(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210707801.6 (22)申请日 2022.06.22 (65)同一申请的已公布的文献号 申请公布号 CN 114780732 A (43)申请公布日 2022.07.22 (73)专利权人 天津市天锻压力机有限公司 地址 300142 天津市北辰区小淀镇津围公 路东 (72)发明人 计鑫　张胜　赵华　潘高峰　王鑫　 赵欢　 (74)专利代理 机构 天津市鼎和专利商标代理有 限公司 12101 专利代理师 蒙建军 (51)Int.Cl. G06F 16/35(2019.01)G06F 16/36(2019.01) G06K 9/62(2022.01) G06N 3/04(2006.01) B21J 13/00(2006.01) (56)对比文件 CN 110968619 A,2020.04.07 CN 111624986 A,2020.09.04 CN 106503813 A,2017.0 3.15 CN 103245911 A,2013.08.14 CN 102495 549 A,2012.0 6.13 CN 104005917 A,2014.08.27 审查员 刘彩凤 (54)发明名称 基于贝叶斯分类模型的锻造液压机预测性 维护方法及系统 (57)摘要 本发明公开了一种基于贝叶斯分类模型的 锻造液压机预测性维护方法及系统， 属于锻造液 压机预测性维护技术领域， 其特征在于， 所述基 于贝叶斯分类模型的锻造液压机预测性维护方 法包括如下步骤： S1、 构建故障知识库； S2、 预测 液压机部件衰退； S3、 根据预测 信息， 调用故障知 识库和案例库的信息， 进行维保工作。 本发明通 过贝叶斯分类模型和BP神经网络输出液压机某 个部件出现故障的概率， 从而 提醒用户采取预测 性维护措施。 权利要求书3页 说明书6页 附图1页 CN 114780732 B 2022.09.13 CN 114780732 B 1.一种基于贝叶斯分类模型的锻造液压 机预测性维护方法， 其特 征在于， 包括： S1、 构建故障知识库； S101、 创建故障代码并编辑故障代码、 设备类型、 设备型号、 故障名称和备注； 创建故障 工单并编辑目标设备、 故障代码、 报修类型、 工单名称、 执 行人和备注； S102、 接收故障工单并进行故障处理， 根据故障处理结果新增维修知识至维修知识库， 并撰写故障报告； S103、 根据维修知识库编辑故障知识库； 根据故障知识库编辑故障案例库； S2、 预测液压 机部件衰退； S201、 在锻造液压机运行过程中， 汇总各元件和部件 的机能衰退因素， 并建立时间t的 指标抽象集 合X； S202、 将元件衰退抽象为集合A={a1,a2,a3,…,ax}， 发生的概率为P(a1)， P(a2)， P (a3)，……， P(ax)； S203、 通过BP神经网络计算P(A)； S204、 将部件衰 退抽象为集合B={b1,b2,b3,…,by}， 根据设备的维修知识库的故障记 录， 计算发生的概 率为P(b1)， P(b2)， P(b3)，……， P(by)； S205、 根据设备的故障知识库， 计算各部件衰退集合B发生的条件下， 集合A 发生的概率 为P(A|b1)， P(A|b2)， P(A|b3)，……， P(A|by)； S206、 取元件衰退集合A发生的概率最大值P(A|bmax)=max{P(A|b1)， P(A|b2)， P(A| b3)，……， P(A|by)}， 根据最大似然函数则计算得 出： ； S207、 得出各元件衰退集 合A发生的情况 下各部件衰退集 合B发生的反向概 率； 根据贝叶斯公式， 计算得 出： ； 取P(B|A)中最大值 为P(bmax|A)作为输出值， 通过如下公式进行计算： ； S208、 根据系统预制的规则提出报警； S3、 根据预测信息， 调用故障知识库和案例库的信息， 进行维保工作。 2.根据权利要求1所述的基于贝叶斯分类模型的锻造液压机预测性维护方法， 其特征 在于， 所述 维修知识库作为 故障知识库的基础知识， 用于创建故障知识库中的知识， 并编辑 设备类型、 设备型号、 故障代码、 给出故障诊断报告， 故障诊断报告内容包含故障严重程度、 性质、 原因、 位置以及维护措施。 3.根据权利要求2所述的基于贝叶斯分类模型的锻造液压机预测性维护方法， 其特征 在于， 所述故障知识库基于维修知识库、 专家知识、 工业机理模型按照设备型号进行管理， 是不同设备 型号故障知识的集 合； 存储同种设备 型号的共性故障知识。 4.根据权利要求1所述的基于贝叶斯分类模型的锻造液压机预测性维护方法， 其特征权　利　要　求　书 1/3 页 2 CN 114780732 B 2在于， 所述 故障案例库继承故障知识库的共性 故障知识， 按照设备名称进 行管理， 是每台案 例设备的故障知识的集 合， 存储同种设备 型号下的不同案例设备的个性故障知识。 5.根据权利要求1所述的基于贝叶斯分类模型的锻造液压机预测性维护方法， 其特征 在于， 所述S20 3具体为： 首先将集合X作为神经网络的输入， 通过元件的样本数据和故障知识库的历史记录从 而计算损失函数， 通过故障知识库的数据修正权值和偏移项， 以Sigmoid函数作为输出函 数， 得出神经网络的输出 元件衰退概 率的中间值P(A) ’； 然后针对具体的液压机设备通过故障案例数据库的记录， 当元件出现故障后， 将元件 机能下降的概 率进行二次修 正， 机能衰退的概 率进行调整： P （A） =α×P （A）’+β； 其中α 为权值矩阵， β 为偏移项矩阵。 6.一种基于贝叶斯分类模型的锻造液压 机预测性维护系统， 其特 征在于， 包括： 构建模块： 构建故障知识库； 创建故障代码并编辑故障代码、 设备类型、 设备型号、 故障名称和备注； 创建故障工单 并编辑目标设备、 故障代码、 报修类型、 工单名称、 执 行人和备注； 接收故障工单并进行故障处理， 根据故障处理结果新增维修知识至维修知识库， 并撰 写故障报告； 根据维修知识库编辑故障知识库； 根据故障知识库编辑故障案例库； 部件衰退 预测模块： 预测液压 机部件衰退； 在锻造液压机运行过程中， 汇总各元件和部件的机能衰退因素， 并建立 时间t的指标抽 象集合X； 将元件衰退抽象为集合A={a1,a2,a3,…,ax}， 发生的概率为P(a1)， P(a2)， P(a3)，……， P (ax)； 通过BP神经网络计算P(A)； 将部件衰退抽象为集合B={b1,b2,b3,…,by}， 根据设备的维修知识库的故障记录， 计算 发生的概 率为P(b1)， P(b2)， P(b3)，……， P(by)； 根据设备的故障知识库， 计算各部件衰退集合B发生的条件下， 集合A发生的概率为P(A |b1)， P(A|b2)， P(A|b3)，……， P(A|by)； 取元件衰退集合A发生的概率最大值P(A|bmax)=max{P(A|b1)， P(A|b2)， P(A|b3)，……， P (A|by)}， 根据最大似然函数则计算得 出： ； 得出各元件衰退集 合A发生的情况 下各部件衰退集 合B发生的反向概 率； 根据贝叶斯公式， 计算得 出： ； 取P(B|A)中最大值 为P(bmax|A)作为输出值， 通过如下公式进行计算：权　利　要　求　书 2/3 页 3 CN 114780732 B 3