CN103163864A - 机械设备状态评估的优化方法 - Google Patents
机械设备状态评估的优化方法 Download PDFInfo
- Publication number
- CN103163864A CN103163864A CN2013100720741A CN201310072074A CN103163864A CN 103163864 A CN103163864 A CN 103163864A CN 2013100720741 A CN2013100720741 A CN 2013100720741A CN 201310072074 A CN201310072074 A CN 201310072074A CN 103163864 A CN103163864 A CN 103163864A
- Authority
- CN
- China
- Prior art keywords
- centerdot
- degree
- state
- beta
- confidence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及机械设备状态评估的优化方法,包括如下步骤:步骤1:首先通过安装在机械设备上的传感器获取特征信号得到全寿命特征数据,然后根据全寿命特征数据建立支持向量机状态分类系统,然后建立状态转移矩阵;步骤2:计算m元1次方程的解X;步骤3:利用状态转移矩阵计算得到置信度分布优化公式;步骤4:将需要分析的特征信号带入已有的基于机器学习的分类评估系统,计算得到该特性信号所代表的观测点的置信度分布。其中Pk为P的列向量,表示在该观测点机械系统工作状态属于状态k的置信度。本发明的有益效果:采用本发明的方法,对机械设备状态评估经过优化后,分类的结果得到了很大的优化,准确性大大提高;从而实现更准确判断设备的当前状态。
Description
技术领域
本发明涉及机械设备的状态监控技术领域,尤其涉及机械设备的工作状态分类及评估领域。
背景技术
随着自动化技术的发展,机械设备的复杂性和集成性也在不断的增加,越来越多的机械设备成为了企业连续生产系统中的关键部分。对于连续生产系统中的机械设备,每一次停机检修和维护都将带来巨大的经济损失,故需要提前制定检、维修计划和方案。对于一般机械设备而言,根据设备维修工程中统计得出其劣化进程类似于浴盆的剖面线,因此常被称为浴盆曲线。该曲线沿时间轴可分为三个状态:磨合期:表示新机器的磨合状态,这个阶段故障率较高;正常试用期:表示机器经磨合后处于稳定状态,这时故障率最低;耗损期:又称为劣化期,表示机器由于磨损、疲劳、腐蚀已处于老年状态,因此故障率逐步提高。故耗损期为关键的监测时间段,其又可进一步划分为早期性能退化状态,维护状态和失效状态。而且对于任何一个机械设备它又有许多不同的故障,设备的各种不同的故障在耗损期的表现又各有特点。而只有通过对设备状态的准确分类,才能确定故障类型和故障程度,并针对不同情况制定出新的生产安排和针对性的维修计划,从而避免经济损失。所以对机械设备的状态进行评估分析,确定机械设备的状态是一个重要的研究课题。
机器学习(Machine Learning)分类评估系统越来越多的被引入该问题,工程师们首先采集机械设备的特征信号,进行全寿命状态和不同工况下的研究和分析,利用专家系统、神经网络、支持向量机、相关向量机等智能算法建立基于机器学习的分类评估系统,从而试图达到智能监控和分析机械设备的状态的目的。
但是由于基于机器学习的分类评估系统有着种种限制,例如对数据的标签选择十分苛刻,数据量不足等。在实际应用中,经常会出现分类结果模棱两可,甚至是当前条件下不可能出现的状态,反而给工程师造成了迷惑和困难。从而不能及时识别故障,导致对当前情况的无法评估或错误评估,造成严重后果。
发明内容
本发明的目的是针对现有的基于机器学习的状态评估系统的分类效果不佳的缺点,提出了一种新的机械设备状态评估的优化方法,有效的提高了机械设备状态分类和评估的准确率。
本发明的技术方案是:机械设备状态评估的优化方法,包括如下步骤:
步骤1:首先通过安装在机械设备上的传感器获取特征信号得到全寿命特征数据,然后 根据全寿命特征数据建立支持向量机状态分类系统,然后建立状态转移矩阵;
步骤2:计算m元1次方程的解X;
步骤3:利用状态转移矩阵计算得到置信度分布优化公式;
步骤4:将需要分析的特征信号带入已有的基于机器学习的分类评估系统,计算得到该特性信号所代表的观测点的置信度分布P=(P1 … Pk … Pm)T。其中Pk为P的列向量,表示在该观测点机械系统工作状态属于状态k的置信度;
步骤5:将计算所得对置信度分布P与步骤2所得的根X=(x1 … xk … xm)T进行比较,若相等则回到步骤4,等待新的观测特征信号;若不相等则进行步骤6;
