一、软件概况

1.1软件主要功能

   CRMAgent以提高大型生产机械设备可靠度以及有效延长机械使用寿命为目的，增强生产机械设备各部件监控以及调控能力，实现对关键部件的实时健康监测以及基于深度学习方法的大数据智能健康预测，提升各作业环境下大型生产机械的智能监控水平以及智能化预测能力，为大型生产机械关键部件在线监测与智能健康预测提供可借鉴的范式与支撑系统。

冷轧设备变工况监测与健康预测系统

1.2编程序语言版本及源程序量

编程语言涉及Python，HTML，JavaScript，CSS，数据库采用MongoDB，数据库连接涉及MongoDB查询语句，各编程语言涉及的开发模块以及功能如下所示：

•  Python：主要负责后端开发，共约10000条语句，功能包含：

（1）Flask轻量级Web架构搭建

（2）后端自动化处理脚本编写及运行（自动数据读取、自动指标计算、自动预警、自动事件、数据备份、数据库操作等）

（3）路由接收并调用各功能模块（基于信号方法的故障预示与故障诊断、基于深度学习的健康评估与预测）

（4）后端事件日志采集（数据读写日志log、事件触发log）

（5）深度学习算法编写（长短期记忆网络、自组织映射网络）、信号处理算法编写（高/带/低滤波、快速傅里叶变换，时域重采样等）

•   HTML：主要负责Web交互界面开发，共约12000条语句，功能包含：

（1）Web界面的模块分区，层级以及框架构建

（2）交互控件应用

•  JavaScript：主要负责前端调控，共约10000条语句，功能包含：

（1）Web界面的实时动态变化、前端数据读取、传输，中间变量暂存

（2）路由发送端

（3）后端返回数据接收端

（4）前端事件日志采集

•  CSS：主要负责前端界面的样式设计，共约3000条语句，功能包括：

（1）Web界面交互反馈

（2）Web界面主题美术设计

1.3软件设计

    该系统通过监控对象关键部件的智能环境感知，对开放场景下大型生产设备（以高质量钢板生产设备为维护对象）关键部件进行基于实时数据的智能监控、基于信号方法的早期故障预示以及基于深度学习的智能健康预测。保障复杂作业环境下完全代替人工方式的设备目视巡检及警示、可实现实时信号检测、基础数据管理、测试过程管理、测试数据管理、训练数据管理、事件查询与传感控制、信号特征故障预示、自适应健康评估、智能故障诊断以及故障溯源等功能。通过上述系统集成性功能可有效地对生产机械关键部件进行实时信号监测、历史数据管理，以及基于既往数据的智能化建模分析，充分发挥深度学习方法的高鲁棒性与适应性，实现对生产机械关键部件的智能管控，为大型产制线提供强有力的连续生产保障，实现全程智能监测与个性化健康预测，对提高生产机械自身设备可靠度以及安全性意义重大。

1.4系统软件架构设计

  软件架构包括连接构件、数据构件和处理构件。连接构件把体系结构不同部分组合起来，数据构件是被加工的数据集，处理构件完成对数据的加工。逻辑清晰、结构清楚的软件体系结构划分有利于团队的开发效率，提高软件的稳定性，便于后期的维护和升级。

    按照软件开发“高内聚、低耦合”的设计思想，结合系统感知层作业环境的特殊性及恶劣程度，软件采用多层架构设计方式。多层架构是从经典的三层架构：数据层、业务层、表示层发展而来。业务层负责软件的业务逻辑，是系统的核心，承上启下，一个软件的鲁棒性、灵活性、可维护性的好坏很大程度上由业务层决定。所以为了显示对业务层的重视，将业务层又拆分成数据访问层、业务规则层和业务外观层。多层的好处是能够使软件层次感更加清晰，内聚性更强，代码的可读性和可维护性更强。

