CN108960654A - 一种面向机器学习的装备部件健康管理方法及系统 - Google Patents

Abstract

本发明涉及装备部件健康管理技术领域，具体涉及一种面向机器学习的装备部件健康管理方法及系统，通过建立状态趋势分析体系，判断部件状态健康程度，建立装备部件的健康评估体系，对所述整体装备或其中某个部件在评估阶段表现的健康进行评估，进而建立装备部件的决策优化体系，有效评估装备部件的健康状态，对健康状态不佳的装备或某个部件系统提出建议。

Description

一种面向机器学习的装备部件健康管理方法及系统

技术领域

本发明涉及装备部件健康管理技术领域，具体涉及一种面向机器学习的装备部件健康管理方法及系统。

背景技术

指故障预测和健康管理(PHM)是为了满足自主保障、自主诊断的要求而提出的，是基于状态的维修CBM(视情维修)的升级发展。它强调资产设备管理中的状态感知，监控设备健康状况、故障频发区域与周期，通过数据监控与分析，预测故障的发生，从而大幅度提高运维效率。要实现PHM，除了物理基础条件保障外，既需要大数据分析技术，又需要非常密集的行业知识、经验和模型作为支撑。

诊断是产品(装备)在预期的使用状态下，通过评估其健康状态变化，监控健康状态、预测剩余使用寿命的过程；健康管理是利用诊断信息对相关安全、基于状态维修、确保产品充足库存的决策。PHM允许产品在实际生命周期内系统可靠性的扩展使用。

PHM强调装备管理中的状态感知、数据监控与分析，监控设备健康状况、故障频发区域与周期，预测故障的发生，从而大幅度提高运维效率。

PHM分析模型包括故障诊断模型、寿命预测模型、决策支持模型、信息反馈与机器学习模型、数据处理模型、特征提取模型。

诊断和预测分析方法包括三类：物理失效模式、数据驱动模式、融合模式。物理失效模式分析是装备产品失效的根本原因，包括地点、方式和部件，是建立在产品寿命周期内以可靠性为基础、评估物理部件配置、识别部件失效评估预测的方法论。数据驱动模式分析是在使用实时和历史数据基础上，以统计概率分析获得评估、决策、预测产品剩余寿命和可靠性的方法。融合模式是物理失效模式和数据驱动模式两者相结合的分析方法。

故障诊断与预测都是对客观事物状态的一种判断，故障诊断与预测包括认知模型、功能及性能信息(基于故障状态信息)使用中表现出来的异常现象信息(基于异常现象信息)、使用中所承受的环境应力和工作应力信息(基于使用环境信息)、预置损伤标尺的状态信息(基于损伤标尺信息)等。

基于异常现象信息的故障诊断与故障预测，在非正常工作状态下所表现出来或可侦测到的异常现象(振动、噪声、污染、温度、电磁场等)进行故障诊断，并基于趋势分析进行故障预测。大多数机械产品由于存在明显的退化过程，多采用这种故障诊断与预测方式。

基于异常现象信息进行故障诊断与故障预测的是基于历史统计数据、故障输入获得的数据等各类已知信息，针对当前产品异常现象特征，进行故障损伤程度的判断及故障预测。概率分析方法、人工神经网络、专家系统、模糊集、被观测对象物理模型等都可以用于建立异常现象与故障损伤关系模型。概率趋势分析模型通过异常现象对应的关键参数集，依据历史数据建立各参数变化与故障损伤的概率模型(退化概率轨迹)，与当前多参数概率状态空间进行比较，进行当前健康状态判断与趋势分析。神经网络(ANN)趋势分析模型利用ANN的非线性转化特征，及其智能学习机制，来建立监测到的故障现象与产品故障损伤状态之间的联系。利用已知的“异常特征－故障损伤”退化轨迹，或通过故障注入建立与特征分析结果关联的退化轨迹，对ANN模型进行“训练/学习”；然后，利用“训练/学习”后的ANN依据当前产品特征对产品的故障损伤状态进行判断。由于ANN具有自适应特征，因此可以利用非显式特征信息来进行“训练/学习”与故障损伤状态判断。基于系统模型进行趋势分析利用建立被观测对象动态响应模型(包括退化过程中的动态响应)，针对当前系统的响应输出，进行参数辨识，对照正常状态下的参数统计特性，进行故障模式确认、故障诊断和故障预测。