步骤6:对置信度分布P=(P1 … Pk … Pm)T进行判断:若该数据是优化过程中的首组置信度分布,则记当前的置信度分布P=(P1 … Pk … Pm)T为优化过程中的置信度分布Q=(Q1 … Qk … Qm)T,并回到步骤4,等待新的观测特征信号;若该数据不是首组置信度分布,则实施步骤7;
步骤7:将先前计算得到的当前的置信度分布P=(P1 … Pk … Pm)T和优化过程中的置信度分布Q=(Q1 … Qk … Qm)T带入步骤3的公式(3),得到优化后的置信度分布R=(R1 … Rk … Rm)T。
步骤8:若步骤7优化后的置信度分布R=(R1 … Rk … Rm)T仍然不能清晰的做出结论,或者正处于状态转换的微妙阶段,则将R=(R1 … Rk … Rm)T赋值给Q=(Q1 … Qk … Qm)T,等待新的观测特征信号,重新回到步骤4,得到一组新的置信度分布,直到R=(R1 … Rk … Rm)T满足要求为止;当R满足要求后,才进行下一步到步骤9。
步骤9:将步骤8中的R=(R1 … Rk … Rm)T乘上事先设置的标签值,得到状态值,从而实现对机械设备的状态评估与分析。
本发明的有益效果:采用本发明的方法,对机械设备状态评估经过优化后,分类的结果得到了很大的优化,准确性大大提高;从而实现更准确判断设备的当前状态。
附图说明
图1为本发明采集的振动特征信号。
图2为本发明根据经验所选择的熵值作为寿命退化评估的标签值机器,并将轴承的全 寿命阶段分为三个状态,从而构建于基于机器学习的分类评估系统。
图3为本发明的3个状态之间的转移关系图。
图4为本发明的实施例中,将另一组振动数据代入机器学习分类评估系统,该组数据由540个根据时间顺序的观测数据组成,得到了置信度分布P=(P1 P2 P3)T的置信度分布图。
图5为本发明的实施例中,将得到的置信度分布乘上三个状态分别对应的标签值,得到了机械设备状态评估图(例图中为退化过程的状态,故为退化水平)。
图6为本发明的实施例中,将图4中的置信度分布P带入本发明的优化方法,并乘上和图五中相同的标签值,得到了优化后的机械设备状态评估图。从图5和图6可以看出,经过优化后,分类的结果得到了很大的优化,准确性大大提高。从而实现更准确判断设备的当前状态。
图7本发明的机械设备状态评估的优化方法的流程示意图。
图8为图7的数学处理过程示意图。
具体实施方式
为了便于本领域技术人员的理解,下面结合附图和具体的实施例对本发明做进一步的说明。
本发明的实施过程主要是:首先,通过安装在机械设备上的传感器获取特征信号;然后通过机器学习分类评估系统得到置信度分布P;对分类评估系统进行讨论,绘出状态转移矩阵;状态转移矩阵计算出置信度优化方程;将置信度分布P带入优化公式得到新的置信度分布,前述过程可被笼统视为本发明的前期工作;完成前期工作后,经过一系列计算和变换,将优化后的置信度分布乘上状态标签得到状态系数,从而实现对机械设备工作状态的评估和分析。本发明将有选择的对发明的实施过程做出描述,对于未加详细描述的地方应被视为本技术领域的公知常识而故意概述,不应被理解为发明的创新点。
如图7和图8所示,本发明所述的机械设备状态评估的优化方法,包括如下步骤:
步骤1:首先通过安装在机械设备上的传感器获取特征信号得到全寿命特征数据,然后根据全寿命特征数据建立支持向量机状态分类系统,然后建立状态转移矩阵;所述状态转移矩阵的具体表达为:
上述公式(1)中,Ω为状态转移矩阵;β1 … βk … βm为Ω的列向量,其含义为所有可能状态到状态m的可能性;其中m表示某种机械设备共有m种状态;k为1到m之间的任意自然数,代表该机械设备的第k种状态;ξ表示状态转移矩阵Ω的一个元素,其中ξk1取值为1或0,表示状态k能否到达状态1,……,类似的,ξmk取值为1或0,表示状态m能否到达状态k。故状态矩阵表示了所有欲划分状态之间的转移可能性。
本步骤中,如图2和图3所示,本发明根据经验所选择的熵值作为寿命退化评估的标签值机器,并将轴承的全寿命阶段分为三个状态,从而构建于基于机器学习的分类评估系统。从图3中可以看出状态1和状态3无法直接到达,可根据此图写出状态转移矩阵Ω。
步骤2:计算m元1次方程(公式(2))的解X;所述m元1次方程的具体表达为:
式中,X·β1表示X和β1的数量积(即对应元素相乘后相加),X=(x1 … xk … xm)T为该m元1次方程的根,x1 … xk … xm表示X的m元素。
步骤3:利用状态转移矩阵计算得到置信度分布优化公式;所述置信度分布优化公式的具体表达为:
式中,置信度分布P=(P1 … Pk … Pm)T,当前的置信度分布Q=(Q1 … Qk … Qm)T,R=(R1 … Rk … Rm)T皆为m*m矩阵,m为自然数,k为1到m之间的自然数,m和k的定义已经在前面有过说明,P、Q和R更详细的意义将在接下来的步骤中进一步说明。
步骤4:将需要分析的特征信号带入已有的基于机器学习的分类评估系统,计算得到该特性信号所代表的观测点的置信度分布P=(P1 … Pk … Pm)T。其中Pk为P的列向量,表示在该观测点机械系统工作状态属于状态k的置信度。该步骤的具体实现与现有技术中的一般方法相同,因此不再详细描述。
