[发明专利]一种机械设备健康状态评估方法

说明书

本发明公开了一种机械设备健康状态评估方法。首先利用传感器采集机械设备上主要零部件的状态数据，然后进行特征提取获得特征参数；接着通过离群点检测算法提取出噪声数据和故障数据，仅保留后者；随后进行降维处理获得最终进行评估的特征向量；最后进行设备的状态评估，通过健康状态数据和失效状态数据建立自组织映射神经网络模型，通过熵权理论计算每一组待评估数据的速率影响因子，并带入神经网络进行健康因子计算。本发明实现了对于机械设备的全面状态评估，为机械设备的健康维护提供了依据，避免了不必要的经济损失。

技术领域

本发明属于智能系统技术应用领域，特别涉及了一种机械设备健康状态评估方法。

背景技术

当前，智能制造已成为现代制造业的研究热点，生产装备向智能化方向发展，车间生产过程具有高度复杂性和时变性，当前设备状态诊断大多依靠人工现场分析，通过专家经验知识来完成故障诊断。但是，这种诊断有以下问题：

(1)难以形成通用的系统诊断模型；

(2)运行数据没有得到充分利用；

(3)只能保证设备能继续运行，但能正常工作多久却无法预知，无法在故障早期阶段就对设备的状态做出预测。

对此，迫切需要建立一种自动化的智能设备诊断分析平台，通过智能化的诊断分析使得设备维护人员能够提前预知设备的健康状态和故障的发生，从而提高车间生产效率，降低生产成本，避免发生重大生产事故。机械生产设备通常是由许多复杂的零部件组成。一个零件的失效可能会导致整个设备的故障，机械生产设备的高失效率会造成巨大的经济损失和人员伤亡。因此，有必要监控设备的实时状态。如今，随着传感器和信息技术的发展，机械设备的智能化水平不断地提高，有助于获得更多的信息用于设备状态评估。文献“基于马田系统的滚动轴承初始故障检测和状态监测[硕士学位论文]，兰州，兰州理工大学，2016”分析了轴承的故障诊断技术，对于机械生产设备，故障诊断技术可以探测到故障类型和故障源，但是，它不能评估设备的全局状态或性能。为了提高安全性和可靠性、状态评估是至关重要的。它不仅反映了设备的全局退化程度，为企业提供参考，同时也为下一步的预测和健康管理提供了必要的依据。

但是，现有的状态评估的研究主要集中在零件或部件单元，如轴承和一些电子系统，对于机械设备健康状态的全局评估缺乏充分的研究。考虑到机械设备的复杂性，反映设备的健康状态需要基于零件和部件来展开。由于每个零部件在一个设备中的重要性是不同的，从传感器收集到的状态特征应该给予不同的权重。但是当前对于状态评估的研究，缺乏权重决策的方法。常见的方法就是根据经验给予权重，但这些权重并不能够反映属性数据的变化率。

发明内容

为了解决上述背景技术提出的技术问题，本发明旨在提供一种机械设备健康状态评估方法，克服现有状态诊断技术存在的缺陷，实现机械设备的全局评估。

为了实现上述技术目的，本发明的技术方案为：

一种机械设备健康状态评估方法，包括以下步骤：

(1)利用传感器对机械设备的主要零部件进行状态数据采集；

(2)对于不同零部件的状态数据采用不同的特征提取方法进行特征提取，获得特征参数，将每个零部件的特征参数归为一组，得到每个零部件的特征参数集；

(3)通过离群点检测算法对每个零部件的特征参数集进行离群点检测，获得噪声数据和故障数据，保留反映设备健康状态的故障数据，清楚噪声数据；

(4)对去噪声后的每个零部件的故障数据进行特征降维，然后合成一个特征向量；

(5)重复步骤(1)-(4)若干次，得到若干个特征向量；

(6)通过预设的健康状态数据和失效状态数据对自组织映射神经网络模型进行训练，获得训练后的网络模型；