[0001] 本发明涉及故障预警领域，具体地涉及一种故障预警系统及一种故障预警方法。

[0002] 砼活塞是混凝土泵送类设备的耗损性部件，砼活塞施工过程中出现故障会导致泵送设备计划外停机，同时影响配套设备施工，延误工期，带来附带经济损失。对砼活塞进行故障预警，实施预测性维护，可提高设备效能，降低维护成本，同时优化服务工程师和备件调度，变被动服务为主动服务。

[0003] 目前对砼活塞故障的判断和处理方法主要有两种：一种是现场根据泵送设备的功能性能的异常表现来人为判断，如，泵送无力，漏浆等，即出现故障再更换。另外一种方法是，首先通过理论仿真计算、实验台等比较单纯的工况条件下进行试验测试，确定设计使用寿命，应用过程中，以固定寿命更换砼活塞。

[0004] 但目前对砼活塞故障的判断和处理方法只是根据设计使用寿命或现场人为判断更换砼活塞，无法准确地提前预判砼活塞故障，无法做到预测性维护，容易造成泵送设备现场停机。

[0046] 以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。

[0047] 在本发明实施方式中，在未作相反说明的情况下，使用的方位词如“上、下、顶、底”通常是针对附图所示的方向而言的或者是针对竖直、垂直或重力方向上而言的各部件相互位置关系描述用词。

[0048] 图1是本发明一实施方式提供的砼活塞故障预警系统的结构示意图。如图1所示，本发明一实施方式提供的砼活塞故障预警系统包括砼活塞故障预警设备100和用于砼活塞故障预警的云计算设备200。所述砼活塞故障预警设备100包括：砼活塞现场数据采集模块110，用于采集所述砼活塞的砼活塞现场数据；以及边缘计算模块120，用于接收所述砼活塞现场数据以及来自云计算设备的故障预测模型，将所述砼活塞现场数据输入所述故障预测模型，以判断所述砼活塞是否出现或者即将出现故障。所述云计算设备200包括：故障预测模型训练模块210，用于基于含故障标签的历史砼活塞现场数据，训练得到故障预测模型，并将所述故障预测模型存储至故障预测模型库220；以及故障预测模型库220，用于从所述故障预测模型训练模块中获取所述故障预测模型并存储，并将存储的故障预测模型发送给边缘计算模块120。借此，可由云计算设备200不断地根据历史砼活塞现场数据训练故障预测模型，并将该故障预测模型下发到砼活塞故障预警设备，以使得该砼活塞故障预警设备能够根据所述故障预测模型并结合砼活塞现场数据进行预测。该方案可保证所述故障预测模型的准确性，且可使得砼活塞故障预警设备总是可利用由云计算设备下发的准确的故障预测模型进行故障预测，进而保证了砼活塞故障预测和预警的准确性。

[0049] 在此需要说明的是，所述边缘计算模块处可存储所述故障预测模型，并在一段时间内利用该故障预测模型进行故障预测，该故障预测模型可由所述云计算设备200下发的故障预测模型来更新；所述边缘计算模块处也可不存储所述故障预测模型，其实时地利用所述云计算设备200下发的故障预测模型进行故障预测。

[0050] 所述含故障标签的历史砼活塞现场数据可由所述砼活塞现场数据采集模块110提供，也可由其他设备提供。所述砼活塞现场数据采集模块110可包括工况参数采集模块，用于采集关于所述砼活塞的以下参数中的一者或多者：工作时长参数、工作方量参数、发动机转速参数、油泵转速参数、泵送压力参数和液压油温参数等与砼活塞寿命相关的工况参数。该工况参数可为所述故障预测模型执行预测所需的工况参数。

