[发明专利]一种基于大数据融合聚类分析的关联参数故障分类方法

说明书

本发明提供的一种基于大数据融合聚类分析的关联参数故障分类方法，本发明的故障分类方法从装备运行的海量数据中，根据判读规则挑选故障数据，并进行有监督的机器自主聚类，形成关联参数故障自动分类结果，能够解决目前装备故障诊断过度依赖专家知识库，而忽略了各子系统间深度非线性耦合的参数之间的关联关系的问题，以及实际装备型号运行中海量有效数据没有获得很好的挖掘利用的问题；同时，由于本发明的故障分类方法的实施无需依赖于对对象装备的精确物理建模，因此避免了传统复杂系统难以建模的难处，实现了基于海量数据挖掘的故障智能分类及关联参数分析，具有准确率可控的故障分类能力。

技术领域

本发明涉及装备故障预测和健康管理(PHM)领域，具体涉及一种基于大数据融合聚类分析的关联参数故障分类方法。

背景技术

故障预测和健康管理已经发展成为航空航天领域系统后勤保障、维护和自主健康管理的重要支撑技术和基础，在“国家中长期科学和技术发展规划纲要2006－2020”中，“重大产品和重大设施寿命预测技术”作为前沿技术提出在近年的航天、航空科学技术学科发展报告中，均将PHM技术列为关键和支撑技术。

PHM技术已经成为一个涵盖基础材料、机械结构、能源、电子、自动测试、可靠性、信息等多领域的交叉学科和研究热门方向，具有重要的应用价值和现实意义。在大多数的工业系统PHM应用中，建立复杂部件或系统的数学或物理模型十分困难甚至无法实现，或识别模型的参数较为复杂，因此，部件或系统设计、仿真、运行和维护等各个阶段的测试数据、传感器历史数据就成为掌握系统性能下降的主要手段。

由此，基于测试或传感器历史数据挖掘的PHM方法逐渐获得重视并取得快速发展，成为PHM领域的重要研究热点。特别是针对航空航天等复杂系统，很难直接获取或构建表征部件、系统退化和剩余寿命的物理模型，同时，这些对象系统和部件具备大量可用的状态监测和测试数据，因此，以数据驱动为主的PHM方法体系，获得美军、美国航空航天局及众多研究机构、工业企业的广泛重视。

数据驱动PHM方法是基于先进的传感器技术采集和获取与系统属性有关的特征参数，并将这些特征参数和有用信息关联，借助智能算法和模型进行检测、分析和预测，给出目标系统的剩余寿命分布、性能退化程度或任务失效的概率，从而为维护系统和系统保障提供决策信息。

在数据驱动PHM方法体系当中，方法流程、不同方法融合、模型选择、模型适应性等问题已成为了现今该领域内的研究重点，数据驱动PHM方法以其灵活的适应性和易用性获得了广泛的应用和推广。

发明内容

本发明的目的在于，为解决现有的数据驱动PHM方法存在着故障数据获取困难的技术问题，本发明提供一种基于大数据融合聚类分析的关联参数故障分类方法，用于改善现有复杂装备蕴含海量信息的运行数据未被有效挖掘、有效利用的现状。

为实现上述目的，本发明提供了一套完整的算法流程，进行运算和解析，得出最终的故障分类和参数关联概率模型。所述的关联参数故障分类方法包括：

步骤1)获取对象装备的各种运行数据。

步骤2)根据对象装备的设计资料，建立涵盖对象装备全部参数的参数判读规则库。参数判读规则库不仅包含参数的门限判断规则，同时也包含参数的趋势判断规则及跳变判断规则。

步骤3)以参数判读规则库的规则为准，对步骤1)中所有的运行数据筛选获得故障数据，将所有故障数据集合形成无分类故障数据集。

步骤4)以无分类故障数据集通过聚类算法进行有监督的数据自主聚类，获得满足要求的聚类数目和各项聚类中心。聚类的数目从2开始逐渐增大至适当的数目，最终选取使各聚类核平均加权距离不再减小的最小值为聚类的总数。同时，通过确定的各项聚类中心对无分类故障数据集进行分类获得分类故障数据集。