[发明专利]基于多元状态估计技术的设备多级异常状态识别方法及装置

说明书

一种基于多元状态估计技术的设备多级异常状态识别方法，包括：设备信号采样；自适应降噪；敏感特征提取；数据标准化，对该得到的敏感特征进行标准化处理；多元状态估计，包括对标准化处理后的敏感特征进行核密度估计并按照置信区间获得观测向量，进行等置信区间采样获得历史记忆矩阵，以及通过所述观测向量与所述历史记忆矩阵获得估计向量；构建相似比例函数；获得自适应动态阈值；以及进行多级异常状态决策。还涉及一种装置，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，该处理器运行所述计算机程序时执行所述基于改进多元状态估计技术的设备多级异常状态识别方法。

技术领域

本发明涉及一种设备异常状态识别方法，具体地涉及基于多元状态估计技术的设备多级异常状态识别方法，以及执行该方法的装置。

背景技术

随着智能化水平的提高及机械制造工艺的进步，复杂机械设备不断向复杂化、高速化、自动化的方向发展，不同子系统之间的联系、相互影响也越来越紧密。旋转机械作为机械设备中的重要组成元件，其运行状态与设备性能直接相关。以滚动轴承为例，旋转机械故障的30-40％是由滚动轴承振动异常引起的。因此，保障机械设备关键部件稳定高效地运行，对保证整台设备的精度、可靠性及使用寿命等机械性能具有重要意义。

现阶段机械设备的状态检测及故障诊断对中期、晚期较为明显的故障已经有了较为成熟的检测手段，这种检测方法更侧重于在故障发生后对故障类型进行分类判断的一种事后检测。而在实际工程应用中，更期望在故障发生阶段，即对早期异常进行有效检验，侧重于对故障发生趋势的预测。对早期异常阶段，信号往往存在特征不明显、异常信号微弱、背景噪声大且信噪比低等特点，其检测方法更加困难。

目前，绝大多数的异常状态识别方法从频谱分析及机器学习的角度进行分析，然而前者受降噪效果的影响太大，后者依赖于大量的故障数据进行前期训练，训练样本越多，故障数据越完备，得到的诊断模型精度越高。对于在线运行设备，尤其是小批量设备而言，仅通过前期正常状态数据无法在设备异常状态早期进行有效识别。

而目前，仅依靠设备历史正常数据对设备异常状态进行识别的方式效果欠佳，并且大多数方法不考虑不确定因素造成的野值对模型可靠性的影响。基于此，本发明的实施方式提供了一种基于多元状态估计技术的设备多级异常状态识别方法及装置。

发明内容

机械设备作为工业生产领域的关键设备，其运作是否正常对整个工业加工系统能否安全稳定运行有着至关重要的影响。传统的异常状态识别技术依赖于降噪效果及大量的故障样本，不适用于小批量设备的运行过程。现有的决策方法仅依靠固定阈值对设备状态进行识别，容易造成误诊率升高。此外，设备在正常运行过程中由于随机干扰造成的野值，会对模型的可靠性产生影响，需要对随机干扰进行消除以进一步提升在线监测模型的可靠性。基于此，本发明的实施方式提供了一种基于多元状态估计技术的设备多级异常状态识别方法，通过多源传感器获取设备运转时的时变信号并进行自适应降噪，提取降噪信号中的敏感特征。结合核密度估计的多元状态估计技术及相似比例函数得到设备的状态评价指标，利用多级异常状态决策方法对设备当前状态进行准确识别，以达到提升设备在线运转能力的目的，为后续健康管理等提供相应的技术依据。

本发明的实施方式提供了一种基于多元状态估计技术的设备多级异常状态识别方法。