CN111538311A

CN111538311A - 一种基于数据挖掘的机械设备柔性多状态自适应预警方法及装置

Info

Publication number: CN111538311A
Application number: CN202010320243.9A
Authority: CN
Inventors: 戴伟; 李亚洲
Original assignee: Beihang University
Current assignee: Beihang University
Priority date: 2020-04-22
Filing date: 2020-04-22
Publication date: 2020-08-14
Anticipated expiration: 2040-04-22
Also published as: CN111538311B

Abstract

本发明提供了一种基于数据挖掘的机械设备柔性多状态自适应预警方法，所述方法包括：对历史信号进行预处理及特征处理；识别当前设备的运行状态；确定初始报警阈值；采集所述当前设备的动态信号；对所述当前设备的监测数据进行相似性分析；建立所述当前设备状态概率模型；以及确定所述当前设备的自适应动态预警值。

Description

一种基于数据挖掘的机械设备柔性多状态自适应预警方法及装置

技术领域

本发明涉及一种基于数据挖掘的机械设备柔性多状态自适应预警方法，通过对运行过程中的机械设备进行多源信号采集并进行信号处理得到特定故障特征集，根据聚类结果将设备分为不同的健康状态并利用核密度估计及概率神经网络的方法对设备当前所处状态进行诊断，自适应的获取不同健康状态下的动态报警阈值。适用于机械设备信号处理、状态检测、故障预警等技术领域。

背景技术

机械设备在现代化工业应用中占据着重要地位，随着设备结构的愈加复杂，对机械设备在线状态监测及进一步诊断与评估也愈加重要。旋转机械作为机械设备中的重要组成元件，其运行状态与设备性能直接相关。保证旋转机械长期高效的正常运转，有利于保证设备长周期、满负荷的优质运转能力，提高生产效率，减少设备资产受损及保障现场人员安全。因此，对机械设备当前状态进行监测、诊断并对其发展做出早期预报具有至关重要意义。

通常的故障诊断是在故障发生后对故障类型进行分类判断的一种事后检测，很难达到防患于未然的作用。预警技术是基础的设备在线状态监测核心技术之一，是以设备的历史及现阶段状态为出发点，通过研究同类设备的发展变化规律，进而对当前设备的未来变化进行预测的事先行为。

目前，绝大多数的预警技术仅依靠固定阈值进行报警，根据监测参数是否超过参数变化的允许值来判断设备的当前运行状态。这种固定阈值通常通过专业人员按照经验的人为规定或根据出厂指标进行设定，不考虑设备实际的运行环境和运行状态。此外，这种现有预警技术还存在划分等级不准确、划分标准不准确及单一参数报警可靠性不足等问题。

因此，立足于设备运行的历史数据，对设备运行状态进行划分，通过相似性理论建立设备状态的概率分布模型，分析模型参数变化以反映设备当前状态，在此基础上设定不同状态的动态报警阈值具有十分重要的意义。而目前关于该方面的研究还较为薄弱，大多标准化组织或企业提供的阈值标准仅起到参考、指导的作用，与设备的实际运行情况变化无关。报警阈值的设定应该根据现场实际运转状况进行动态调整，以适用于当前设备的运转状况，获得设备不同健康状态下的动态自适应报警阈值。基于此，本发明提供了一种基于数据挖掘的机械设备柔性多状态自适应预警方法。

发明内容

预警技术是机械设备状态监测及健康管理的核心技术之一，在实际的企业设备管理中愈加受到重视。传统的预警技术往往基于固定的报警阈值，而不考虑设备实际的运转状态。此外，传统的预警技术仅将设备分为正常及故障两种状态，而不对其故障程度等健康状态进行区分，因而无法针对不同的故障程度对设备健康状态做出更加细致合理的评估。机械设备运行状态进行柔性划分对初始报警阈值的给定及报警的精度有着直接的影响。基于此，本发明提供了一种基于数据挖掘的机械设备柔性多状态自适应预警方法，通过多源传感器获取设备运转时的时变信号，提取信号中的关键特征，结合聚类分析、核密度估计及概率神经网络等理论对设备柔性多状态进行划分，并利用相似性分析的方法自适应的设定相应的动态报警阈值，实现对设备状态的准确判断，以达到提升设备在线运转能力的目的，为后续健康管理等提供相应的技术依据。

