CN109214522B - 一种基于多属性的设备性能退化评估方法 - Google Patents

Abstract

本发明公开了一种基于多属性的设备性能退化评估方法，使用三层小波包分解算法对设备的性能退化数据样本进行分析，并将得到的第三层节点的能量特征作为设备性能退化的特征向量，实现数据变化的多尺度特征提取；然后，基于K‑means聚类方法对设备正常状态下的特征集进行聚类分析，获得设备正常状态的聚类中心、最大聚类半径及其最大夹角，融合三者作为设备性能退化状态评估的基准；构建能够描述设备运行状态变化的距离和夹角，并基于此建立设备退化状态的度量指标，最终实现设备性能退化的有效分析。本发明能够准确及时地分析设备性能退化程度，有针对性地制定设备的维护计划或者替换计划。

Description

一种基于多属性的设备性能退化评估方法

技术领域

本发明属于设备安全技术领域，具体涉及一种基于多属性的设备性能退化评估方法。

背景技术

设备在服役运行过程中由正常到完全失效会经历一系列不同程度的性能退化状态，为了保障设备的安全、可靠运行，需要通过退化过程的监测，准确及时地分析其性能退化程度，有针对性地制定设备的维护计划或者替换计划。因此，利用设备服役过程中性能监测数据进行设备性能退化的分析语评估，对于防止因设备失效而带来事故损失具有重要的意义，也是目前研究的热点问题。

在实际中常利用设备的全寿命周期数据对相关算法和参数模型进行训练，得到设备的性能退化模型，实现退化评估。然而在实际中，设备运行周期长且失效样本难以收集，其数据具有不完备性，即所获得的数据仅仅包括正常模式及使用过程中退化模式数据。针对这种情况，人们提出了利用设备正常状态数据建立起评估基准，使用设备当前状态与基准之间的偏离程度来计算设备的性能退化程度。然而，现有方法多从单一属性的角度(如距离)描述退化数据与正常状态数据之间的偏离程度，缺乏从多个属性角度进行相似性度量分析，其有效性难以保证；同时设备正常状态下数据特征的有效表征将是分析性能退化的基准，现有方法缺乏从数据变化的总体特征进行考虑，从而难以保证正常状态表征的有效性。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于多属性的设备性能退化评估方法，分析结果精度更高，能够更早地发现设备的早期故障，促进设备服役质量的提升。

本发明采用以下技术方案：

一种基于多属性的设备性能退化评估方法，使用三层小波包分解算法对设备的性能退化数据样本进行分析，并将得到的第三层节点的能量特征作为设备性能退化的特征向量，实现数据变化的多尺度特征提取；然后，基于K-means聚类方法对设备正常状态下的特征集进行聚类分析，获得设备正常状态的聚类中心C、最大聚类半径D及其最大夹角α，融合三者作为设备性能退化状态评估的基准；构建能够描述设备运行状态变化的距离d和夹角β，并基于此建立设备退化状态的度量指标DI，最终实现设备性能退化的有效分析。

具体的，对设备样本数据进行小波包变换提取第三层节点的能量作为特征向量具体如下：

利用小波包变换对设备的数据样本进行分解，将其分解成低频部分与高频部分，当分解到第3层时得到8个节点，将每个节点的小波包能量作为数据的特征。

进一步的，每一节点对应一个子频带，对第j尺度上的第i节点进行小波包数据重构，得到重构数据为r_ji，定义该节点能量E_ji如下：

式中，N为节点i的数据点总数，l为分解节点i数据的第l个点，r_ji是第j层上节点i的第l个小波包系数。

具体的，使用K-means聚类算法获得设备正常状态的聚类中心C及最大聚类半径D，并求取其最大夹角α如下：

式中，CA为聚类中心C到设备正常状态最大聚类半径状态点A处的欧氏距离，OC为原点O到聚类中心C的欧式距离。

具体的，设备运行状态变化的距离d和夹角β如下：

d＝||X-C||₂

式中，d为X与C的欧式距离，β为

与

的夹角。

具体的，设备的退化指标DI如下：

其中，D为正常状态的最大聚类半径，α为正常状态的最大夹角，d为设备当前状态监测数据X与正常状态聚类中心C的欧氏距离，β为

与

的夹角。

具体的，设备性能退化的有效分析具体如下：

DI∈(0,+∞)，当DI＜1时，设备未进入退化状态；当DI＝1时，设备处于退化临界点；当DI＞1时，设备进入退化状态。

与现有技术相比，本发明至少具有以下有益效果：

本发明一种基于多属性的设备性能退化评估方法，使用k-means聚类算提取正常状态的分布特征，可以减弱设备正常运行状态下的异常样本的影响，进而使设备早期退化阈值的确定不受异常样本的影响。该方法以距离和夹角来共同描述设备当前状态与正常状态之间的相似性，构建了基于距离和夹角的综合退化指标DI，能够较为全面准确地描述设备的性能退化，在一定程度上解决了单一指标(如距离)描述不准确的问题。

