CN109711453A - 一种基于多变量的设备动态健康状态评估方法 - Google Patents

Abstract

本发明公开了一种基于多变量的设备动态健康状态评估方法，利用综合显著‑偏置卷积神经网络和递减最大熵模糊聚类结合的多变量模型进行设备动态健康状态评估，减少了训练时间，提高了模型的精度和泛化能力，同时能够根据环境动态分配故障阈值，满足设备真实工作情况，实现对设备精确健康状态评估与寿命预测。

Description

一种基于多变量的设备动态健康状态评估方法

技术领域

本发明涉及数据驱动的设备故障预测的技术领域，尤其涉及到一种基于多变量的设备动态健康状态评估方法。

背景技术

在过去的几十年中，设备维护功能变得越来越重要。高工业要求的基础设施需要更高的可靠性，意外的停机对维护功能的影响可能是很大的，轻则使得设备中的某些功能不能正常运转，导致停机，降低生产效率。重则造成机械设备的严重损坏，甚至发生灾难性事故，带来具大的经济损失的同时，还有可能造成人员伤亡。因此，在有限的维护资源和人员情况下，及时维护是很难达到的，传统的维修遵循故障和修复的做法可能导致增加停机时间。所以预防性维护策略渐渐地被人们提出，设备故障预测与健康状态评估应运而生。设备健康状态评估的目的是弄清设备运行过程中所处的健康状态，对设备从正常状态到其完全失效这一过程的整体把握，实时掌握设备的健康状态，并且精确预测故障发生时间，以便消除故障，及时维护更新设备，使系统保持正常高效的工作。

传统的健康状态评估主要基于管理人员积累的经验进行评估，对设备的运行状态与各参数的正常取值范围进行比较判断。当超出阀值时,就认为不健康。基于经验知识方法的健康评估简单方便。但该方法存在很大的人为因素，导致基于经验知识的健康评估执行起来精度不高，而且不适合实时的设备健康评估。随着先进的传感器技术在工业设备中的广泛应用，工业设备中积累了的大量的过程状态监测数据，如何利用状态监测数据进行设备预测式健康管理，成为当前研究的热点。

最相似的实现方案是利用自适应增量局部线性嵌入LLE(Locally LinearEmbedding)与支持向量机SVM(Support Vector Machine)集成的健康状态评估方法，该方案利用LLE进行数据降维与去除相关性与冗余性，然后将约简的数据利用SVM进行训练，根据预测数据进行计算不同健康状态与正常状态之间的相对距离。最后将一致性相对补偿距离作为健康状态评估指标、建立评估模型，拟合出性能退化评估曲线。

以上方法在一定程度上实现了设备健康状态评估，然而健康评估的指标通常利用人为设置状态阈值，同时假设了设备具有固定的健康状态，实际上，不同的工作环境甚至相同的环境，相同的设备也具有不同的健康状态，并且由于缺乏对于设备全面故障模式机理知识，固定划分的健康状态会导致评估结果出现偏差。

发明内容

本发明的目的在于克服现有技术的不足，提出一种可以在动态环境变化、相同的设备可能具有不同的健康状态的情况下，进行动态健康状态评估的方法。

为实现上述目的，本发明所提供的技术方案为：

一种基于多变量的设备动态健康状态评估方法，利用综合显著-偏置卷积神经网络和递减最大熵模糊聚类结合的多变量模型进行设备动态健康状态评估；具体如下：

模型分成离线与在线两部分；

离线部分包括：SOCNN多变量预测模型与分类器的构建；给定具有多维特征的训练数据集L，根据特征空间的维数，利用SOCNN算法建立多变量预测因子Pi，并用m个案例的数据进行训练；随后，使用S-MEFC算法针对多维特征训练集构建q个无监督分类器，每个分类器CL具有不同数量的状态，使得在线部分可动态分配故障阈值；

在线部分包括：多步多变量预测、离散状态的估计与健康状态评估；对于在线阶段，考虑包含监控数据TFi形成多变量信号，直到某个临界时刻tc，在该时间点，设备多变量预测开始初始化；在健康状态评估开始之前，由于监测数据TF 的每个索引可以与特定的分类器CL具有相似性，通过计算分类器和TFi的索引之间的距离相似度，动态地分配阈值；预测初始化完成后，进行多步多变量预测；从tc时刻开始利用SOCNN进行迭代多步预测，直到多变量预测到达动态分配的故障阈值；此时设备健康评估完成，得出在临界时刻tc的设备状态，同时预测出设备的故障前的剩余寿命。

