本发明属于工业设备故障预警，具体涉及一种基于机理与数据双驱动的缸体故障预警系统及方法。
背景技术：
1、在过去的几十年里，随着工业自动化和信息化的发展，工业设备的监控和维护系统已经取得了显著的进步。早期的监控系统主要依赖于人工巡检和基本的仪表读数，随着技术的发展，出现了基于计算机和通信技术的自动监控系统。这些系统通常包含数据采集、数据传输、数据处理和数据显示等多个部分，能够为设备的运行状态提供一定的监控功能。即使是这些先进的监控系统，也还存在一些问题和局限性。例如，许多系统的数据分析能力有限，只能提供基本的状态信息，而无法进行深入的数据分析和故障预测；许多系统的预警功能也不够智能，可能产生较高的误报率或漏报率；由于缺乏有效的系统集成解决方案，数据和信息在不同系统之间的共享和集成是一个挑战。
2、近年来，物联网(iot)、大数据、人工智能等新技术的发展为解决这些问题提供了可能，这些系统通常包含一组由传感器、控制器和其他设备组成的物联网设备，这些设备通过网络连接到一个中央服务器，服务器负责数据处理和分析，用户可以通过计算机或移动设备访问服务器，以查看设备状态信息和预警。然而，这些系统通常只提供基本的监控功能，例如设备状态显示和基本的故障预警，但车间传感器获取的数据过于复杂，简单的数据预测并不能很好地应用于这类高频数据上，而且可解释性较差，无法对故障的原因进行快速排查，需要人工反馈进行原因筛选，使得维护人员难以快速准确地做出维护或修理决策。
3、综上，现有工业设备监控与维护系统存在的缺点，这些缺点严重影响了系统的性能和可靠性，具体来说有以下几点：
4、(1)预警功能的可解释性差：现有的故障预警技术大多只能实现对故障的检测，然后发出警报，工作人员收到警报后需要人工对车间机器的参数与数据进行依次排查，这个过程既浪费了人力，也导致生产车间能耗过高，生产效率降低。
5、(2)特征提取的局限性：现有的系统大多采用单一的特征筛选方法，无法全面准确地捕捉和分析设备运行状态；例如，基于统计的特征筛选方法虽然处理大量数据效率较高，但可能无法捕捉到数据中隐藏的非线性关系，而基于机器学习的特征筛选方法虽然可以发现数据中的复杂关系，但在面对高维、大规模数据时，计算复杂度可能过高，影响分析速度，因此，这限制了对设备状态的深入理解，缺乏有效的特征提取方法意味着即使收集了大量数据，也无法转化为有用的信息，从而无法为预警系统提供准确的输入；此外，仅仅从数据特征角度出发，并没有考虑机器运行的实际情况，不同的机器存在着一定的差异，特征的侧重也不一样；
6、针对上述问题，本发明提出一种基于机理与数据双驱动的缸体故障预警系统及方法，以便解决现有技术中数据处理存在局限和故障的可解释性不足的技术问题。
技术实现思路
1、本发明的目的在于提供一种基于机理与数据双驱动的缸体故障预警系统及方法，解决了现有技术中数据处理存在局限和故障的可解释性不足的技术问题，本系统采用结合统计方法和机器学习方法的新型特征筛选方法，既能有效处理大规模的数据，提升对机器运行的了解，挖掘出数据中隐藏的复杂关系，此外，提供了设备运行状态和故障预警的可解释性，从而提高工业设备的监控和维护效率。
2、一种基于机理与数据双驱动的缸体故障预警系统，包括生产车间、中央服务器和移动端用户组成的架构模块，从生产车间的传感器组件到移动端用户，实现了数据的采集、存储、分析和预警功能；
3、所述中央服务器负责接收来自生产车间中传感器组件的数据，并进行存储，存储的数据用于后续的故障检测和分析，以及反馈车间工况。
4、所述生产车间中安装有温度传感器、湿度传感器、压力传感器中的任意一种或者至少两种以上组合，用于感知车间的环境数据，并将实时采集的数据通过网络传输至中央服务器。
5、所述中央服务器的端部部署故障检测与分析模块，所述故障检测与分析模块通过对存储的数据进行分析，识别出是否存在设备故障；
6、当故障检测与分析模块检测到设备故障时，会触发移动端用户的故障预警发送模块，所述故障预警发送模块向移动端用户发送故障预警信息；
7、同时，所述中央服务器上的特征趋势变化图发送模块筛选出特征趋势变化图，将其发送给移动端用户，所述特征趋势变化图直观地展示数据的异常趋势，帮助操作员更好地理解设备状态并进行相应调整。
8、所述移动端用户使用移动端应用程序，通过移动设备与中央服务器通信，所述移动端应用程序接收中央服务器发送的故障预警信息，并将所述故障预警信息实时展示给所述移动端用户的操作员，该操作员通过移动端应用程序查看故障详情，并及时采取相应的措施。
