CN107941537B - 一种机械设备健康状态评估方法 - Google Patents

Abstract

本发明公开了一种机械设备健康状态评估方法。首先利用传感器采集机械设备上主要零部件的状态数据，然后进行特征提取获得特征参数；接着通过离群点检测算法提取出噪声数据和故障数据，仅保留后者；随后进行降维处理获得最终进行评估的特征向量；最后进行设备的状态评估，通过健康状态数据和失效状态数据建立自组织映射神经网络模型，通过熵权理论计算每一组待评估数据的速率影响因子，并带入神经网络进行健康因子计算。本发明实现了对于机械设备的全面状态评估，为机械设备的健康维护提供了依据，避免了不必要的经济损失。

Description

一种机械设备健康状态评估方法

技术领域

本发明属于智能系统技术应用领域，特别涉及了一种机械设备健康状态评估方法。

背景技术

当前，智能制造已成为现代制造业的研究热点，生产装备向智能化方向发展，车间生产过程具有高度复杂性和时变性，当前设备状态诊断大多依靠人工现场分析，通过专家经验知识来完成故障诊断。但是，这种诊断有以下问题：

(1)难以形成通用的系统诊断模型；

(2)运行数据没有得到充分利用；

(3)只能保证设备能继续运行，但能正常工作多久却无法预知，无法在故障早期阶段就对设备的状态做出预测。

对此，迫切需要建立一种自动化的智能设备诊断分析平台，通过智能化的诊断分析使得设备维护人员能够提前预知设备的健康状态和故障的发生，从而提高车间生产效率，降低生产成本，避免发生重大生产事故。机械生产设备通常是由许多复杂的零部件组成。一个零件的失效可能会导致整个设备的故障，机械生产设备的高失效率会造成巨大的经济损失和人员伤亡。因此，有必要监控设备的实时状态。如今，随着传感器和信息技术的发展，机械设备的智能化水平不断地提高，有助于获得更多的信息用于设备状态评估。文献“基于马田系统的滚动轴承初始故障检测和状态监测[硕士学位论文]，兰州，兰州理工大学，2016”分析了轴承的故障诊断技术，对于机械生产设备，故障诊断技术可以探测到故障类型和故障源，但是，它不能评估设备的全局状态或性能。为了提高安全性和可靠性、状态评估是至关重要的。它不仅反映了设备的全局退化程度，为企业提供参考，同时也为下一步的预测和健康管理提供了必要的依据。

但是，现有的状态评估的研究主要集中在零件或部件单元，如轴承和一些电子系统，对于机械设备健康状态的全局评估缺乏充分的研究。考虑到机械设备的复杂性，反映设备的健康状态需要基于零件和部件来展开。由于每个零部件在一个设备中的重要性是不同的，从传感器收集到的状态特征应该给予不同的权重。但是当前对于状态评估的研究，缺乏权重决策的方法。常见的方法就是根据经验给予权重，但这些权重并不能够反映属性数据的变化率。

发明内容

为了解决上述背景技术提出的技术问题，本发明旨在提供一种机械设备健康状态评估方法，克服现有状态诊断技术存在的缺陷，实现机械设备的全局评估。

为了实现上述技术目的，本发明的技术方案为：

一种机械设备健康状态评估方法，包括以下步骤：

(1)利用传感器对机械设备的主要零部件进行状态数据采集；

(2)对于不同零部件的状态数据采用不同的特征提取方法进行特征提取，获得特征参数，将每个零部件的特征参数归为一组，得到每个零部件的特征参数集；

(3)通过离群点检测算法对每个零部件的特征参数集进行离群点检测，获得噪声数据和故障数据，保留反映设备健康状态的故障数据，清楚噪声数据；

(4)对去噪声后的每个零部件的故障数据进行特征降维，然后合成一个特征向量；

(5)重复步骤(1)-(4)若干次，得到若干个特征向量；

(6)通过预设的健康状态数据和失效状态数据对自组织映射神经网络模型进行训练，获得训练后的网络模型；

(7)根据信息熵理论，计算步骤(5)中得到的每一个特征向量的速率影响因子，并将速率影响因子带入自组织映射神经网络，计算健康因子，使得健康因子不仅能反映出当前状态到健康状态的距离程度，而且能反映出数据变化率对健康状态的影响。

