CN102313577A - 基于多路传感信号的设备健康状态评估与衰退预测方法 - Google Patents

Abstract

本发明涉及一种基于多路传感信号的设备健康状态评估与预测方法。本方法的操作步骤为：第一步，多传感信号联合滤噪：采用多尺度小波滤波算法对从设备上采集到的多路传感信号进行联合滤噪，提高多传感信号的质量；第二步，原始特征集产生；第三步，信号局部特征提取；第四步，基准自组织映射模型建模；第五步：健康量化评估和剩余寿命预测；本发明能够实现对设备性能衰退的量化评估和寿命预测，从而提高设备的运行可靠性和降低维护成本。

Description

基于多路传感信号的设备健康状态评估与衰退预测方法

技术领域

本发明是一种基于多路传感信号的设备健康状态评估与预测方法，涉及多传感信号联合滤噪、原始特征集产生、局部特征提取、基准自组织映射模型建模、健康量化评估和剩余寿命预测，实现对设备健康状态的实时量化评估与衰退趋势预测。本发明属于现代设备状态监控和健康预诊维护技术领域。

背景技术

目前，关键设备呈现出了高自动化、高精度、高可靠性、高度智能化的发展趋势，强调设备的可控性，可靠性和可维护性。设备故障的突然发生，不仅会极大地增加企业的维护成本，而且会严重影响企业的生产效率，引起一系列的严重问题，使企业蒙受巨大损失。因此，如何合理进行设备维护，防止设备因突然故障而失效，已成为企业降低运作成本、提高生产效率和市场竞争力的关键所在。而为了保持设备的稳定性，现在的企业多采用“周期性检修”和事后维护的简单方式，但这种方式同样给企业带来了沉重的经济负担，而且也不能达到提高设备运行可靠性和最大限度的减少设备故障的要求。因此，对设备的健康衰退状态进行持续地监测、评估和预测，并按需制定维护计划，在防止设备失效的同时，最大限度地延长设备的维护周期，减少设备的全寿命维护成本，已经成为设备状态监控的一个重要的发展方向。

在传统的设备故障诊断维修领域，大部分的技术开发与应用集中在信号及数据处理、监控技术、故障诊断技术等。这些技术基于的基础理念是被动的维修模式，对设备的使用者而言，维修的要求是达到及时修复。这些技术通常采用传统的信号处理（包括时域和频域分析），模式识别，专家系统和模糊逻辑，神经网络等方法，但这些方法均需要完备的数据（即正常数据和各类故障数据），但对于大多数设备，收集完备的历史数据是一件极其困难的任务。因此，各种现有的诊断模型在实际应用中常常变地不再适用。目前的各种设备监控模型基本还停留在对故障的探测，而非对设备全寿命健康衰退的量化评估。但是设备在失效前通常需经历一系列复杂的性能衰退过程，而基于主动的维护模式的设备性能衰退在线评估与趋势预测技术，可使设备的维护体现了预防性要求，从而可使设备达到接近于”零故障”的生产效率。

经过文献检索发现，中国专利发明名称为：《基于网络的设备状态监控与性能退化预测方法》（申请号：03129386.7,公开号：CN1472671A）。该专利公开一种基于远程通讯的设备状态监控与性能退化预测方法：该方法采用信号处理技术将所采集的信号在时域和频域进行分析处理，进而采用主成分分析方法提取代表设备性能的特征，一种看门狗预诊模块采用一种小脑模型神经网络方法对特征向量进行信息融合，然后采用该模型对设备性能退化进行预测，网络通讯模块将设备性能信息与远程的维护中心、决策系统等进行交互，根据反馈的信息对设备进行维护调整。该系统存在以下不足：[1]对采集到的多传感信号没用进行多传感信号联合滤噪处理，可能导致信号包含较多的噪音；[2]特征提取阶段采用主成分分析方法仅可提取数据集中的最大全局方差信息的特征，但对局部方差最大得信息无法进行有效提取，可能失去重要的信息；[3]该方法仅对设备性能退化进行评估，而没有预测设备未来健康的发展趋势和实施有效剩余寿命预测。

发明内容

本发明的目的是针对现有技术中的不足和缺陷，提供一种基于多路传感信号的设备健康状态评估与预测方法，在线实施对关键设备健康状态的识别、评估预测和剩余寿命预测，实现对设备健康的智能预诊维护，进而提高设备的生产效率和运行可靠性。