进一步地，所述根据特征空间的维数，利用SOCNN算法建立多变量预测因子 Pi，并用m个案例的数据进行训练的具体步骤如下：

假设给出一个多变量时间序列R代表实数域，d代表d维，代表目的为预测x_n元素子集的相对未来值；即一个多变量时间序列的相对未来值y_n如下：

上述中，为x_n的特征子集；设1到M个多变量时间序列为：考虑y_n的以下估计

其中，F，S：是SOCNN神经网络，σ为在每一行上独立的归一化激活函数，即

对于任意和σ，使得σ(a)^T1_M＝1对于任意一个α_i∈R^M；表示Hadamard矩阵乘法；

中的求和超过了括号中矩阵的列，因此输出向量的第i元素为矩阵的第i行的线性组合，考虑S为完全卷积的网络和F的形式。

其中，和偏移网络的映射关系：off：为一个多层感知器，在这种情况下，F看作投影之和并且将长度为1的所有核的卷积网络重写方程得到如下方程：

其中，W_m，S_m(·)表示矩阵W和S(·)的第m个列；

将该网络称为显著性-偏移卷积神经网络SOCNN，而S和off称为显著性和偏移子网络。

进一步地，所述使用S-MEFC算法针对多维特征训练集构建q个无监督分类器中，S-MEFC算法的具体步骤如下：

步骤1：考虑包含n维时间序列的N个未标记样本的训练数据集L_D，L_D如下：

利用SC算法通过训练集L_D来获得所有N个样本多维数据的所有簇c，与所有簇的初始聚类中心V^old；聚类中心为矩阵

步骤2：用MEI计算模糊划分矩阵U：

U＝[μ_ij]_c×N

式中，N表示样本数，c表示簇数，μ_ij表示第j个簇中第i个对象的隶属度，μ_ij的计算公式如下：

上式中，σ代表模糊参数，由用户选择用于进一步调整中心位置并为每个数据点分配隶属度；

聚类中的关键是比较两数据之间的相似性，因此，利用标准化的欧几里得距离D_SE计算数据相似性，其计算公式如下：

其中，SD为标准偏差，x_ik为训练集中第i行第k列元素，v_jk为聚类中心矩阵 V中的第j行k列元素；

步骤3：使用MEFC算法更新簇分区矩阵U和聚类中心矩阵V^new，V^new中的每个元素计算公式如下：

式中，x_i代表n维的向量，即训练集中的第i行的行向量；

步骤4：重复步骤2和3直到满足终止标准ε

||V^new-V^old||＜ε。

与现有技术相比，本方案原理和优点如下：

目前针对设备动态健康状态评估的研究更多地针对固定的健康状态数目，进行固定的故障阈值分配，这与实际工作情况相反。本方案构建设备健康状态评估与剩余寿命预测模型(即综合显著-偏置卷积神经网络和递减最大熵模糊聚类结合的多变量模型)，减少了训练时间，提高了模型的精度和泛化能力，同时能够根据环境动态分配故障阈值，满足设备真实工作情况，实现对设备精确健康状态评估与寿命预测。

附图说明

图1为本发明一种基于多变量的设备动态健康状态评估方法中使用到的评估模型的结构图；

图2为本发明一种基于多变量的设备动态健康状态评估方法中SOCNN体系结构方案图；

具体实施方式

下面结合具体实施例对本发明作进一步说明：

本实施例所述的一种基于多变量的设备动态健康状态评估方法，利用SOCNN(Significance-Offse Convolutional Neural Network)与S-MEFC(Subtractive MaximumEntropy Fuzzy Clustering)结合的多变量模型进行设备动态健康状态评估，模型结构如图1所示。

该模型分成离线与在线两部分：

离线部分包括：SOCNN多变量预测模型与分类器的构建。给定训练数据集L 具有多维特征。根据特征空间的维数，利用SOCNN算法建立多变量预测因子Pi，并用m个案例的数据进行训练。随后，使用S-MEFC算法针对多维特征训练集构建 q个无监督分类器。每个分类器CL具有不同数量的状态，这使得在线部分能够动态分配故障阈值。