进一步地，步骤(3)的具体过程如下：

对于特征参数集D中的某特征点p，将该特征点的k距离记为dist_k(p)，它表示p与另一特征点o∈D的距离，满足至少有k个特征点o′∈D-p,使得d(p,o′)≤d(p,o)，其中d(p,o)表示两个特征点的欧式距离，同时满足至少有k-1个特征点o″∈D-p，使得d(p,o″)＜d(p,o)；将p的k距离邻域记为N_(k)(p)，它包含到p的距离不大于dist_k(p)的所有特征点，即N_(k)(p)＝{q∈D-p|d(p,q)≤dist_k(p)}；

计算p的局部离群点因子LOF_k(p)：

上式中，|N_k(p)|为N_(k)(p)的元素个数，lrd_k(o)、lrd_k(p)分别为特征点o、p的局部可达密度， reachdist_k(p←o)＝max{dist_k(o),d(p,o)}表示特征点o到p的可达距离，reachdist_k(o←p)＝max{dist_k(p),d(p,o)}表示特征点p到o的可达距离；

设定阈值LOF1和LOF2，当LOF_k(p)大于LOF1时，该特征点为故障数据，当LOF_k(p)大于LOF2且小于LOF1时，该特征点为噪声数据。

进一步地，步骤(6)的具体过程如下：

设w_i＝[w_i1,w_i2,...,w_in]为自组织映射神经网络的第i个神经元的权值，W＝[W₁,W₂,...,W_n]为零部件的主观权值，n为输入特征向量的维数，步骤如下：

(a)初始化网络权值；

(b)分别输入健康状态数据的特征向量和失效状态数据的特征向量；

(c)计算映射层权值向量与输入特征向量的距离：

上式中，m为神经元个数，x_i表示第i个输入特征向量，t表示时刻，j＝1,2,…,n；

(d)获得距离值d_j最小所对应的神经元及其邻域；

(e)修正权值向量：

Δw_ij＝w_ij(t+1)-w_ij(t)＝η(t)h_i,j(t)[x_i(t)-w_ij(t)]

上式中，表示高斯函数，d_ij为神经元i与j之间的距离，σ(t)为邻域半径；

(f)重复步骤(b)-(e)，直至训练结束，得到分别对应健康状态数据和失效状态数据的两个神经网络模型。

进一步地，步骤(7)中所述速率影响因子计算公式如下：

f_j＝2-E_j,j＝1,2,...,n

上式中，f_j即为速率影响因子，x_ij为步骤(5)中第i个特征向量的第j个元素；

所述健康因子的计算公式如下：

o_r＝F(min||fWx-w_i||)

上式中，HI即为健康因子，F(*)表示关于*的函数，f为n个f_j组成的向量，x为步骤(5)中的某个特征向量，下标r取1或2，其中o₁为特征向量到健康状态的距离，o₂为特征向量到失效状态的距离，分别由对应健康状态数据和失效状态数据的两个神经网络模型中的神经元权值w_i得到。

进一步地，步骤(4)得到的特征向量的维数不超过10。

采用上述技术方案带来的有益效果：

本发明通过健康状态数据和失效状态数据建立自组织映射神经网络模型，通过熵权理论计算每一组待评估数据的速率影响因子，并代入神经网络进行健康因子计算，求解出的健康因子不仅能反映出当前状态到健康状态的距离程度，而且能反映出数据变化率对健康状态的影响。

附图说明

图1是本发明实施例的流程图。

具体实施方式

以下将结合附图，对本发明的技术方案进行详细说明。

本实施例以汽车装配线生产中使用的皮带提升机为例，说明本发明的基于信息熵和自组织映射神经网络的机械设备健康状态评估方法，如图1所示，其步骤如下。

步骤1、数据采集：利用传感器对皮带提升机的主要零部件进行状态数据采集，包括两个轴承和减速机的振动加速度信号，皮带的位移；

步骤2、提取特征参数：对于不同的数据采用不同的特征提取技术进行特征提取，获得特征参数为提升机运行一次过程中六个不同位置的两个轴承和减速机的振动加速度信号的有效值和峰值，以及位移的最大值；

步骤3、离群点检测：通过基于密度的离群点检测算法对每个零部件的特征参数集进行离群点检测，获得噪声数据和故障数据，由于故障数据能反映设备健康状态而噪声数据为误差数据，所以需要保留故障数据并且清楚噪声数据；

步骤4、数据降维：对去振动有效值和峰值取平均值，然后合成一个特征向量，使得特征向量的维数为7；重复上述步骤，得到多个维数为7的特征向量；

步骤5、自组织映射神经网络模型构建：通过健康状态数据和失效状态数据对自组织映射神经网络模型进行训练，获得训练后的网络模型；

步骤6、计算健康因子：通过信息熵理论，计算每一个特征向量的速率影响因子，并将速率影响因子带入自组织映射神经网络，计算健康因子，使得健康因子不仅能反映出当前状态到健康状态的距离程度，而且能反映出数据变化率对健康状态的影响。