根据本发明的一个实施方式提供了一种基于数据挖掘的机械设备柔性多状态自适应预警方法，其特征在于所述方法包括：对历史信号进行预处理及特征处理；识别当前设备的运行状态；确定初始报警阈值；采集所述当前设备的动态信号；对所述当前设备的监测数据进行相似性分析；建立所述当前设备状态概率模型；以及确定所述当前设备的自适应动态预警值。

在一个可选的实施方式中，所述对历史信号进行预处理及特征处理的步骤包括：对所述历史信号进行数据清洗及降噪处理；对该处理后的数据进行特征提取，来提取与所述当前设备的故障信息关联紧密的敏感特征；以及对得到的敏感特征进行归一化处理。

在一个可选的实施方式中，所述历史信号为当前设备，或者与当前设备同类型、同工作环境的设备中，采集的从使用开始到完全故障的全寿命数据的历史信号。

在一个可选的实施方式中，所述识别所述当前设备的运行状态的步骤包括：选择合适的敏感特征；以及在设备状态未知的情况下，通过聚类分析的方式对所述当前设备的运行状况进行辨别，将其分为不同的类别。

在一个可选的实施方式中，所述确定初始报警阈值的步骤包括：通过核密度估计的方法分别得到包括正常数据、包括正常数据及不同故障状态数据的概率模型；将所得到的概率模型中概率分布函数值达到99％处作为报警的初始阈值。

在一个可选的实施方式中，采集所述当前设备的动态信号的步骤包括：根据当前设备的实际工作环境及运转状况，合理布置相应的传感器；以及利用多源传感器采集得到所述当前设备的时序数据。

在一个可选的实施方式中，对所述当前设备的监测数据进行相似性分析的步骤包括：选取已采集到的在线设备数据的部分正常数据；将该选取的部分正常数据的均值与所述历史数据进行相似性分析，得到相似比例；以及由该相似比例得到所述当前设备的各级初始报警阈值。

在一个可选的实施方式中，建立所述当前设备状态概率模型的步骤包括：将所述当前设备的监测数据输入到概率神经网络中进行分析；根据求和结果构建出当前设备的状态概率模型。

在一个可选的实施方式中，确定所述当前设备的自适应动态预警值的步骤包括：在所述初始报警阈值的基础上，以相同时间内的数据为一组，对概率模型进行更新，采用动态3σ阈值法得到新的预警值并将每次更新后的预警值相连，可以得到各级动态预警线。

根据本发明的另一个实施方式，提供了一种设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器运行所述计算机程序时执行根据本发明的实施方式的基于数据挖掘的机械设备柔性多状态自适应预警方法。

根据本发明的另一个实施方式提出了一种基于数据挖掘的机械设备柔性多状态自适应预警方法，其具体的方法步骤如下：

步骤一：历史信号预处理及特征处理：对设备的历史数据进行预处理，首先对原始数据进行数据清洗及降噪处理，对处理后的数据进行特征提取，提取与设备故障信息关联紧密的敏感特征，并对得到的特征进行归一化等处理；

步骤二：设备运行状态识别：选择合适的敏感特征，在设备状态未知的情况下，通过聚类分析的方式对设备运行状况进行辨别，将其分为不同的类别K；

步骤三：初始报警阈值确定：通过核密度估计的方法，分别得到包括正常数据、包括正常数据及不同故障状态数据的概率模型，将概率分布函数值达到99％处作为报警的初始阈值，定义为ω₀；

步骤四：设备动态信号的采集：根据设备的实际工作环境及运转状况，合理布置相应的传感器。利用多源传感器，采集得到在线待测机械设备的时序数据Y＝[Y₁,Y₂,...,Y_n]；

步骤五：在线设备监测数据的相似性分析：选取已采集到的在线设备数据的部分正常数据，将其均值μ与同类设备历史数据进行相似性分析，得到相似比例，定义为η；由该相似比例可以得到当前设备的各级初始报警阈值；

步骤六：建立设备状态概率模型：将在线监测数据输入到概率神经网络中进行分析，根据求和结果构建出设备状态概率模型；

步骤七：确定设备自适应动态预警值：在初始阈值的基础上，以相同时间t内的数据为一组，对概率模型进行更新，采用动态3σ阈值法得到新的预警值并将每次更新后的预警值相连，可以得到各级动态预警线。

