[发明专利]一种基于多变量的设备动态健康状态评估方法

说明书

本发明公开了一种基于多变量的设备动态健康状态评估方法，利用综合显著‑偏置卷积神经网络和递减最大熵模糊聚类结合的多变量模型进行设备动态健康状态评估，减少了训练时间，提高了模型的精度和泛化能力，同时能够根据环境动态分配故障阈值，满足设备真实工作情况，实现对设备精确健康状态评估与寿命预测。

技术领域

本发明涉及数据驱动的设备故障预测的技术领域，尤其涉及到一种基于多变量的设备动态健康状态评估方法。

背景技术

在过去的几十年中，设备维护功能变得越来越重要。高工业要求的基础设施需要更高的可靠性，意外的停机对维护功能的影响可能是很大的，轻则使得设备中的某些功能不能正常运转，导致停机，降低生产效率。重则造成机械设备的严重损坏，甚至发生灾难性事故，带来具大的经济损失的同时，还有可能造成人员伤亡。因此，在有限的维护资源和人员情况下，及时维护是很难达到的，传统的维修遵循故障和修复的做法可能导致增加停机时间。所以预防性维护策略渐渐地被人们提出，设备故障预测与健康状态评估应运而生。设备健康状态评估的目的是弄清设备运行过程中所处的健康状态，对设备从正常状态到其完全失效这一过程的整体把握，实时掌握设备的健康状态，并且精确预测故障发生时间，以便消除故障，及时维护更新设备，使系统保持正常高效的工作。

传统的健康状态评估主要基于管理人员积累的经验进行评估，对设备的运行状态与各参数的正常取值范围进行比较判断。当超出阀值时,就认为不健康。基于经验知识方法的健康评估简单方便。但该方法存在很大的人为因素，导致基于经验知识的健康评估执行起来精度不高，而且不适合实时的设备健康评估。随着先进的传感器技术在工业设备中的广泛应用，工业设备中积累了的大量的过程状态监测数据，如何利用状态监测数据进行设备预测式健康管理，成为当前研究的热点。

最相似的实现方案是利用自适应增量局部线性嵌入LLE(Locally LinearEmbedding)与支持向量机SVM(Support Vector Machine)集成的健康状态评估方法，该方案利用LLE进行数据降维与去除相关性与冗余性，然后将约简的数据利用SVM进行训练，根据预测数据进行计算不同健康状态与正常状态之间的相对距离。最后将一致性相对补偿距离作为健康状态评估指标、建立评估模型，拟合出性能退化评估曲线。

以上方法在一定程度上实现了设备健康状态评估，然而健康评估的指标通常利用人为设置状态阈值，同时假设了设备具有固定的健康状态，实际上，不同的工作环境甚至相同的环境，相同的设备也具有不同的健康状态，并且由于缺乏对于设备全面故障模式机理知识，固定划分的健康状态会导致评估结果出现偏差。

发明内容

本发明的目的在于克服现有技术的不足，提出一种可以在动态环境变化、相同的设备可能具有不同的健康状态的情况下，进行动态健康状态评估的方法。

为实现上述目的，本发明所提供的技术方案为：

一种基于多变量的设备动态健康状态评估方法，利用综合显著-偏置卷积神经网络和递减最大熵模糊聚类结合的多变量模型进行设备动态健康状态评估；具体如下：

模型分成离线与在线两部分；

离线部分包括：SOCNN多变量预测模型与分类器的构建；给定具有多维特征的训练数据集L，根据特征空间的维数，利用SOCNN算法建立多变量预测因子Pi，并用m个案例的数据进行训练；随后，使用S-MEFC算法针对多维特征训练集构建q个无监督分类器，每个分类器CL具有不同数量的状态，使得在线部分可动态分配故障阈值；