CN110532512A - 基于大数据分析的设备失效模式诊断特征参量分析方法 - Google Patents

Abstract

本发明涉及基于大数据分析的设备失效模式诊断特征参量分析方法。本发明先通过检验样本获得设备的失效或故障模式，进一步通过极大似然估计后的函数f对特征参数求偏导数，通过偏导数绝对值的大小来判定特定失效或故障模式中不同特征参数的重要度。即通过对偏导数绝对值进行排序，就可以识别出设备失效或故障模式的关键特征参量，这为开展设备的失效或故障模式诊断指明了方向。

Description

基于大数据分析的设备失效模式诊断特征参量分析方法

技术领域

本发明属于设备运行维护领域，具体是涉及基于大数据分析的设备失效模式诊断特征参量分析方法。

背景技术

设备在长周期运行过程中，由于一个或多个部件发生损伤，进而引发失效往往会影响设备功能的实现。常规的设备失效或故障诊断中，通常是通过对设备外在运行参数的监测(如振动监测、速度监测、温度监测、压力监测、流量监测、噪声水平监测等)，从引发这些失效的机理出发研究判定设备可能发生的失效或故障模式，进一步利用部件损伤或失效的类型与被监测参数之间的对应关系判定设备发生失效的部位或部件。这种传统的故障诊断方法在设备的失效或故障分析与诊断中占主导地位。当设备涉及复杂的流固耦合、或设备中部件数量多、部件相互耦合强烈时，由于很难建立信号特征与失效部位或部件的直接对应关系，往往导致设备失效/故障的误诊断或关键影响因素的误分析。

发明内容

为了解决上述技术问题，本发明提供基于大数据分析的设备失效模式诊断特征参量分析方法。

为了实现本发明的目的，本发明采用了以下技术方案：

基于大数据分析的设备失效模式诊断特征参量分析方法，包括以下步骤：

步骤1、设备分类判断：

步骤1-1、对设备进行监测并获得N个表征设备运行状态的特征参数，所述N个特征参数构成一组矩阵并记为

步骤1-2、通过上述N个特征参数，确定设备属于W种失效或故障模式中的一种并记为C_k，即C_k∈{C₁,C₂,...,C_k,...,C_w}，其中{C₁,C₂,...,C_k,...,C_w}表示W种失效或故障模式的集合；

步骤1-3、将上述包含N个特征参数且失效或故障模式为C_k的样本记为式中为的转置矩阵；

步骤1-4、对于由M组样本构成的样本集以及每组样本对应的失效或故障模式用以下样本矩阵形式表示为：

式(1)中k_i＝1,2,...,W；C_ki为第i组样本矩阵对应的设备失效或故障模式；

步骤1-5、假设上述样本集中隶属于相同失效或故障模式的样本数量有M₂组且1≤M₂≤M，并将这M₂组样本的失效或故障模式记为C_k，那么这M₂组样本以及每组样本对应的失效或故障模式用以下子样本矩阵形式表示为：

上述子样本矩阵T₁展开后如下：

式(2)中，样本矩阵T₁中任意特征参数表示为x_i,j且x_i,j表示第i组样本中的第j个特征参数；这M₂组样本中，第j个特征参数的均值表示为：

通过式(3)计算获得M₂组样本中所有特征参数的均值向量

步骤1-6，将上述子样本矩阵T₁中各特征参数减去相应的特征均值后，获得归一化后新的子样本矩阵：

将新的子样本矩阵中任意元素x_i,j-μ_j记为y_i,j，得到：

计算式(4)中的新的子样本矩阵的协方差矩阵，得到：

那么对于任意检验样本该样本属于C_k失效或故障模式时各特征参数的联合分布概率计算如下：

上式(6)取对数后得到似然函数：

通过上述步骤即可获得任意检验样本隶属于W种不同失效或故障模式时所对应的似然函数；当似然函数lnL达到最大值时即检验样本隶属于对应的失效或故障模式的可能性最大；

步骤2、判断检验样本中特征参数对失效或故障模式影响的程度：

步骤2-1、令函数

对式(8)求对第j个特征参数x_j的偏导数可得：

上述∑_k ^-1为协方差矩阵∑_k的逆矩阵；

步骤2-2、分析的大小关系：

通过式(9)计算获得检验样本中每个特征参数的偏导数，当值越大，则说明对应的特征参数x_j对设备隶属于C_k失效或故障模式的影响越大，也即特征参数x_j为关键特征参量。

本发明的有益效果在于：

(1)本发明先通过检验样本获得设备的失效或故障模式，进一步通过极大似然估计后的函数f对特征参数求偏导数，通过偏导数绝对值的大小来判定特定失效或故障模式中不同特征参数的重要度。即通过对偏导数绝对值进行排序，就可以识别出设备失效或故障模式的关键特征参量，这为开展设备的失效或故障模式诊断指明了方向。