进一步的，对设备样本数据进行小波包变换提取第三层节点的能量作为特征向量可以兼顾样本数据的时域和频域特征并方便数据特征的提取。

进一步的，求取最大夹角可以用最大夹角，中心和距离三个参数把正常状态的分布情况进行大致的描述。

进一步的，对距离d和夹角β的计算可以更加准确的描述设备的性能状态。

进一步的，设备退化指标DI的计算可以描述设备当前性能状态与正常状态的偏离情况，为评估设备当前性能状态提供参考。

进一步的，设备性能退化分析可以准确及时地分析设备性能退化程度，有针对性地制定设备的维护计划或者替换计划。

综上所述，本发明可以兼顾样本数据的时域和频域特征并方便数据特征的提取，可以用最大夹角，中心和距离三个参数把设备运行正常状态的分布情况进行大致的描述，对距离d和夹角β的计算可以更加准确的描述设备当前的性能状态，设备退化指标DI的计算可以描述设备当前性能状态与正常状态的偏离情况，为评估设备当前性能状态提供参考，设备性能退化分析可以准确及时地分析设备性能退化程度，有针对性地制定设备的维护计划或者替换计划。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为三层小波包分解示意图；

图2为设备性能退化评估基准示意图；

图3为基于数据多属性变化特征的状态偏离示意图；

图4为设备性能退化状态评估流程图；

图5为本发明实施例轴承性能退化曲线，其中，(a)为整体趋势图，(b)为局部放大图；

图6为基于SVDD的轴承性能退化曲线，其中，(a)为整体趋势图，(b)为局部放大图。

具体实施方式

本发明提供了一种基于多属性的设备性能退化评估方法，使用小波包分解获取设备性能退化数据的节点能量作为退化特征，实现数据变化的多尺度特征提取；然后，基于K-means聚类方法对设备正常状态下的特征集进行聚类分析，实现设备正常状态的分布特征的有效表达，为实现退化状态的度量提供基准；在此基础上，构建能够描述设备运行状态变化的两个属性——距离和夹角，并基于此建立设备退化状态的度量指标，最终实现设备性能退化的有效分析。

请参阅图4，本发明一种基于多属性的设备性能退化评估方法，包括以下步骤：

S1、基于小波包分解的设备性能退化特征提取

对设备样本数据进行小波包变换提取第三层节点的能量作为特征向量

使用三层小波包分解算法对设备的性能退化数据样本进行分析，并将得到的第三层节点的能量特征作为设备性能退化的特征向量，如图1所示，图中(0,0)为原始数据，每次分解时树的左枝代表数据中的低频部分，树的右枝代表数据的高频部分。分解到等三层得到8个节点：(3,0)、(3,1)、(3,2)、(3,3)、(3,4)、(3,5)、(3,6)、(3,7)；

利用小波包变换对设备的数据样本进行分解，可以将其分解成低频部分与高频部分，当分解到第3层时可得到8个节点，将每个节点的小波包能量作为数据的特征，其定义如下：

每一节点对应一个子频带，对第j尺度上的第i节点进行小波包数据重构，得到重构数据为r_ji，定义该节点能量为：

式中，N为节点i的数据点总数,l为分解节点i数据的第l个点，r_ji是第j层上节点i的第l个小波包系数。

S2、基于k-means算法的设备性能退化评估基准获取

在特征提取的基础上，使用k-means聚类算法对设备正常运行状态的特征向量样本集进行分析，获得其分布特征即设备正常状态的分布中心C、分布半径D及其最大夹角α，融合三者作为设备性能退化状态评估的基准；

K-Means算法的基本思想如下：对于给定的样本集，按照样本之间的距离大小，将样本集划分为K个簇。使得簇内的点尽量紧密的连在一起，而让簇间的距离尽量的大。主要包含以下内容：

1、样本之间的相似性度量

设给定数据集X＝{x₁,x₂,...,x_n}，其中n为样本数，则样本x_i和x_j之间的相似度度量通常为它们之间的距离d(x_i,x_j)，距离越小则差异度越小，样本x_i和x_j越相似；距离越大则差异越大，x_i和x_j越不相似。基于以上分析，本发明建立基于欧氏距离的相似性度量，公式如下：

d(x_i,x_j)＝||x_i-x_j||₂ (2)

