CN105930963B - 一种机电系统装备健康评估方法 - Google Patents
一种机电系统装备健康评估方法 Download PDFInfo
- Publication number
- CN105930963B CN105930963B CN201610235875.9A CN201610235875A CN105930963B CN 105930963 B CN105930963 B CN 105930963B CN 201610235875 A CN201610235875 A CN 201610235875A CN 105930963 B CN105930963 B CN 105930963B
- Authority
- CN
- China
- Prior art keywords
- parameters
- fault
- equipment
- electromechanical system
- decomposition
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明公开了一种机电系统装备健康评估方法，所述方法包括以下步骤：对机电系统进行结构和功能分解；并获取各子部件的历史运行参数；基于分解结果进行扩展失效模式与影响分析，确定表征故障的表征参数；确定影响系统健康的关键特征因素集合，构建表征早期状态模式识别指标的多维空间参数；获取传感器信号，根据多维空间参数进行故障异常检测。所述方法测试成本低、背景噪声较弱、状态信息完整，能够满足装备健康管理的信息需求。
Description
技术领域
本发明涉及一种机电系统健康状态评估方法，属于船舶控制技术领域。
背景技术
装备健康管理对于提高复杂装备安全性、可靠性、维修性和经济可承受性，降低全寿命周期费用，实现自主维修预知维修具有重要意义。状态信息是实现装备健康管理的基础，获取状态信息的前提是确定合理的早期状态模式识别指标。合理的早期状态模式识别指标能够有效表征故障征兆，跟踪故障演化从而快速准确地实现状态监控、故障诊断、故障预测和健康评估。此外，在装备设计阶段，早期状态模式识别指标的选择会影响测试资源的配置，最终影响可测性并行设计。
健康评估是触发维修决策的前提和基础。装备健康评估是一个非常复杂的综合决策问题，涉及装备的结构、功能、行为、故障和运作。一般地，装备的健康退化总可以通过相关早期状态模式识别指标信息来反映，对早期状态模式识别指标信息进行综合处理有望得到装备健康水平。
机电系统等复杂装备的早期状态模式识别指标众多，出于经济性和可行性角度考虑不可能对所有的早期状态模式识别指标进行测试。一般来讲，过多的早期状态模式识别指标往往导致测试成本高、信息冗余度大、背景噪声强等问题；而过少的早期状态模式识别指标则容易造成状态信息缺乏、不完整，不能满足装备健康管理的信息需求等问题。
同时，复杂装备在设计阶段，物理模型缺乏，知识信息有限，不确定性和模糊性强，很难通过基于试验和模型的方法来确定早期状态模式识别指标。
因此需要结合装备系统的结构、功能、故障特点，构建一种合理的早期状态模式识别指标集合进行机电系统装备健康评估。
发明内容
鉴于上述的分析，本发明旨在提供一种机电系统装备健康评估方法，用以解决现有装备健康评估方法测试成本高、信息冗余度大、背景噪声强、状态信息缺乏、不完整，不能满足装备健康管理的信息需求等问题。
本发明的目的主要是通过以下技术方案实现的：一种机电系统装备健康评估方法，其特征在于，包括以下步骤：
步骤S1、根据机电系统的设备特点、结构组成和功能组成，对机电系统进行结构和功能分解；并获取各子部件的历史运行参数；
步骤S2、基于步骤S1的分解结果进行扩展失效模式与影响分析，对系统的各子部件的历史运行参数进行数据分析和数据处理，确定表征故障的表征参数；
步骤S3、在步骤S2确定的表征故障的表征参数的基础上，确定影响系统健康的关键特征因素集合构建表征早期状态模式识别指标的多维空间参数；
步骤S4、获取传感器信号，根据步骤S3构建的多维空间参数进行故障异常检测。
步骤1中所述对机电系统进行结构和功能分解进一步包括：
从硬件组成方面按照系统、子系统、部件、零件对机电系统进行进行结构分解；从功能实现层次进行功能分解。
步骤S2中所述数据分析和数据处理进一步包括：
通过数据趋势分析方法确定参数间的故障传递关系；通过关联分析找到各参数之间的报警关系及阈值关系；确定表征故障的表征参数。
步骤S3中所述确定影响系统健康的关键特征因素集合进一步包括：
根据表征故障的表征参数与故障的相关程度，确定影响系统健康的关键特征因素集合；
步骤S3中所述建表征早期状态模式识别指标的多维空间参数进一步包括：
根据多因素影响下早期状态模式识别指标的特征因素分类构建表征早期状态模式识别指标的多维空间参数。
步骤S4中所述根据步骤S3构建的多维空间参数进行故障异常检测进一步包括：
根据步骤S3得到的表征早期状态模式识别指标的多维空间参数对传感器信号进行监测参数的处理与特征提取；
根据各参数的数据变动指数，进行故障异常检测；
得到故障征兆后，根据故障排除程序，得到故障模式，并分析该故障模式对上级设备和系统的故障影响。
所述方法进一步包括以下步骤：
根据步骤S4得到的该故障模式对上级设备和系统的故障影响，触发维修决策。
本发明有益效果如下：
1、从结构组成和功能组成两方面进行了机电系统分解；
