CN107194034A - 一种基于gpr的设备损伤检测方法及系统 - Google Patents

一种基于gpr的设备损伤检测方法及系统 Download PDF

Info

Publication number
CN107194034A
CN107194034A CN201710267243.5A CN201710267243A CN107194034A CN 107194034 A CN107194034 A CN 107194034A CN 201710267243 A CN201710267243 A CN 201710267243A CN 107194034 A CN107194034 A CN 107194034A
Authority
CN
China
Prior art keywords
data
mean square
square error
mrow
gpr
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
Application number
CN201710267243.5A
Other languages
English (en)
Other versions
CN107194034B (zh
Inventor
陈旻琪
贺毅
王斌
邓荣龙
姚维兵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Mingluo Soft Control Information Technology Co ltd
Guangzhou Mino Equipment Co Ltd
Original Assignee
GUANGZHOU MINO SOFT CONTROL INFORMATION TECHNOLOGY Co Ltd
Guangzhou Mino Automotive Equipment Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by GUANGZHOU MINO SOFT CONTROL INFORMATION TECHNOLOGY Co Ltd, Guangzhou Mino Automotive Equipment Co Ltd filed Critical GUANGZHOU MINO SOFT CONTROL INFORMATION TECHNOLOGY Co Ltd
Priority to CN201710267243.5A priority Critical patent/CN107194034B/zh
Publication of CN107194034A publication Critical patent/CN107194034A/zh
Application granted granted Critical
Publication of CN107194034B publication Critical patent/CN107194034B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M7/00—Vibration-testing of structures; Shock-testing of structures
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing

Abstract

本发明公开了一种基于GPR的设备损伤检测方法及系统，该系统包括采集模块、标准化处理模块、第一计算模块、第二计算模块、置信区间确定模块及检测判定模块。该方法包括：对采集到的时间域响应数据进行数值标准化处理后得到实测数据；将实测数据输入至GPR预测模型进行处理后得到预测数据；计算预测数据与实测数据的均方误差平均值；确定得到均方误差的置信区间；根据均方误差的置信区间对设备进行损伤判断。通过使用本发明方法及系统，能够缩短停机时间、降低维护成本、提高设备运行安全性以及提高设备损伤检测的准确性。本发明作为一种基于GPR的设备损伤检测方法及系统可广泛应用于工业领域设备结构损伤检测领域中。