实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (5)

1.一种机械设备健康状态评估方法，其特征在于，包括以下步骤：

(1)利用传感器对机械设备的主要零部件进行状态数据采集；

(2)对于不同零部件的状态数据采用不同的特征提取方法进行特征提取，获得特征参数，将每个零部件的特征参数归为一组，得到每个零部件的特征参数集；

(3)通过离群点检测算法对每个零部件的特征参数集进行离群点检测，获得噪声数据和故障数据，保留反映设备健康状态的故障数据，清楚噪声数据；

(4)对去噪声后的每个零部件的故障数据进行特征降维，然后合成一个特征向量；

(5)重复步骤(1)-(4)若干次，得到若干个特征向量；

(6)通过预设的健康状态数据和失效状态数据对自组织映射神经网络模型进行训练，获得训练后的网络模型；

(7)根据信息熵理论，计算步骤(5)中得到的每一个特征向量的速率影响因子，并将速率影响因子带入自组织映射神经网络，计算健康因子，使得健康因子不仅能反映出当前状态到健康状态的距离程度，而且能反映出数据变化率对健康状态的影响。

2.根据权利要求1所述机械设备健康状态评估方法，其特征在于：步骤(3)的具体过程如下：

对于特征参数集D中的某特征点p，将该特征点的k距离记为dist_k(p)，它表示p与另一特征点o∈D的距离，满足至少有k个特征点o′∈D-p,使得d(p,o′)≤d(p,o)，其中d(p,o)表示两个特征点的欧式距离，同时满足至少有k-1个特征点o″∈D-p，使得d(p,o″)＜d(p,o)；将p的k距离邻域记为N_(k)(p)，它包含到p的距离不大于dist_k(p)的所有特征点，即

N_(k)(p)＝{q∈D-p|d(p,q)≤dist_k(p)}；

计算p的局部离群点因子LOF_k(p)：

上式中，|N_k(p)|为N_(k)(p)的元素个数，lrd_k(o)、lrd_k(p)分别为特征点o、p的局部可达密度， reachdist_k(p←o)＝max{dist_k(o),d(p,o)}表示特征点o到p的可达距离，reachdist_k(o←p)＝max{dist_k(p),d(p,o)}表示特征点p到o的可达距离；

设定阈值LOF1和LOF2，当LOF_k(p)大于LOF1时，该特征点为故障数据，当LOF_k(p)大于LOF2且小于LOF1时，该特征点为噪声数据。

3.根据权利要求1所述机械设备健康状态评估方法，其特征在于：步骤(6)的具体过程如下：

设w_i＝[w_i1,w_i2,...,w_in]为自组织映射神经网络的第i个神经元的权值，W＝[W₁,W₂,...,W_n]为零部件的主观权值，n为输入特征向量的维数，步骤如下：

(a)初始化网络权值；

(b)分别输入健康状态数据的特征向量和失效状态数据的特征向量；

(c)计算映射层权值向量与输入特征向量的距离：

上式中，m为神经元个数，x_i表示第i个输入特征向量，t表示时刻，j＝1,2,…,n；

(d)获得距离值d_j最小所对应的神经元及其邻域；

(e)修正权值向量：

Δw_ij＝w_ij(t+1)-w_ij(t)＝η(t)h_i,j(t)[x_i(t)-w_ij(t)]

上式中，表示高斯函数，d_ij为神经元i与j之间的距离，σ(t)为邻域半径；

(f)重复步骤(b)-(e)，直至训练结束，得到分别对应健康状态数据和失效状态数据的两个神经网络模型。

4.根据权利要求3所述机械设备健康状态评估方法，其特征在于：步骤(7)中所述速率影响因子计算公式如下：

f_j＝2-E_j,j＝1,2,...,n

上式中，f_j即为速率影响因子，x_ij为步骤(5)中第i个特征向量的第j个元素；

所述健康因子的计算公式如下：

o_r＝F(min||fWx-w_i||)

上式中，HI即为健康因子，F(*)表示关于*的函数，f为n个f_j组成的向量，x为步骤(5)中的某个特征向量，下标r取1或2，其中o₁为特征向量到健康状态的距离，o₂为特征向量到失效状态的距离，分别由对应健康状态数据和失效状态数据的两个神经网络模型中的神经元权值w_i得到。

5.根据权利要求1-4中任意一项所述机械设备健康状态评估方法，其特征在于：步骤(4)得到的特征向量的维数不超过10。