CN103163864B

CN103163864B - 机械设备状态评估的优化方法

Info

Publication number: CN103163864B
Application number: CN201310072074.1A
Authority: CN
Inventors: 苗强; 谢磊; 杨璐; 梁巍
Original assignee: University of Electronic Science and Technology of China
Current assignee: University of Electronic Science and Technology of China
Priority date: 2013-03-07
Filing date: 2013-03-07
Publication date: 2014-11-19
Anticipated expiration: 2033-03-07
Also published as: CN103163864A

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P_k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

机械设备状态评估的优化方法

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；例如，CN1811367A中即公开了一种机械故障的集成支持向量机混合智能诊断方法。

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 … P_k … P_m)^T。其中，，T表示矩阵的转置运算，P_k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 … x_k … x_m)^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 … P_k … P_m)^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 … P_k … P_m)^T为优化过程中的置信度分布Q＝(Q₁ … Q_k … Q_m)^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 … P_k … P_m)^T和优化过程中的置信度分布Q＝(Q₁ … Q_k … Q_m)^T带入步骤3的公式(3)，得到优化后的置信度分布R＝(R₁ … R_k … R_m)^T。

步骤8：若步骤7优化后的置信度分布R＝(R₁ … R_k … R_m)^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 … R_k … R_m)^T赋值给Q＝(Q₁ … Q_k … Q_m)^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 … R_k … R_m)^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 … R_k … R_m)^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：

公式(1)

上述公式(1)中，Ω为状态转移矩阵；β₁ … β_k … β_m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ξ_k1取值为1或0，表示状态k能否到达状态1，……,类似的，ξ_mk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：

\{\begin{matrix} \frac{x_{1} \cdot ξ_{11}}{X \cdot β_{1}} + . . . + \frac{x_{1} \cdot ξ_{k 1}}{X \cdot β_{k}} + . . . + \frac{x_{m} \cdot ξ_{m 1}}{X \cdot β_{m}} = 1 \\ . \\ . \\ . \\ \frac{x_{1} \cdot ξ_{1 k}}{X \cdot β_{1}} + . . . + \frac{x_{1} \cdot ξ_{kk}}{X \cdot β_{k}} + . . . + \frac{x_{m} \cdot ξ_{mk}}{X \cdot β_{m}} = 1 \\ . \\ . \\ . \\ \frac{x_{1} \cdot ξ_{1 m}}{X \cdot β_{1}} + . . . + \frac{x_{1} \cdot ξ_{km}}{X \cdot β_{k}} + . . . + \frac{x_{m} \cdot ξ_{mm}}{X \cdot β_{m}} = 1 \end{matrix}

公式(2)

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 … x_k … x_m)^T为该m元1次方程的根，x₁ … x_k … x_m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：

\{\begin{matrix} R_{1} = [\frac{Q_{1} \cdot ξ_{11}}{P \cdot β_{1}} + . . . + \frac{Q_{m} \cdot ξ_{m 1}}{P \cdot β_{m}}] \times P_{1} \\ . \\ . \\ . \\ R_{k} = [\frac{Q_{1} \cdot ξ_{1 k}}{P \cdot β_{1}} + . . . + \frac{Q_{m} \cdot ξ_{mk}}{P \cdot β_{m}}] \times P_{k} \\ . \\ . \\ . \\ R_{m} = [\frac{Q_{1} \cdot ξ_{1 m}}{P \cdot β_{1}} + . . . + \frac{Q_{m} \cdot ξ_{mm}}{P \cdot β_{m}}] \times P_{m} \end{matrix}

公式(3)

式中，置信度分布P＝(P₁ … P_k … P_m)^T，当前的置信度分布Q＝(Q₁ … Q_k … Q_m)^T，R＝(R₁ … R_k … R_m)^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 … P_k … P_m)^T。其中P_k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。

本步骤的原理是：若置信度分布P＝(P₁ … P_k … P_m)^T与根X＝(x₁ … x_k … x_m)^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 … x_k … x_m)^T的分布应视为奇异点，不能使用。

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。

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。

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

1.机械设备状态评估的优化方法，其特征在于，包括如下步骤：

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 … P_k … P_m)^T；其中，T表示矩阵的转置运算，P_k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7：将先前计算得到的当前的置信度分布P＝(P₁ … P_k … P_m)^T和优化过程中的置信度分布Q＝(Q₁ … Q_k … Q_m)^T带入步骤3的公式(3)，得到优化后的置信度分布R＝(R₁ … R_k … R_m)^T；

步骤8：若步骤7优化后的置信度分布R＝(R₁ … R_k … R_m)^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 … R_k … R_m)^T赋值给Q＝(Q₁ … Q_k … Q_m)^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 … R_k … R_m)^T满足要求为止；当R满足要求后，才进行下一步到步骤9；

2.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，所述步骤1中的所述状态转移矩阵Ω的具体表达为：

公式(1)

上述公式(1)中，Ω为状态转移矩阵；β₁ … β_k … β_m为Ω的列向量，其含义为所有可能状态到状态m的可能性。

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：

\{\begin{matrix} \frac{x_{1} \cdot ξ_{11}}{X \cdot β_{1}} + . . . + \frac{x_{1} \cdot ξ_{k 1}}{X \cdot β_{k}} + . . . + \frac{x_{m} \cdot ξ_{m 1}}{X \cdot β_{m}} = 1 \\ . \\ . \\ . \\ \frac{x_{1} \cdot ξ_{1 k}}{X \cdot β_{1}} + . . . + \frac{x_{1} \cdot ξ_{kk}}{X \cdot β_{k}} + . . . + \frac{x_{m} \cdot ξ_{mk}}{X \cdot β_{m}} = 1 \\ . \\ . \\ . \\ \frac{x_{1} \cdot ξ_{1 m}}{X \cdot β_{1}} + . . . + \frac{x_{1} \cdot ξ_{km}}{X \cdot β_{k}} + . . . + \frac{x_{m} \cdot ξ_{mm}}{X \cdot β_{m}} = 1 \end{matrix}

公式(2)

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：

\{\begin{matrix} R_{1} = [\frac{Q_{1} \cdot ξ_{11}}{P \cdot β_{1}} + . . . + \frac{Q_{m} \cdot ξ_{m 1}}{P \cdot β_{m}}] \times P_{1} \\ . \\ . \\ . \\ R_{k} = [\frac{Q_{1} \cdot ξ_{1 k}}{P \cdot β_{1}} + . . . + \frac{Q_{m} \cdot ξ_{mk}}{P \cdot β_{m}}] \times P_{k} \\ . \\ . \\ . \\ R_{m} = [\frac{Q_{1} \cdot ξ_{1 m}}{P \cdot β_{1}} + . . . + \frac{Q_{m} \cdot ξ_{mm}}{P \cdot β_{m}}] \times P_{m} \end{matrix}

公式(3)

式中，置信度分布P＝(P₁ … P_k … P_m)^T，当前的置信度分布Q＝(Q₁ … Q_k … Q_m)^T，R＝(R₁ … R_k … R_m)^T皆为m*m矩阵，m为自然数，k为1到m之间的自然数。