Description

一种基于GPR的设备损伤检测方法及系统
技术领域
本发明涉及GPR和工业领域设备结构健康检测技术领域中，尤其涉及一种基于GPR的设备损伤检测方法及系统。
背景技术
技术词解释：
GPR：Gaussian Process Regression，高斯过程回归。
损伤：系统内部发生变化，对系统结构和性能产生不利的变化。
工业设备的老化已经逐渐成为现场生产中一个不可忽略的问题。若忽略或无法检测到这些设备损伤，则可能会导致不可估量的后果，因此实时故障监测已经成为工业领域目前急需解决的课题之一。显然，至今工业上的设备损伤检测方法还没有普及，目前大多数企业仍采用基于时间的维护方法，即每隔一段时间(往往根据人的经验)进行设备检测和维护，但是这种方法容易造成资源的浪费和工时的增加。还有部分企业则不采用故障检测策略，即待故障发生后再临时停线维护，这种方法更会大大增加不必要的工时，增加停线时间和大大提高成本。虽然，目前针对这些传统方法，专家们提出了一些采用自回归模型(AR)、移动平均模型(MA)以及自回归移动平均模型(ARMA)来训练数据从而实现设备损伤检测的方案，但是这些方案在实现过程中容易被检测对象中的非线性因素所有影响，导致模型不准确，从而降低设备损伤检测的准确性。
发明内容
为了解决上述技术问题，本发明的目的是提供一种基于GPR的设备损伤检测方法，能够实现工业领域设备的状态自动监测，提高设备损伤检测效率以及操作便利性，而且还能提高设备损伤检测的准确性。
本发明的另一目的是提供一种基于GPR的设备损伤检测系统，能够实现工业领域设备的状态自动监测，从而提高设备损伤检测效率、操作便利性以及设备损伤检测的准确性。
本发明所采用的技术方案是：一种基于GPR的设备损伤检测方法，该方法的步骤包括有：
采集由传感器所输出的时间域响应数据；
对采集到的时间域响应数据进行数值标准化处理后得到实测数据；
将实测数据输入至GPR预测模型进行处理，从而得到预测数据；
计算预测数据与实测数据之间的均方误差平均值；
根据计算得出的均方误差平均值、上限数值和下限数值，从而确定得到均方误差的置信区间；
根据均方误差的置信区间，从而对设备进行损伤判断。
进一步，所述采集由传感器所输出的时间域响应数据这一步骤，其具体为：采集在电子振动机的振动激励下传感器所输出的时间域响应数据。
进一步，所述对采集到的时间域响应数据进行数值标准化处理后得到实测数据这一步骤，其所采用的数值标准化处理计算公式如下所示：
其中，Input(i)表示为第i个实测数据，inputs(i)表示为第i个采集到的时间域响应数据，input_mean表示为采集到的时间域响应数据的平均值，input_std表示为采集到的时间域响应数据的标准差。
进一步，所述将实测数据输入至GPR预测模型进行处理，从而得到预测数据这一步骤之前设有GPR预测模型建立这一步骤，所述GPR预测模型建立这一步骤包括有：
在设备健康状态下，采集在电子振动机的振动激励下传感器所输出的时间域响应数据；
对采集到的时间域响应数据进行数值标准化处理后得到训练样本数据；
利用训练样本数据来训练GPR，从而确定得到GPR相关参数；
利用得出的GPR相关参数从而构建得出GPR预测模型。
进一步，所述计算预测数据与实测数据之间的均方误差平均值这一步骤，其具体包括：
计算多组预测数据与实测数据之间的均方误差，从而得到多个均方误差；
对多个均方误差进行平均值计算，从而得到均方误差平均值。
进一步，所述预测数据与实测数据之间的均方误差，其所采用的均方误差计算公式如下所示：
其中，MSE表示为预测数据与实测数据之间的均方误差，prediction表示为预测数据，test_outputs表示为实测数据，npts_t表示为实测数据的输入长度，var(test_outputs)表示为实测数据的方差。
进一步，所述均方误差的置信区间[a,b]的计算公式如下所示：
其中，表示为均方误差平均值，a表示为均方误差的置信区间的下限数值，b表示为均方误差的置信区间的上限数值，-k表示为下限数值，+k表示为上限数值。
进一步，所述k为3σ，其中，σ为均方误差标准差。
进一步，所述根据均方误差的置信区间，从而对设备进行损伤判断这一步骤，其包括：
当判断出均方误差的置信区间的下限数值大于基准置信区间的上限数值时，则表示设备存有损伤，输出提示信号；其中，所述基准置信区间指的是在设备健康状态下计算得出的均方误差的置信区间。
本发明所采用的另一技术方案是：一种基于GPR的设备损伤检测系统，该系统包括：
采集模块，用于采集由传感器所输出的时间域响应数据；
标准化处理模块，用于对采集到的时间域响应数据进行数值标准化处理后得到实测数据；
第一计算模块，用于将实测数据输入至GPR预测模型进行处理，从而得到预测数据；
第二计算模块，用于计算预测数据与实测数据之间的均方误差平均值；