其中，在步骤一中所述的“历史数据”，主要是指从与在线使用设备同类型、同工作环境的设备中，采集的从使用开始到完全故障的全寿命数据。

其中，在步骤一中所述的“预处理”，主要是指原始数据清洗及数据的归一化处理。其中“数据清洗”是指在监测数据后，识别并剔除离群点、光滑噪声数据、填写缺失值等一系列操作；而“归一化处理”是指将数据按照比例进行缩放，是指落入小的区间(如0-1区间)以使得不同变量可以进行平等分析和比较。采用0-1归一化处理，其具体作法如下：

其中，x_i表示采集的信号变量在第i时刻的测量值，x_max是信号在该段时间内测量值的最大值，x_min为最小值，

为归一化后的数据。

其中，步骤一中所描述的“特征提取”，主要是采用信号分析的方法提取信号的时域、频域及时频域特征。

其中，步骤二中所描述的“聚类分析”，主要是指利用K均值方法进行不同状态类别区分，其具体做法如下：

记历史数据集为X＝[X₁,X₂,...,X_n]，X₁,X₂,…,X_n为n个传感器对应的n个数据对象，每组数据对象维度为N，即X_i＝[x_i1,x_i2,…,x_iN]。令聚类中心数为K，选取K个初始点作为质心，对应聚类中心的集合为C＝[C₁,C₂,…,C_K]，且

通过计算每个样本到质心的距离表示样本间的相似程度，即类间聚集性。相似程度高的点归到一类，完成一次聚类并计算该类点新的的质心。这样重复计算计算至质心不再更新位置。为使得目标函数最小，须作如下处理：

式中，n_j为类别C_j的数据对象的点数，d(C_j,X_i)为类别中心与数据对象的欧氏距离，用来度量数据间的相似度，计算数值越小，相似性越大。其定义如下：

其中，在步骤三中所述的“核密度估计”，主要用来直观反应特征参数在不同状态下的分布状态，是一种非参数的概率密度估计方法。在实际生产过程中，所采集到的数据往往概率密度函数是未知的，不能确定其具体分布形式，因而用核密度估计法分析这一类缺乏先验知识的分布规律。在本次数据的处理中，等分析的数据为一维数据，采用一维核密度估计的公式：

其中，h为带宽且h＞0，K为一个非负函数成为核函数。这里采用高斯函数为核函数，即

带宽h选取为均方积分误差(MISE) 最小时的值，即：

h_M＝min{E[∫(f_h(x)-f(x))]²dx}

其中，在步骤四中所述的“时序数据”，主要是指通过不同的传感器在线采集到的，可以反映机械设备当前运转状况的监测信号，如温度信号、振动信号、声发射信号等。

其中，在步骤五中所述的“相似性分析”，其主要分析方法为：若在线监测样本的退化变量在近期与某一历史参照样本在某段时间内存在一定的相似，该在线样本相同数量段的历史样本正常数据为

则相似比例为

其中，在步骤六中所述的“概率神经网络”，是一种基于贝叶斯最小风险准则提出来的可用于模式识别的神经网络。其主要结构如图1所示。

首先将随机向量X输入到输入层，并计算输入向量与训练样本向量之间的差值X-x_i，用来代表两者之间的距离；接着将这一差值送入样本层，样本层结点数目与训练样本总数相同，样本层将高度相关的类别进行集中，其输出值为相似度；将这一输出值送入求和层，求和层中每一个结点对应一个类别，通过求和层估计各类的概率并输入到决策层；决策层则将按照贝叶斯优化规则将输入向量归入最大后验概率值的类别中，即进行模式识别。

求和层中需要求和估计各类的概率，通常采用Parzen方法进行计算，公式如下：

其中，X是待识别样本向量，ω_i为所属类别，l是样本向量维数，N_i为类别ω_i的样品数量，{x_i}为训练样本向量，

为平滑参数。对于本发明而言，输入的特征指标均为一维向量，因此上述公式可做如下简化：

其中，x是待识别状态的某一特征，N为训练样品总量，x_i为第i个训练样本值。

其中，在步骤七中所述的“动态3σ阈值法”，是指利用统计学中的3σ 准则得到状态阈值的方法。取得到的一段时间段内敏感特征Z＝[z₁,z₂,...,z_n]， n为特征点数。统计学中的“3σ准则”的前提是数据分布满足正态分布，需要分别计算其均值μ与标准差σ，即：