基于损伤标尺信息。数据融合及综合诊断与预测综合利用来自多种信息源的、多参数、多传感器信息，以及历史与经验信息，以减小故障诊断与预测的差错，提高置信度。数据融合时要考虑的主要问题是各种来源的信息的可信程度/精确度的差异，常用的方法有权重/表决、贝叶斯推理、卡尔曼滤波、神经网络、隐含马尔科夫模型、渐进式蒙特卡洛模型、专家系统、模糊逻辑等方法。

PHM技术的发展经历了故障诊断、故障预测、系统集成三个日益完善的阶段，在部件级和系统级两个层次。当前PHM技术的发展体现在以系统级集成应用为牵引，提高故障诊断与预测精度、扩展健康监控的应用对象范围，支持基于状态的维修与自主保障的发展。

在PHM系统集成应用方面，体现在针对故障预测的不确定性，如何进行风险—收益分析，实现容忍不确定性的保障决策。在提高故障诊断与预测精度方面，体现在研究混合及智能数据融合技术，加强经验数据与故障输入数据的积累，提高诊断与预测置信度及监控途径和数据精度。在扩展应用对象范围方面，体现在向电子产品故障预测的扩展。

国内的公司已拥有几十年海量的数据，却无法自己开发PHM系统。这个难点就是模型，怎么评价健康模型是开发PHM系统面临的一个基本问题。这就是工业技术体系如何将专家经验和实践经验相结合，这也正是工业化的核心。

发明内容

本发明提供一种面向机器学习的装备部件健康管理方法及系统，能有效评估装备部件的健康状态，对健康状态不佳的装备或某个部件系统提出建议。

本发明提供的一种面向机器学习的装备部件健康管理方法包括以下步骤：

A、建立装备部件的状态趋势分析体系；

B、建立装备部件的健康评估体系；

C、建立装备部件的决策优化体系，根据装备部件的多维变量，对健康状态不佳的装备或某个部件系统提出建议。

进一步，所述步骤A具体包括：

进行装备部件的状态趋势分析，通过自主关联部件的相关多维变量，提取部件的状态趋势变化特征，结合正常和异常状态机器学习技术得到的知识体系，建立状态趋势分析体系，判断部件状态健康程度。

进一步，所述进行装备部件的状态趋势分析具体还包括：

根据装备系统的特征，选择趋势预测模型，建立状态趋势分析体系：

当已知对象为精确的数学模型，且系统复杂度较低时，采用基于模型的趋势预测模型；

当无需精确的数学模型，且知识复杂度较低时，采用基于知识的趋势预测模型；

当完全不考虑对象模型特征，且关键数据比较明确时，采用基于数据的趋势预测模型。

进一步，所述步骤B具体包括：

定义整体装备或其中某个部件的健康评估模型，自主加载知识管理系统中的专家知识，关联健康评估模型相关信息，对所述整体装备或其中某个部件在评估阶段表现的健康进行评估。

进一步，所述定义整体装备或其中某个部件的健康评估模型具体包括：

定义装备健康状态，确定不同对象的健康标准；

确定评估的原则，包括标准各级健康状态选择原则、健康指标选取原则、评估体系选取原则、外部网络影响评估原则；

建立制造过程健康状态的评估指标体系，先建立制造过程的部件健康状态指标，再基于制造过程的部件健康状态指标建立制造过程的分系统指标、继而逐级往上建立制造过程的装备指标，从而形成制造过程健康状态的评估指标体系；

建立制造过程健康评估方法，包括部件评估、分系统评估和装备评估。

进一步，所述步骤C具体包括：

定义装备部件或整体决策支持任务，结合大量已有案例和机器学习后得到的知识库，从而建立装备部件的状态决策体系，根据装备部件的多维变量，对健康状态不佳的装备或某个部件系统提出建议。

一种面向机器学习的装备部件健康管理系统，其特征在于，包括控制模块和存储控制指令的存储模块，控制模块读取所述指令执行以下步骤：

A、建立装备部件的状态趋势分析体系；

B、建立装备部件的健康评估体系；

C、建立装备部件的状态决策体系，根据装备部件的多维变量，对健康状态不佳的装备或某个部件系统提出建议。

进一步，所述步骤A中控制模块读取所述指令具体执行步骤为：

进行装备部件的状态趋势分析，通过自主关联部件的相关多维变量，提取部件的状态趋势变化特征，结合正常和异常状态机器学习技术得到的知识体系，建立状态趋势分析体系，判断部件状态健康程度。