置信区间确定模块，用于根据计算得出的均方误差平均值、上限数值和下限数值，从而确定得到均方误差的置信区间；
检测判定模块，用于根据均方误差的置信区间，从而对设备进行损伤判断。
进一步，所述采集模块具体用于采集在电子振动机的振动激励下传感器所输出的时间域响应数据。
进一步，所述标准化处理模块中所采用的数值标准化处理计算公式如下所示：
其中，Input(i)表示为第i个实测数据，inputs(i)表示为第i个采集到的时间域响应数据，input_mean表示为采集到的时间域响应数据的平均值，input_std表示为采集到的时间域响应数据的标准差。
进一步，所述第一计算模块之前设有用于建立GPR预测模型的建立模块；所述建立模块包括：
采集子模块，用于在设备健康状态下，采集在电子振动机的振动激励下传感器所输出的时间域响应数据；
第一计算子模块，用于对采集到的时间域响应数据进行数值标准化处理后得到训练样本数据；
GPR参数确定子模块，用于利用训练样本数据来训练GPR，从而确定得到GPR相关参数；
构建子模块，用于利用得出的GPR相关参数从而构建得出GPR预测模型。
进一步，所述第二计算模块包括：
均方误差计算子模块，用于计算多组预测数据与实测数据之间的均方误差，从而得到多个均方误差；
平均值计算子模块，用于对多个均方误差进行平均值计算，从而得到均方误差平均值。
进一步，所述均方误差计算子模块中所采用的均方误差计算公式如下所示：
其中，MSE表示为预测数据与实测数据之间的均方误差，prediction表示为预测数据，test_outputs表示为实测数据，npts_t表示为实测数据的输入长度，var(test_outputs)表示为实测数据的方差。
进一步，所述均方误差的置信区间[a,b]的计算公式如下所示：
其中，表示为均方误差平均值，a表示为均方误差的置信区间的下限数值，b表示为均方误差的置信区间的上限数值，-k表示为下限数值，+k表示为上限数值。
进一步，所述k为3σ，其中，σ为均方误差标准差。
进一步，所述检测判定模块具体用于当判断出均方误差的置信区间的下限数值大于基准置信区间的上限数值时，则表示设备存有损伤，输出提示信号；其中，所述基准置信区间指的是在设备健康状态下计算得出的均方误差的置信区间。
本发明的有益效果是：本发明的方法将采集到的时间域响应数据进行标准化处理后，利用在设备健康状态下所构建的GPR预测模型对标准化处理后时间域响应数据进行预测数据计算，接着根据预测数据与实测数据的均方误差平均值，以及上限数值和下限数值，从而确定均方误差的置信区间，跟着利用置信区间来实现设备损伤检测判定，因此，通过使用本发明的方法，能够实现工业领域设备的损伤状态自动监测，从而能够大幅度地缩短停机时间，降低维护的人力资源和时间成本，提高设备运行安全性。而且，本发明的方法利用在设备健康状态下所采集到的训练样本数据来进行GPR训练后构建GPR预测模型，这样则能构建高质量的实测数据的预测模型，并且后续还结合均方误差的置信区间来实现设备损伤判定，大大提高设备损伤检测判定的准确度。
本发明的另一有益效果是：本发明的系统通过标准化处理器模块来将采集到的时间域响应数据进行标准化处理后，第一计算模块利用在设备健康状态下所构建的GPR预测模型对标准化处理后时间域响应数据进行预测数据计算，第二计算模块计算出预测数据与实测数据的均方误差平均值，接着，置信区间确定模块根据预测数据与实测数据的均方误差平均值、上限数值和下限数值，从而确定均方误差的置信区间，跟着检测判定模块利用置信区间来实现设备损伤检测判定，因此，通过使用本发明的系统，能够实现工业领域设备的损伤状态自动监测，大幅度地缩短停机时间，降低维护的人力资源和时间成本，提高设备运行安全性。而且，本发明的系统中利用在设备健康状态下所采集到的训练样本数据来进行GPR训练后构建GPR预测模型，这样则能构建高质量的实测数据的预测模型，并且后续还结合均方误差的置信区间来实现设备损伤判定，大大提高设备损伤检测判定的准确度。
附图说明
图1是本发明一种基于GPR的设备损伤检测方法的步骤流程图；
图2是本发明一种基于GPR的设备损伤检测系统的结构框图；
图3是本发明一种基于GPR的设备损伤检测方案的一具体实施例步骤流程图；
图4是设备在损伤状态下以及健康状态下，两者MSE的置信区间对比示意图。
具体实施方式
如图1所示，一种基于GPR的设备损伤检测方法，该方法的步骤包括有：
采集由传感器所输出的时间域响应数据；
对采集到的时间域响应数据进行数值标准化处理后得到实测数据；
将实测数据输入至GPR预测模型进行处理，从而得到预测数据；
计算预测数据与实测数据之间的均方误差平均值；
根据计算得出的均方误差平均值、上限数值和下限数值，从而确定得到均方误差的置信区间；
根据均方误差的置信区间，从而对设备进行损伤判断。
作为本实施例的优选实施方式，所述采集由传感器所输出的时间域响应数据这一步骤，其具体为：采集在电子振动机的振动激励下传感器所输出的时间域响应数据。
