[发明专利]基于大数据的工业设备运行异常状态识别方法

说明书

本发明涉及电数字数据处理技术领域，具体涉及一种基于大数据的工业设备运行异常状态识别方法；获取工业设备的若干个检测参数对应的数据，计算任意两个检测参数之间的关联性；根据关联性从若干个检测参数中筛选出多个关键检测参数；获取关键检测参数对应的数据并构建关键检测参数矩阵并对其进行降维，得到重构数据矩阵；计算重构数据矩阵中各元素对应的第一分布指标与第二分布指标，然后根据第一分布指标与第二分布指标计算各元素对应的状态指标；基于重构数据矩阵与标准重构数据矩阵计算数据综合指标；根据状态指标与数据综合指标得到运行状态指标，并根据运行状态指标判断工业设备是否异常。本发明能够准确判断工业设备的运行状态是否异常。

技术领域

本发明涉及电数字数据处理技术领域，具体涉及一种基于大数据的工业设备运行异常状态识别方法。

背景技术

近年来，随着工业4.0的推进，工业设备的智能化和复杂程度大大上升，传统的基于简单模型获取工业设备的运行状态已然不能满足对工业设备健康评估的要求；即当工业设备的性能发生微小的变化时，传统的简单模型很难检测到微小的变化，只能判定该工业设备运行正常，进而造成重大的生产率损失。因此，工业设备的异常检测具有很大的科学和工程价值。

为了达到对工业设备的检测需求，目前采用压电传感器或手持式数据采集工具等采集工业设备的频率、加速度或压力等数据对工业设备进行检测，这两种方式一方面需要人力配合，另一方面采集到的数据无法直观的反应工业设备是否发生异常，需要进一步地对数据进行分析才能得到检测结果，且大多数都是利用单一数据去分析工业设备的异常状况，存在数据片面、单源单结构数据检测精度较低的问题。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种基于大数据的工业设备运行异常状态识别方法，所采用的技术方案具体如下：

获取工业设备的若干个检测参数在历史时段内对应的数据，得到各检测参数对应的数据序列，基于所述数据序列，计算任意两个检测参数之间的关联性；

基于所述关联性构建关联性矩阵；根据关联性矩阵从若干个检测参数中筛选出多个关键检测参数；

获取关键检测参数在设定时段内各检测时刻对应的数据，构建关键检测参数矩阵并对其进行降维，得到重构数据矩阵；

在重构数据矩阵中随机选取一个元素，计算该元素与所有元素的差值绝对值，根据差值绝对值与差异阈值，计算该元素的第一分布指标；

在以该元素为中心的窗口区域内获取第一分布指标大于该元素的第一分布指标对应的元素，计算该元素与获取的所有元素对应的差值绝对值，并将差值绝对值的最小值作为该元素的第二分布指标；所述窗口区域的尺寸为n×n，n大于等于3；

根据各元素对应的第一分布指标与第二分布指标，计算各元素对应的状态指标；

根据重构数据矩阵中元素的最大值与最小值和标准重构数据矩阵中元素的最大值与最小值，计算数据综合指标；

设置状态阈值，获取小于状态阈值对应的状态指标，计算所有小于状态阈值对应的状态指标的倒数的累加和，将累加和与数据综合指标的乘积作为运行状态指标，根据运行状态指标判断工业设备是否异常。

优选的，所述检测参数包括工业设备对应的振动频率、功率、轴承温度、电机旋转速度以及进给速度。

优选的，所述关联性的计算方法为：获取任意两检测参数在历史时段内同时出现故障的频次，对各个数据序列进行直线拟合，得到各个数据序列对应直线的斜率；计算各个数据序列对应的离散系数，计算任意两个数据序列的皮尔逊相关系数；根据所述频次、斜率、离散系数以及皮尔逊相关系数，计算任意两个检测参数之间的关联性；

所述关联性为：