CN102289568B - 基于离线时间序列数据的设备突发大故障预测方法 - Google Patents

Abstract

本发明公开了一种基于离线时间序列数据的设备突发大故障预测方法，该方法包括步骤：(1)判断设备故障自组织临界性；(2)定义设备突发大故障；(3)计算设备突发大故障概率；(4)设备突发大故障报警。该方法充分考虑到设备突发大故障具有发生概率小但危害性大等特点，采用自组织临界性理论研究设备故障离线时间序列数据，确保了在前期数据处理时不会把设备突发大故障数据作为“噪音点”、“异常点”剔除，并为极值理论求取突发大故障发生概率提供了所需的分布特性，克服了常规预测方法对数据的均匀性和线性要求及由此造成的对突发大故障数据特殊性处理能力不强等不足，实现了设备突发大故障的预测，为设备故障预测提供了新思路和方法。

Description

基于离线时间序列数据的设备突发大故障预测方法

技术领域

本发明属于设备故障预测的技术领域，特别涉及一种采用自组织临界性理论和极值理论进行的基于离线时间序列数据的设备突发大故障预测方法。

背景技术

由于现代机电设备的复杂性，某些突发事件的前兆十分隐蔽，因此突发事件预警困难，给企业生产带来极大危害，而突发性的大规模非计划停机或成品合格率大幅度下降都是设备突发大故障事件的表现，因此，研究如何利用表征设备故障的离线时间序列数据来进行设备突发大故障的预测具有重要意义。

设备突发大故障具有随机因素多、数学表达复杂、子系统形式多样及相互间交互复杂等复杂性，其预测变得十分困难。目前故障预测方法总体上可以分为利用离线数据的预测法和利用传感器检测信号的预测法，这些预测方法对设备常规故障的预测具有重要意义，但是设备突发大故障具有发生概率小但影响大等特点，利用离线数据的预测方法在前期数据处理时容易把设备突发大故障数据作为“噪音点”、“异常点”剔除，所以，利用离线数据的常规预测方法难以得到设备突发大故障发生概率；而基于传感器采集信号的故障预测方法是分别对设备子系统或部件进行信号采集或故障预测，没有考虑到设备及子系统形式多样的组合以及由此产生的复杂交互作用，因此，利用传感器检测信号的预测方法进行设备故障预测时会出现如下这种情况：设备各子系统及其部件的各种信号或预测结果均属正常范围，但整个设备也可能处于临界故障状态，长期运行处于临界故障状态的设备将会导致突发大故障。

由此可见，由于现代设备的高复杂性和组合的多样性等情况，以及设备突发大故障具有发生概率小但影响大等特点，采用上述常规预测方法不能有效地预测设备突发大故障，对设备突发大故障的预测需要独辟蹊径。

发明内容

基于上述背景，本发明方法运用研究复杂系统和系统复杂性的科学理论之一的自组织临界性(Self-Organized Criticality，SOC)理论，利用其对各类突发事件的分析和处理能力，通过对设备故障自组织临界性的判断研究，在定义得到设备突发大故障点的基础上结合极值理论对极值事件的处理方法来动态预测设备突发大故障，是对现有设备故障预测方法的补充，具有很强的理论价值和实际意义。

本发明的方法包括如下步骤：

(1)设备故障自组织临界性判断：分析设备离线时间数据所构成时间序列的空间幂律特性和时间长程相关性，若该序列在空间上满足幂律分布和时间上具有长程相关性，则可得设备故障具有自组织临界性；

(2)设备突发大故障定义：采用峰度法和超额均值函数(Mean Excess Function，MEF)相结合的方式分析表征设备故障的离线时间序列数据，定义设备突发大故障点；

(3)设备突发大故障概率计算：在通过步骤(1)得到的表征设备故障的离线时间序列数据满足自组织临界性空间幂律分布特征的基础上，结合(2)中定义的设备突发大故障点，利用极值理论动态计算接下来一段时间内设备发生突发大故障的概率；

(4)设备突发大故障报警：用(3)中计算所得概率与设定概率值进行比较，当计算所得概率超过设定概率时进行报警。

相较于目前常用的设备故障预测方法，本发明所述设备突发大故障预测方法在数据前期处理时不会将设备突发大故障数据作为“噪音点”、“异常点”剔除，并且本发明使用了SOC理论研究表征设备故障的离线时间序列数据的分布特征，巧妙地为极值理论预测突发事件提供了所需分布特性，克服了常规回归分析和时序模型分析对数据的均匀性和线性要求及由此造成的对突发大故障数据特殊性处理能力不强等不足，实现了设备突发大故障的预测，为设备故障预测提供了新思路和方法。

附图说明

图1为本发明的流程示意图。

图2为本发明的详细流程示意图。

具体实施方式

表征设备故障的离线时间序列数据(以下简称离线时间序列数据)包括设备非计划停机数据和成品合格率数据等，本发明方法利用离线时间序列数据进行设备突发大故障预测。

请参阅图1，基于离线时间序列数据的设备突发大故障预测方法包括设备故障自组织临界性判断，如步骤1；设备突发大故障定义，如步骤2；设备突发大故障概率计算，如步骤3；设备突发大故障报警，如步骤4。详细步骤如下：