[0051] 所述砼活塞现场数据采集模块还可包括位置信息采集模块，用于采集所述砼活塞的位置信息；以及砼活塞更换开关，用于采集所述砼活塞的更换记录。对于此“砼活塞更换开关”，需要说明的是，传统方法一般通过人为记录泵类设备的砼活塞实际更换记录，时效性难以保证，难以严格与工况数据对应匹配，而本发明可设置一砼活塞更换开关，其与泵类设备的其他多个控制开关同时部署在控制面板上，通过系统逻辑控制和业务规程，要求操作人员在更换活塞之前，必须打开砼活塞更换开关，从而可自动记录更换活塞记录并上传至云端。控制面板上的“砼活塞更换开关”设计如图7所示。借此，每次砼活塞故障而导致需要更换砼活塞时，所述“砼活塞更换开关”可被操作人员操作，从而其可产生一故障标签，即，该故障标签之前的所有工况参数均可作为历史砼活塞现场数据，以利用该历史砼活塞现场数据对所述云计算设备上的故障预测模型进行训练。例如，所述砼活塞现场数据采集模块110实时采集并提供工况参数至所述云计算设备，所述云计算设备在收到所述“故障标签”，可将在时间上位于该“故障标签”之前的工况参数作为历史砼活塞现场数据[0052] 所述砼活塞现场数据采集模块可能还需要被进一步处理，以用于输入至故障预测模型进行故障预测或者作为历史砼活塞现场数据训练所述故障预测模型。为此，所述边缘计算模块可包括边缘端信号处理模块，其接收所述砼活塞现场数据，对其进行诸如滤波、采样等等处理，例如，对采样频率较高的实时工况时间序列数据进行滤波、采样等信号处理，得到的较干净、采样合适的信号。得到的信号一方面可被输入所述边缘计算模块内的边缘端实时故障预警模块，以由所述边缘端实时故障预警模块将所述处理后的砼活塞现场数据代入所述故障预测模型以判断所述砼活塞是否出现或即将出现故障，并在判断所述砼活塞出现或即将出现故障的情况下输出砼活塞故障预警信号，以控制报警装置进行报警，例如借助声光报名装置在砼活塞使用现场以声光等形式提醒用户及时更换；另一方面可通过物联网或者其他类型的适于信息传输的网络上传至云计算设备，以由该云计算设备将其作为历史砼活塞现场数据训练所述故障预测模型。

[0053] 所述云计算设备可以针对以下或多者来训练对应的故障预测模型：(1)某一特定的砼活塞，例如所述砼活塞现场数据采集模块采集的现场数据均可含有相应的砼活塞的标识符，所述云计算设备可采用带有该标识符的历史砼活塞现场数据训练针对所述砼活塞的故障预测模型，并将该砼活塞的故障预测模型下发至边缘计算模块，以由该边缘计算模块利用该故障预测模型对所述砼活塞进行故障预测，借此实现针对某一特定的砼活塞的精准的故障模型训练以及利用该故障模型进行精准故障预测；(2)某一厂商生产的某一型号和/或批次的砼活塞，对于该砼活塞，其故障预测模型的训练可采用来自满足该型号和/或批次的一个或多个砼活塞的历史砼活塞现场数据而被训练，且可采用该故障预测模型对满足所述型号和/或批次的一个或多个砼活塞进行故障预测；(3)所述砼活塞所位于的工程机械(例如，泵车)，不同工程机械对于所述砼活塞的操作(例如，在机械磨损、工程机械内的其他与砼活塞相配合的机构的差异性)可能会存在差异，这些差异均可能影响到砼活塞的寿命，为此，可采用某一工程机械的一个或多个砼活塞的历史砼活塞现场数据来训练针对该工程机械的故障预测模型，并采用该故障预测模型对所述工程机械的一个或多个砼活塞进行故障预测；(4)某一地理位置的砼活塞(该位置可由上述位置信息采集模块来采集)，不同地理位置在温度、湿度、气压等各方面存在差异，这些差异均可能影响到砼活塞的寿命，为此，可采用某一特定地理位置的一个或多个砼活塞的历史砼活塞现场数据来训练针对该特定地理位置的故障预测模型，并采用该故障预测模型对所述一特定地理位置的一个或多个砼活塞进行故障预测。对于上述针对特定对象(例如，特定砼活塞、满足型号和/或批次的一个或多个砼活塞、特定工程机械的砼活塞、特定地理位置的砼活塞)的故障训练模型，所述砼活塞现场数据采集模块采集的现场数据均可含有相应的标识符，以标识所述特定对象，例如，型号和/或批次、特定工程机械、特定地理位置等等，由此所述云计算设备可根据该标识符来对相应的故障预测模型进行训练，并将训练好的故障预测模型下发到具有所述相应标识符的砼活塞故障预警设备100。