   系统开发平台选择VSCODE作为Python、HTML5、JavaScript、CSS以及数据库操作语句的开发已经调试工具以及平台。

二、软件功能

  钢板冷轧设备变工况监测与健康评估预测系统的模块划分是按照系统的功能需求区分的。本系统共有7个模块：基础数据模块、用户管理模块、可靠性评估模块、关键部件健康评估模块、故障诊断模块、健康预测模块、综合查询及报表管理模块、系统导航栏管理模块。

    钢板冷轧设备变工况监测与健康预测系统（下称轧机系统）首页，页面内容呈现共包含系统实时状态、机组测点状态、系统服务器状态、实时振动信号分析以及实时健康指标趋势含五个主要模块。

• (1).实时信号分析模块，主要包含：

•     频域信号分析：对当前游走轧机设备五个测点的振动信号进行快速傅里叶变换，得到振动信号频域成分。对特定故障频域成分进行标识，快速监测机器的振动情况。

• 时域信号分析：对当前游走轧机设备五个测点的振动信号进行展示。

(2).实时健康指标趋势模块，主要包含健康指标以及周期选择。

2.2.2冷轧机组子设备健康总览

  子设备健康总览界面，内容包含文本信息、健康指标周期趋势、健康指标读数等。

(1).设备选择：点击设备选择下拉菜单可对当前界面设备进行选择，选择相应设备即可切换监测对象。

(2).测点选择：点击测点选择下拉菜单可对当前监测对象的振动信号传感测点进行选择，观察该测点振动信号高中低频分量所计算的特征，并呈现出各个周期的健康变化趋势。

(3).指标选择：点击指标选择下拉菜单可对当前监测对象的振动信号传感所计算的特征进行选择（信号均值、峰度以及峭度），观察该测点振动信号高中低频分量所计算的特征。

(4).相关性建模：点击【相关性建模】按钮，跳转界面。针对不同工况（转速）下的轧机振动信号，对转速-特征进行非线性相关建模，并将模型保存至系统。

(5).模型管理：点击【模型管理】按钮，跳转模型管理界面，在此对上述提到的特征指标模型进行训练。点击相应设备与测点，选择振动文件，点击信号展示，随后上传，点击模型训练，模型测试，完成对相应模型的训练更新与管理。

(6). 阈值输入：点击【阈值输入】按钮，跳转阈值输入界面，对系统中基于信号的特征以及基于模型的特征进行标准阈值管理，使得不同工况下的阈值向标准阈值对齐，实现变化工况的健康监测。

模型管理界面

(7).数据导出：点击【CSV】按钮，对当前设备当前测点的各个周期的特征趋势进行导出，形成CSV文件，用以下载。

  点击菜单栏三维频谱按钮，进入三维瀑布图分析界面，操作者可根据自身需要选择对应轧机设备以及测点位置。界面切换至所选择设备及测点处，展示长期趋势下的三维频谱图，观察长趋势下机组设备的振动变化情况。

三维频谱分析界面

  点击菜单栏高中低频按钮，进入高中低频信号分析界面，操作者可根据自身需要选择对应轧机设备以及测点位置。界面切换至所选择设备及测点处。

高中低频分析

  点击倍频分析按钮，跳转至倍频分析界面，给出当前轧机当前测点的变频放大图，涵盖了0.5/1.0/2.0/3.0倍频成分，通过图例选择成分并加以呈现；右侧给出各倍频成分的棒值图。

倍频分析

  点击健康评估按钮，跳转至健康评估界面，根据当前历史振动数据情况对设备健康进行评估。

健康量化评估

  点击寿命预测按钮，跳转至寿命预测界面，根据当前历史振动数据情况对设备健康进行评估，并对剩余寿命进行估计。

寿命预测界面

欢迎装备智能维护、制造过程质量控制、人工智能、机器视觉、缺陷检测等智能制造方面的项目协作、系统开发、学术研究等合作(注：系统目前不开源)。