9、通过这样的架构，我们实现了生产车间环境数据的实时监测、故障的及时检测与预警，以及通过移动端提供直观的数据可视化，使操作员能够快速有效地响应设备故障并进行处理。
10、所述服务器包括数据层、处理层和应用层；
11、所述数据层包括数据采集和清洗组件、数据库模块，其中，数据采集和清洗组件负责收集来自设备或传感器的原始数据，并进行必要的清洗和预处理，以确保数据质量和可用性；所述数据库模块存储经过清洗和处理后数据的地方，为处理层的模型分析提供支持，并保留历史数据以供未来分析和学习。
12、所述处理层包含特征识别模块、故障检测模块、特征可视化模块，所述特征识别模块基于机理和数据的双驱动对清洗后的数据进行特征的识别；
13、基于机理驱动对清洗后的数据进行特征的识别，根据专家意见和实操经验，定义与机器运行有强关联的特征，得到特征集合xm，发动机缸体铸造是一个极其复杂的过程，从工业制造原理角度出发，缸体发生缺陷涉及多方因素，需要综合考虑砂芯制备、模具设计、浇注系统设计、浇注温度控制以及金属成分均匀性等共五个方面的因素，分别表示为a1……a5；
14、基于数据驱动对清洗后的数据进行特征的识别，从数据的角度，通过lasso技术进行特征筛选，得到特征集合x1，y是缸体是否发生故障，x是从生产车间传感器获取的所有特征，β是特征与是否故障的回归系数，λ是惩罚参数，||·||1表示l1范数，即系数的绝对值的总和，λ的大小决定了回归系数的稀疏性，当λ越大时，回归系数越稀疏，即越多的特征被排除，l1正则化项使得模型的参数向量中的一部分参数变为零，从而实现了特征选择的功能；
15、min imize||y-xβ||2+λ||β||1 (1)
16、公式(1)是特征选择的计算公式，它属于一个约束条件。
17、最后，将上述两步得到的特征进行并集处理，到最有利于反馈机器运行状况以及进行准确故障预测的特征集xf；
18、
19、x1＝xi∈x|lasso(x,y,λ)i≠0 (3)
20、xf＝xm∪x1 (4)
21、其中，xm是根据机理获取的特征集，ai分别指五个机理层面，f是一个函数概括，表示特征筛选的过程；
22、x1是根据lasso获取的特征集，其中的lasso是函数简称，y是故障指标，x是所有的特征集，λ是lasso方法的惩罚参数；
23、xf是最终的特征集，取x1和xm的并集。
24、故障检测模块针对融合特征数据集xf，采用深度学习模型进行特征学习，并对下一时间段的生产进行故障预测；
25、特征可视化模块对融合特征数据集xf进行数据统计和可视化，生成相关报告，便于工作人员对机器运行状况有直观了解。
26、所述应用层包含特征推送模块和故障预警模块；
27、所述特征推送模块将机器运行的工作状况进行数据可视化并进行总结，发送给移动端用户，帮助工作人员直观地查看车间数据的变化趋势和异常点；
28、所述故障预警模块在处理层的检测模块发现故障时，触发预警，向移动端用户发送预警信号，提示工作人员或者维护团队提前采取措施。
29、整个服务器架构设计体现了数据从采集清洗到分析判定再到预警反馈的完整流程，每个层次和组件都扮演着特定的角色，共同工作以实现系统的目标。
30、所述生产车间包括数据层和应用层；
31、所述数据层包含车间传感器模块、数据收集模块和数据发送模块；所述车间传感器负责实时监测车间内设备的运行状态，并将收集的数据发送到数据收集组件；传感器可能包括温度计、压力感应器、振动传感器等。所述数据收集模块负责接收来自传感器的原始数据，并进行预处理；所述数据发送模块将收集的数据发送到中央服务器，进行进一步的分析和处理，确保数据的及时和准确传输；
32、所述应用层包含特征显示模块和故障预警模块，所述特征显示模块负责向用户展示机器特征的数据情况和变化趋势，这些数据包括温度、振动、压力等关键参数，所述故障预警模块根据数据层接收的分析结果，如果生产出现故障，模块向工作人员发出故障预警信号，提醒他们及时响应潜在的问题。
33、整个车间端架构设计体现了数据从原始采集到显示和预警的完整流程，各个组件协同工作以确保车间设备的状态可以被实时监控和分析，进而实现故障的早期发现和预警。
34、所述移动端用户包含数据层和应用层；
35、所述数据层包含数据接收模块和数据发送模块；所述数据接收模块负责从中央服务器端接收数据，包括设备的实时特征数据和故障预警信息，数据接收保证了用户可以在移动端获取最新的设备状态信息；所述数据发送模块用于将用户在移动端应用程序中的操作和反馈发送到中央服务器，包括用户对预警的响应、维护请求或其他关键信息的上传；
