[发明专利]称重设备预测性维护算法以及称重设备预测性维护方法

权利要求书

1.一种称重设备预测性维护算法，其特征在于，包括：

获取数据；

根据数据和历史数据建立相应向量；

根据相应向量构建预测性维护模型，并获取预测性维护模型的解；以及

根据预测性维护模型的解预测称重设备是否需要维护；

所述获取数据的方法包括：获取张力、湿度、振动数据和设备累计使用时间，并且根据张力获取单位重量的张力变化，以及根据振动数据获取设定频率的振动强度；

所述数据包括：单位重量的张力变化、设定频率的振动强度、湿度和设备累计使用时间；

所述根据数据和历史数据建立相应向量的方法包括：建立数据向量和系数向量；

所述数据向量为：x＝(x⁽¹⁾,x⁽²⁾,x⁽³⁾,x⁽⁴⁾)；

其中，x⁽¹⁾为单位重量的张力变化；x⁽²⁾为设定频率的振动强度；x⁽³⁾为湿度；x⁽⁴⁾为设备累计使用时间；

所述历史数据包括：历史单位重量的张力变化、设定频率的振动强度、湿度和设备累计使用时间；

根据历史数据获取单位重量的张力变化系数、设定频率的振动强度系数、湿度系数和设备累计使用时间系数；

所述系数向量为：w＝(w⁽¹⁾,w⁽²⁾,w⁽³⁾,w⁽⁴⁾)；

其中，w⁽¹⁾为单位重量的张力变化系数；w⁽²⁾为设定频率的振动强度系数；w⁽³⁾为湿度系数；w⁽⁴⁾为设备累计使用时间系数；

所述根据相应向量构建预测性维护模型，并获取预测性维护模型的解的方法包括：

s.t.y_i(w·x_i+b)≥1-ξ_i；

ξ_i≥0 i＝1,2,......,N；

其中，C为惩罚系数；x_i为第i个训练数据的数据向量；y_i为x_i的类标记，当y_i为-1时表示称重设备故障，当y_i为1时表示称重设备正常；N为训练数据数目；ξ为松弛变量；ξ_i为第i个训练数据的松弛变量；b为偏置；

则预测性维护模型的解为：W^*和b^*；

α＝(α₁,α₂,α₃,......α_N,)^T；

其中，T_p为振动和湿度采样时信号采样的时间间隔；X₀为出厂时的称重设备的数据向量；W^*为系数向量的解；b^*为偏置的解；X_c为当前称重设备的数据向量；α为拉格朗日乘子向量集合；α^*为对偶问题的解的集合，α_N^*为对偶问题的解的第N个元素；α_N为拉格朗日乘子向量的第N个元素；T为转置；T_w为专家给出的标定数据点条件下，对振动数据采样的时间间隔。

2.如权利要求1所述的称重设备预测性维护算法，其特征在于，

所述根据预测性维护模型的解预测称重设备是否需要维护的方法包括：

获取维护迫切度指数，即

其中，p为维护迫切度指数，并且p＞0；

当p越大时，称重设备越需要维护。

3.如权利要求2所述的称重设备预测性维护算法，其特征在于，

所述根据预测性维护模型的解预测称重设备是否需要维护的方法还包括：获取预警阈值，即

其中，S为预警阈值；γ为预警阈值系数。