作为本实施例的优选实施方式，所述将实测数据输入至GPR预测模型进行处理，从而得到预测数据这一步骤之前设有GPR预测模型建立这一步骤，所述GPR预测模型建立这一步骤包括有：
在设备健康状态下，采集在电子振动机的振动激励下传感器所输出的时间域响应数据；
对采集到的时间域响应数据进行数值标准化处理后得到训练样本数据；
利用训练样本数据来训练GPR，从而确定得到GPR相关参数；
利用得出的GPR相关参数从而构建得出GPR预测模型。
作为本实施例的优选实施方式，所述计算预测数据与实测数据之间的均方误差平均值这一步骤，其具体包括：
计算多组预测数据与实测数据之间的均方误差，从而得到多个均方误差；
对多个均方误差进行平均值计算，从而得到均方误差平均值。
作为本实施例的优选实施方式，所述根据均方误差的置信区间，从而对设备进行损伤判断这一步骤，其包括：
当判断出均方误差的置信区间的下限数值大于基准置信区间的上限数值时，则表示设备存有损伤，输出提示信号；其中，所述基准置信区间指的是在设备健康状态下计算得出的均方误差的置信区间。
如图2所示，一种基于GPR的设备损伤检测系统，该系统包括：
采集模块401，用于采集由传感器所输出的时间域响应数据；
标准化处理模块402，用于对采集到的时间域响应数据进行数值标准化处理后得到实测数据；
第一计算模块403，用于将实测数据输入至GPR预测模型进行处理，从而得到预测数据；
第二计算模块404，用于计算预测数据与实测数据之间的均方误差平均值；
置信区间确定模块405，用于根据计算得出的均方误差平均值、上限数值和下限数值，从而确定得到均方误差的置信区间；
检测判定模块406，用于根据均方误差的置信区间，从而对设备进行损伤判断。其中，采集模块401、标准化处理模块402、第一计算模块403、第二计算模块404、置信区间确定模块405、检测判定模块406可为程序模块，也可为硬件模块，如处理器等。
作为本实施例的优选实施方式，所述采集模块401具体用于采集在电子振动机的振动激励下传感器所输出的时间域响应数据。
作为本实施例的优选实施方式，所述第一计算模块403之前设有用于建立GPR预测模型的建立模块；优选地，所述建立模块包括：
采集子模块，用于在设备健康状态下，采集在电子振动机的振动激励下传感器所输出的时间域响应数据；
第一计算子模块，用于对采集到的时间域响应数据进行数值标准化处理后得到训练样本数据；
GPR参数确定子模块，用于利用训练样本数据来训练GPR，从而确定得到GPR相关参数；
构建子模块，用于利用得出的GPR相关参数从而构建得出GPR预测模型。
作为本实施例的优选实施方式，所述第二计算模块包括：
均方误差计算子模块，用于计算多组预测数据与实测数据之间的均方误差，从而得到多个均方误差；
平均值计算子模块，用于对多个均方误差进行平均值计算，从而得到均方误差平均值。
作为本实施例的优选实施方式，所述检测判定模块406具体用于当判断出均方误差的置信区间的下限数值大于基准置信区间的上限数值时，则表示设备存有损伤，输出提示信号；其中，所述基准置信区间指的是在设备健康状态下计算得出的均方误差的置信区间。
对于上述的传感器，其包括力传感器和/或加速度传感器。
针对上述设备损伤检测方案，其所适用于的装置包括有电子振动机、传感器、数据采集器(LMS系统)、信号放大器以及计算机，而针对这一装置，其具体优选实施流程步骤具体包括有：
步骤1、建立GPR预测模型，即基于GPR的数据预测模型；
所述步骤1具体包括有：
S101、在设备处于健康状态下，计算机控制电子振动机工作，给设备产生振动激励；
所述步骤S101具体包括：
S1011、确定电子振动机、传感器在设备上应设置的位置后，将传感器和电子振动机安装在相应的位置处，并且搭建传感器、数据采集器以及计算机之间的数据传输链路(具体数据传输链路为：传感器的输出端经数据采集器与计算机的输入端通讯连接，令传感器输出的时间域响应数据经数据采集器传输至计算机)，以及搭建电子振动机、信号放大器以及计算机之间的数据传输链路(具体数据传输链路为：计算机的输出端经信号放大器与电子振动机的输入端连接，令计算机输出控制信号至信号放大器进行放大，从而控制电子振动机进行相应振动)；
S1012、计算机控制电子振动机工作，给设备产生振动激励；
S102、采集设备在电子振动机的振动激励下，传感器所输出的时间域响应数据，此时，采集到的时间域响应数据即为在设备健康状态下的时间域响应数据；
S103、对采集到的时间域响应数据进行数值标准化处理后得到训练样本数据，也就是说，此时在设备处于健康状态下，采集到的时间域响应数据进行数值标准化处理后所得到的数据为训练样本数据；
其中，步骤S103中所述训练样本数据，其计算公式如下所示：