[0054] 图2为本发明另一实施方式提供的砼活塞故障预警系统的结构示意图。相比于图1所示的砼活塞故障预警系统，在图2所示的砼活塞故障预警系统中，所示云计算设备200还包括故障预测模块230，用于接收砼活塞现场数据(例如，直接来自所述砼活塞现场数据采集模块110的活塞现场数据、或者来自所述砼活塞现场数据采集模块110的活塞现场数据经边缘端信号处理模块处理之后的数据)，并根据所述故障预测模型库中存储的所述故障预测模型，计算砼活塞故障预测结果，并将该砼活塞故障预测结果发送给业务应用模块300。

[0055] 所述业务应用模块300包括以下中的一者或多者：故障预警推送模块，用于根据所述砼活塞故障预测结果，发出预警；服务工程师调度模块，用于根据所述砼活塞故障预测结果，发出服务工程师调度信息；配件调度模块，用于根据所述砼活塞故障预测结果，发出配件调度信息。借此，可基于砼活塞故障预测结果，通过客户APP推送故障预警、通过CRM工单进行服务工程师调度、和/或通过ECD系统进行配件调度。

[0056] 图3是本发明实施方式提供的故障预测模型的结构示意图。如图3所示，所述故障预测模型可包括：可靠性模型，用于基于所述砼活塞现场数据，输出第一故障预测结果；机器学习模型，用于基于所述砼活塞现场数据，输出第二故障预测结果；以及第二集成学习模型，用于基于所述第一和第二故障预测结果，生成一最终故障预测结果，其中，所述可靠性模型基于砼活塞故障和维保数据和/或砼活塞实验数据而被训练，且所述机器学习模型基于所述历史砼活塞现场数据而被训练。所述故障预测结果均可以以故障概率的形式被呈现，当然也可以采用其他形式。

[0057] 所述可靠性模型可包括砼活塞浴盆曲线模型和砼活塞退化轨道模型，其训练过程如下：(1)对由故障和维保数据得到的砼活塞更换记录、由历史砼活塞现场数据判断的砼活塞更换记录进行综合，得到准确的砼活塞历史实际寿命数据，训练浴盆曲线模型(例如，与砼活塞工作时长、泵送方量等有关)；以及(2)基于历史的砼活塞实验数据，建立以行程到位率、泵送方量为退化量的砼活塞退化轨道模型。上述砼活塞浴盆曲线模型和砼活塞退化轨道模型可分别独立地给出砼活塞故障概率。使用训练好的可靠性模型进行故障预测的过程如下：(1)将砼活塞工作时长、泵送方量等累计工作量输入浴盆曲线模型，输出砼活塞故障概率；(2)将砼活塞行程到位率、泵送方量输入退化轨道模型，输出砼活塞故障概率。

[0058] 所述机器学习模型可为一个堆叠模型，其第一层包括随机深林(Random Rorest)模型、梯度提升树(GBDT)模型、深度学习模型，第二层为第一Boosting集成学习模型。所述机器学习模型的训练过程如下：(1)对历史更换的每个活塞的全寿命工况数据，根据上述特征提取算法提取特征，并将特征数据分段，将每段特征数据和未来特定时间内活塞的故障情况构成训练样本，基于训练样本分别训练随机深林模型和梯度提升树模型，采用多重交叉验证和启发式搜索方法寻找树深度、树的棵树等超参数；(2)将历史更换的每个活塞的全寿命工况数据分段，将每段工况数据和未来特定时间内活塞的故障情况构成训练样本，训练一种改进深度学习模型，该模型基于CNN，其中卷积核为长方形，宽度为工况数据种类数，长度为工况数据分段长度，池化(Pooling)操作也以长方形窗口进行；(3)将上述特征数据分别输入训练好的随机深林模型和梯度提升树模型，分别输出对对应的故障概率，同时将上述工况数据段输入训练好的深度学习模型，输出对应的故障概率，该三个故障概率、对应的真实故障情况构成所述第一boosting集成学习模型的训练样本，训练所述第一boosting集成学习模型。使用训练好的机器学习模型进行故障预测的过程如下：(1)将砼活塞现场数据的工况数据输入特征提取算法模型，输出特征，将该特征输入随机深林模型、梯度提升树模型，分别输出相应的故障概率；(2)将所述砼活塞现场数据的工况数据输入深度学习模型，输出相应的故障概率；(3)将所述随机深林模型、梯度提升树模型和深度学习模型各自输出的故障概率输入第一Boosting集成学习模型，该第一Boosting集成学习模型可输出一故障概率作为所述机器学习模型总的故障预测结果。