2、按照扩展FMECA分析流程，分析得到了机电系统的典型设备的早期状态模式识别指标集；
3、按照系统的功能和结构分解，得到了机电系统的早期状态模式识别指标集合。
4、所述方法测试成本低、背景噪声较弱、状态信息完整，能够满足装备健康管理的信息需求。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分的从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
图1为本发明中机电系统的结构层次分解示意图；
图2为本发明中机电系统的功能分层示意图；
图3为本发明中的柴油机燃油系统结构层次分解；
图4为本发明中柴油机燃油系统关联关系示意图；
图5为本发明中扩展FMEA中的映射关系示意图。
图6为本发明具体实施例的方法流程图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理。
根据本发明的一个具体实施例，公开了一种机电系统的装备健康评估方法，如图6所示，具体包括以下步骤：
步骤S1、根据机电系统的设备特点、结构组成和功能组成，对机电系统进行结构和功能分解；并获取各子部件的历史运行参数。
因为对于不同参数，在进行故障诊断时，需要从结构/功能进行诊断，因此，综合考虑装备系统的系统组成、结构及功能层次等多方面因素的情况下，
如图1所示，对机电系统进行综合层次分解是从设备的硬件组成方面按照系统、子系统、部件、零件对机电系统进行进行结构分解；
如图2所示，对机电系统进行综合层次分解是从功能实现层次进行功能分解；
以机电系统的典型设备柴油机为例，如图3、图4所示，对其按照系统－子系统－设备－部件－零件进行结构分解，按照机电系统－子系统－功能－零件进行功能分解，分解之后得到是零件所承载的功能。
步骤S2、基于步骤S1的分解结果进行扩展失效模式与影响分析(aFMEA)，对系统的各子部件的历史运行参数进行数据分析和数据处理，确定表征故障的表征参数。
具体地，通过数据趋势分析方法确定参数间的故障传递关系；通过关联分析找到各参数之间的报警关系及阈值关系；确定表征故障的表征参数。
例如，表征柴油机离心泵故障的参数包括：振动有效值、峰值、峭度、1倍频频率值和幅值。
步骤S3、在步骤S2确定的表征故障的表征参数的基础上，确定影响系统健康的关键特征因素集合构建表征早期状态模式识别指标的多维空间参数。
具体地，根据表征故障的表征参数与故障的相关程度，确定影响系统健康的关键特征因素集合；
根据多因素影响下早期状态模式识别指标的特征因素分类构建表征早期状态模式识别指标的多维空间参数。
例如，柴油机滑油系统的关键特征因素集合包括：滑油压力、滑油温度、滑油油中水含量、滑油粘度、冷却水温度、冷却水压力等；
所构建的多维空间参数包括：滑油压力(供油能力)，滑油粘度(油液品质)、滑油油中水(污染程度等)。
步骤S4、获取传感器信号，根据步骤S3构建的多维空间参数进行故障异常检测；
获取传感器监测参数信号；根据步骤S3得到的表征早期状态模式识别指标的多维空间参数对传感器信号进行监测参数的处理与特征提取；根据各参数的数据变动指数，进行故障异常检测；得到故障征兆后，根据故障排除程序，得到故障模式，并分析该故障模式对上级设备和系统的故障影响。
其中，参数的数据变动指数
其中X表示当前选中的参数序列，D(X)表示参数序列的方差，E(X)表示参数序列的平均值。
当θx超过预设阈值，则认为该参数异常。
根据本发明的一个具体实施例，所述方法进一步包括以下步骤：根据步骤S4得到的该故障模式对上级设备和系统的故障影响，触发维修决策。
本发明有益效果如下：
1、从结构组成和功能组成两方面进行了机电系统分解；
2、按照扩展FMECA分析流程，分析得到了机电系统的典型设备的早期状态模式识别指标集；
3、按照系统的功能和结构分解，得到了机电系统的早期状态模式识别指标集合。
4、所述方法测试成本低、背景噪声较弱、状态信息完整，能够满足装备健康管理的信息需求。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。
Claims (2)
1.一种机电系统装备健康评估方法，其特征在于，包括以下步骤：
步骤S1、根据机电系统的设备特点、结构组成和功能组成，对机电系统分别进行结构和功能分解，并获取各子部件的历史运行参数；所述结构分解为对机电系统按照系统－子系统－设备－部件－零件进行结构分解，所述功能分解为按照机电系统－子系统－功能－零件进行功能分解，分解之后得到是零件所承载的功能；
步骤S2、基于步骤S1的分解结果进行扩展失效模式与影响分析，对系统的各子部件的历史运行参数进行数据分析和数据处理，确定表征故障的表征参数；所述数据分析包括，通过数据趋势分析方法确定参数间的故障传递关系，通过关联分析确定各参数之间的报警关系及阈值关系；
步骤S3、在步骤S2确定的表征故障的表征参数的基础上，根据表征故障的表征参数与故障的相关程度，确定影响系统健康的关键特征因素集合，并根据多因素影响下早期状态模式识别指标的特征因素分类构建表征早期状态模式识别指标的多维空间参数；
步骤S4、获取传感器信号，根据步骤S3构建的多维空间参数对传感器信号进行监测参数的处理与特征提取，根据各参数的数据变动指数，进行故障异常检测，得到参数异常的故障征兆后，根据故障排除程序，得到故障模式，并分析该故障模式对上级设备和系统的故障影响；每个所述参数的数据变动指数θx通过下式计算
