[发明专利]机械设备状态的智能可视化监测与诊断方法

权利要求书

1.一种机械设备状态的智能可视化监测与诊断方法，其特征在于，包括以下步骤：

第一步，构造初始设备状态字典，并建立初始设备状态分布图；

第二步，实时对机械设备状态进行监测，得到机械设备的监测数据，当机械设备的监测数据的统计结构特征在数据块内的出现位置具有一致性时，采用基于标准稀疏编码模型的稀疏求解方法得到当前监测数据的稀疏表示；否则，采用基于时不变稀疏编码模型的稀疏求解方法得到当前监测数据的稀疏表示；

第三步，采用第一步的方法，从当前监测数据的稀疏表示中提取当前稀疏特征值，并按照自组织映射型神经网络方法，得到该当前稀疏特征值在设备状态分布图上的最佳匹配点，从而将当前稀疏特征值映射到设备状态分布图上；

第四步，当第三步得到的最佳匹配点已被标注设备状态时，当前的设备状态就是最佳匹配点所标注的设备状态，返回第二步，继续对机械设备状态进行检测与识别；否则，进行未知设备状态检测处理，当出现新的设备状态时，执行第五步，否则，返回第二步，继续对机械设备状态进行监测与识别；

第五步，采集新的设备状态下的样本数据，进行设备状态字典更新处理和设备状态分布图更新处理，得到更新的设备状态字典和更新的设备状态分布图，且返回第二步，继续对机械设备状态进行监测与识别。

2.根据权利要求1所述的机械设备状态的智能可视化监测与诊断方法，其特征是，第一步中所述的构造初始设备状态字典，包括以下步骤：

1)采集若干设备状态下的历史样本数据，采用字典学习方法，分别从每种设备状态下的历史样本数据中学习一个单设备状态子字典；

2)所有的单设备状态子字典构成初始设备状态字典。

3.根据权利要求2所述的机械设备状态的智能可视化监测与诊断方法，其特征是，所述的字典学习方法，是：当设备的历史样本数据中的统计结构特征在数据块内出现的位置具有一致性时，采用基于标准稀疏编码模型的字典学习方法；否则，采用基于时不变稀疏编码模型的字典学习方法。

4.根据权利要求1所述的机械设备状态的智能可视化监测与诊断方法，其特征是，第一步中所述的建立初始设备状态分布图，包括以下步骤：

1)基于建立的初始设备状态字典，采用稀疏求解方法，得到设备的所有历史样本数据的稀疏表示；

2)从设备的所有历史样本数据的稀疏表示中提取稀疏特征值；

3)通过训练自组织映射型神经网络构造出U型矩阵图，并根据不同机械设备状态下的稀疏特征值与U型矩阵图上节点的距离测度用RGB颜色对节点进行渲染，且根据历史样本数据的稀疏特征值所代表的不同设备状态对U型矩阵图上的节点进行标注，该U型矩阵图就是初始设备状态分布图。

5.根据权利要求4所述的机械设备状态的智能可视化监测与诊断方法，其特征是，所述的稀疏求解方法，是：当设备的历史样本数据中的统计结构特征在数据块内出现的位置具有一致性时，采用基于标准稀疏编码模型的稀疏求解方法；否则，采用基于时不变稀疏编码模型的稀疏求解方法。

6.根据权利要求1所述的机械设备状态的智能可视化监测与诊断方法，其特征是，第三步中所述的稀疏特征值，是设备状态字典中基函数在稀疏表示中的激活次数，或者是设备状态字典中基函数在稀疏表示中的系数的平方和，或者是设备状态字典中基函数在稀疏表示中的系数的绝对值和。

7.根据权利要求1所述的机械设备状态的智能可视化监测与诊断方法，其特征是，第四步中所述的未知设备状态检测处理，包括以下步骤：

1)计算当前稀疏特征值在设备状态图上的最佳匹配点与当前稀疏特征值的最小量化误差，当最小量化误差大于或者等于阈值θ_MQE，则执行2)；否则，认定没有出现新的设备状态，并将与最佳匹配点颜色相近的节点所标注的设备状态确认为当前设备状态；

2)进行人工确认，当人工确认没有出现新的设备状态，对阈值θ_MQE进行修正处理，否则，认定出现新的设备状态。

8.根据权利要求7所述的机械设备状态的智能可视化监测与诊断方法，其特征是，所述的修正处理，是指将当前稀疏特征值在设备状态图上的最佳匹配点的最小量化误差设为阈值θ_MQE。