2、簇质心的求取

计算各个簇的平均值，并以其作为质心来代表相应的簇。假设数据集X划分为k个簇(C₁,C₂,...,C_p,...,C_k)，设μ_p是簇C_p的质心，则：

3、评价函数

设数据集X划分为k个簇(C₁,C₂,...,C_p,...,C_k)，聚类的目标是使误差平方和E最小：

K均值算法具体步骤如下：

1)从数据集X＝{x₁,x₂,...,x_n}中随机选取k个样本作为初始聚类中心：{μ₁,μ₁,...,μ_k}；

2)计算样本x_i(i＝1,2...,n)到各聚类中心μ_p(p＝1,2,...,k)的距离

将x_i划分给d_ip最小值所对应的簇C_p；

3)对于p＝1,2,...k，计算簇C_p中所有样本点的平均值，并将其作为新的聚类中心μ_p；

4)计算误差平方和E，若E≤E₀，转入步骤5)，否则重复步骤2)和3)；

5)输出聚类结果(C₁,C₂,...,C_p,...,C_k)。

使用聚类中心、最大聚类半径和最大交角为正常状态的特征，如图2所示，作为性能评价基准，以设备当前状态与正常状态之间的聚类和夹角变化来描述设备的退化程度。图2中C为正常状态的分布中心，D为分布半径(欧氏距离)，α为原点和圆C(C为圆心，D为半径)的切线与线OC的夹角，将其定义为正常状态的最大夹角。

使用K-means聚类算法获得设备正常状态的聚类中心C及最大聚类半径D，并求取其最大夹角α，表达式如下：

式中，CA为聚类中心C到设备正常状态最大聚类半径状态点A处的欧氏距离，OC为原点O到聚类中心C的欧式距离。

S3、提取设备当前运行状态与正常状态(即基准)之间的偏离程度特征，即二者之间的欧氏距离d和夹角β，并基于此获得其性能退化指标DI，如图3所示；

设X为设备当前状态的小波包能量，d为X与C的欧式距离，β为

与

的夹角，表达式如下：

d＝||X-C||₂ (6)

式中，d为X与C的欧式距离，β为

与

的夹角。

为实现设备性能退化指标的构建，本发明以设备当前状态下的数据与正常状态数据的差异来表征的退化状态，综合考虑当前状态与正常状态之间的距离和夹角构建设备的退化指标DI，表达式如下：

式中，D为正常状态的最大聚类半径，α为正常状态的最大夹角，d为设备当前状态监测数据X与正常状态聚类中心C的欧氏距离，β为

与

的夹角；

S4、根据所构建DI值，对设备的运行状态及退化程度进行评估。

由公式(8)可以看出，DI∈(0,+∞)，DI值越大，则表示设备性能退化越严重；当DI＝1时，设备处于退化临界点；当DI＜1时，认为设备未进入退化状态；当DI＞1时，设备进入退化状态。

本发明基于数据多属性变化特征的设备性能退化评估技术，分析结果精度更高，能够更早地发现设备的早期故障，还能够促进设备服役质量的提升。

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例

使用滚动轴承的全寿命数据来验证本发明所提方法的有效性，该数据来源于辛辛那提大学智能维护系统中心。

在实验过程中，参与实验的四个滚动轴承被安装在同一根轴上，且其转速为2000r/min，此外对轴和轴承施加一定的径向载荷(约为6000lb，即26.70kN)。在实验过程中，通过收集润滑油中的轴承碎屑来对轴承的退化程度进行验证，碎屑使用磁性螺栓进行收集。随着实验进行，当磁性螺栓收集到的碎屑量达到了一定的阈值，便停止对实验数据的采集。每个轴承安装有两个加速度传感器(即水平、竖直方向)，每10min便对振动信号(即传感器读数)进行一次采集，进行了3组实验，其结果如表1所示。

表1实验结果

以试验2中的1号滚动轴承作为本章所分析的对象，实验持续时间为：2014.02.12.10.32.39-2014.02.19.06.22.39，每10min采集一次数据，共采集了984个数据文件。为验证本发明所提方法，将1～81个数据文件作为正常样本，且将972～984个数据文件作为失效样本，将82～971共计889个数据作为退化过程数据。基于本发明方法对其进行性能退化分析，可得到轴承1的性能退化曲线如图5所示。

在图5中，图(a)是轴承1的性能退化曲线的整体趋势，图(b)是其局部放大图。图(a)和(b)中的曲线条表示轴承1的性能退化指标DI随时间变化的曲线；轴承1的退化阈值(DI＝1)与退化曲线的交点可以认为是轴承1性能退化开始的时间点；轴承1的失效阈值(DI＝98)，其与退化曲线的交点可以认为是轴承1失效的时间点。

从图5中可知，轴承1的性能退化指标呈现出递增的趋势，代表着其性能在不断地发生退化。性能退化指标DI在样本点535处超出退化阈值进入性能退化阶段，此后DI的递增趋势变大，说明其退化越来越严重。在样本点703附近出现跳跃，可以认为轴承1出现“裂缝”，进入严重退化阶段。而后在样本点703-890之间，DI值出现缓慢的下降和上升，“裂缝”被短暂磨平后急剧恶化直至样本点976附近发生失效。