式中，X表示当前选中的参数序列，D(X)表示参数序列的方差，E(X)表示参数序列的平均值；
当θx超过预设阈值，判定该参数异常；
步骤S5、根据步骤S4得到的该故障模式对上级设备和系统的故障影响，触发维修决策。
2.根据权利要求1所述的机电系统装备健康评估方法，其特征在于，步骤1中所述对机电系统进行结构和功能分解进一步包括：
从硬件组成方面按照系统、子系统、部件、零件对机电系统进行结构分解；从功能实现层次进行功能分解。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610235875.9A CN105930963B (zh) | 2016-04-15 | 2016-04-15 | 一种机电系统装备健康评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610235875.9A CN105930963B (zh) | 2016-04-15 | 2016-04-15 | 一种机电系统装备健康评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105930963A CN105930963A (zh) | 2016-09-07 |
| CN105930963B true CN105930963B (zh) | 2020-07-31 |
Family
ID=56838176
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610235875.9A Active CN105930963B (zh) | 2016-04-15 | 2016-04-15 | 一种机电系统装备健康评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105930963B (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108226662B (zh) * | 2016-12-14 | 2020-04-07 | 中国航空工业集团公司西安航空计算技术研究所 | 一种机载计算机故障预测方法 |
| CN107194149B (zh) * | 2017-04-19 | 2020-01-10 | 北京工业大学 | 一种高速公路机电系统健康指数评估方法 |
| CN108627345B (zh) * | 2018-05-11 | 2020-07-10 | 浙江师范大学 | 一种汽轮机系统级故障的诊断方法及系统 |
| CN109257120B (zh) * | 2018-09-28 | 2020-11-24 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 预测射频电路故障表征参数的优选方法 |
| CN109558653B (zh) * | 2018-11-15 | 2023-04-14 | 中国运载火箭技术研究院 | 一种空间飞行器长期在轨能源系统安全性评估方法 |
| CN111381567B (zh) * | 2018-12-27 | 2021-11-05 | 北京安控科技股份有限公司 | 一种用于工业控制系统的安全检测系统和方法 |
| CN111428948A (zh) * | 2019-01-09 | 2020-07-17 | 江苏新道格自控科技有限公司 | 旋转机械设备的技术状态评估方法 |
| CN109831356A (zh) * | 2019-01-29 | 2019-05-31 | 网联清算有限公司 | 数据处理方法、装置、系统、计算机可读存储介质 |
| CN110085006B (zh) * | 2019-03-13 | 2023-03-24 | 中交广州航道局有限公司 | 船舶监测方法、装置、系统和存储介质 |
| CN110085005B (zh) * | 2019-03-13 | 2023-03-24 | 中交广州航道局有限公司 | 船舶发电机监测方法、装置、系统和存储介质 |
| CN112151160A (zh) * | 2020-09-14 | 2020-12-29 | 上海市第六人民医院 | 一种在用医疗器械动态数据的管理系统及管理方法 |
| CN114800036B (zh) * | 2022-06-24 | 2022-10-25 | 成都飞机工业（集团）有限责任公司 | 一种设备健康状态评估方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050091004A1 (en) * | 1998-04-15 | 2005-04-28 | Alexander G. Parlos | System and method for condition assessment and end-of-life prediction |
| CN102136038A (zh) * | 2011-03-25 | 2011-07-27 | 华北电力大学 | 基于状态空间的多特征设备状态评价方法及应用 |
| CN102262690B (zh) * | 2011-06-07 | 2013-10-30 | 中国石油大学(北京) | 一种混合故障预警模型的建模方法及建模系统 |