如图4所示,本发明的实施例中,将另一组振动数据代入机器学习分类评估系统,该组数据由540个根据时间顺序的观测数据组成,得到了置信度分布P=(P1 P2 P3)T的置信度分布图。
步骤5:将计算所得对置信度分布P与步骤2所得的根X=(x1 … xk … xm)T进行比较,若相等则回到步骤4,等待新的观测特征信号;若不相等则进行步骤6;
本步骤的原理是:若置信度分布P=(P1 … Pk … Pm)T与根X=(x1 … xk … xm)T相等,则置信度分布优化公式将无法对置信度分布进行优化,故满足X=(x1 … xk … xm)T的分布应视为奇异点,不能使用。
步骤6:对置信度分布P=(P1 … Pk … Pm)T进行判断:若该数据是优化过程中的首组置信度分布,则记当前的置信度分布P=(P1 … Pk … Pm)T为优化过程中的置信度分布Q=(Q1 … Qk … Qm)T,并回到步骤4,等待新的观测特征信号;若该数据不是首组置信度分布,则实施步骤7;
步骤7:将先前计算得到的当前的置信度分布P=(P1 … Pk … Pm)T和优化过程中的置信度分布Q=(Q1 … Qk … Qm)T带入步骤3的公式(3),得到优化后的置信度分布R=(R1 … Rk … Rm)T。
步骤8:若步骤7优化后的置信度分布R=(R1 … Rk … Rm)T仍然不能清晰的做出结论,或者正处于状态转换的微妙阶段,则将R=(R1 … Rk … Rm)T赋值给Q=(Q1 … Qk … Qm)T,等待新的观测特征信号,重新回到步骤4,得到一组新的置信度分布,直到R=(R1 … Rk … Rm)T满足要求为止;当R满足要求后,才进行下一步到步骤9。
例如可以认为设定,当R=(R1,R2,R3)T中R1或R1或R1任意一个置信度大于0.8时,即停止;所以本步骤中R取决于人为根据经验和需要预先自由设定的数据,因此R的取值范围及设定应被视为本技术领域的公知常识而不再详细描述。
步骤9:将步骤8中的R=(R1 … Rk … Rm)T乘上事先设置的标签值,得到状态值,从而实现对机械设备的状态评估与分析。
本步骤中标签值是人为实现设置的,在本实施例中,赋予状态1的标签值为1,赋予状态2的标签值为2,赋予状态3的标签值为3。所以标签值的具体形式和范围为使用者根据经验和实际情况自由设置,应被应被视为本技术领域的公知常识而不再详细描述。
如图5所示,在本发明的实施例中,将得到的置信度分布乘上三个状态分别对应的标签值,得到了机械设备状态评估图(例图中为退化过程的状态,故为退化水平)。
如图6所示,本发明的实施例中,将图4中的置信度分布P带入本发明的优化方法,并乘上和图5中相同的标签值,得到了优化后的机械设备状态评估图。
从图5和图6可以看出,经过优化后,分类的结果得到了很大的优化,准确性大大提高。从而实现更准确判断设备的当前状态。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (4)
1.机械设备状态评估的优化方法,包括如下步骤:
步骤1:首先通过安装在机械设备上的传感器获取特征信号得到全寿命特征数据,然后根据全寿命特征数据建立支持向量机状态分类系统,然后建立状态转移矩阵;
步骤2:计算m元1次方程的解X;
步骤3:利用状态转移矩阵计算得到置信度分布优化公式;
步骤4:将需要分析的特征信号带入已有的基于机器学习的分类评估系统,计算得到该特性信号所代表的观测点的置信度分布P=(P1 … Pk … Pm)T;其中Pk为P的列向量,表示在该观测点机械系统工作状态属于状态k的置信度;
步骤5:将计算所得对置信度分布P与步骤2所得的根X=(x1 … xk … xm)T进行比较,若相等则回到步骤4,等待新的观测特征信号;若不相等则进行步骤6;
步骤6:对置信度分布P=(P1 … Pk… Pm)T进行判断:若该数据是优化过程中的首组置信度分布,则记当前的置信度分布P=(P1 … Pk … Pm)T为优化过程中的置信度分布Q=(Q1 … Qk … Qm)T,并回到步骤4,等待新的观测特征信号;若该数据不是首组置信度分布,则实施步骤7;
步骤7:将先前计算得到的当前的置信度分布P=(P1 … Pk … Pm)T和优化过程中的置信度分布Q=(Q1 … Qk … Qm)T带入步骤3的公式(3),得到优化后的置信度分布R=(R1 … Rk … Rm)T;
步骤8:若步骤7优化后的置信度分布R=(R1 … Rk … Rm)T仍然不能清晰的做出结论,或者正处于状态转换的微妙阶段,则将R=(R1 … Rk … Rm)T赋值给Q=(Q1 … Qk … Qm)T,等待新的观测特征信号,重新回到步骤4,得到一组新的置信度分布,直到R=(R1 … Rk … Rm)T满足要求为止;当R满足要求后,才进行下一步到步骤9;
步骤9:将步骤8中的R=(R1 … Rk … Rm)T乘上事先设置的标签值,得到状态值,从而实现对机械设备的状态评估与分析。