其中，Input'(i)表示为第i个训练样本数据，inputs'(i)表示为第i个在设备处于健康状态下，采集到的时间域响应数据，input_mean'表示为在设备处于健康状态下，采集到的时间域响应数据的平均值，input_std'表示为在设备处于健康状态下，采集到的时间域响应数据的标准差；
S104、利用得到的训练样本数据来训练GPR，从而确定得到GPR相关参数；其中，所述GPR相关参数包括可能性函数、协方差函数、平均值函数、超参数、平均值等；
S105、利用得出的GPR相关参数从而构建得出GPR预测模型；
步骤2、计算出在设备处于健康状态下的均方误差的置信区间，即基准置信区间；
所述步骤2包括有：
S201、将训练样本数据输入至GPR预测模型进行处理，从而计算得出第一预测数据，即训练样本数据输入至GPR预测模型进行计算处理后所输出的数据为第一预测数据；
S202、计算训练样本数据与第一预测数据之间的均方误差平均值；
所述步骤S202具体包括有：
计算多组训练样本数据与第一预测数据之间的均方误差，从而得到多个均方误差；其中，一组训练样本数据与其对应的第一预测数据之间对应计算得出一个均方误差；
对多个均方误差MSE'进行平均值计算，从而得到均方误差平均值
所述一组训练样本数据与第一预测数据之间的均方误差MSE'，其所采用的计算公式如下所示：
其中，prediction'表示为第一预测数据，test_outputs'表示为训练样本数据，npts_t'表示为训练样本数据的输入长度，var(test_outputs')表示为训练样本数据的方差；
S203、根据计算得出的均方误差平均值以及第一上限数值和第一下限数值，从而确定第一均方误差的置信区间，其中，第一均方误差的置信区间[a',b']的计算公式如下所示：
其中，a'表示为第一均方误差的置信区间的下限数值，b'表示为第一均方误差的置信区间的上限数值，-k'表示为第一下限数值，+k'表示为第一上限数值；k'为3σ'，而σ'为第一均方误差标准差；即[a',b']为基准置信区间；
其中，第一均方误差标准差是通过对多个均方误差MSE'进行标准差计算后所得到的标准差数值；
步骤3、利用建立好的GPR预测模型进行设备损伤检测；
如图3所示，所述步骤3具体包括有：
S300、开始设备损伤检测前，执行初始化操作，所述初始化操作包括有：确定电子振动机、传感器在被测设备上应设置的位置后，将传感器和电子振动机安装在相应的位置处，并且搭建传感器、数据采集器以及计算机之间的数据传输链路，以及搭建电子振动机、信号放大器以及计算机之间的数据传输链路；
S301、进行自动设备损伤监测时，计算机控制电子振动机工作，给设备产生振动激励，然后，采集设备在电子振动机的振动激励下，传感器所输出的时间域响应数据；
在本实施例中，计算机输出150Hz振动频率、1V振动幅度的正弦波作为振动信号，令电子振动机进行相应的振动；另外，数据采集器的采样率优选为4096Hz，采样分辨率为1，每个传感器共8192个数据被采集；
S302、对采集到的时间域响应数据进行数值标准化处理后得到实测数据，也就是说，此时采集到的时间域响应数据进行数值标准化处理后所得到的数据为实测数据；
其中，步骤S302中所述的实测数据，其计算公式如下所示：
其中，Input(i)表示为第i个实测数据，inputs(i)表示为在进行设备损伤监测时，第i个采集到的时间域响应数据，input_mean表示为在进行设备损伤监测时，采集到的时间域响应数据的平均值，input_std表示为在进行设备损伤监测时，采集到的时间域响应数据的标准差；
S303、将实测数据输入至GPR预测模型进行处理，从而得到第二预测数据，也就是说，实测数据输入至GPR预测模型进行计算处理后所输出的数据为第二预测数据；
S304、计算第二预测数据与实测数据之间的均方误差平均值
所述步骤S304具体包括有：
计算多组第二预测数据与实测数据之间的均方误差，从而得到多个均方误差；其中，一组实测数据与其对应的第二预测数据之间对应计算得出一个均方误差；
对多个均方误差MSE进行平均值计算，从而得到均方误差平均值
所述一组实测数据与第二预测数据之间的均方误差MSE，其所采用的计算公式如下所示：
其中，prediction表示为第二预测数据，test_outputs表示为实测数据，npts_t表示为实测数据的输入长度，var(test_outputs)表示为实测数据的方差；
S305、根据计算得出的均方误差平均值以及第二上限数值和第二下限数值，从而确定第二均方误差的置信区间，其中，第二均方误差的置信区间[a,b]的计算公式如下所示：
其中，a表示为第二均方误差的置信区间的下限数值，b表示为第二均方误差的置信区间的上限数值，-k表示为第二下限数值，+k表示为第二上限数值；k为3σ，而σ为第二均方误差标准差；
其中，第二均方误差标准差是通过对步骤S304中所述的多个均方误差MSE进行标准差计算后得到的标准差数值；