| CN102819239B (zh) * | 2011-06-08 | 2014-09-17 | 同济大学 | 一种数控机床智能故障诊断方法 |
| CN105447250B (zh) * | 2015-11-25 | 2018-08-21 | 中国船舶工业系统工程研究院 | 一种机电设备健康表征参数确定方法 |
| CN105447646A (zh) * | 2015-12-02 | 2016-03-30 | 中国电力科学研究院 | 一种配电系统健康指数评估方法 |
-
2016
- 2016-04-15 CN CN201610235875.9A patent/CN105930963B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN105930963A (zh) | 2016-09-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105930963B (zh) | 一种机电系统装备健康评估方法 | |
| Wen et al. | Graph modeling of singular values for early fault detection and diagnosis of rolling element bearings | |
| Yan et al. | Fisher’s discriminant ratio based health indicator for locating informative frequency bands for machine performance degradation assessment | |
| CN112083244B (zh) | 综合化航空电子设备故障智能诊断系统 | |
| CN108304348B (zh) | 一种基于二元维纳过程的轴承剩余寿命预测方法 | |
| CN111881594B (zh) | 一种核动力设备的非平稳信号状态监测方法及系统 | |
| CN112529059B (zh) | 机组电磁振动诊断方法、系统、计算机设备和存储介质 | |
| Baek et al. | Fault prediction via symptom pattern extraction using the discretized state vectors of multisensor signals | |
| CN110554682B (zh) | 基于故障关联分析的故障检测推理方法 | |
| CN117851956B (zh) | 基于数据分析的机电设备故障诊断方法、系统及终端 | |
| CN112711850A (zh) | 一种基于大数据的机组在线监测方法 | |
| Lu et al. | Early fault warning and identification in condition monitoring of bearing via wavelet packet decomposition coupled with graph | |
| Perry | Identifying the time of polynomial drift in the mean of autocorrelated processes | |
| Yan et al. | Online piecewise convex-optimization interpretable weight learning for machine life cycle performance assessment | |
| CN113516023B (zh) | 设备振动异常诊断方法和系统 | |
| CN114666117A (zh) | 一种面向电力互联网的网络安全态势度量和预测方法 | |
| CN106909136A (zh) | 一种基于指数正则化零空间线性鉴别分析的故障诊断方法 | |
| CN114462820A (zh) | 一种轴承状态监测与健康管理系统性能测试及优化方法和系统 | |
| Hu et al. | Anomaly detection and remaining useful lifetime estimation based on degradation state for bearings | |
| CN114674511B (zh) | 一种用于剔除时变环境因素影响的桥梁模态异常预警方法 | |
| WO2023029382A1 (zh) | 一种强鲁棒的信号早期退化特征提取及设备运行状态监测方法 | |
| Lorenti et al. | Cuad-mo: Continuos unsupervised anomaly detection on machining operations | |
| CN112925806B (zh) | 基于关联规则的性能退化特征参数提取方法、系统、介质及设备 | |
| Sardana et al. | Data driven predictive analytics for a spindle's health | |
| CN118114081B (zh) | 柱塞泵剩余寿命预测方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |