CN112749876A - 一种基于重分形分析的执行器劣化评估方法 - Google Patents

Abstract

本发明公开了一种基于重分形分析的执行器劣化评估方法，包含以下步骤：步骤A、采集设备数据；步骤B、利用改进的基于统计矩函数的重分形分析方法处理劣化数据；步骤C、计算表现数据特征的三个定性指标；步骤D、通过加权融合得到衡量设备动态劣化的定量指标；步骤E、根据定性指标和定量指标来判断设备的劣化情况，本发明通过设置参考序列，划分高低密度分布区，并以此制定了三个表现时间序列不同角度的特征的指标量。该指标可以实现对研究对象当前劣化状态的知识解释，并依据严重程度进行定性分级,此外，还可以定量衡量设备的长时间退化状况。

Description

一种基于重分形分析的执行器劣化评估方法

技术领域

本发明涉及设备的性能评价领域，具体是一种基于重分形分析的执行器劣化 评估方法。

背景技术

执行器在流程工业中承担着调节工质流动、影响产品品质的重要作用。然而 由于受环境、工况等因素的干扰，在使用过程中往往会逐渐劣化，一旦劣化超过 一定的程度，就会引发故障，造成经济安全损失，所以评估执行器的劣化程度具 有重要的现实意义。

设备劣化度的研究得到许多专家学者的广泛重视。一类方法是通过建立设备 的退化模型来评估状态变化。喻勇等人综述了基于协变量方法的国内外研究成果， 通过构建可靠性和寿命预测模型来评估装备的退化。此类方法具有很强的机理分 析能力，但是很难全面考虑影响设备的诸多不确定因素，使得实际应用造成阻碍。 第二类方法是根据部件本身的参数制定相对劣化度指标集，利用指标与预制上下 限的相对关系，评价设备的劣化程度。陈永刚等人将转辙机分成多个子部件分别 进行劣化度评价，再通过最优加权组合成最终的评价结果；Chen Lu等人利用均 方根误差、峰值、平均绝对值三个指标评价多冗余副翼执行器的劣化程度。该方 法操作简单，但是受不同研究对象的影响，没有统一的评价体系，而且对于复杂 系统，难以建模或者存在隐含参数时，缺乏有效的应对手段。第三类基于人工智 能的方法，Zhe Li等人利用DNN评价转子的退化性能。但是该方法在训练阶段 需要首先得到研究对象的定量劣化评估结果，而这往往是未知的。因此，一种通 用而又实用的劣化度评价方法研究具有重要的价值。

发明内容

本发明的目的在于提供一种基于重分形分析的执行器劣化评估方法，以解决 上述背景技术中提出的问题。为实现上述目的，本发明提供如下技术方案：

一种基于重分形分析的执行器劣化评估方法，其特征在于，包含以下步骤：

步骤A、采集设备数据；

步骤B、利用改进的基于统计矩函数的重分形分析方法处理劣化数据；

步骤C、计算表现数据特征的三个定性指标；

步骤D、通过加权融合得到衡量设备动态劣化的定量指标；

步骤E、根据定性指标和定量指标来判断设备的劣化情况。

作为本发明的进一步技术方案：步骤A中，在获取设备数据时，需要能反应 设备本质特征或重要性能变化的变量的数据，或者使用设备的输入输出数据，而 不能选用一些无关变量或者是不能全面变现设备性能的变量。

作为本发明的进一步技术方案：步骤B中，利用改进的基于统计矩函数的重 分形分析方法处理劣化数据的步骤包括：给定一个长度为N的时间序列{x(k)}， 其中，k＝1，2，…，N；

步骤一：将该序列划分为N_m 个长度相等且互不重叠的片段，每个片段长度为s，

其中，N_m＝int(N/s)，则，对于第λ个片段具有如下表示形式：

x(i，s)＝x((λ-1)s+i)，λ＝1，2，…，N_m；i＝1，2，…，s；

步骤二：对每一个片段，定义局部和为：

构造测度μ：

步骤三：构造长度为N的参考序列{y(k)}，k＝1，2，…，N。对该序列重复步骤一和步骤二，得到参考测度μ^*。根据μ与μ^*的关系，将原测度划分为高密度区μ⁺∈{μ≥μ^*}和低 密度区μ^-∈{μ＜μ^*}；

步骤四：分别就原测度和高密度区、低密度区的测度，计算各自的q阶统计矩函数：

步骤五：采用不同的片段间隔s，重复步骤一到步骤四。如果存在幂律相关性，则应满足如下关系：

其中，τ(q)是原序列的标度指数函数，τ⁺(q)、τ^-(q)分别是高密度区和低密度区的标度指数函数。如果他们是q的非线性 函数，则说明序列是多重分形的，反之，则是单分形的；