S306、根据第二均方误差的置信区间，从而对设备进行损伤判断，当判断出设备存有损伤时，则输出提示信号；
所述步骤306具体包括：
由于在设备损伤状态下的均方误差的置信区间的下限值大于在设备健康状态下的均方误差的置信区间的上限值(如图4所示，“Undamaged”表示为在设备处于健康状态下的均方误差的置信区间，即基准置信区间，而其它则表示为设备处于损伤状态下的均方误差的置信区间，可见，其它均方误差的置信区间的下限值均大于基准置信区间的上限值)，因此，当判断出第二均方误差的置信区间的下限数值a大于基准置信区间的上限数值b'时，则表示设备存有损伤，此时输出提示信号，提醒工作人员尽快进行设备损伤确认及解决。
由上述可见，通过判断实时监测到的MSE的置信区间的下限是否大于基准置信区间的上限，便能实现对工业领域设备的损伤实时监测判定，大幅度地缩短停机时间，降低设备维护的人力资源和时间成本，提高设备运行安全性，而且基于GPR预测模型来确定得到MSE的置信区间，这样不仅能避免传统AR、MA、ARMA模型建模的相关参数复杂确定过程，并且GPR模型为非线性模型，将其应用于本发明方法及系统中能大大提高设备损伤检测的准确性。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.一种基于GPR的设备损伤检测方法，其特征在于：该方法的步骤包括有：
采集由传感器所输出的时间域响应数据；
对采集到的时间域响应数据进行数值标准化处理后得到实测数据；
将实测数据输入至GPR预测模型进行处理，从而得到预测数据；
计算预测数据与实测数据之间的均方误差平均值；
根据计算得出的均方误差平均值、上限数值和下限数值，从而确定得到均方误差的置信区间；
根据均方误差的置信区间，从而对设备进行损伤判断。
2.根据权利要求1所述一种基于GPR的设备损伤检测方法，其特征在于：所述采集由传感器所输出的时间域响应数据这一步骤，其具体为：采集在电子振动机的振动激励下传感器所输出的时间域响应数据。
3.根据权利要求1或2所述一种基于GPR的设备损伤检测方法，其特征在于：所述对采集到的时间域响应数据进行数值标准化处理后得到实测数据这一步骤，其所采用的数值标准化处理计算公式如下所示：
<mrow> <mi>I</mi> <mi>n</mi> <mi>p</mi> <mi>u</mi> <mi>t</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <mi>i</mi> <mi>n</mi> <mi>p</mi> <mi>u</mi> <mi>t</mi> <mi>s</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> <mo>-</mo> <mi>i</mi> <mi>n</mi> <mi>p</mi> <mi>u</mi> <mi>t</mi> <mo>_</mo> <mi>m</mi> <mi>e</mi> <mi>a</mi> <mi>n</mi> </mrow> <mrow> <mi>i</mi> <mi>n</mi> <mi>p</mi> <mi>u</mi> <mi>t</mi> <mo>_</mo> <mi>s</mi> <mi>t</mi> <mi>d</mi> </mrow> </mfrac> </mrow>
其中，Input(i)表示为第i个实测数据，inputs(i)表示为第i个采集到的时间域响应数据，input_mean表示为采集到的时间域响应数据的平均值，input_std表示为采集到的时间域响应数据的标准差。
4.根据权利要求1或2所述一种基于GPR的设备损伤检测方法，其特征在于：所述将实测数据输入至GPR预测模型进行处理，从而得到预测数据这一步骤之前设有GPR预测模型建立这一步骤，所述GPR预测模型建立这一步骤包括有：
在设备健康状态下，采集在电子振动机的振动激励下传感器所输出的时间域响应数据；
对采集到的时间域响应数据进行数值标准化处理后得到训练样本数据；
利用训练样本数据来训练GPR，从而确定得到GPR相关参数；
利用得出的GPR相关参数从而构建得出GPR预测模型。
5.根据权利要求1或2所述一种基于GPR的设备损伤检测方法，其特征在于：所述计算预测数据与实测数据之间的均方误差平均值这一步骤，其具体包括：
计算多组预测数据与实测数据之间的均方误差，从而得到多个均方误差；
对多个均方误差进行平均值计算，从而得到均方误差平均值。
6.根据权利要求5所述一种基于GPR的设备损伤检测方法，其特征在于：所述预测数据与实测数据之间的均方误差，其所采用的均方误差计算公式如下所示：