[0059] 所述第二集成学习模型可基于所述机器学习模型和可靠性模型各自的故障预测结果，生成一最终故障预测结果。所述第二集成学习模型训练过程为：基于机器学习模型、浴盆曲线模型、砼活塞退化轨道模型分别独立输出的砼活塞故障概率，以及对应的实际砼活塞故障情况，构成训练样本，采用Boosting集成学习得到所述第二集成学习模型。使用训练好所述第二集成学习模型进行故障预测的过程如下：其可接收机器学习模型、浴盆曲线模型、砼活塞退化轨道模型分别独立输出的砼活塞故障概率，并输出最终的砼活塞故障概率，作为最终故障预测结果。

[0060] 对于所述随机森林模型和梯度提升树模型，其可能无法直接处理砼活塞现场数据，为此还为其配备了特征提取算法模型，其可基于所述砼活塞现场数据和/或所述历史砼活塞现场数据，提取工况时间序列的形状特征、频谱特征和/或统计特征，并将所提取的形状特征、频谱特征和/或统计特征输入至所述随机森林模型和梯度提升树模型。所述特征提取算法模型可基于砼活塞相关工况数据，提取工况时间序列的形状特征、频谱特征、统计特征等特征。具体地，其可采用动态时间规整(DTW)算法、小波变换提取工况时间序列的形状特征，采用快速傅里叶变换(FFT)结合领域知识提取频谱特征，而所述统计特征主要包括最大值、最小值、平均值、方差、偏度、峭度等统计值。所述特征提取算法模型本身无需训练，主要用于在对故障预测模型训练过程中对历史砼活塞现场数据进行特征提取，以及在故障预测过程中，对实时砼活塞现场数据进行特征提取，从而供所述随机森林模型和梯度提升树模型使用。

[0061] 图4是本发明实施方式提供的故障预测模型的训练过程示意图。以上已结合图3对本发明实施方式提供的故障预测模型的训练过程及故障预测过程进行了介绍。现结合图4说明在所述故障预测模型的训练过程所采用的输入数据。对于浴盆曲线模型而已，其所采用的是历史砼活塞现场数据的工况数据以及故障和维保数据；对于砼活塞退化轨道模型而言，其所采用的是砼活塞实验数据；对于所述机器学习模型而言，其所采用的是历史砼活塞现场数据的工况数据。

[0062] 图5是本发明实施方式提供的故障预测模型的故障预测过程示意图。如图5所示，在使用训练好的故障预测模型的进行故障预测过程中，上述模型所采用的均是砼活塞现场数据的实时工况数据，其可直接来自所述砼活塞现场数据采集模块110实时采集的活塞现场数据、或者来自所述砼活塞现场数据采集模块110的活塞现场数据经边缘端信号处理模块处理之后的实时工况数据。

[0063] 以上图3-5虽然给出了一特定的故障预测模型的结构，实际上本发明并不限于此，其他结构的可进行砼活塞故障预测的故障预测模型结构均是可以适用的。

[0064] 图6为本发明再一实施方式提供的砼活塞故障预警系统的结构示意图。如图6所示，其内所示的大部分部件或特征均已在上述图1-5的描述内被描述。以下对各主要的模块进行进一步说明。