3.根据权利要求1所述的机械设备状态评估的优化方法,其特征在于,所述m元1次方程的具体表达为:
式中,X·β1表示X和β1的数量积(即对应元素相乘后相加),X=(x1 … xk … xm)T为该m元1次方程的根,x1 … xk … xm表示X的m元素。
4.根据权利要求1所述的机械设备状态评估的优化方法,其特征在于,所述置信度分布优化公式的具体表达为:
式中,置信度分布P=(P1 … Pk … Pm)T,当前的置信度分布Q=(Q1 … Qk … Qm)T,R=(R1 … Rk … Rm)T皆为m*m矩阵,m为自然数,k为1到m之间的自然数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310072074.1A CN103163864B (zh) | 2013-03-07 | 2013-03-07 | 机械设备状态评估的优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310072074.1A CN103163864B (zh) | 2013-03-07 | 2013-03-07 | 机械设备状态评估的优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103163864A true CN103163864A (zh) | 2013-06-19 |
CN103163864B CN103163864B (zh) | 2014-11-19 |
Family
ID=48587038
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310072074.1A Expired - Fee Related CN103163864B (zh) | 2013-03-07 | 2013-03-07 | 机械设备状态评估的优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103163864B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107576499A (zh) * | 2016-07-04 | 2018-01-12 | 发那科株式会社 | 机械学习装置、寿命预测装置以及机械学习方法 |
CN113240157A (zh) * | 2021-04-19 | 2021-08-10 | 天津港集装箱码头有限公司 | 基于机器学习的汽车衡维修保养管理方法及系统 |
CN116991115A (zh) * | 2023-09-27 | 2023-11-03 | 中科航迈数控软件(深圳)有限公司 | 数控机床主轴状态监测方法、装置、设备及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005345154A (ja) * | 2004-05-31 | 2005-12-15 | Kyushu Electric Power Co Inc | 異常予兆検出方法および装置 |
CN1811367A (zh) * | 2006-03-03 | 2006-08-02 | 西安交通大学 | 机械故障的集成支持向量机混合智能诊断方法 |
-
2013
- 2013-03-07 CN CN201310072074.1A patent/CN103163864B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005345154A (ja) * | 2004-05-31 | 2005-12-15 | Kyushu Electric Power Co Inc | 異常予兆検出方法および装置 |
CN1811367A (zh) * | 2006-03-03 | 2006-08-02 | 西安交通大学 | 机械故障的集成支持向量机混合智能诊断方法 |
Non-Patent Citations (3)
Title |
---|
何学文等: "支持向量机及其在机械故障诊断中的应用", 《中南大学学报(自然科学版)》 * |
张周锁等: "基于支持向量机故障分类器的参数优化研究", 《西安交通大学学报》 * |
李凌均等: "支持向量数据描述用于机械设备状态评估研究", 《机械科学与技术》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107576499A (zh) * | 2016-07-04 | 2018-01-12 | 发那科株式会社 | 机械学习装置、寿命预测装置以及机械学习方法 |
CN113240157A (zh) * | 2021-04-19 | 2021-08-10 | 天津港集装箱码头有限公司 | 基于机器学习的汽车衡维修保养管理方法及系统 |
