[发明专利]一种基于大数据的工业设备亚健康状态智能监测方法及其装置

权利要求书

1.一种基于大数据的工业设备亚健康状态智能监测方法，其特征在于，包括以下步骤：

通过主处理模块完成数据采集；

将所述数据采集的多组数据进行特征工程构建；

将所述特征工程构建的数据进行数据划分；

将所述数据划分的处理结构进行模型构建；

将所述模型构建的结构进行对比完成状态识别。

2.根据权利要求1所述的一种基于大数据的工业设备亚健康状态智能监测方法，其特征在于，所述数据采集包括风扇端振动信号采集、基座端震动信号采集和驱动端震动信号采集，且振动信号为由待检测处的振动数据转换为的电量信号，通过所述风扇端振动信号采集、基座端震动信号采集和驱动端震动信号采集将不同处得振动信号进行采集并传递至主处理模块，所述主处理模块内设置有系统接口，且通过系统接口可接收并转换由待检测处的振动数据转换为的电量信号。

3.根据权利要求1所述的一种基于大数据的工业设备亚健康状态智能监测方法，其特征在于，所述特征工程构建包括时域特征、频域特征、时频域特征以及时序分析特征，所述时域特征包括均值和标准差等，所述频域特征包括频带能量比，所述时频域特征包括信号小波带，所述时序分析特征包括自相关系数，所述特征工程对采样的数据依次进行特征提取和缺失值估算，随后获取得到一个性能指标，并将该性能指标与基准性能进行比对，通过所述特征工程构建可将原始采集的数据转换成能够更好反映问题本质特征的过程，以提高数据模型预测的精度。

4.根据权利要求1所述的一种基于大数据的工业设备亚健康状态智能监测方法，其特征在于，所述数据划分包括训练集、验证集和测试集，通过所述训练集可对采集的特征数据集进行有效的训练并调整，以获得最佳的分类效果，且通过所述验证集可验证采集的特征数据在模型上运行的实际表现效果，且验证集可通过调整对应的参数让模型处于最好的状态，且验证集通过数据增强处理后可实现构建对抗网络，通过所述测试集可对采集的特征数据数据进行有效的评估，进而得到准确率、精确率以及召回率等评估指标。

5.根据权利要求1所述的一种基于大数据的工业设备亚健康状态智能监测方法，其特征在于，所述模型构建采用深度残差收缩网络研究，研究时依照一个稳定的基础参考模型，再通过深度残差收缩网络研究根据实际收集的特征数据完善所建立的数据模型，同时所述深度残差收缩网络研究中可将数据与传统机器学习以及集成学习的算法进行比较，且传统机器学习可采用SVM或者决策树等，且集成学习可采用LIGhtbgm以及gbrt等。

6.根据权利要求1所述的一种基于大数据的工业设备亚健康状态智能监测方法，其特征在于，所述状态识别为通过数据比对实现工业设备亚健康状态识别，通过状态识别可将模型数据分别对应输入到故障学习系统内得到故障算法模型，且该故障算法模型可组合成判别系统，对于采集的特征数据，通过选取与提取特征相同的数据，并输入所述判别系统得到识别结果。

7.一种基于大数据的工业设备亚健康状态智能监测装置，包括安装座(1)和振动传感器(2)，其特征在于，所述安装座(1)呈矩形立体状，所述安装座(1)上表面固定安装有辅强板(101)，所述安装座(1)内部开设有内腔(102)，所述安装座(1)下表面固定安装有振动传感器(2)，所述振动传感器(2)外表面靠近安装座(1)处连接有导线(201)，且安装座(1)通过导线(201)与主处理模块电性连接，所述安装座(1)内部设置有调节组件。

8.根据权利要求7所述的一种基于大数据的工业设备亚健康状态智能监测装置，其特征在于，所述调节组件包括开设于安装座(1)上表面的螺纹孔(3)，且螺纹孔(3)贯穿至内腔(102)内部，所述螺纹孔(3)内部啮合拧设有螺杆(301)，且螺杆(301)下端部贯穿至内腔(102)内部，所述螺杆(301)上端部固定安装有拧轮(302)，所述内腔(102)内部限位滑动安装有升降板(303)，且升降板(303)上表面与螺杆(301)下端部固定连接，所述内腔(102)内底部表面四个顶角处均开设有导孔(304)，所述升降板(303)下表面与导孔(304)对应位置处均固定有支撑杆(305)，且支撑杆(305)均对应贯穿性的滑动安装于导孔(304)内，所述支撑杆(305)的下端部均固定有磁铁块(306)。