本發明涉及煤機設備運維，具體為一種基于數據集成平臺的煤機設備運維方法。

背景技術：

1、隨著煤機設備智能化和自動化水平的不斷提高，設備運維技術逐漸成為保障煤炭生產連續性和安全性的重要環節，傳統煤機設備運維主要依賴人工定期檢查與常規維修，這種方式不僅效率低、成本高，還可能無法及時發現設備潛在故障，近年來，基于數據集成平臺的煤機設備運維方法逐漸得到研究和應用，通過整合多源傳感器數據并應用智能算法進行實時監測和預測分析，可以實現對設備的主動運維管理，尤其是在深度學習、智能傳感、邊緣計算等技術的支持下，煤機設備的狀態監測和故障預測能力得到了顯著提升，使得設備維護從“被動響應”逐步向“主動預測”轉變，這一技術的發展為煤機設備的高效運維提供了重要的技術支持和數據保障。

2、然而，現有的基于數據集成平臺的運維方法仍存在一定不足，尤其是在數據的實時性、預測的準確性和運維策略的優化性方面存在技術瓶頸，首先，數據的實時性是實現有效運維的關鍵，傳統數據采集和處理模式無法確保實時數據的準確性和穩定性，難以適應復雜的煤機設備運行環境，其次，盡管深度學習模型已在故障預測方面有所應用，但由于設備狀態復雜且環境條件多變，現有模型往往缺乏自適應更新能力，導致預測準確性不足，難以滿足實際運維需求，最后，個性化的運維策略在現有系統中尚未得到充分的優化，現有技術缺乏閉環反饋機制，無法根據設備狀態的變化和維護效果動態調整運維策略，從而限制了煤機設備的智能化運維水平。

技術實現思路

1、鑒于上述存在的問題，提出了本發明。

2、因此，本發明解決的技術問題是：現有的煤機設備運維方法存在數據實時性不足，故障預測準確性不高，運維策略缺乏動態調整，以及如何實現煤機設備的高效智能化運維的優化問題。

3、為解決上述技術問題，本發明提供如下技術方案：一種基于數據集成平臺的煤機設備運維方法，包括通過數據集成平臺，實時采集并融合煤機設備的傳感器數據和外部數據；基于故障預測模型，對煤機設備進行異常檢測和故障預測；根據故障預測結果，生成個性化運維策略并自動更新策略庫。

4、作為本發明所述的基于數據集成平臺的煤機設備運維方法的一種優選方案，其中：所述實時采集并融合煤機設備的傳感器數據和外部數據包括引入基于加權平均濾波的智能過濾機制，通過對每個傳感器數據的歷史表現準確性和實時波動性進行評估，賦予不同權重，當處理多源數據時，分析不同傳感器的噪聲水平與誤差率，并根據相對穩定性設定初始權重，系統在數據采集的同時，自動檢測和記錄每個傳感器的實時數據波動，將誤差率或噪聲超過預設值的傳感器數據降低權重，優先選擇高權重數據進行融合，智能過濾機制表示為：

5、

6、其中，df為融合后的數據值，di為第i個傳感器的數據，為第個傳感器的權重，σi為第i個傳感器數據的標準差。

7、作為本發明所述的基于數據集成平臺的煤機設備運維方法的一種優選方案，其中：所述實時采集并融合煤機設備的傳感器數據和外部數據還包括在數據融合過程中，設定一個時間窗，只允許時間窗內的數據進入融合模型，時間窗的長度由設備的運轉速度、數據采集頻率及維護需求綜合確定，時間窗篩選剔除超出時間范圍的舊數據，定期監測數據延遲情況，并根據實際延遲分布自動調整時間窗長度，時間窗模型表示為：

8、drt＝{di|tc-ti≤δt}

9、其中，drt為在時間窗內的有效數據集，tc為當前時間，ti為di的采集時間，δt為時間窗長度。

10、作為本發明所述的基于數據集成平臺的煤機設備運維方法的一種優選方案，其中：所述對煤機設備進行異常檢測和故障預測包括深度學習故障預測模型，基于深度神經網絡，通過從多維傳感器數據中學習設備狀態的復雜關系，預測潛在故障情況，深度學習故障預測模型具有多層神經元結構，每一層神經元根據前一層的輸出結果做進一步分析，逐層提取識別數據中的深層次特征，在訓練時引入歷史數據，數據包括不同故障模式下的傳感器讀數及實際故障情況，使模型學會識別各種類型的異常情況，模型在運行時實時接受多維傳感器數據作為輸入，通過層層神經元的運算和權重調整，輸出故障發生概率值，深度學習故障預測模型表示為：