36、所述应用层包含特征显示模块和故障预警模块；所述特征显示模块会将接收到的特征数据信息和可视化图等展示给工作人员查看，从而协助工作人员快速地了解车间生产的情况；所述故障预警模块用于向用户提供实时的故障或异常预警，当服务器端分析出潜在的问题并发送预警信息后，该模块会接收到信息，并通过移动端应用通知用户。
37、整个移动端架构旨在确保用户能够通过其移动设备及时接收到关于设备状态和潜在故障的重要信息，并能够进行必要的交互，如确认预警信息或发送维护请求。这种架构支持了远程监控和设备管理的功能，使得用户即使在不在车间现场的情况下，也能够有效地参与到设备维护和故障处理中。
38、本发明的创新点重点在于如下两点：
39、(1)双驱动特征提取方法：本发明不仅仅是简单地应用传统的数据分析技术，而是创新性地将专家意见和实践经验与数据分析相结合，形成了一种基于机理和数据双驱动的特征提取方法；通过这种方法，我们能够更全面地捕捉到设备运行状态的关键特征，从而提高了对设备状态的理解和预测能力，与传统的单一特征提取方法相比，本发明的双驱动特征提取方法不仅提高了准确性，还增强了特征的可解释性，为预警系统提供了更准确和可靠的输入。
40、(2)故障预测与可解释性：本发明不仅实现了对工业设备故障的及时预测，还在预警系统中加入了可解释性较高的特征趋势变化图等可视化展示。这些可视化展示不仅能够帮助操作人员快速理解设备状态和异常情况，还能够提供更直观、更具体的信息，使操作人员能够更准确地判断和应对不同类型的故障。与传统的故障预测系统相比，本发明的预警系统更加智能和人性化，能够帮助企业及时发现并解决潜在的设备问题，提高了工业设备监控与维护的效率和可靠性。
41、本发明的积极效果在于如下几点：
42、(1)双驱动特征提取方法：传统方法通常只采用单一的特征提取方式，如基于统计的方法或机器学习的方法。而本发明引入了基于机理和数据双驱动的特征提取方法，结合了专家意见和实践经验与数据分析，能够更全面地捕捉设备运行状态的特征，提高了特征提取的准确性和可解释性。
43、(2)故障预测与可解释性：本发明通过引入了可解释性较高的特征趋势变化图等可视化展示，使操作人员能够直观地了解设备状态和异常情况，有助于快速准确地做出反应。传统方法通常缺乏对故障预测结果的解释，导致操作人员难以理解预警信息的含义。
44、(3)提高效率与降低成本：本发明通过实现对设备状态的实时监测与故障预测，能够帮助企业及时发现并解决设备故障，降低停机损失和维修成本。相比传统的人工巡检和基础的仪表读数，本发明能够提高监控效率并降低人力成本，实现低碳生产。
1.一种基于机理与数据双驱动的缸体故障预警系统，其特征在于，包括生产车间、中央服务器和移动端用户组成的架构模块，从生产车间的传感器组件到移动端用户，实现了数据的采集、存储、分析和预警功能；
2.根据权利要求1所述的基于机理与数据双驱动的缸体故障预警系统，其特征在于，所述生产车间中安装有温度传感器、湿度传感器、压力传感器中的任意一种或者至少两种以上组合，用于感知车间的环境数据，并将实时采集的数据通过网络传输至中央服务器。
3.根据权利要求1所述的基于机理与数据双驱动的缸体故障预警系统，其特征在于，所述中央服务器的端部部署故障检测与分析模块，所述故障检测与分析模块通过对存储的数据进行分析，识别出是否存在设备故障；
4.根据权利要求1所述的基于机理与数据双驱动的缸体故障预警系统，其特征在于，所述移动端用户使用移动端应用程序，通过移动设备与中央服务器通信，所述移动端应用程序接收中央服务器发送的故障预警信息，并将所述故障预警信息实时展示给所述移动端用户的操作员，操作员通过移动端应用程序查看故障详情。
5.根据权利要求3所述的基于机理与数据双驱动的缸体故障预警系统，其特征在于，所述服务器包括数据层、处理层和应用层；
6.根据权利要求5所述的基于机理与数据双驱动的缸体故障预警系统，其特征在于，所述处理层包含特征识别模块、故障检测模块、特征可视化模块，所述特征识别模块基于机理和数据的双驱动对清洗后的数据进行特征的识别；
7.根据权利要求5所述的基于机理与数据双驱动的缸体故障预警系统，其特征在于，所述应用层包含特征推送模块和故障预警模块；
8.根据权利要求2所述的基于机理与数据双驱动的缸体故障预警系统，其特征在于，所述生产车间包括数据层和应用层；
9.根据权利要求4所述的基于机理与数据双驱动的缸体故障预警系统，其特征在于，所述移动端用户包含数据层和应用层；
10.根据权利要求1-9任一所述系统的方法，其特征在于，包括以下步骤：