(2)利用本发明可以计算获得隶属于同一失效或故障模式的不同检验样本中关键特征参量的分布情况，以此来判定设备隶属于对应的失效或故障模式是否合理。若该失效或故障模式中检验样本的关键特征参量集中在少数，则判定设备隶属于对应的失效或故障模式是合理明确的。若该失效或故障模式中检验样本的关键特征参量分布较为分散，说明设备隶属于该失效或故障模式是不明确的，需要依据设备的运行状态对设备的失效/故障进行更明确的分类，以便开展有针对性的故障诊断。

(3)依据本发明提出的算法，可以利用隶属于同一失效或故障模式分类中检验样本的关键特征参量的分布特性，来估算设备所有的失效或故障模式分类的科学性。当检验样本中的关键特征参量集中分布时，可以认为本发明对设备的失效或故障模式分类的效果是可接受的，当关键特征参量分散分布时，则需要对设备所有的失效或故障模式分类进行进一步的检验。

(4)依据本发明提出的算法，当仅从似然函数难以分辨检验样本所属的失效或故障模式分类时，可以通过计算样本中特征参数的偏导数，来获得各特征参数对所属的失效或故障模式分类的影响程度的排序来进一步判断检验样本所属的分类。

具体实施方式

下面结合实施例对本发明技术方案做出更为具体的说明：

基于大数据分析的设备失效模式诊断特征参量分析方法，包括以下步骤：

步骤1、设备分类判断：

步骤1-1、针对某设备的运行情况，对设备进行监测并获得包括尺寸、锈点面积等N(N＝10)个表征设备运行状态的特征参数，所述N个特征参数构成一组矩阵并记为

步骤1-2、通过上述N个特征参数，确定设备属于W种失效或故障模式中的一种并记为C_k，即C_k∈{C₁,C₂,...,C_k,...,C_w}，其中{C₁,C₂,...,C_k,...,C_w}表示W种失效或故障模式的集合，本实施例中具体包括划伤、污渍、其他缺陷等共7种失效或故障模式，集合为{C₁,C₂,C₃,C₄,C₅,C₆,C₇}；

步骤1-3、将上述包含N个特征参数且失效或故障模式为C_k的样本记为式中为的转置矩阵；

步骤1-4、对于由1941组样本构成的样本集以及每组样本对应的失效或故障模式用以下样本矩阵形式表示为：

本实施例中，

式(1)中k_i＝1,2,3,4,5,6,7；C_ki为第i组样本矩阵对应的设备失效或故障模式；

步骤1-5、假设上述样本集中隶属于第k种(k＝5)失效或故障模式的样本数量有M₂组且1≤M₂≤M，并将这M₂组样本的失效或故障模式记为C_k＝C₅，那么这M₂组样本以及每组样本对应的失效或故障模式用以下子样本矩阵形式表示为：

上述子样本矩阵T₁展开后如下：

式(2)中，样本矩阵T₁中任意特征参数表示为x_i,j且x_i,j表示第i组样本中的第j个特征参数；这M₂组样本中，第j个特征参数的均值表示为：

通过式(3)计算获得M₂组样本中所有特征参数的均值向量

步骤1-6，将上述子样本矩阵T₁中各特征参数减去相应的特征均值后，获得归一化后新的子样本矩阵：

将新的子样本矩阵中任意元素x_i,j-μ_j记为y_i,j，得到：

计算式(4)中的新的子样本矩阵的协方差矩阵，得到：

其中j₁不等于j₂且j₁、j₂＝1,2,...,10；

本实施例中：

那么对于任意检验样本该样本属于C_k失效或故障模式时各特征参数的联合分布概率计算如下：

上式(6)取对数后得到似然函数：

通过上述步骤即可计算获得任意检验样本隶属于7种不同失效或故障模式时所对应的似然函数；当似然函数lnL达到最大值时即检验样本隶属于对应的失效或故障模式的可能性最大。

步骤2、判断检验样本中特征参数对失效或故障模式影响的程度：

步骤2-1、因为式(7)中，当特定的分类C_k确定后，ln(|∑_k|)和Nln(2π)均为常数，故对于同一分类C_k而言，样本中对似然函数取值影响最大的分项为

所以令函数

利用式(8)求第j个特征参数x_j的偏导数可得：

上述∑_k ^-1为协方差矩阵∑_k的逆矩阵；

若协方差矩阵的逆阵∑_k ^-1第i行第j列元素为a_i,j，中第j个元素记为y_j，则对任一分类C_k，省略分类编号字母k后，上式可简化为：

如对1941个样本的后30％用于检验(即总共583个检验样本)，可计算得到的各分类中不同特征参数的偏导数据。如对某失效或故障模式分类为C₁的样本，该样本中不同特征参数的偏导数如下：

