[发明专利]一种基于数据驱动的设备动态可靠性评估方法

说明书

本发明涉及一种基于数据驱动的设备动态可靠性评估方法，属于可靠性评估领域，该方法包括以下步骤：对设备运行状态的监测数据实时进行特征值提取，利用设备特征自检模块对设备特征自动分类识别，根据设备实时状态偏移度和基准可靠度做出量化的动态可靠性评估结果。本发明针对机电设备关键传动部件难以准确评估失效趋势的情况，以数据驱动的方式，构建了设备特征自检模块和动态可靠性评估模型，在设备可靠性与设备历史数据及当前监测数据之间建立起了关系，能够量化表征设备的可靠性状态变化，实现设备动态可靠性准确评估，具有提前发现设备故障隐患、减少事故发生的效果，经济效益和社会效益显著。

技术领域

本发明属于可靠性评估技术领域，尤其涉及一种基于数据驱动的设备动态可靠性评估方法。

背景技术

随着现代科学技术的迅速发展，船舶机电设备日益朝着复杂化、高速化、重载化、高级化等高度自动化的方向发展，造成船舶机电设备日益复杂，零件数目显著增加，零部件之间的联系更加紧密。“退化”是指能够引起设备性能发生变化的一种物理或化学过程，这一变化随着时间逐渐发展，最终导致设备失效。一旦某一部分发生故障，都会造成巨大的经济损失和人员伤亡事故的发生，船舶机电设备正常状态所花的维修费用和停机损失，在成本中所占的比例越来越大，设备故障或事故引起的损失不断增加，设备可靠性评估受到了越来越多的关注。同时，设备任务剖面和运行状态逐渐变得个性化、多样化，使设备动态可靠性评估的重要性日益突出。

但是传统的可靠性评估理论，如失效模式及影响与危害度分析(Failure Mode，Effect and Criticality Analysis，FMECA)、可靠性框图模型(Reliability BlockDiagram，RBD)、故障树分析(Fault Tree Analysis，FTA)等，都是从静态的角度去研究系统的，无法建立起可靠性与历史观测数据及当前实时监测数据之间的联系，难以准确估计出运行状态变化中系统的可靠性。而从动态角度评估的方法，如回归分析法、马尔可夫过程分析法和时间序列分析法等，都是通过建立在大量的先验分布假设的基础上的，精度和适应性不高，应用场景受限制。

发明内容

为解决现有方法的不足，针对船舶机电设备轴承、齿轮等关键传动部件难以评估实时可靠性的问题，本发明提出了一种基于数据驱动的设备动态可靠性评估方法，通过构建神经元网络对故障设备在故障发生前后的历史监测数据的特征值进行自动学习训练，用训练后的模块实时监测正常设备运行数据的特征值偏移量，实现了对设备的动态可靠性评估。

一种基于数据驱动的设备动态可靠性评估方法，包括以下步骤：

对设备运行状态的监测数据实时进行特征值提取，得到实时数据样本；

利用设备特征自检模块对所述实时数据样本自动分类识别，并计算得到待评估设备的实时状态偏移度；

根据待评估设备的所述实时状态偏移度和基准可靠度得到所述待评估设备的实时可靠度；

基于待评估设备的所述实时可靠度做出量化的动态可靠性评估结果。

进一步地，每个实时数据样本x(t)包含m种特征值：

式中，m为数据样本维度；L₁(t)～L_m(t)分别是t时刻从设备的振动信号的时域与频域特征中提取的m种不同的特征值。

进一步地，所述设备特征自检模块是一种神经元网络模块，包含输入层、输出层和权值层，经过初始化和学习训练后，用于识别设备运行时的状态特征；其中，

所述输入层的神经元输入节点数量为m；

所述输出层的神经元输出节点数量为h，每个输出节点代表一种设备状态类别；

所述输入节点与输出节点之间为全连接，输出节点之间为全连接；