用手册中的电动机特性曲线；数据驱动策略则指的是根据大量的设备运行数据，通过神经网络等机器学习方法进行学习以得到设备的特性进行分析。
自定义模块，用于录入修改信息并根据修改信息对相应的分析策略进行修改，还用于录入策略信息并生成新的分析策略。
报警模块，用于根据分析结果进行实训装置的报警或预警；
设备数字双胞胎模块，用于获取工厂设备的设备数据和运行数据，根据设备数据进行三维建模得到虚拟设备模型，根据运行数据控制虚拟设备模型进行虚拟运行，还用于获取设备厂家公开的设备信息并根据设备信息建立设备数字双胞胎模型；本实施例中，在构建虚拟设备模型时，构建出的虚拟设备模型可拆分和组装，考虑到设备在安装时会有各个部分安装顺序的要求，因此构建出可拆分的虚拟设备模型则更方便学生进行学习，为学生提供更好的教学。设备数据和设备信息包括设备厂家、设备的型号、设备参数、安装图纸、使用手册、维护手册等，运行数据包括设备在运行过程中的实时数据，如电动机的温度、温升、电流、电压和振动等数据。
预测性维护模块还根据分析策略对工厂设备的运行数据进行预测性维护分析得到虚拟设备模型运行状态的分析结果，报警模块根据分析结果进行虚拟设备模型的报警或预警；
设备运维知识模块，预存有故障表，故障表包括设备故障表现和对应的故障类型；
工单派发模块，用于根据分析结果和故障表得到生成维护工单并进行派发，维护工单包括具体设备和故障类型；
智能运维模块，预设有不同故障类型的维护指导视频，还根据分析结果匹配对应故障类型的维护指导视频，工单派发模块在派发维护工单时还发送对应的维护指导视频；
通信模块，用于获取维护记录，维护记录包括故障实际类型；设备运维知识模块还用于根据维护记录对比对应的维护工单中的故障类型，若对比出维护记录中故障实际类型与维护工单中故障类型不同时，根据故障实际类型和故障表现对故障表进行更新。
具体实施过程如下：使用时，实训装置上的传感器采集实训装置的运行数据，然后服务器的设备状态监测模块监测并获取到运行数据，然后由预测性维护模块根据运行数据对实训装置的运行状态进行分析得到分析结果，以规则驱动策略为例，设定设备的电动机特性曲线中，电动机连续振动时间超过X小时时，将会发生故障，设备状态监测模块获取到的运行数据中，电动机连续振动时间为Y小时，设定得到的分析结果Y＞X，即电动机连续振动时间已经超过设备电动机特性曲线中的时长，判定将会发生故障，此时报警单元发送报警信息进行报警；在对运行状态进行分析时，需要预设选定采用规则驱动策略或数据驱动策略进行分析。
在上述过程中，当预测性维护模块得到分析结果时，工单派发模块还根据分析结果和故障表得到并生成维护工单，并将维护工单下发给学习机，学生通过学习机就可以知道发生故障的具体设备以及故障类型和表现，同时智能运维模块还会向学习机推送故障的维护指导视频，学生根据维护指导视频即可完成对故障的维护。
而在完成维护后，学习机上传维护记录，通信模块获取到维护记录后，由设备运维知识模块根据维护记录对比对应的维护工单中的故障类型，若对比出维护记录中故障实际类型与维护工单中故障类型不同时，根据故障实际类型和故障表现对故障表进行更新，如预测时是电压过高导致电动机工作不正常，而在实际维护过程中发生实际是因为电动机内部卡入异物导致接触不好，即实际发生的故障类型与预判的故障类型有差错，此时设备运维知识模块根据进行修正，以完善故障表，从而维护工单的准确性。
而当需要新增分析策略或对已有的分析策略进行修改时，如新增一条分析策略“溢出规则”，由自定义模块录入策略信息后生成新的分析策略，如录入的策略信息为“新增-溢出规则：在检测到连续N个压力值比预设的平均值相差超过预设的标准值的情况下，判定压力异常”，其中，N可以根据设备实际情况进行选择设置，平均值和标准值可以从设备厂家获取，或采集设备在正常情况下运行时的多组压力值计算得到。以N＝8为例，如图2所示，由于检测到连续八个压力值与平均值(X_mean)的偏差均超过一个标准差(σ)，此时根据分析策略可判定压力异常，即分析结果为异常，此时报警模块则发送报警信息。
实施例二
与实施例一不同之处在于，本实施例中，服务器包括本地服务器和云服务器，学生机与本地服务器通信连接，本地服务器上存储与实训装置以及工厂设备相关的数据，在云服务上则存储所有数据。
考虑到设备定级升级、新设备不断出现等原因，设备相关的数据也就会越来越多，而学生在利用学习机学习时，很多时候都是学习与实训装置或工厂设备相关的知识，因此本方案中，将服务器分为本地服务器和云服务器两类，在本地服务器上存储与实训装置和工厂设备相关的数据，从而能够减少本地服务器上数据的存储量，提高访问速度。
实施例三
本实施例中，预测性维护模块中分析策略还包括上下限规则、趋势规则、正态分布规则、事件匹配规则、动态限制规则、偏差规则、摇摆规则等，以上下限规则、趋势规则、偏差规则和摇摆规则为例，上下限规则是将采集到的运行数据与预设的上限阈值和下限阈值进行比较，当比较出运行数据超过上限阈值或下线阈值时，则判定运行异常，如图3所示，由于存在两个运行数据超过上限阈值或下线阈值，此时判定运行异常；趋势规则是判定采集到的运行数据是否存在有连续上升或下降趋势，若连续多个(如六个)运行数据保持上升或下降趋势，则判定运行异常，如图4所示；偏差规则是判断多个运行数据是否均小于平均值，若是，则判定运行异常，如图5所示，由于连续九个运行数据均位于平均值的下方，即小于平均值，则此时运行异常；摇摆规则是判断多个运行数据是否连续出现交替振动，如图6所示，由于连续十四个运行数据出现交替振动，判定运行异常。
实施例四
本实施例中，预测性维护模块中预设的分析策略以上下限规则、趋势规则、偏差规则、摇摆规则和溢出规则为例，不同的分析规则预设有不同的权重值，预测性维护模块还预设有评判规则，评判规则指的是将采集到的运行数据分别按照预设的五种分析策略进行分析后，若分析结果为运行异常，则输出“1”，若分析结果为运行正常，则输出“0”，并根据各自对应的权重值计算得到最终的分析值。
预测性维护模块中还预设有报警阈值和预警阈值，还将得到的分析值与报警阈值和预警阈值进行比较，若比较出分析值大于预警阈值，报警模块进行预警，若比较出分析值大于报警阈值，则报警模块进行报警。
以发电机为例，采集发电机的运行参数，以发电机的温度为例，将采集到的运行参数分别按照上下限规则、趋势规则、偏差规则、摇摆规则和溢出规则进行分析，设定其中上下限规则、趋势规则和溢出规则分析为运行异常，偏差规则和摇摆规则分析为运行正常，其中上下限规则的权重值为X1，趋势规则的权重值为X2，偏差规则的权重值为X3，摇摆规则的权重值为X4，溢出规则的权重值为X5，X1+X2+X3+X4+X5＝1，则分析值X＝X1+X2+X5。
本实施例中，对于同一组运行数据采用多组不同的分析策略进行分析后再根据权重值计算得出最终的分析值后，根据分析值进行预警或报警的判定，与采用一种分析策略的方式相比，提高了分析结果的准确性。
以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。