由此可以得到预知的区间[μ-3σ，μ+3σ]。然而由于实际数据并不满足正态分布，因此这里我们将得到的概率模型中的概率最大处的值替代均值μ。

在初始阈值的基础上，将样本数据，每更新一段时间t后，将新的数据输入模型中进行更新得到新的阈值，不仅增加了实时阈值的精确性，也体现其动态性。这样可以得到随着实际现场设备运行状况自适应调整的动态报警线。其中，对标准差σ的更新利用下式完成：

其中，M为数据样本个数，s_M代表第M个样本的标准差，

为M-1 个样本的均值。

通过以上步骤，能够得到一组根据实时监测数据自适应调整的动态报警阈值线，不仅对所监测设备的类别进行了更加详细的划分、使其后续健康诊断更加精确，同时得到的报警线既增加了实时阈值的精确性，也体现其动态性，对于有效、高效地进行机械设备在线健康状态识别及决策具有十分重要的意义。

本发明的实施方式所提供的一种基于数据挖掘的机械设备柔性多状态自适应预警方法具有以下优点：本发明针对机械设备在运行过程中进行异常状况报警时，预警值无法随实际环境发生改变，限制了设备状态检测与健康诊断技术在现场的应用，提出了基于设备不同状态的概率模型。通过对历史设备采集的数据进行预处理、敏感特征提取、聚类分析及核密度估计，得到历史设备不同状态的阈值，结合在线采集数据对两者进行相似性分析，得到在线设备各状态下的初始阈值。同时利用概率神经网络，可以获得在线设备的状态概率模型，通过动态3σ法对阈值线进行更新，从而可以得到一组根据实时监测数据自适应调整的动态报警阈值线，不仅能够反映在线设备的运行状态，而且能够直观反应设备监测数据的分布范围。

本发明提供了一种基于数据挖掘的机械设备柔性多状态自适应预警方法，是一种指导性的机械设备状态异常报警技术，且方法在实际应用中具有一定的开放性，根据流程中得到的自适应的动态报警阈值线，更加符合现场设备的真实状况，为现场工作人员提供更加可靠的设备状态评估及诊断的指导。

通过参考附图和以下说明，本发明的其它装置、设备、系统、方法、特征和优点将是明显的。包括在本说明书中的所有的另外的这种系统、方法、特征和优点都在本发明的范围内，且由所附权利要求保护。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。通过参考附图可更好地理解本发明。

图1示出了根据本发明的实施方式所使用的概率神经网络的结构图；

图2示出了根据本发明的一个实施方式提供的基于数据挖掘的机械设备柔性多状态自适应预警方法流程图；

图3示出了应用根据本发明的实施方式的一个示例中历史信号降噪前后的对比图；

图4示出了应用根据本发明的实施方式的一个示例中历史信号的聚类结果；

图5示出了应用根据本发明的实施方式的一个示例中历史信号四种状态下的概率密度分布；

图6示出了应用根据本发明的实施方式的一个示例中在线设备不同状态的动态自适应报警曲线。

图中序号、符号、代号说明如下：

X：概率神经网络的输入向量；

X_ij：概率神经网络中样本层的样本，其中i表示类别，j表示该类中的样本数；

f_ij(x)：概率神经网络中样本层与求和层之间的传递函数，其中i表示类别，j表示该类中的样本数；

g_i(x)：概率神经网络中求和层与决策层之间的传递函数，其中i表示类别；

W_i：概率神经网络中求和层的结点个数，每个节点代表一类，其中i表示类别；

RMS：轴承振动信号的均方根值，单位为mm/s；

SSP：轴承振动信号的数据采集点。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

需要注意的是，除非另有说明，本发明使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。

结合附图，在本发明的一个实施例中，对具体实施方法进行详细描述，但本发明不受具体实施方法的限制。图1示出了根据本发明的实施方式所使用的概率神经网络的结构图。图2示出了根据本发明的一个实施方式提供的基于数据挖掘的机械设备柔性多状态自适应预警方法流程图

参考图1-2，根据本发明的一个实施方式提供了一种基于数据挖掘的机械设备柔性多状态自适应预警方法，其特征在于所述方法包括：对历史信号进行预处理及特征处理；识别当前设备的运行状态；确定初始报警阈值；采集所述当前设备的动态信号；对所述当前设备的监测数据进行相似性分析；建立所述当前设备状态概率模型；以及确定所述当前设备的自适应动态预警值。。

