[发明专利]一种工业机械设备健康状态分析与预测方法及其系统

说明书

技术领域

本发明属于机械设备健康管理技术领域，具体涉及一种基于支持向量的工业机械设备健康状态分析与预测方法及其系统。

背景技术

大型工业机械设备运行可靠性不仅涉及企业的经济效益，而且影响到生产的安全性，及连续性。保证设备安全运行，降低设备维修费用和提高设备寿命周期内的利用率已成为企业提高经济效益和社会效益的重要手段。因此，对工业机械设备进行健康状态监测和性能退化分析就显得尤为重要。

目前工业机械设备监测通道数据量大，运行工况又复杂多变，造成故障决策过程头绪繁多，很难对工业机械设备健康状态进行有效的分析以及给出明确的结论。目前，国内外不少学者对工业机械设备的故障诊断开展了许多研究，但是利用工业机械设备监测大数据进行工业机械设备健康状态及性能退化分析和预测的研究工作还比较少，也不是很成熟。针对工业机械设备在线监测中产生了大量的数据，激增的数据中蕴含着重要的工业机械设备性能退化信息和知识，进一步挖掘和分析是研究的主要课题。

发明内容

本发明的目的是为了解决使用传统的健康状态分析方法对工业机械设备进行性能退化分析，会面临试验难度大、成本高等问题，综合统计学习及数据挖掘相关理论和技术，提出了一种基于支持向量的工业机械设备健康状态分析与预测方法及其系统。

为实现上述目的，本发明之一的一种工业机械设备健康状态分析与预测方法，其包括：

步骤S1，采集工业机械设备各监测通道数据，选取工业机械设备关键监测通道数据；

步骤S2，对步骤S1选取的关键监测通道数据，进行数据预处理，并生成新数据集；

步骤S3，针对步骤S2中产生的新数据集，计算新数据集中各通道数据间的灰关联度，选取灰关联度之和较小的通道数据集合，进而剔除新数据集中的冗余信息；

步骤S4，对步骤S3所得通道集合中每个通道数据按时间段序列计算样本熵作为本通道该段时间内的状态特征，进而得到每个通道状态特征序列，将每个序列值进行标准化，组成状态特征样本向量；

步骤S5，选取工业机械设备健康运行情况下状态特征向量集，使用支持向量数据描述方法训练健康状态模型，得到健康状态知识库；

步骤S6，针对待测数据集中由步骤S2选取通道数据集合，使用步骤S4提取特征向量组成待测特征向量集；根据步骤S5得到的健康状态模型，计算出性能退化度并进行健康状态分析；

步骤S7，对步骤S3所得通道集合计算的各通道数据状态特征序列中，以固定周期随机抽取一个运行状态特征，得到一组新的非等间隔时间序列的方式抽取多组非等间隔时间序列，计算各组待测时间序列与实际序列关联度，使用灰色预测模型得到各组非等间隔时间序列的预测值，多组预测值中选择关联度最大一组预测值作为预测结果。

所述步骤S1中工业机械设备至少有为风机、高铁及航空器三种工业机械设备，工业机械设备监测通道包括工业机械设备传动链各部件振动监测及工业机械设备SCADA运行状态监测。

所述步骤S2中对选取的各关键监测通道数据进行预处理方法为使用中值替代区间序列的方法减少了数据量，并降低数据中噪声，生成新数据集。

在步骤S3中引入参考数列与比较数列，且设参考数列为X₀＝{X₀(1),X₀(2),…,X₀(n)}；比较数列X_i＝{X_i(1),X_i(2),…,X_i(n)}，对参考序列和比较序列分别进行无量纲化处理，采用k＝1,2,…,n,i＝1,2,…,m获取。

通过计算灰关联系数；

则X₀与X_i的灰关联度k＝1,2,…,n,i＝1,2,…,m计算获取；

式中，ξ_i(k)反映了某一时候两序列的贴近程度，ρ为灰色分辨系数。γ_i反映两序列整体相关程度。

若干个时间段序列组成一个时间序列，设定任意一个时间序列X＝{x₁,x₂,…,x_N}，计算样本熵包括如下步骤，即

步骤S41，对任意一个时间序列X＝{x₁,x₂,…,x_N}重构m维相空间；

步骤S42，定义两个不同向量对应元素间的最大差值为两向量的距离；