其中，根据特征空间的维数，利用SOCNN算法建立多变量预测因子Pi，并用 m个案例的数据进行训练的具体步骤如下：

假设给出一个多变量时间序列R代表实数域，d代表d维，代表目的为预测x_n元素子集的相对未来值；即一个多变量时间序列的相对未来值y_n如下：

上述中，为x_n的特征子集；设1到M个多变量时间序列为：考虑y_n的以下估计

其中，F，S：是SOCNN神经网络，σ为在每一行上独立的归一化激活函数，即

对于任意和σ，使得σ(a)^T1_M＝1对于任意一个α_i∈R^M；表示Hadamard矩阵乘法；

中的求和超过了括号中矩阵的列，因此输出向量的第i元素为矩阵的第i行的线性组合，考虑S为完全卷积的网络和F的形式。

其中，和偏移网络的映射关系：off：为一个多层感知器，在这种情况下，F看作投影之和并且将长度为1的所有核的卷积网络重写方程得到如下方程：

其中，W_m，S_m(·)表示矩阵W和S(·)的第m个列；

将该网络称为显著性-偏移卷积神经网络SOCNN，而S和off称为显著性和偏移子网络。

网络方案如图2所示。注意，当off≡0和σ≡1时，该模型简化了对每个维的dI分离_AR(M)模型的集合。

而对于设备健康状态的评估，不仅需要执行精确的预测，而且需要在正确的时间停止预测。

分类器负责预测范围的确定；使用多步多变量预测输出评估被监测设备的健康状态并动态设置故障阈值。传统的方法应用模糊均值聚类方法估计退化状态来处理故障阈值问题和以无监督的方式管理未标记数据。然而这些方法共同的缺点是状态数是预先假定的，而实际应用上是不固定的。

为了识别未被标记的数据，聚类模型是必须的。此外，还必须表示未标记的多维数据的不确定性，如设备不同健康状态之间的转换。因此，本实施例利用 S-MEFC算法来评估设备状态。S-MEFC算法充分利用了基于密度的减法聚类算法 (Subtractive Clustering，SC)和基于划分的最大熵模糊聚类算法(Maximum Entropy Fuzzy Clustering，MEFC)的优势。SC算法是一种一次性的方法来计算具有密度函数的数值数据聚类中心，可用于提供诸如MEFC等算法的簇和初始中心的数目。但它不能代表聚类数据的不确定性，因此需要结合MEFC算法。MEFC 算法通过最大熵推理(Maximum Entropy Inference MEI)保证了处理不精确数据的最大公平性，使隶属度函数的偏置选择最小化。与其他聚类算法相比，MEFC 为聚类数据提供更清晰的实际意义。也意味着更靠近聚类中心的数据点有更加明确的相关关系。具体算法步骤如下：

步骤1：考虑包含n维时间序列的N个未标记样本的训练数据集L_D，L_D如下：

利用SC算法通过训练集L_D来获得所有N个样本多维数据的所有簇c，与所有簇的初始聚类中心V^old；聚类中心为矩阵

步骤2：用MEI计算模糊划分矩阵U：

U＝[μ_ij]_c×N

式中，N表示样本数，c表示簇数，μ_ij表示第j个簇中第i个对象的隶属度，μ_ij的计算公式如下：

上式中，σ代表模糊参数，由用户选择用于进一步调整中心位置并为每个数据点分配隶属度；

聚类中的关键是比较两数据之间的相似性，因此，利用标准化的欧几里得距离D_SE计算数据相似性，其计算公式如下：

其中，SD为标准偏差，x_ik为训练集中第i行第k列元素，v_jk为聚类中心矩阵 V中的第j行k列元素；

步骤3：使用MEFC算法更新簇分区矩阵U和聚类中心矩阵V^new，V^new中的每个元素计算公式如下：

式中，x_i代表n维的向量，即训练集中的第i行的行向量；

步骤4：重复步骤2和3直到满足终止标准ε

||V^new-V^old||＜ε。

上述通过集成预测模型和分类模型来执行预测以执行同时预测和设备健康评估可实现剩余寿命估计，但现有的方法都有一个共同的缺点：即事先假设连续观测的设备健康状态数目。这种假设在设备退化的情况下是不现实的。因为每个设备的退化表现会根据环境变化而变化。因此每个设备在故障之前都有不同的状态数目或退化等级。因此本实施例提出一个动态的故障阈值分配方法。

该方法利用在离线部分建立的模型，动态故障阈值分配在在线部分进行。

在线部分包括：多步多变量预测、离散状态的估计与健康状态评估。对于在线阶段，考虑包含监控数据TFi形成多变量信号，直到某个临界时刻tc，在该时间点，设备多变量预测开始初始化。

在健康状态评估(包括剩余寿命的计算)开始之前，由于监测数据TF的每个索引可以与特定的分类器CL具有相似性。通过计算分类器和TFi(例如索引＝1：tc的多维数据)的索引之间的距离相似度(欧式距离)，动态地分配阈值。(例如TFi的索引与第i个分类器CLi匹配，CLi具有4种健康状态，则意味着故障在第4种状态出现。则可以将故障阈值动态分配)。这一步完成了预测初始化。最后进行多步多变量预测。从tc时刻开始利用SOCNN进行迭代多步预测，直到多变量预测到达动态分配的故障阈值。此时设备健康评估完成，可得出在临界时刻tc的设备状态，同时可预测出设备的故障前的剩余寿命。