<mrow> <mi>M</mi> <mi>S</mi> <mi>E</mi> <mo>=</mo> <mi>s</mi> <mi>u</mi> <mi>m</mi> <mrow> <mo>(</mo> <msup> <mrow> <mo>(</mo> <mrow> <mi>p</mi> <mi>r</mi> <mi>e</mi> <mi>d</mi> <mi>i</mi> <mi>c</mi> <mi>t</mi> <mi>i</mi> <mi>o</mi> <mi>n</mi> <mo>-</mo> <mi>t</mi> <mi>e</mi> <mi>s</mi> <mi>t</mi> <mo>_</mo> <mi>o</mi> <mi>u</mi> <mi>t</mi> <mi>p</mi> <mi>u</mi> <mi>t</mi> <mi>s</mi> </mrow> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>*</mo> <mo>(</mo> <mfrac> <mn>100</mn> <mrow> <mi>n</mi> <mi>p</mi> <mi>t</mi> <mi>s</mi> <mo>_</mo> <mi>t</mi> <mo>*</mo> <mi>var</mi> <mrow> <mo>(</mo> <mi>t</mi> <mi>e</mi> <mi>s</mi> <mi>t</mi> <mo>_</mo> <mi>o</mi> <mi>u</mi> <mi>t</mi> <mi>p</mi> <mi>u</mi> <mi>t</mi> <mi>s</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>)</mo> <mo>)</mo> </mrow> </mrow>
其中，MSE表示为预测数据与实测数据之间的均方误差，prediction表示为预测数据，test_outputs表示为实测数据，npts_t表示为实测数据的输入长度，var(test_outputs)表示为实测数据的方差。
7.根据权利要求1或2所述一种基于GPR的设备损伤检测方法，其特征在于：所述均方误差的置信区间[a,b]的计算公式如下所示：
<mrow> <mi>a</mi> <mo>=</mo> <mover> <mrow> <mi>M</mi> <mi>S</mi> <mi>E</mi> </mrow> <mo>&amp;OverBar;</mo> </mover> <mo>-</mo> <mi>k</mi> </mrow>
<mrow> <mi>b</mi> <mo>=</mo> <mover> <mrow> <mi>M</mi> <mi>S</mi> <mi>E</mi> </mrow> <mo>&amp;OverBar;</mo> </mover> <mo>+</mo> <mi>k</mi> </mrow>
其中，表示为均方误差平均值，a表示为均方误差的置信区间的下限数值，b表示为均方误差的置信区间的上限数值，-k表示为下限数值，+k表示为上限数值。
8.根据权利要求7所述一种基于GPR的设备损伤检测方法，其特征在于：所述k为3σ，其中，σ为均方误差标准差。
9.根据权利要求1或2所述一种基于GPR的设备损伤检测方法，其特征在于：所述根据均方误差的置信区间，从而对设备进行损伤判断这一步骤，其包括：
当判断出均方误差的置信区间的下限数值大于基准置信区间的上限数值时，则表示设备存有损伤，输出提示信号；其中，所述基准置信区间指的是在设备健康状态下计算得出的均方误差的置信区间。
10.一种基于GPR的设备损伤检测系统，其特征在于：该系统包括：
采集模块，用于采集由传感器所输出的时间域响应数据；
标准化处理模块，用于对采集到的时间域响应数据进行数值标准化处理后得到实测数据；
第一计算模块，用于将实测数据输入至GPR预测模型进行处理，从而得到预测数据；
第二计算模块，用于计算预测数据与实测数据之间的均方误差平均值；
置信区间确定模块，用于根据计算得出的均方误差平均值、上限数值和下限数值，从而确定得到均方误差的置信区间；
检测判定模块，用于根据均方误差的置信区间，从而对设备进行损伤判断。
CN201710267243.5A 2017-04-21 2017-04-21 一种基于gpr的设备损伤检测方法及系统 Active CN107194034B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710267243.5A CN107194034B (zh) 2017-04-21 2017-04-21 一种基于gpr的设备损伤检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710267243.5A CN107194034B (zh) 2017-04-21 2017-04-21 一种基于gpr的设备损伤检测方法及系统