11、p(y＝1|x)＝σ(wn·σ(wn-1…σ(w1·x+b1)+b2)+…+bn)

12、其中，σ為激活函數，x為輸入層傳感器數據向量，p為故障概率，wn和bn分別為每層的權重矩陣和偏置。

13、作為本發明所述的基于數據集成平臺的煤機設備運維方法的一種優選方案，其中：所述對煤機設備進行異常檢測和故障預測還包括基于卡爾曼濾波的異常數據自適應更新，卡爾曼濾波通過將新數據與先前的狀態估計進行融合，優化當前設備狀態估計，每當新數據進入系統，卡爾曼濾波重新計算當前狀態的最優估計，使模型不斷適應動態變化的設備環境，異常數據自適應更新表示為：

14、xt+1＝axt+but+k(zt-hxt)

15、其中，xt為時刻t的狀態估計，a為狀態轉移矩陣，b為控制輸入矩陣，ut為控制輸入，k為卡爾曼增益，zt為測量值，h為觀測矩陣。

16、作為本發明所述的基于數據集成平臺的煤機設備運維方法的一種優選方案，其中：所述生成個性化運維策略并自動更新策略庫包括對設備的健康狀況、預計維護時間及備件需求進行分析，通過對比各個運維選項，選擇成本最低且效率最優的策略，生成運維策略時，評估各類運維活動的執行成本、設備備件價格及備件更換的必要性，結合設備當前狀態和歷史數據，確定備件是否需要更換或延后更換，運維策略的最小化成本表示為：

17、

18、其中，c為總運維成本，cj為第j個備件的更換成本，mj為第個備件的更換次數，pj為第j項運維項目的執行成本，tj為第j項運維項目的執行時間。

19、作為本發明所述的基于數據集成平臺的煤機設備運維方法的一種優選方案，其中：所述生成個性化運維策略并自動更新策略庫還包括在設備維護完成后自動記錄維護效果，并根據數據更新運維策略庫，利用實際運維數據對策略庫進行調整，使系統不斷優化預測與運維方案，通過分析歷史數據和最新反饋，識別當前最優的維護方案，運維優化表示為：

20、

21、其中，f(x)為當前策略庫中策略的效果，x+為當前最優策略，為期望運算符。

22、本發明的另外一個目的是提供一種基于數據集成平臺的煤機設備運維系統，其能通過故障預測模塊對煤機設備進行異常檢測和故障預測，解決了目前無法適應環境的動態變化，預測準確性較低的問題。

23、作為本發明所述的基于數據集成平臺的煤機設備運維系統的一種優選方案，其中：包括采集融合模塊、故障預測模塊、運維策略模塊；所述采集融合模塊用于通過數據集成平臺，實時采集并融合煤機設備的傳感器數據和外部數據；所述故障預測模塊用于基于故障預測模型，對煤機設備進行異常檢測和故障預測；所述運維策略模塊用于根據故障預測結果，生成個性化運維策略并自動更新策略庫。

24、一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于，所述處理器執行所述計算機程序是實現基于數據集成平臺的煤機設備運維方法的步驟。

25、一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現基于數據集成平臺的煤機設備運維方法的步驟。

26、本發明的有益效果：本發明提供的基于數據集成平臺的煤機設備運維方法通過設計智能過濾機制和時間窗篩選機制，對來自不同傳感器的多源數據進行實時采集與融合，實現煤機設備的動態數據整合，減少了誤報率與漏報率，增強了適應性，通過智能異常檢測與故障預測模型，實現設備狀態的精準分析與異常預警，降低了設備故障率和運維成本，提升了運維的前瞻性和有效性，通過個性化運維策略生成與反饋閉環，降低設備故障風險并延長設備使用壽命，本發明在誤報率、適應性和運維成本方面都取得更加良好的效果。