进一步，所述步骤B中控制模块读取所述指令具体执行步骤为：

定义整体装备或其中某个部件的健康评估模型，自主加载知识管理系统中的专家知识，关联健康评估模型相关信息，对所述整体装备或其中某个部件在评估阶段表现的健康进行评估。

进一步，所述步骤C中控制模块读取所述指令具体执行步骤为：

定义装备部件或整体决策支持任务，结合大量已有案例和机器学习后得到的知识库，从而建立装备部件的状态决策体系，根据装备部件的多维变量，对健康状态不佳的装备或某个部件系统提出建议。

本发明的有益效果是：本发明公开一种面向机器学习的装备部件健康管理方法及系统，通过建立状态趋势分析体系，判断部件状态健康程度，建立装备部件的健康评估体系，对所述整体装备或其中某个部件在评估阶段表现的健康进行评估，建立装备部件的决策优化体系，能有效评估装备部件的健康状态，对健康状态不佳的装备或某个部件系统提出建议。

附图说明

下面结合附图和实例对本发明作进一步说明。

图1是本发明一种面向机器学习的装备部件健康管理方法的流程图；

图2是本发明一种面向机器学习的装备部件健康管理方法的状态趋势体系结构示意图；

图3是本发明一种面向机器学习的装备部件健康管理方法的健康评估体系结构示意图；

图4是本发明一种面向机器学习的装备部件健康管理方法的健康评估模型结构示意图；

图5是本发明一种面向机器学习的装备部件健康管理方法的决策支持体系结构示意图。

具体实施方式

参考图1～5，本发明提供的一种面向机器学习的装备部件健康管理方法及系统，所述方法包括以下步骤：

A、建立装备部件的状态趋势分析体系；

B、建立装备部件的健康评估体系；

C、建立装备部件的决策优化体系，根据装备部件的多维变量，对健康状态不佳的装备或某个部件系统提出建议。

进一步，所述步骤A具体包括：

进行装备部件的状态趋势分析，通过自主关联部件的相关多维变量，提取部件的状态趋势变化特征，结合正常和异常状态机器学习技术得到的知识体系，建立状态趋势分析体系，判断部件状态健康程度。

进一步，所述进行装备部件的状态趋势分析具体还包括：

根据装备系统的特征，选择趋势预测模型，建立状态趋势分析体系：

当已知对象为精确的数学模型，且系统复杂度较低时，采用基于模型的趋势预测模型；

当无需精确的数学模型，且知识复杂度较低时，采用基于知识的趋势预测模型；

当完全不考虑对象模型特征，且关键数据比较明确时，采用基于数据的趋势预测模型。

进一步，所述步骤B具体包括：

定义整体装备或其中某个部件的健康评估模型，自主加载知识管理系统中的专家知识，关联健康评估模型相关信息，对所述整体装备或其中某个部件在评估阶段表现的健康进行评估。

进一步，所述定义整体装备或其中某个部件的健康评估模型具体包括：

定义装备健康状态，确定不同对象的健康标准；

确定评估的原则，包括标准各级健康状态选择原则、健康指标选取原则、评估体系选取原则、外部网络影响评估原则；

建立制造过程健康状态的评估指标体系，先建立制造过程的部件健康状态指标，再基于制造过程的部件健康状态指标建立制造过程的分系统指标、继而逐级往上建立制造过程的装备指标，从而形成制造过程健康状态的评估指标体系；

建立制造过程健康评估方法，包括部件评估、分系统评估和装备评估。

进一步，所述步骤C具体包括：

定义装备部件或整体决策支持任务，结合大量已有案例和机器学习后得到的知识库，从而建立装备部件的状态决策体系，根据装备部件的多维变量，对健康状态不佳的装备或某个部件系统提出建议。

一种面向机器学习的装备部件健康管理系统，其特征在于，包括控制模块和存储控制指令的存储模块，控制模块读取所述指令执行以下步骤：

A、建立装备部件的状态趋势分析体系；

B、建立装备部件的健康评估体系；

C、建立装备部件的状态决策体系，根据装备部件的多维变量，对健康状态不佳的装备或某个部件系统提出建议。

进一步，所述步骤A中控制模块读取所述指令具体执行步骤为：

进行装备部件的状态趋势分析，通过自主关联部件的相关多维变量，提取部件的状态趋势变化特征，结合正常和异常状态机器学习技术得到的知识体系，建立状态趋势分析体系，判断部件状态健康程度。

进一步，所述步骤B中控制模块读取所述指令具体执行步骤为：

定义整体装备或其中某个部件的健康评估模型，自主加载知识管理系统中的专家知识，关联健康评估模型相关信息，对所述整体装备或其中某个部件在评估阶段表现的健康进行评估。

进一步，所述步骤C中控制模块读取所述指令具体执行步骤为：

定义装备部件或整体决策支持任务，结合大量已有案例和机器学习后得到的知识库，从而建立装备部件的状态决策体系，根据装备部件的多维变量，对健康状态不佳的装备或某个部件系统提出建议。