Publications (2)

Publication Number Publication Date
CN107194034A true CN107194034A (zh) 2017-09-22
CN107194034B CN107194034B (zh) 2021-05-28

Family

ID=59872807

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710267243.5A Active CN107194034B (zh) 2017-04-21 2017-04-21 一种基于gpr的设备损伤检测方法及系统

Country Status (1)

Country Link
CN (1) CN107194034B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111414999A (zh) * 2020-04-27 2020-07-14 新智数字科技有限公司 一种设备运行状态的监测方法及装置
CN111638672A (zh) * 2020-06-05 2020-09-08 昆山艾控智能科技有限公司 一种工业机台的自动控制系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070260378A1 (en) * 2005-12-05 2007-11-08 Clodfelter James F Apparatus for detecting subsurface objects with a reach-in arm
CN102831325A (zh) * 2012-09-04 2012-12-19 北京航空航天大学 一种基于高斯过程回归的轴承故障预测方法
CN103234753A (zh) * 2013-04-11 2013-08-07 华北电力大学 基于高斯过程建模的风电机组轴系状态监测方法
CN103336906A (zh) * 2013-07-15 2013-10-02 哈尔滨工业大学 环境传感器的采集数据流中连续异常检测的抽样gpr方法
US20140100827A1 (en) * 2012-10-08 2014-04-10 Siemens Corporation Construction of entropy-based prior and posterior probability distributions with partial information for fatigue damage prognostics
CN104297004A (zh) * 2014-09-18 2015-01-21 天津大学 基于ar-arx模型的桥梁实时损伤预警方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070260378A1 (en) * 2005-12-05 2007-11-08 Clodfelter James F Apparatus for detecting subsurface objects with a reach-in arm
CN102831325A (zh) * 2012-09-04 2012-12-19 北京航空航天大学 一种基于高斯过程回归的轴承故障预测方法
US20140100827A1 (en) * 2012-10-08 2014-04-10 Siemens Corporation Construction of entropy-based prior and posterior probability distributions with partial information for fatigue damage prognostics
CN103234753A (zh) * 2013-04-11 2013-08-07 华北电力大学 基于高斯过程建模的风电机组轴系状态监测方法
CN103336906A (zh) * 2013-07-15 2013-10-02 哈尔滨工业大学 环境传感器的采集数据流中连续异常检测的抽样gpr方法
CN104297004A (zh) * 2014-09-18 2015-01-21 天津大学 基于ar-arx模型的桥梁实时损伤预警方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
R. FUENTES等: ""Autoregressive Gaussian processes for structural damage detection"", 《PROCEEDINGS OF ISMA2014 INCLUDING USD2014》 *
彭喜元等: "《数据驱动的故障预测》", 31 March 2016, 哈尔滨工业大学出版社 *
曾国强: ""无损检测技术在公路桥梁中的应用"", 《江西建材》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111414999A (zh) * 2020-04-27 2020-07-14 新智数字科技有限公司 一种设备运行状态的监测方法及装置
CN111414999B (zh) * 2020-04-27 2023-08-22 新奥新智科技有限公司 一种设备运行状态的监测方法及装置
CN111638672A (zh) * 2020-06-05 2020-09-08 昆山艾控智能科技有限公司 一种工业机台的自动控制系统
CN111638672B (zh) * 2020-06-05 2024-01-16 昆山艾控智能科技有限公司 一种工业机台的自动控制系统

Also Published As

Publication number Publication date
CN107194034B (zh) 2021-05-28

Similar Documents

Publication Publication Date Title
CN105155599B (zh) 水泥土搅拌桩远程信息监测及分析的装置与方法
CN105716814B (zh) 一种评估桁架结构损伤的实时监测系统及其方法
CN101761780A (zh) 输气管道泄漏检测定位装置及其检测定位方法
CN108050396A (zh) 一种流体管道泄漏源监测定位系统及方法
CN103163215B (zh) 大型矿用振动筛疲劳裂纹的脉冲涡流检测装置与方法
CN107324214A (zh) 海洋平台起重机智能状态监测方法
CN102901560A (zh) 一种海洋导管架平台结构安全综合监测系统
WO2022100084A1 (zh) 一种工业设备异常振动检测装置
CN110160724A (zh) 一种建筑抗震支吊架性能状态监测方法
CN102499625A (zh) 红外遥控视力自动测量装置及测试方法
CN202614273U (zh) 一种火电厂传感器故障诊断装置
CN107194034A (zh) 一种基于gpr的设备损伤检测方法及系统
CN102257448A (zh) 使用切换模型进行机器状况监视的文件的滤波和预测
CN107784182B (zh) 一种基于模态分析的输电铁塔沉降识别方法
CN103528634A (zh) 一种科里奥利质量流量计云传输数字信号处理装置及方法
CN104750926A (zh) 基于节点曲率和小波分析的变截面梁损伤识别方法
CN112283593A (zh) 一种关阀检测管网漏损的物联网系统及其漏损检测方法
CN113344275B (zh) 一种基于lstm模型的浮式平台波浪爬升在线预报方法
CN104048165B (zh) 管道泄漏诊断的方法
CN107973230A (zh) 一种起重机全工况油耗监测系统及方法
CN106596025B (zh) 基于冲激响应的公路隧道悬挂风机基础稳定性检测方法及系统
CN103994859B (zh) 一种高精度在线动平衡检测控制系统和方法
CN113625133A (zh) 一种配电设备局部放电的在线监测反馈系统及方法
CN107121493A (zh) 一种设备损伤检测方法及系统
CN102998367B (zh) 一种基于虚拟派生结构的损伤识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: Room 101 and 201, building C3, No. 11, Kaiyuan Avenue, Huangpu District, Guangzhou City, Guangdong Province

Patentee after: Guangzhou mingluo Equipment Co.,Ltd.

Patentee after: GUANGZHOU MINGLUO SOFT CONTROL INFORMATION TECHNOLOGY CO.,LTD.

Address before: 510530 Unit A and Second Floor of Building C3, No.11 Kaiyuan Avenue, Guangzhou High-tech Industrial Development Zone, Guangdong Province

Patentee before: GUANGZHOU MINO AUTOMOTIVE EQUIPMENT Co.,Ltd.

Patentee before: GUANGZHOU MINGLUO SOFT CONTROL INFORMATION TECHNOLOGY CO.,LTD.