为达到上述目的，本发明通过以下技术方案实现，一种基于多路传感信号的设备健康状态评估和预测方法，其特征在于操作步骤如下：

第一步，多传感信号联合滤噪：采用各种传感器采集设备的各种状态信号，例如振动信号、电流信号、电压信号、位移信号等。通过基本硬件滤波、信号放大等前期信号处理，传感信号通过数据采集卡进行采集，并送入信号处理模块进行多传感信号联合滤波操作，采用多尺度小波分解方法进行多传感信号联合滤波操作。由于多个传感器信号间通常会存在互相关性，如单独对一个传感信号进行滤噪，无法起到有效的滤噪效果。多尺度小波变换的滤波方法通过绑定小波分解算法和主元分析方法，同时对具有相关性的多传感信号进行联合滤噪，提高输出的多路传感信号的质量。

第二步，原始特征集产生：对滤波后的信号在时域、频域、和时频域上产生各种原始特征，时域上产生均方根、峰峰值、方差、峭度、斜度、裕度指标等特征，频域上产生设备对应的特征频率的幅值，时频域上产生小波分解产生的小波能量特征，所有产生的特征形成一个原始特征集。

第三步，信号局部特征提取：由于原始特征集中个特征间的相关性和高维度性，采用局部保持投影算法，在数据流形上提取所给数据集中局部重要的结构信息，一方面降低数据的维度，减少后续建模的复杂性和有效性；另一方面真正获取代表设备健康状态特征，从而提高模型的健康预诊的有效性。

第四步，基准自组织映射模型建模：在离线状态下，采用自组织映射模型对提取的特征信息进行信息融合，对设备健康状态数据分布空间进行描述建模，从第三步获取的特征信息作为自组织映射模型的输入，以设备健康状态下的传感数据作为自组织映射网络的训练集，离线状态下通过迭代学习，建立自组织映射模型的权重与设备健康状态行为之间的非线性映射关系，构建一个基准自组织映射模型。基准自组织映射模型的权重矩阵描述建模了设备健康状态下的数据分布空间。

第五步，健康量化评估和剩余寿命预测：在设备运行时，在线实时采集的信号信息通过第一至第三步的处理，提取的特征输入到基准自组织映射网络，计算输入向量与基准自组织映射网络模型上所有权重单元间的隶属概率，进一步通过贝叶斯理论计算出负似然概率（Negative Loglikelihood probability, NLLP），以此作为设备性能衰退的量化评估值，对设备性能衰退进行评估预测，对可能发生的故障进行提前报警。当负似然概率值判断设备健康处于衰退状态时，将设备性能状态评估结果输入到剩余寿命预测模型，采用威布尔分布函数模型，在线实时拟合时间轴上的连续负似然概率量化评估值，采用遗传算法，以威布尔分布函数模型值和实际的量化评估值的绝对值误差为目标函数，对威布尔分布函数模型的关键参数，比如比例参数，形状参数等进行在线进化求优化解，获得拟合的威布尔分布函数模型。通过预先设置的设备失效阈值和在线拟合得到的威布尔分布函数模型，反演预测设备失效的时间节点，推算出设备的有效剩余寿命。

与现有技术相比，本发明具有如下显而易见的突出实质性特点和显著优点：本发明实现了设备健康衰退智能预诊的整个过程，可实现对设备的性能衰退的评估与预测，和剩余寿命预测，具有对多传感信号融合建模，关键特征提取，计算简单高效，满足不同设备性能衰退预诊的需求，即使不懂各种计算模型的操作人员也能方便地使用该发明。特别是，本发明的建模方法仅需要健康数据进行系统建模而不需要各种历史故障数据，避免了故障数据不容易收集的缺陷，显著地提高了该系统的工程可应用性。同时，本发明可对设备性能衰退程度给出量化的评估指标，克服了其它方法只能简单判断设备是否失效的不足，而且本发明可对设备剩余寿命提前给出预测，可显著地提高维护人员决策的正确性。本发明也非常容易地安装到各类嵌入式设备中，具有很大的应用灵活性。该发明可以大大提高设备运行的可靠性与智能性，提高设备生产效率，给企业带来更高的经济效益。

附图说明

图1是本发明方法流程图。

具体实施方式

本发明的一个优选实施例结合附图进行详细说明。

实施例一：如图1所示，基于多路传感信号的设备健康状态评估及预测方法，具体步骤如下：

1. 在设备或部件上的关键位置布置传感器，拾取能够反映设备健康状态的各种信号（如振动、位移、电流、电压、压力等），信号通过数据采集卡上的滤波电路和放大电路进行数据采集，数据采集卡同时也把模拟信号转换为数字信号，多传感信号联合滤噪算法采用多尺度小波分解方法进行多传感信号联合滤噪操作。多尺度小波分解方法首先采用小波分解算法（采用Mallet小波）对各个传感器信号进行分解，同时采用主元分析方法对小波分解后的小波系数进行主成分分析，删除若干不重要的主元，然后对所有剩余的重要主元进行小波逆变换获取联合滤波后的多路传感信号。