CN116991115A (zh) * | 2023-09-27 | 2023-11-03 | 中科航迈数控软件(深圳)有限公司 | 数控机床主轴状态监测方法、装置、设备及介质 |
CN116991115B (zh) * | 2023-09-27 | 2023-12-29 | 中科航迈数控软件(深圳)有限公司 | 数控机床主轴状态监测方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN103163864B (zh) | 2014-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Seem | Using intelligent data analysis to detect abnormal energy consumption in buildings | |
Cattaneo et al. | A digital twin proof of concept to support machine prognostics with low availability of run-to-failure data | |
Hong et al. | Application of Gaussian process regression for bearing degradation assessment | |
CN102789545A (zh) | 基于退化模型匹配的涡轮发动机剩余寿命的预测方法 | |
CN103345593B (zh) | 面向传感器单数据流的聚集异常检测方法 | |
CN102736558A (zh) | 基于时间序列算法的数控机床热误差实时补偿建模方法 | |
CN104483575A (zh) | 用于非侵入式电力监测的自适应负荷事件检测方法 | |
CN106199174A (zh) | 基于迁移学习的挤压机能耗异常预测方法 | |
CN103163864B (zh) | 机械设备状态评估的优化方法 | |
CN104182623A (zh) | 一种基于当量变化率计算的热工过程数据检测方法 | |
CN114169254A (zh) | 基于短期建筑能耗预测模型的异常能耗诊断方法及系统 | |
Roy et al. | Demand forecasting in smart grid using long short-term memory | |
CN103279805B (zh) | 一种基于价格连动网络的股票数据分析方法 | |
Rodrigues et al. | A system for analysis and prediction of electricity-load streams | |
CN103268329B (zh) | 等离子显示屏制造过程数据挖掘系统 | |
CN103406364B (zh) | 一种基于改进型偏鲁棒m回归算法的热轧带钢厚度预测方法 | |
CN103472732A (zh) | 一种改进的基于马氏距离的多变量控制器性能监控方法 | |
CN113632025A (zh) | 用于评估工业环境中的能量消耗的方法、系统和计算机程序产品 | |
CN113919204B (zh) | 一种多状态制造系统可用性综合重要度分析方法 | |
KR20110109039A (ko) | 지역난방 네트워크의 고급 프로세스 제어 방법 | |
Han et al. | Comparison of support vector machine, Gaussian process regression and decision tree models for energy consumption prediction of campus buildings | |
Wu et al. | CCWI2017: F7'Clustering-based Burst Detection Using Multiple Pressure Sensors in District Metering Areas' | |
CN114819743B (zh) | 一种化工企业能耗诊断分析方法 | |
CN117436153B (zh) | 一种应用于电厂供热的实体特征参数化实现方法 | |
Chramcov | Utilization of Mathematica environment for designing the forecast model of heat demand |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20141119 Termination date: 20170307 |
|
CF01 | Termination of patent right due to non-payment of annual fee |