步骤六：广义分形维数D(q)定义如下：

作为本发明的进一步技术方案：所述步骤c中，构建的3个定性指标包括：指标1：为了衡量数据的多重分形程度，定义ΔD＝|D_+∞-D_-∞|，类似的，分别在高密度区和低密度 区有

指标2：定义极端风险指标如下： ER＝D(-t)-D(0)，相应的，针对高密度区和低密度区：ER⁺＝|D⁺(-t)-D⁺(0)|， ER^-＝|D^-(-t)-D^-(0)|.其中，t表示q的取值步长；指标3：设置序列有效性指标：

其中，q_max，q_min分别代表q的最大值和最小值。

7.作为本发明的进一步技术方案：步骤D中，定量指标的计算方法如下：

Situation 1：

Situation 2：

综合劣化度采用简单的线性加权函数模型得到以下定量指标：

作为本发明的进一步技术方案：对于采集的长度为N的时间序列{x(k)}，其中， k＝1，2，…，N。实施例中，样本总长度为5000，每个分析序列的长度为1000。

与现有技术相比，本发明的有益效果是：本发明通过设置参考序列，划分高低密度分 布区，并以此制定了三个表现时间序列不同角度的特征的指标量。该指标可以实 现对研究对象当前劣化状态的知识解释，并依据严重程度进行定性分级。此外， 还可以定量衡量设备的长时间退化状况。

附图说明

图1是本实施例中的实验装置；

图2是本实施例的故障诊断流程；

图3是本实施例中的概率组合框架。

具体实施方式

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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的 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做出创造性劳动前 提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1-3，一种基于重分形分析的执行器劣化评估方法，其特征在于， 包含以下步骤：

步骤A、采集设备数据；

步骤B、利用改进的基于统计矩函数的重分形分析方法处理劣化数据；

步骤C、计算表现数据特征的三个定性指标；

步骤D、通过加权融合得到衡量设备动态劣化的定量指标；

步骤E、根据定性指标和定量指标来判断设备的劣化情况。

步骤A中，获取执行器的数据样本时，通过采集控制指令和阀位反馈作为执 行器的输入输出序列，并将二者的差的绝对值作为分析序列，用来评价执行器的 劣化状况。定性分析序列如图2所示。定量评估序列如图3所示。

步骤B中，利用改进的基于统计矩函数的重分形分析方法处理劣化数据的步 骤包括：

对于采集的长度为N的时间序列{x(k)}，其中，k＝1，2，…，N。实施例中， 样本总长度为5000，每个分析序列的长度为1000。

步骤一：将该序列划分为N_m 个长度相等且互不重叠的片段，每个片段长度 为s，其中，N_m＝int(N/s)，则，对于第λ个片段具有如下表示形式：

x(i，s)＝x((λ-1)s+i)，λ＝1，2，…，N_m；i＝1，2，…，s

步骤二：对每一个片段，定义局部和为：

构造测度μ：

步骤三：构造长度为N的参考序列{y(k)}，k＝1，2，…，N。对该序列重复步骤一和步骤二，得到参考测度μ⁺。根据μ与μ^*的关系，将原测度划分为高密度区μ⁺∈{μ≥μ^*}和低 密度区μ^-∈{μ＜μ^*}。实施例中，设置参考序列为{y(k)≡2}。

步骤四：分别就原测度和高密度区、低密度区的测度，计算各自的q阶统计矩函数：

步骤五：采用不同的片段间隔s，重复步骤一到步骤四。如果存在幂律相关性，则应满足如下关系：

其中，τ(q)是原序列的标度指数函数，τ⁺(q)、τ^-(q)分别是高密度区和低密度区的标度指数函数。如果他们是q的非线性函数，则说明序列是多重分形的，反之，则是单分 形的。

步骤六：广义分形维数D(q)定义如下：

步骤C中，构建的3个定性指标包括：

指标1：为了衡量数据的多重分形程度，定义ΔD＝|D_+∞-D_-∞|，类似的，分别在高密度区和低密度区有

指标2：定义极端风险指标如下：

ER＝D(-t)-D(0)