本实施例构建设备健康状态评估与剩余寿命预测模型(即综合显著-偏置卷积神经网络和递减最大熵模糊聚类结合的多变量模型)，减少了训练时间，提高了模型的精度和泛化能力，同时能够根据环境动态分配故障阈值，满足设备真实工作情况，实现对设备精确健康状态评估与寿命预测。

以上所述之实施例子只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (3)

1.一种基于多变量的设备动态健康状态评估方法，其特征在于，利用综合显著-偏置卷积神经网络和递减最大熵模糊聚类结合的多变量模型进行设备动态健康状态评估；具体如下：

模型分成离线与在线两部分；

离线部分包括：SOCNN多变量预测模型与分类器的构建；给定具有多维特征的训练数据集L，根据特征空间的维数，利用SOCNN算法建立多变量预测因子Pi，并用m个案例的数据进行训练；随后，使用S-MEFC算法针对多维特征训练集构建q个无监督分类器，每个分类器CL具有不同数量的状态；

在线部分包括：多步多变量预测、离散状态的估计与健康状态评估；对于在线阶段，考虑包含监控数据TFi形成多变量信号，直到某个临界时刻tc，在该时间点，设备多变量预测开始初始化；在健康状态评估开始之前，由于监测数据TF的每个索引可以与特定的分类器CL具有相似性，通过计算分类器和TFi的索引之间的距离相似度，动态地分配阈值；预测初始化完成后，进行多步多变量预测；从tc时刻开始利用SOCNN进行迭代多步预测，直到多变量预测到达动态分配的故障阈值；此时设备健康评估完成，得出在临界时刻tc的设备状态，同时预测出设备的故障前的剩余寿命。

2.根据权利要求1所述的一种基于多变量的设备动态健康状态评估方法，其特征在于，所述根据特征空间的维数，利用SOCNN算法建立多变量预测因子Pi，并用m个案例的数据进行训练的具体步骤如下：

假设给出一个多变量时间序列R代表实数域，d代表d维，代表目的为预测x_n元素子集的相对未来值；即一个多变量时间序列的相对未来值y_n如下：

上述中，为x_n的特征子集；设1到M个多变量时间序列为：考虑y_n的以下估计

其中，F，S：是SOCNN神经网络，σ为在每一行上独立的归一化激活函数，即

对于任意和σ，使得σ(a)^T1_M＝1对于任意一个α_i∈R^M；表示Hadamard矩阵乘法；

中的求和超过了括号中矩阵的列，因此输出向量的第i元素为矩阵的第i行的线性组合，考虑S为完全卷积的网络和F的形式；

其中，和偏移网络的映射关系：off：为一个多层感知器，在这种情况下，F看作投影之和并且将长度为1的所有核的卷积网络重写方程得到如下方程：

其中，W_m,S_m(·)表示矩阵W和S(·)的第m个列；

将该网络称为显著性-偏移卷积神经网络SOCNN，而S和off称为显著性和偏移子网络。

3.根据权利要求1所述的一种基于多变量的设备动态健康状态评估方法，其特征在于，所述使用S-MEFC算法针对多维特征训练集构建q个无监督分类器中，S-MEFC算法的具体步骤如下：

步骤1：考虑包含n维时间序列的N个未标记样本的训练数据集L_D，L_D如下：

利用SC算法通过训练集L_D来获得所有N个样本多维数据的所有簇c，与所有簇的初始聚类中心V^old；聚类中心为矩阵

步骤2：用MEI计算模糊划分矩阵U：

U＝[μ_ij]_c′N

式中，N表示样本数，c表示簇数，μ_ij表示第j个簇中第i个对象的隶属度，μ_ij的计算公式如下：

上式中，σ代表模糊参数，由用户选择用于进一步调整中心位置并为每个数据点分配隶属度；

聚类中的关键是比较两数据之间的相似性，因此，利用标准化的欧几里得距离D_SE计算数据相似性，其计算公式如下：

其中，SD为标准偏差，x_ik为训练集中第i行第k列元素，v_jk为聚类中心矩阵V中的第j行k列元素；

步骤3：使用MEFC算法更新簇分区矩阵U和聚类中心矩阵V^new，V^new中的每个元素计算公式如下：

式中，x_i代表n维的向量，即训练集中的第i行的行向量；

步骤4：重复步骤2和3直到满足终止标准ε

||V^new-V^old||<ε。