本發明涉及一種產線設備狀態預測識別裝置，本發明主要包括數據儲存子單元、數據預處理子單元、數據分割子單元、模型構建子單元、模型訓練子單元、預測處理子單元、輔助處理子單元、循環預測子單元、結果確定子單元。其中預測處理子單元可以對設備狀態進行初步預測，輔助處理子單元能夠實現對所述預測處理子單元預測殘差的預測，并能對初步預測結果進行修正，然后通過循環預測子單元實現對設備狀態數據的多步預測，結果確定子單元最終給出設備的健康診斷結果。本發明提供的產線設備狀態預測識別裝置，彌補了單一模型進行數據多步預測時將預測誤差逐步放大的問題，有效地利用了數據關聯性信息，提高了對數據的多步預測精度。

技術領域

本發明涉及生產線安全技術領域，特別涉及一種對產線設備狀態預測識別裝置。

背景技術

隨著科學技術的發展，現代工業已基本實現了機械化，自動化的生產流程。在生產線工作中越來越多得引入大型機械化設備，這些設備間一般具有先后的生產次序關系，單個設備作為生產線的一部分，其穩定性和安全性直接影響著整個生產線的持續性運行，一旦生產線中運行的設備發生故障，其維修時間直接影響著整個生產線的生產效率。因此，如何有效地對生產線中設備的運行狀態進行預測，對于提高生產線的生產效率至關重要。

一般來說，一條時間時間序列表現為一組序列數據，通常是在相等的時間間隔內，按照一定的采樣率而獲取到的具有某種聯系的數據。時序數據會受到各方面的影響,具體表現為數據的非線性、非平穩性、快速變換且包含噪聲等特點。傳統ARIMA(差分整合移動平均自回歸模型)要求輸入的數據為平穩數據，但是現實中所獲取到的時序數據一般為非平穩的，因此還需要對數據進行差分處理，使數據最終滿足平穩性的要求。隨著深度學習技術的發展，出現了越來越多的神經網絡算法，這些算法能夠很好得對非線性數據進行處理，很好地解決了ARIMA算法對數據平穩性的依賴問題。

發明內容

針對產線數據復雜、噪聲干擾較大的問題，以及目前在時序數據的多步預測中對誤差逐級放大的缺點和不足，本發明在實現對時序數據預測的基礎上，引入了一個對殘差預測的處理子單元，通過預測的殘差值對預測結果進行矯正，能夠有效降低每一步的預測誤差。

本發明為實現上述目的所采用的技術方案是：

一種產線設備狀態預測識別裝置及系統，包括：

信息采集裝置，用于通過傳感器采集目標設備的狀態信息數據，并將采集數據發送給狀態預測識別裝置；

狀態預測識別裝置，用于將信息采集裝置采集的目標設備狀態信息進行處理，得到目標設備的健康診斷結果；

信息顯示裝置，用于獲取狀態預測識別裝置所預測的健康診斷結果，并實時輸出健康診斷結果曲線，并給出目標設備的健康狀態評估。

所述狀態預測識別裝置包括：

數據儲存子單元，用于儲存信息采集裝置采集的目標設備的狀態信息數據以及目標設備的健康診斷結果；

數據預處理子單元，用于對目標設備的狀態信息數據進行預處理；

數據分割子單元，用于對預處理后的目標設備的狀態信息數據根據模型構建子單元所需要的格式進行數據分割并將分割后的狀態信息數據作為模型構建子單元的LSTM神經網絡模型的輸入；

模型構建子單元，用于確定LSTM神經網絡模型的輸入層數、隱藏層數、各個隱藏層節點數、激活函數、損失函數；

模型訓練子單元，用于將分割后的狀態信息數據利用模型構建子單元構建的LSTM神經網絡模型進行訓練，確定LSTM的參數信息，并根據不同的參數信息構建求解預測結果的訓練模型以及求解殘差的訓練模型，分別輸出給預測處理子單元和輔助模型子單元；

預測處理子單元，用于將分割后的目標設備的狀態信息作為輸入，利用模型訓練子模塊輸出的求解預測結果的訓練模型進行預測，輸出目標設備的初步預測結果；