2．对滤噪后的多路传感信号在时域、频域、和时频域上产生各种原始特征，形成原始特征集。在时域上产生均方根、峰峰值、方差、峭度、斜度等特征，在频域上采用傅立叶变换计算得到设备对应的特征频率和故障频率的幅值，时频域上产生小波分解产生后的小波能量特征，所有产生的物理特征形成一个原始特征集。通过在这三个域上产生尽可能多的物理特征，来充分表达设备的健康状态。

3．步骤2产生的原始特征集维度通常过于庞大，而且不可避免地引入了各种不重要的物理特征信息，加剧了后续学习模型的建模难度和降低了其性能。因此通过局部保持投影算法对原始物理特征集进行维度缩减和特征提取，可以提取隐藏在数据集中局部的数据流形信息，来提取真正表达设备状态的特征，使得后面的系统建模更加简单有效，而且可以显著地提高系统预诊性能。局部保持投影算法被描述为拉普拉斯特征映射的线性逼近，局部保持投影算法首先计算一个基于最近邻的有向连接图，图上每一边表示数据集中任何两个向量间的关系，如为最近邻则为1，否则为0。基于有向连接图，通过计算两个相邻向量间的欧氏距离，得到一个权重矩阵，然后计算该权重矩阵的拉普拉斯矩阵。基于以上矩阵，可获得一个目标函数，通过范化向量方法计算方法求解该目标函数获得一个欧氏向量矩阵A。依据公式(1)提取原始数据集                                                

中局部重要的结构信息，降低数据的维度，减少后续建模的复杂性和有效性，真正获取代表设备健康状态的特征数据集，作为自组织映射网络的输入：

                       

                    （1）

式中 

 是

 欧氏向量矩阵, 

是输入向量，

是

投射后得到

维向量。

4．采用自组织映射模型对第三步提取的特征信息进行信息融合，对设备健康状态分布进行离线建模，建立基准自组织映射模型后在线上对设备健康衰退进行预测和剩余寿命估计。自组织映射模型首先对在离线状态下设备健康状态的数据分布空间进行学习。自组织映射模型模拟了大脑神经系统自组织特征映射的功能，在学习过程中能无监督地进行自组织学习，将高维空间转化为一维或二维空间表达（即权重矩阵

），同时保持输入数据原有的拓扑逻辑关系。数据拓扑结构被表述为最相似的数据矢量在数据地图上彼此也最接近，训练完成的连接权矢量的空间分布能反映输入模式的统计特性。通过对健康状态下的设备传感数据空间的自组织学习，训练完成的基准自组织映射模型的二维权重矩阵

描述了设备健康状态下数据的空间分布特征。通过应用贝叶斯理论，计算当前输入向量

属于自组织映射模型上相应权重单元

的后验概率，进一步可以计算出当前输入向量

对自组织映射模型上所有权重单元的后验概率的负对数似然概率（Negative Log Likelihood Probability, NLLP）（如式（2）所示），以此作为设备健康状态评估的量化指标：

                    （2）

式中：

为映射单元数；

为映射单元权重；

为输入向量；

为后验概率。

当线上数据输入到学习完成的基准自组织映射模型，如果该新数据来自一个属于衰退状态的设备，输出的负对数似然概率将显著变大，如果超过事先设定的一个设备衰退阈值，就认为设备已经处于衰退状态。负对数似然概率的大小量化地表达了设备性能衰退的程度。依据经验和手册可以制定一定的信任阈值来决定当前的负对数似然概率是否应该进行报警和采取相应的设备维护措施。

5. 基于设备在运行时间轴上连续获得的负对数似然概率数据流，通过威布尔分布函数模型在线拟合上述负对数似然概率数据流，通过获得的威布尔分布函数模型来推算设备剩余寿命。采用遗传算法来实现威布尔分布函数模型在线拟合，染色体上的基因对威布尔分布函数模型（见式（3））的几个关键参数进行表达并进行初始化，产生20个以上的染色体群体。初始化染色体群体后，以拟合得到的威布尔分布函数模型值和实际计算得到的负对数似然概率的绝对值误差为目标函数，连续迭代进化一定的代数（比如100代），使目标函数的值越来越小，进行在线进化求优化解，迭代进化完成后获得拟合的威布尔分布函数模型，如下式所示：