由上述分析可知，可以将轴承1的性能退化过程简单地划分为4个阶段，即正常阶段(1～535)、早期退化阶段(535～703)、严重退化(703～976)、失效阶段(976-982)。如果能够在轴承进入早期退化阶段时采取措施对轴承进行维护，或者在严重退化阶段及时停机更换轴承，可以避免因轴承失效而带来损失。

为了更一步验证本方法的优势，使用基于SVDD的性能退化状态评估方法对轴承1的性能退化过程进行分析，以此作为对比。

使用SVDD算法得到设备正常运行样本的超球体(球半径r₁)，利用设备当前运行状态与球心之间的距离d₁表示其性能退化程度，对其退化状态进行评估：

(1)d₁＜r₁时，认为设备正常运行；

(2)d₁＞r₁时，认为设备性能发生了退化。现基于SVDD算法对轴承1进行性能退化分析，可得到其性能变化趋势如图6所示，其中图(a)、(b)分别是其整体趋势图和局部放大图。

在图6中，两幅图中的线条表示轴承1的性能退化指标d₁随时间变化的曲线；轴承1的退化阈值(d₁＝0.018)与退化曲线的交点可以认为是轴承1性能退化开始的时间点；轴承1的失效阈值(d₁＝1.36)与退化曲线的交点可以认为是轴承1失效的时间点。

从图6中可知，性能退化指标d₁呈现出递增的趋势，表示轴承1的性能在不断地发生退化，且其整体退化趋势与本方法得到的性能退化指标DI的变化趋势相似，性能退化指标d₁在样本点530处超出退化阈值进入性能退化阶段，此后d₁的递增趋势变大，说明其退化越来越严重。且在样本点700附近出现跳跃，可以认为轴承1出现“裂缝”，进入严重退化阶段，直至样本点975附近失效。但是，从其局部发大图中可知，在轴承的正常运行阶段，d₁波动较大，为退化开始时间的判断带来困难，容易产生误判。

通过对比两种方法得到的轴承的性能退化指标的趋势图，图5和图6可以得到如下结论：

(1)通过本发明方法得到的轴承1性能退化指标与基于其他方法得到的指标值的变化趋势相同，即本发明所提的方法能够描绘出轴承1的性能退化过程；

(2)相比基于SVDD的方法，本发明方法构建的设备性能退化指标DI在设备正常运行阶段的波动相对较为稳定，有利于退化开始时间的确定，能够促进设备服役质量的提升。

以上内容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，均落入本发明权利要求书的保护范围之内。

Claims (1)

1.一种基于多属性的设备性能退化评估方法，其特征在于，使用三层小波包分解算法对设备的性能退化数据样本进行分析，并将得到的第三层节点的能量特征作为设备性能退化的特征向量，实现数据变化的多尺度特征提取；然后，基于K-means聚类方法对设备正常状态下的特征集进行聚类分析，获得设备正常状态的聚类中心C、最大聚类半径D及其最大夹角α，融合三者作为设备性能退化状态评估的基准；构建能够描述设备运行状态变化的距离d和夹角β，并基于此建立设备退化状态的度量指标DI，最终实现设备性能退化的有效分析；

对设备样本数据进行小波包变换提取第三层节点的能量作为特征向量具体如下：

利用小波包变换对设备的数据样本进行分解，将其分解成低频部分与高频部分，当分解到第3层时得到8个节点，将每个节点的小波包能量作为数据的特征，每一节点对应一个子频带，对第j尺度上的第i节点进行小波包数据重构，得到重构数据为r_ji，定义该节点能量E_ji如下：

式中，N为节点i的数据点总数，l为分解节点i数据的第l个点，r_ji是第j层上节点i的第l个小波包系数；

设备运行状态变化的距离d和夹角β如下：

d＝||X-C||₂

式中，d为X与C的欧式距离，β为

与

的夹角；

设备性能退化的有效分析具体如下：

DI∈(0,+∞)，当DI＝1时，设备处于退化临界点；当DI＜1时，设备未进入退化状态；当DI＞1时，设备进入退化状态；

使用K-means聚类算法获得设备正常状态的聚类中心C及最大聚类半径D，并求取其最大夹角α如下：

式中，CA为聚类中心C到设备正常状态最大聚类半径状态点A处的欧氏距离，OC为原点O到聚类中心C的欧式距离；

设备的退化指标DI如下：

其中，D为正常状态的最大聚类半径，α为正常状态的最大夹角，d为设备当前状态监测数据X与正常状态聚类中心C的欧氏距离，β为

与

的夹角。

Images