相应的，针对高密度区和低密度区：

ER⁺＝|D⁺(-t)-D⁺(0)|，ER^-＝|D^-(-t)-D^-(0)|

其中，t表示q的取值步长。

指标3：设置序列有效性指标：

其中，q_max，q_min分别代表q的最大值和最小值。

根据指标计算方式，得到的定性分析序列指标结果如表1所示：

表1执行器定性分析指标结果：

前三个样本根据指标的评价可以得出如下的分析总结：样本整体基本稳定，但是密度分布不均，存在明显的高低值分化，但是极端风险不强，没有极端的异常情 况。这表明调节阀此时在其调节范围内，受到较稳定的摩擦(或其他劣化因素) 影响。样本4的特征：序列密度分布不均，存在轻微的稳定的极端波动现象，这 说明调节阀可能在某一区域出现了明显的故障。样本5的特征：序列密度分布不 均，存在随机的极端波动现象，表明调节阀出现故障征兆。

步骤D中，定量指标的计算方法如下：

Situation 1：

Situation 2：

综合劣化度采用简单的线性加权函数模型得到以下定量指标：

根据定量指标的计算方法，得到定量分析序列的劣化度指标结果如表2所示。

表2执行器定量分析结果

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。 因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的， 本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的 等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何 附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技 术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合， 形成本领域技术人员可以理解的其他实施方式。

Claims (6)

1.一种基于重分形分析的执行器劣化评估方法，其特征在于，包含以下步骤：

步骤A、采集设备数据；

步骤B、利用改进的基于统计矩函数的重分形分析方法处理劣化数据；

步骤C、计算表现数据特征的三个定性指标；

步骤D、通过加权融合得到衡量设备动态劣化的定量指标；

步骤E、根据定性指标和定量指标来判断设备的劣化情况。

2.根据权利要求1所述的一种基于重分形分析的执行器劣化评估方法，其特征在于，步骤A中，在获取设备数据时，需要能反应设备本质特征或重要性能变化的变量的数据，或者使用设备的输入输出数据，而不能选用一些无关变量或者是不能全面变现设备性能的变量。

3.根据权利要求1所述的一种基于重分形分析的执行器劣化评估方法，其特征在于，步骤B中，利用改进的基于统计矩函数的重分形分析方法处理劣化数据的步骤包括：给定一个长度为N的时间序列{x(k)}，其中，k＝1,2,…,N；

步骤一：将该序列划分为N_m个长度相等且互不重叠的片段，每个片段长度为s，

其中，N_m＝int(N/s)，则，对于第λ个片段具有如下表示形式:

x(i,s)＝x((λ-1)s+i),λ＝1,2,…,N_m；i＝1,2,…,s；

步骤二：对每一个片段，定义局部和为：

构造测度μ：

步骤三：构造长度为N的参考序列{y(k)}，k＝1,2,…,N。对该序列重复步骤一和步骤二，得到参考测度μ^*。根据μ与μ^*的关系，将原测度划分为高密度区μ⁺∈{μ≥μ^*}和低密度区μ^-∈{μ＜μ^*}；

步骤四：分别就原测度和高密度区、低密度区的测度，计算各自的q阶统计矩函数：

步骤五：采用不同的片段间隔s，重复步骤一到步骤四。如果存在幂律相关性，则应满足如下关系：F_q(s)～s^τ(q),

其中，τ(q)是原序列的标度指数函数，τ⁺(q)、τ^-(q)分别是高密度区和低密度区的标度指数函数。如果他们是q的非线性函数，则说明序列是多重分形的，反之，则是单分形的；

步骤六：广义分形维数D(q)定义如下：

4.根据权利要求1所述的一种基于重分形分析的执行器劣化评估方法，其特征在于，所述步骤C中，构建的3个定性指标包括：指标1：为了衡量数据的多重分形程度，定义ΔD＝|D_+∞-D_-∞|，类似的，分别在高密度区和低密度区有

指标2：定义极端风险指标如下：ER＝D(-t)-D(0)，相应的，针对高密度区和低密度区:ER⁺＝|D⁺(-t)-D⁺(0)|，ER^-＝|D^-(-t)-D^-(0)|，其中，t表示q的取值步长；指标3：设置序列有效性指标：

其中，q_max,q_min分别代表q的最大值和最小值。

5.根据权利要求3所述的一种基于重分形分析的执行器劣化评估方法，其特征在于，步骤D中，定量指标的计算方法如下：

Situation 1:

Situation 2:

综合劣化度采用简单的线性加权函数模型得到以下定量指标：

Situation 1:

Situation 2:

6.根据权利要求2所述的一种基于重分形分析的执行器劣化评估方法，其特征在于，对于采集的长度为N的时间序列{x(k)}，其中，k＝1,2,…,N。实施例中，样本总长度为5000，每个分析序列的长度为1000。

Images