本发明涉及数据处理，特别涉及一种基于大数据的卷烟厂烘丝机设备的健康预测方法。
背景技术：
1、烘丝工序是卷烟制丝生产的关键环节，烘丝工艺流程非常复杂，影响最终成品烟丝质量和生产效率的因素较多，比如热风温度、筒壁温度、出口水分等生产工艺和设备参数，因此对生产参数的监控和设备运行状态的监控显得尤为重要。同时烘丝机设备是卷烟生产线上的关键设备，其运行状态直接影响卷烟质量和生产效率。
2、从管理角度来看，传统对烘丝机设备的维护主要依赖于定期检修和事后维修，对检修人员的个人经验要求极高，容易受数据局限、系统性能、技术单一的影响，因此传统方式不仅效率低、时效性差，还难以提前发现并预防设备可能出现的故障，影响卷烟质量和生产效率。从技术角度来看，反应设备健康状况的指标往往不是单一的，不能以单一指标来判断烘丝机设备在不同工况下的健康状况。
3、因此，需要对烘丝机设备的健康状况进行预测，以便实现精准、及时的设备维护和故障防御，提高卷烟质量和生产效率。
技术实现思路
1、本发明的目的在于提升智能故障诊断模型对烘丝机设备的故障预测准确性，提供一种基于大数据的卷烟厂烘丝机设备的健康预测方法。
2、为了实现上述发明目的，本发明实施例提供了以下技术方案：
3、基于大数据的卷烟厂烘丝机设备的健康预测方法，包括以下步骤：
4、步骤1，采集烘丝机设备的运行数据；
5、步骤2，判断采集的运行数据是否超过设定阈值，若超过则将运行数据输入智能故障诊断模型，预测烘丝机设备出现的故障类型；所述智能故障诊断模型由存储于样本数据存储器中的历史运行数据和故障类型训练得到；
6、步骤3，将采集的运行数据输入无监督学习模型，实时判断是否出现新的数据分类，若出现新的数据分类则由专家鉴别，如果鉴别新的数据分类为新的故障类型，则将新的故障类型存入样本数据存储器；
7、步骤4，判断采集的运行数据是否超过设定阈值，若超过则触发机理诊断得到机理结果，由专家鉴别该机理结果与所述智能故障诊断模型预测的故障类型是否一致，若不一致且鉴别该机理结果为故障类型，则将该机理结果作为新的故障类型存入样本数据存储器。
8、与现有技术相比，本发明的有益效果：
9、(1)本发明通过烘丝机设备的历史运行数据和对应标识的故障类型基于监督学习模型训练出智能故障诊断模型，能够根据运行数据预测烘丝机设备的故障类型。
10、(2)本发明先判断运行数据是否超过设定阈值，若没有超过设定阈值，则不进行故障预测，能够节省计算成本。
11、(3)本发明使用无监督学习模型实时学习判断运行数据中是否存在新的故障类型，若出现新的故障类型，则使用更新后的训练数据对智能故障诊断模型重新训练，提升智能故障诊断模型的预测准确性。
12、(4)本发明通过触发机理诊断得到的故障类型与智能故障诊断模型预测的故障类型进行对比，更进一步的提升智能故障诊断模型的预测准确性。
1.基于大数据的卷烟厂烘丝机设备的健康预测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于大数据的卷烟厂烘丝机设备的健康预测方法，其特征在于：所述步骤1中，采集的运行数据包括：
3.根据权利要求1所述的基于大数据的卷烟厂烘丝机设备的健康预测方法，其特征在于：所述步骤2中，判断采集的运行数据是否超过设定阈值的步骤之前，还包括步骤：假设采集了d种运行数据，将采集的运行数据输入数据同步器进行时间强行对齐；然后对数据同步器输出的运行数据进行张量组装后，存入样本数据存储器。
4.根据权利要求1所述的基于大数据的卷烟厂烘丝机设备的健康预测方法，其特征在于：所述步骤3具体包括以下步骤：