在应用根据本发明的实施方式的一个示例性实例中，采用XJTU-SY滚动轴承的全寿命周期数据作为试验依据进行分析。轴承相关参数信息见表1。轴承测试平台可以通过调节包括转速和径向力在内的设备参数改变设备的工况。采用加速度传感器采集设备运行过程中的振动信号，采集频率为 25.6kHz，采样间隔为1min且每次采样的时长为1.28s。

表1测试轴承参数

图2示出了根据本发明的一个实施方式提供的基于数据挖掘的机械设备柔性多状态自适应预警方法流程图。以下参考图2，对本发明的一个实施方式提供的一种基于数据挖掘的机械设备柔性多状态自适应预警方法进行说明。根据本发明的一个实施方式提供的基于数据挖掘的机械设备柔性多状态自适应预警方法可包括以下步骤：

步骤一，历史信号的预处理及特征提取。选取在转速为2100r/min，径向力为12kN的工况下的同类设备历史数据进行研究，对原始振动数据进行数据清洗。选用以db3小波为小波基的小波去噪的方法对全寿命阶段的历史数据进行降噪处理，小波分解层数为6层，原始信号与降噪后信号的时域图如图3所示。

接着对降噪后的历史信号进行特征提取。信号的均方根值(RMS)由于能够描述振动能量的大小，并且能够反映轴承的磨损程度；而小波包能量熵具有较好的抗噪性且子带中能量越大包含的故障信息越明显。因此在本次案例中选取RMS、小波包总能量熵S及节点2小波包能量熵S₂作为敏感特征，并将得到的特征作归一化处理。

步骤二：设备运行状态识别。本案例中，将轴承的运行状态分为正常、轻度异常、中度异常、重度异常4种状态，即K＝4。以选出的敏感特征为聚类参数，根据历史数据，采用K均值聚类方法得到运行工况的聚类中心，如表2所示。K均值聚类的结果展示在图4中。

表2历史数据聚类中心及初始阈值

步骤三：初始报警阈值确定。分别将四种状态的故障数据进行核密度估计，得到相应的概率分布图。将概率分布函数值达到99％处作为初始报警阈值进行划线，得到的结果在图5中进行展示，初始阈值整理至表2。高于重度异常阈值限的部分，认为设备已经处于完全故障状态。

步骤四：在线设备动态信号的采集。在本案例中，仅对轴承运行时的振动信号进行采集。在转速为2100r/min，径向力为12kN的工况下进行实验，采集得到在线运行轴承的正常运行状态下的时序数据为Y＝[Y₁,Y₂,...,Y_n]，n代表一算采样时间内的数据点个数。

步骤五：在线设备监测数据的相似性分析。分别计算历史设备与在现运行轴承在正常运行阶段数据的RMS的均值，分别记为μ₁，μ₂，则可以得知两种设备的相似性比例为：

根据这一比例，可以推出在相同工作环境条件下，在线设备不同状态的初始阈值，如表3所示。

表3在线设备不同状态的初始阈值

步骤六：建立设备状态概率模型。将在线监测数据输入到一维的概率神经网络模型中，由概率神经网络可以建立设备运行状态的概率模型。

步骤七：确定设备自适应动态预警值。根据前面提到的动态预警值的计算方法，将每多10个周期(即8000个采样点)的数据输入模型中进行更新，并将每次的预警值相连，可以得到各级动态预警线，如图6所示。

为归一化后的数据。

记历史数据集为X＝[X₁,X₂,…,X_n]，X₁,X₂,…,X_n为n个传感器对应的n个数据对象，每组数据对象维度为N，即X_i＝[x_i1,x_i2,…,x_iN]。令聚类中心数为K，选取K个初始点作为质心，对应聚类中心的集合为C＝[C₁,C₂,...,C_K]，且

带宽h选取为均方积分误差(MISE) 最小时的值，即：

h_M＝min{E[∫(f_h(x)-f(x))]²dx}

则相似比例为

其中，M为数据样本个数，s_M代表第M个样本的标准差，

为M-1 个样本的均值。

从动态预警图中可以看出，各级动态报警线可以对不同健康状态的设备运行范围进行一定的规范，当检测特征超出某一范围则说明当前设备已经偏离其现有状态，现场工作人员可根据其所处状态对设备进行进一步处理，如加强监测或直接停机检修等。当检测特征在阈值线上下波动甚至出现回落时，认为设备所处状态不稳定，为磨合期而非故障；而当检测特征超出四级预警线且不断上升时，则认为设备出现故障需要停机检修。