[0065] 砼活塞现场数据采集模块可通过泵送设备端总线采集工作时长、工作方量、发动机转速、油泵转速、泵送压力、液压油温等与砼活塞寿命相关的工况参数，通过位置传感器采集设备位置，并通过快换活塞开关，自动采集更换活塞记录。该砼活塞现场数据采集模块将上述采集的数据输入边缘计算模块。

[0066] 边缘计算模块内的边缘端信号处理模块可接收上述数据，并对采样频率较高的实时工况时间序列数据进行滤波、采样等信号处理，得到的较干净、采样合适的信号，一方面输入边缘端实时故障预警模块，另一方面通过物联网上传至云端(即，云计算设备)。边缘端实时故障预警模块基于云端下发的特征提取算法、故障预测模型，输出砼活塞故障预警信号，现场以声光等形式提醒用户及时更换。

[0067] 业务系统数据采集模块与实验台数据采集模块可分别采集与砼活塞故障和维保有关的数据以及泵送系统实验过程中生成的工况参数、砼活塞寿命等数据，并将该数据存储在云端数据仓库。泵送系统实验台与实际上市的泵送设备相比，安装了更为全面的传感器，采集频率更高，可更全面准确地收集砼活塞全寿命数据，用于建立砼活塞退化轨道模型。

[0068] 云端数据仓库可接收并存储经滤波等信号处理后经物联网上传到的实时工况数据、CRM系统数据采集模块采集的故障与维保信息等业务数据、以及泵送系统实验台数据采集模块采集的实验数据。

[0069] 故障预测模型训练模块可综合工况数据、故障与维保数据、实验台数据，训练一种集成树类机器学习模型、深度学习模型、可靠性模型的砼活塞故障预测模型。训练好的模型存储到云端故障预测模型库。

[0070] 故障预测模型库可存储上述训练好的故障预测模型，并根据需要从中提取相关模型下发到边缘端，也可将模型发送到云端故障预测模块。

[0071] 云端故障预测模块可根据业务需求配置，当泵送设备在正常上传工况数据时，云端故障预测模块基于训练好的模型实时地给出砼活塞故障预测结果，并将该故障预测结果发送到业务应用模块。

[0072] 业务应用模块包括故障预警推送逻辑模块、服务工程师调度逻辑模块、配件调度逻辑模块，基于砼活塞故障预测结果，设定相关业务规则，分别用于通过客户APP推送故障预警、通过CRM调度服务工程师、通过ECC调度相应配件。

[0073] 根据本发明的技术方案，首先，本发明加装工况收集模块、位置传感器、砼活塞快换活塞开关等传感器，能自动收集工作位置、工况、砼活塞实际寿命和故障记录等信息，为实现砼活塞故障预测和预警提供大数据基础。其次，本发明充分利用物联网等充分收集全体实际工作中砼活塞的工况数据、实际寿命数据、地理环境数据等与砼活塞寿命相关的大数据，并基于砼活塞大数据进行建模和预测寿命，充分考虑实际情况，预测准确性较高。再次，本发明融合机器学习与可靠性模型的砼活塞故障预测模型，能比较准确地预测砼活塞故障。本发明边缘端还设置了故障实时预警模块，能利用实时工况信息，在临近故障时或出现隐性异常时地发出预警。本发明应用模式新颖，基于砼活塞故障预警结果，通过客户端APP推送故障预警、通过CRM工单进行服务工程师调度、通过仓储系统进行配件调度，能够及时的将砼活塞的状况通过业务应用模块及时采取各种应对措施，使得砼活塞始终能够处于正常工作状态。

[0074] 以上结合附图详细描述了本发明的可选实施方式，但是，本发明实施方式并不限于上述实施方式中的具体细节，在本发明实施方式的技术构思范围内，可以对本发明实施方式的技术方案进行多种简单变型，这些简单变型均属于本发明实施方式的保护范围。

[0075] 另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施方式对各种可能的组合方式不再另行说明。

[0076] 本领域技术人员可以理解实现上述实施方式的方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得单片机、芯片或处理器(processor)执行本发明各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

[0077] 此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施方式的思想，其同样应当视为本发明实施方式所公开的内容。