结合基于相似性测量、支持向量机、神经网络和受限玻尔兹曼基的故障预测模型，将健康特征指数作为改进后的故障预测体系的输入数据，获得一定置信度下的预测结果。

以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，都应属于本发明的保护范围。

Claims (10)

1.一种面向机器学习的装备部件健康管理方法，其特征在于，包括以下步骤：

A、建立装备部件的状态趋势分析体系；

B、建立装备部件的健康评估体系；

C、建立装备部件的决策优化体系，根据装备部件的多维变量，对健康状态不佳的装备或某个部件系统提出建议。

2.根据权利要求1所述的一种面向机器学习的装备部件健康管理方法，其特征在于，所述步骤A具体包括：

进行装备部件的状态趋势分析，通过自主关联部件的相关多维变量，提取部件的状态趋势变化特征，结合正常和异常状态机器学习技术得到的知识体系，建立状态趋势分析体系，判断部件状态健康程度。

3.根据权利要求2所述的一种面向机器学习的装备部件健康管理方法，其特征在于，所述进行装备部件的状态趋势分析具体还包括：

根据装备系统的特征，选择趋势预测模型：

当已知对象为精确的数学模型，且系统复杂度较低时，采用基于模型的趋势预测模型；

当无需精确的数学模型，且知识复杂度较低时，采用基于知识的趋势预测模型；

当完全不考虑对象模型特征，且关键数据比较明确时，采用基于数据的趋势预测模型。

4.根据权利要求1所述的一种面向机器学习的装备部件健康管理方法，其特征在于，所述步骤B具体包括：

定义整体装备或其中某个部件的健康评估模型，自主加载知识管理系统中的专家知识，关联健康评估模型相关信息，对所述整体装备或其中某个部件在评估阶段表现的健康进行评估。

5.根据权利要求4所述的一种面向机器学习的装备部件健康管理方法，其特征在于，所述定义整体装备或其中某个部件的健康评估模型具体包括：

定义装备健康状态，确定不同对象的健康标准；

确定评估的原则，包括标准各级健康状态选择原则、健康指标选取原则、评估体系选取原则、外部网络影响评估原则；

建立制造过程健康状态的评估指标体系，先建立制造过程的部件健康状态指标，再基于制造过程的部件健康状态指标建立制造过程的分系统指标、继而逐级往上建立制造过程的装备指标，从而形成制造过程健康状态的评估指标体系；

建立制造过程健康评估方法，包括部件评估、分系统评估和装备评估。

6.根据权利要求1所述的一种面向机器学习的装备部件健康管理方法，其特征在于，所述步骤C具体包括：

定义装备部件或整体决策支持任务，结合大量已有案例和机器学习后得到的知识库，从而建立装备部件的状态决策体系，根据装备部件的多维变量，对健康状态不佳的装备或某个部件系统提出建议。

7.一种面向机器学习的装备部件健康管理系统，其特征在于，包括控制模块和存储控制指令的存储模块，控制模块读取所述指令执行以下步骤：

A、建立装备部件的状态趋势分析体系；

B、建立装备部件的健康评估体系；

C、建立装备部件的状态决策体系，根据装备部件的多维变量，对健康状态不佳的装备或某个部件系统提出建议。

8.根据权利要求7所述的一种面向机器学习的装备部件健康管理系统，其特征在于，所述步骤A中控制模块读取所述指令具体执行步骤为：

进行装备部件的状态趋势分析，通过自主关联部件的相关多维变量，提取部件的状态趋势变化特征，结合正常和异常状态机器学习技术得到的知识体系，建立状态趋势分析体系，判断部件状态健康程度。

9.根据权利要求7所述的一种面向机器学习的装备部件健康管理系统，其特征在于，所述步骤B中控制模块读取所述指令具体执行步骤为：

定义整体装备或其中某个部件的健康评估模型，自主加载知识管理系统中的专家知识，关联健康评估模型相关信息，对所述整体装备或其中某个部件在评估阶段表现的健康进行评估。

10.根据权利要求7所述的一种面向机器学习的装备部件健康管理系统，其特征在于，所述步骤C中控制模块读取所述指令具体执行步骤为：

定义装备部件或整体决策支持任务，结合大量已有案例和机器学习后得到的知识库，从而建立装备部件的状态决策体系，根据装备部件的多维变量，对健康状态不佳的装备或某个部件系统提出建议。