(1)判断设备故障的自组织临界性，即当离线时间序列数据在空间上满足幂律分布(N＝cR^-D，其中D为分形维，即为幂律值)和时间上具有长程相关性时可得到设备故障具有自组织临界性。

①离线时间序列数据空间幂律特性判断：分析离线时间序列数据标度R(即设备故障的影响)和该标度之上的频度N之间是否满足关系式N＝cR^-D，若满足该关系式，则离线时间序列数据具有空间幂律分布特征；在实际拟合过程中，本研究对频度和标度分别取对数并采用最小二乘法拟合求取c，D参数值，公式如下：

lnN(＞X)＝lnc-DlnR     (1)

②离线时间序列数据时间长程相关性判断：通过R/S方法计算Hurt指数值，当Hurt指数大于0.5时，设备故障具有长程自相关性，当hurt指数值小于0.5时，设备故障具有长程负相关性，当hurt指数值等于0.5时，设备故障不具有长程相关性。

(2)定义设备突发大故障，对离线时间序列数据采用峰度法和超额均值函数相结合的方式进行分析，定义设备突发大故障点；具体的计算步骤如下：

设有离线时间序列数据{X₁，X₂，...，X_n}；

①计算样本峰度K_n，样本均值μ_n；

②对峰值进行判断：若K_n≥3，则选取使(X_i-μ_n)²值最大的X_i，并将它从样本中除去；

③重复步骤一二，直到峰度小于3为止；

④在留下的样本点中选取最大的X_i作为阀值u；

⑤用超额均值函数(Mean Excess Function，MEF)进行验证并调整，采用调整后的阀值，作为设备突发大故障点的判定标准，即超过阀值的序列点为设备突发大故障时间序列点，具体调整方式为取峰度法所得的阀值和超额均值函数所得阀值的平均值；设采用上述方法定义得到的设备突发大故障时间序列点为：{X₁，X₂，...，X_m}。

(3)用极值理论计算设备突发大故障发生概率，在离线时间序列数据具有自组织临界性空间幂律分布特征基础上，利用极值理论计算下一时间段内设备发生突发大故障的概率。

把步骤(2)定义得到的m个突发大故障时间序列点{X₁，X₂，...，X_m}取对数得到x_i(i＝1，2，...，m)，再由步骤(1)得到的离线时间序列数据空间幂律分布为N＝cR^-D，结合Fisher-Tippett极值类型理论判断得到离线时间序列数据对数的极值渐进分布为：

G(x)＝exp{-exp{-α(x-μ)}}    (2)

其中α，μ为需要求取的未知参数，计算方法如下：

将取对数后的设备突发大故障时间序列数据按升序排列：x₁≤x₂≤...x_i≤...x_m，对于x_i，可以证明存在将作为G(x_i)的估计，带入上式：

$\frac{i}{m+1}=\exp \{-\exp [-\mathrm{\α}(x_i-\mathrm{\μ})\}---\left(3\right)$

即 $-\ln (-\ln \frac{i}{m+1})=\mathrm{\α}(x_i-\mathrm{\μ})---\left(4\right)$

由m个突发大故障数据点得到m个线性方程，采用最小二乘法求得参数α、μ，代入公式(2)得到具体的极限分布表达式；根据制造企业能够承受的设备突发大故障最大规模r₀，可计算超过该规模的突发大故障在一段时间内发生的概率p：

p＝1-G(ln r₀)＝1-exp{-exp[-α(ln r₀-μ)]}    (5)

(4)设备突发大故障报警，当由步骤(3)计算得到的概率大于设定概率(一般为企业设定的可承受概率)时，进行设备突发大故障报警。

综上所述，本发明通过对离线时序数据分析，判定其自组织临界性，然后再结合设备突发大故障的定义，利用极值理论计算特定规模的设备突发大故障的发生概率，并与设定概率进行比较，从而实现设备突发大故障报警。

Claims (2)

1.基于离线时间序列数据的设备突发大故障预测方法，包括以下步骤：

(1)判断设备故障自组织临界性：分析设备离线时间数据所构成时间序列的空间幂律特性和时间长程相关性，若该序列在空间上满足幂律分布和时间上具有长程相关性，则可判断设备故障具有自组织临界性；

(2)采用峰度法和超额均值函数相结合的方式进行设备突发大故障定义；

(3)设备突发大故障概率计算，由步骤(1)，如果设备故障具有自组织临界性空间幂律特征，则在此基础上，结合(2)中定义的设备突发大故障点，利用极值理论动态计算接下来一段时间内设备发生突发大故障的概率；

(4)设备突发大故障报警，用(3)中计算所得概率与设定概率值进行比较，当计算所得概率超过设定概率时进行报警。

2.如权利要求1所述的基于离线时间序列数据的设备突发大故障预测方法，其特征在于：采用自组织临界性理论研究离线时间序列数据不要求数据具有平稳性，不用在数据处理时剔除极端异常点，保留了数据的完整性。