[发明专利]一种集成人工智能算法的工业设备状态管控方法和装置

权利要求书

1.一种集成人工智能算法的工业设备状态管控方法，其特征在于，包括：

针对目标工业设备进行建模，并获得所述目标工业设备的零部件在不同故障种类或磨损程度下对应的第一物理状态特征，所述第一物理状态特征是基于时间序列记录的数据，包括：运动状态特征、振动状态特征、声音状态特征以及温度状态特征中的至少一种；

对所述第一物理状态特征的时间序列记录的数据进行分析，获得所述零部件对应的第二物理状态特征，所述第二物理状态特征包括：基于图谱识别获取的波峰波谷信息以及峰值随时间变化的周期信息、基于统计数据获取的数据随时间变化的周期信息以及波峰的相对关系信息；

利用预设的支持向量机模型，基于所述第二物理状态特征对所述目标工业设备的运行状态是否异常进行判断；若所述目标工业设备的运行状态为异常，则基于预设的标准测试工况和所述支持向量机模型进行第二级匹配分析，对所述目标工业设备进行故障检测，获得故障检测结果；

若所述故障检测结果符合预设条件，则利用预设的循环神经网络模型和马尔科夫链模型的混合模型，基于所述零部件的当前故障和/或磨损状态，对所述目标工业设备进行预测，获得所述目标工业设备对应的预期寿命信息；

根据所述预期寿命信息，确定所述目标工业设备的目标运行工况；基于所述目标运行工况，调整所述目标工业设备的当前实际运行工况。

2.根据权利要求1所述的集成人工智能算法的工业设备状态管控方法，其特征在于，所述对第一物理状态特征的时间序列记录的数据进行分析，获得所述零部件对应的第二物理状态特征，具体包括：

分别对所述第一物理状态特征进行频谱分析和统计指标分析，获得对应的图谱和统计数据；

针对所述图谱和所述统计数据进行二次识别，提取出所述零部件对应的第二物理状态特征。

3.根据权利要求1所述的集成人工智能算法的工业设备状态管控方法，其特征在于，所述利用预设的循环神经网络模型和马尔科夫链模型的混合模型，基于所述零部件的当前故障和/或磨损状态，对所述目标工业设备进行预测，获得所述目标工业设备对应的预期寿命信息，具体包括：

将所述第二物理状态特征输入到所述混合模型中的马尔科夫链模型，基于所述零部件的当前故障和/或磨损状态，预测之后预设时间范围内产生对应的故障类型和概率；

从目标数据库中获取对应所述故障类型的界定的不同状态下的第二物理状态特征，将所述界定的不同状态下的第二物理状态特征输入到所述混合模型中的循环神经网络模型，预测之后预设时间范围内所述界定的不同状态下的第二物理状态特征所对应特征值的变化信息；当所述特征值达到或者超过预设的目标特征值时，将当前对应的时间点作为所述预期寿命信息的时间信息。

4.根据权利要求3所述的集成人工智能算法的工业设备状态管控方法，其特征在于，还包括：预测之后预设时间范围内所述界定的不同状态下的第二物理状态特征所对应特征值达到或者超过所述目标特征值的概率值，将所述概率值作为所述预期寿命信息的概率信息。