设备智能维护算法工具箱SmartAgent

介绍：

        设备智能维护算法工具箱系统SmartAgent融合了目前国际上各种先进的信息智能分析算法以工具箱的方式，采用了一种开发的、模块化的结构实现系统预诊算法，能应用在不同的设备健康预诊场合，满足不同的类型设备的健康预诊与故障诊断需求，如不同的输入信号、不同的预诊功能需求，不同的存储能力等，采用Python编程语言，满足不同平台需求(包括Windows、Linux)。采用全Python语言，以B/S模式，通过前端与后端集成开发，采用开放的、模块化、多层架构的设计思想，采用了最新的信号处理、机理模型、机器学习、人工智能、深度学习、数据挖掘等技术，实现机械系统故障诊断与健康退化预诊维护，能应用在不同场合的设备故障诊断与监测，满足不同类型机械设备与关键部件（轴承、转子、齿轮箱等）的健康预诊与故障诊断需求。

       该设备智能维护算法工具箱针对各类设备或关键部件的性能退化预诊与故障诊断。操作人员可以直接通过左侧下拉菜单选择各类算法对信号进行处理分析，即使是技术水平不高的工人也可应用此软件调用各类信号处理算法。

该系统适合：

        各种关键机械部件的性能退化预诊与故障诊断系统：轴承、齿轮箱、旋转轴、刀具等，及各类大型装备，如磨床、轧机、风机、数控机床、雷达、风电、引擎、各类移动机械、各类建筑结构；

        高校、工矿、科研院所的科研、教学、产品开发及人员培训等。

设备智能维护算法工具箱概况：

架构：工具箱采用全Python语言，以B/S模式，通过前端与后端集成开发，采用开放的、模块化、多层架构的设计思想；
采集信号：振动、位移、力、声发射、压力、温度、电压等。

算法：采用了最新的信号处理、机理模型、机器学习、人工智能、深度学习、数据挖掘等技术，融合了200多套算法；
对象：各种关键机械部件（如轴承）及各类大型装备（如风机）。

设计目标：实现机械系统故障诊断与健康退化预诊维护，能应用在不同场合的设备故障诊断与监测，满足不同类型机械设备与关键部件（轴承、转子、齿轮箱等）的健康预诊与故障诊断需求。

优势：该算法工具箱提供图形化的操作界面，使得缺乏高级技术背景的工作人员也能够方便地利用该软件，调用并应用各种复杂的信号处理算法。开放式的结构，可随时增加新算法模型及按用户需求进行自定义封装。

功能模块：健康特征提取模块、特征选择模块、健康评估模块、寿命预测模块、设备故障诊断模块。不同的功能模块灵活组合完成不同的任务。

(1)特征提取

此模块基于目前机器学习和人工智能算法最新的进展，通过采用典型的统计特征提取、数据投影与可视化算法，在设备和系统性能微弱退化的条件下获取表征设备健康的有效特征信息，并将提取的特征可视化。

(2)特征选择模块

在获取设备健康表征原始特征集基础上，通过基于各种最新的机器学习和寻优算法分析建模，如数据投影、预诊性特征选择算法，筛选出在设备全寿命区间内最能表征设备健康状态的特征信息，实现特征选择。

(3)健康评估模块

健康评估模块通过测取设备和系统在运行中的状态信息，对所测信号进行分析处理，并结合设备在健康状态下的历史状态信息，来实时量化评估设备及其零部件的健康状态，分析设备健康退化的严重程度和等级。该模块算法主要分为五个方面：基于健康数据、基于健康及故障数据、基于深度学习、基于迁移学习、基于自监督学习。

(4)寿命预测模块

基于设备长时间的运行数据，结合数据驱动和模型驱动建模的方法，来实时预测设备及其零部件的健康状态和剩余寿命，以及剩余寿命的概率分布等不确定性信息。该模块算法主要分为六个方面：基于数据驱动、基于模型驱动、基于深度学习、基于迁移学习、基于生成对抗、基于联邦迁移。

(5)故障诊断模块

该模块算法主要分为十大类：基于有监督学习、基于无监督学习、基于迁移学习、基于多传感数据、基于GAN、基于图网络、非理想条件下、虚实融合、基于Transformer、变转速故障诊断。

---