                      （3）

式中：

为当前时间，

 为目标函数的拟合值，

为比例参数，为形状参数，

为比例因子，

为初始值，为威布尔分布函数的实效概率函数。

基于遗传算法拟合获得的威布尔分布函数失效概率预测模型（式（3）），将预先设定的设备失效阈值

输入到该威布尔分布函数模型，进而根据公式(4)反演预测设备失效的时间节点，推算出设备的有效剩余寿命（即，

-

）。

                            

                    （4）。

Claims (6)

1.一种基于多路传感信号的设备健康状态评估与预测方法，其特征在于，操作步骤如下：

第一步骤，多传感信号联合滤噪：采用多尺度小波滤波算法对从设备上采集到的多路传感信号进行联合滤噪，提高输出的多传感信号的质量；

第二步骤，原始特征集产生：对滤噪后的多传感信号在时域、频域和时频域上产生各种能表征设备性能状态的特征，形成一个原始特征集；

第三步骤，信号局部特征提取：采用局部保持投影算法（Local Preserving Projection, LPP）对第二步产生的原始特征集进一步进行维度缩减和特征提取，降低原始数据集维度和提取真正能表达设备健康状态的特征信息；

第四步骤：基准自组织映射模型建模：在离线状态下，采用自组织映射（Self-Organizing Mapping, SOM）模型对局部保持投影算法提取后的特征信息进行信息融合建模，获取能表达设备健康状态下数据空间分布的基准自组织映射模型；

第五步骤：健康量化评估和剩余寿命预测：在线上采集样本通过第一到第三步的处理，抽取的特征输入到第四步构建的基准自组织映射模型，通过计算负似然概论值实现对设备性能衰退状态评估，基于时间轴上获取的负似然概论值的连续数据流，采用威布尔分布函数模型在线拟合时间轴上的负似然概论值，进而通过反演推算威布尔分布函数模型来预测设备剩余寿命估计。

2.根据权利要求1所述的基于多路传感信号的设备健康状态评估与预测方法，其特征是：所述第一步骤多传感信号联合滤噪算法：采用多尺度小波滤波算法，通过绑定主元分析算法和小波分解算法，去除多信号间存在的相关性基础上，首先对各个信号进行小波分解，把所有传感信号分解后的小波系数输入到主元分析模型，分解主元后去除不重要主要，进行对保留的重要主元进行小波逆分解，实现对多路传感信号同时进行联合滤噪，提高输出的多传感信号的质量。

3.根据权利要求1所述的基于多路传感信号的设备健康状态评估与预测方法，其特征是，所述第二步骤原始特征产生方法是指：对多路传感信号在时域、频域、和时频域上产生各种特征，时域上产生均方根、峰峰值、方差、峭度、斜度等特征，频域上产生设备对应的特征频率的幅值，时频域上产生小波分解产生的小波能量特征，在时域、频域、和时频域上所有产生的原始特征形成一个原始特征集来表证设备运行状态。

4.根据权利要求1所述的基于多路传感信号的设备健康状态评估与预测方法，其特征是，所述第三步骤信号局部特征提取：是指采用局部保持投影算法（Local Preserving Projection, LPP），在数据流形上提取数据集中重要的局部结构信息，通过去除若干不重要的欧氏向量，通过保留的重要欧氏向量并形成欧氏向量矩阵，进行数据投影和维度缩减，提取重要的特征来代表设备健康状态特征。

5.根据权利要求1所述的基于多路传感信号的设备健康状态评估与预测方法，其特征是，所述第四步骤基准自组织映射模型建模是指：在离线状态下，采用自组织映射模型对局部保持投影算法提取的设备健康状态下的特征信息进行信息融合，自组织映射模型通过持续地迭代学习，实现对设备健康状态数据分布空间的描述建模，离线学习建模后的基准自组织映射模型的映射权重矩阵建模描述了设备健康状态下的数据空间分布。

6.根据权利要求1所述的基于多路传感信号的设备健康状态评估与预测方法，其特征是，所述第五步骤健康量化评估和剩余寿命预测是指：在线输入的信号输入到离线状态下第五步构建的基准自组织映射模型，通过贝叶斯推论来计算模型上所有映射单元似然响应，计算出负似然对数概率值实现对设备性能衰退状态的量化评估，如评估值显示设备健康处于衰退状态，则进一步通过采用遗传算法在线进化威布尔分布函数模型，拟合时间轴上的负似然概率值流，通过在线拟合得到威布尔分布函数模型，在事先设定的设备失效阈值下，反演推算该威布尔分布函数模型来预测设备的有效剩余寿命。