本发明提出的一种基于数据挖掘的机械设备柔性多状态自适应预警方法，得到的自适应动态报警线可根据设备在线运行状况进行动态调整，不仅具有较高的敏感性，能够在设备发生异常甚至故障时进行报警，并且能够从一定程度上包容设备因处于磨合期而产生的数据波动，防止误报。

从基于历史设备相似性可以确定在线设备不同健康状态的初始阈值，能够直观了解当前设备所处状态并对突发故障进行预警，为相同工况下的在线设备提供一定的参考指导。该模型不仅适用于案例中轴承的多健康状态预警，还可以应用到其他机械设备及其关键零部件中，为其健康评估提供合理的参考。本发明具有良好的拓展能力，为本技术领域的其他技术人员提供一定的借鉴作用。

本发明的实施方式还提供了一种终端设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器运行所述计算机程序时执行根据本发明的实施方式的一种基于数据挖掘的机械设备柔性多状态自适应预警方法。

需要说明的是，附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/ 或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims

1.一种基于数据挖掘的机械设备柔性多状态自适应预警方法，其特征在于所述方法包括：

对历史信号进行预处理及特征处理；

识别当前设备的运行状态；

确定初始报警阈值；

采集所述当前设备的动态信号；

对所述当前设备的监测数据进行相似性分析；

建立所述当前设备状态概率模型；以及

确定所述当前设备的自适应动态预警值。

2.如权利要求1所述的基于数据挖掘的机械设备柔性多状态自适应预警方法，其特征在于所述对历史信号进行预处理及特征处理的步骤包括：

对所述历史信号进行数据清洗及降噪处理；

对该处理后的数据进行特征提取，来提取与所述当前设备的故障信息关联紧密的敏感特征；以及

对得到的敏感特征进行归一化处理。

3.如权利要求1所述的基于数据挖掘的机械设备柔性多状态自适应预警方法，其特征在于所述历史信号为当前设备，或者与当前设备同类型、同工作环境的设备中，采集的从使用开始到完全故障的全寿命数据的历史信号。

4.如权利要求1或2所述的基于数据挖掘的机械设备柔性多状态自适应预警方法，其特征在于所述识别所述当前设备的运行状态的步骤包括：

选择合适的敏感特征；以及

在设备状态未知的情况下，通过聚类分析的方式对所述当前设备的运行状况进行辨别，将其分为不同的类别。

5.如权利要求1所述的基于数据挖掘的机械设备柔性多状态自适应预警方法，其特征在于所述确定初始报警阈值的步骤包括：

通过核密度估计的方法分别得到包括正常数据、包括正常数据及不同故障状态数据的概率模型；

将所得到的概率模型中概率分布函数值达到99％处作为报警的初始阈值。

6.如权利要求1所述的基于数据挖掘的机械设备柔性多状态自适应预警方法，其特征在于采集所述当前设备的动态信号的步骤包括：

根据当前设备的实际工作环境及运转状况，合理布置相应的传感器；

利用多源传感器采集得到所述当前设备的时序数据。

7.如权利要求1所述的基于数据挖掘的机械设备柔性多状态自适应预警方法，其特征在于对所述当前设备的监测数据进行相似性分析的步骤包括：

选取已采集到的在线设备数据的部分正常数据；

将该选取的部分正常数据的均值与所述历史数据进行相似性分析，得到相似比例；以及

由该相似比例得到所述当前设备的各级初始报警阈值。

8.如权利要求1所述的基于数据挖掘的机械设备柔性多状态自适应预警方法，其特征在于建立所述当前设备状态概率模型的步骤包括：

将所述当前设备的监测数据输入到概率神经网络中进行分析；

根据求和结果构建出当前设备的状态概率模型。

9.如权利要求1所述的基于数据挖掘的机械设备柔性多状态自适应预警方法，其特征在于确定所述当前设备的自适应动态预警值的步骤包括：

在所述初始报警阈值的基础上，以相同时间内的数据为一组，对概率模型进行更新，采用动态3σ阈值法得到新的预警值并将每次更新后的预警值相连，可以得到各级动态预警线。

10.一种设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器运行所述计算机程序时执行权利要求1-9中任一项所述的基于数据挖掘的机械设备柔性多状态自适应预警方法。