步骤2-2、分析的大小关系：

通过式(9)计算获得检验样本中每个特征参数的偏导数，当值越大，则说明对应的特征参数x_j对设备隶属于C_k失效或故障模式的影响越大，也即特征参数x_j为关键特征参量；反之，当值越小，则说明对应的特征参数x_j对设备隶属于C_k失效或故障模式的影响越小；

即从以上失效或故障模式分类为C₁的样本的计算结果可以看出，取到最大的是第8个特征参数，显示第8个特征参数对分类的影响最大，且是关键特征参量，第3个特征参数次之。类似地，对不同的样本计算得到对设备失效或故障模式分类影响最大的关键特征参量及其在对应的分类中样本所占的比例，如下表1：

表1 影响设备失效或故障模式分类的关键特征参量及失效或故障模式分类的识别率

根据上表所示：对于分类为C₁-C₆的设备失效或故障模式中，通过计算函数f对特征参数取偏导得到的最关键特征参量呈集中分布，说明影响这些失效或故障的特征参量是明确的，这些特征参量是影响该分类的关键因素。如对分类C₁影响最为直接的是第8个关键特征参量，对于C₂，影响最直接的是第2、8个特征参量。而对于分类C₇，影响最大的特征参量呈分散分布。依据本发明提出的算法表明，失效或故障分类为C₁-C₆的设置是合理的，表明特定的失效或故障与特定的关键特征参量有关，相应地建立的分类具有较高的识别率(除分类C₅外，首选+次选识别率达到92％以上)。而分类C₇(其他缺陷)的分类是不合理的，隶属该分类的213个样本中，关键特征参量呈分散分布，表明没有明确的特征参量对应该失效或故障模式(实际上该缺陷分类标记为“其他缺陷”，没有明确缺陷特征)，这导致该缺陷分类的识别率降低(未识别率达到26％)。

Claims (1)

1.基于大数据分析的设备失效模式诊断特征参量分析方法，其特征在于包括以下步骤：

步骤1、设备分类判断：

步骤1-1、对设备进行监测并获得N个表征设备运行状态的特征参数，所述N个特征参数构成一组矩阵并记为

步骤1-2、通过上述N个特征参数，确定设备属于W种失效或故障模式中的一种并记为C_k，即C_k∈{C₁,C₂,...,C_k,...,C_w}，其中{C₁,C₂,...,C_k,...,C_w}表示W种失效或故障模式的集合；

步骤1-3、将上述包含N个特征参数且失效或故障模式为C_k的样本记为式中为的转置矩阵；

步骤1-4、对于由M组样本构成的样本集以及每组样本对应的失效或故障模式用以下样本矩阵形式表示为：

式(1)中k_i＝1,2,...,W；C_ki为第i组样本矩阵对应的设备失效或故障模式；

步骤1-5、假设上述样本集中隶属于相同失效或故障模式的样本数量有M₂组且1≤M₂≤M，并将这M₂组样本的失效或故障模式记为C_k，那么这M₂组样本以及每组样本对应的失效或故障模式用以下子样本矩阵形式表示为：

上述子样本矩阵T₁展开后如下：

式(2)中，样本矩阵T₁中任意特征参数表示为x_i,j且x_i,j表示第i组样本中的第j个特征参数；这M₂组样本中，第j个特征参数的均值表示为：

通过式(3)计算获得M₂组样本中所有特征参数的均值向量

步骤1-6，将上述子样本矩阵T₁中各特征参数减去相应的特征均值后，获得归一化后新的子样本矩阵：

将新的子样本矩阵中任意元素x_i,j-μ_j记为y_i,j，得到：

计算式(4)中的新的子样本矩阵的协方差矩阵，得到：

那么对于任意检验样本该样本属于C_k失效或故障模式时各特征参数的联合分布概率计算如下：

上式(6)取对数后得到似然函数：

通过上述步骤即可获得任意检验样本隶属于W种不同失效或故障模式时所对应的似然函数；当似然函数lnL达到最大值时即检验样本隶属于对应的失效或故障模式的可能性最大；

步骤2、判断检验样本中特征参数对失效或故障模式影响的程度：

步骤2-1、令函数

对式(8)求对第j个特征参数x_j的偏导数可得：

上述∑_k ^-1为协方差矩阵∑_k的逆矩阵；

步骤2-2、分析的大小关系：

通过式(9)计算获得检验样本中每个特征参数的偏导数，当值越大，则说明对应的特征参数x_j对设备隶属于C_k失效或故障模式的影响越大，也即特征参数x_j为关键特征参量。