CN113269425A - 无监督条件下设备健康状态的定量评估方法及电子设备 - Google Patents

Abstract

本发明实施例提供一种无监督条件下设备健康状态的定量评估方法及电子设备。定量评估方法包括：获取传感器数据序列，得到成对比较训练样本；采用函数求解分块矩阵的广义逆；初始化网络，所述网络包括输入层、隐藏层、增强层和输出层；每个层有一个或多个节点；递归求解最适隐藏层节点数；计算健康状态值。本发明使用基于成对比较的误差最小化极限学习机算法，在不使用标签数据而仅使用常识性知识的情况下，使用易得的传感器数据，用较小的计算量定量的评估设备的健康状态。

Description

无监督条件下设备健康状态的定量评估方法及电子设备

技术领域

本发明涉及设备健康监测技术领域，尤其涉及一种无监督条件下设备健康状态的定量评估方法及电子设备。

背景技术

随着现代工业技术的发展，设备健康状态评估成为一个重要的问题。设备健康状态评估指导进行适时的设备维护，保证了设备的安全性和可用性，避免了故障的发生和不必要的经济损失。设备健康状态的评估需要在保证设备可靠性的同时避免过度的维护，否则会带来很大的经济负担，也可能对设备造成额外的隐藏风险。充分考虑设备的可靠性和经济效益，通常使用基于状态的健康状态评估，利用设备搭载的多维传感器参数，实现对设备的健康状态的评估，进而进行关于维护的决策。

目前设备健康状态的定量评估存在几个方面的问题：

1.实际工业场景中，带有健康状态的标签数据难以获得。设备健康状态评估的标签数据需要在设备停机时进行，同时需要有经验的专家进行复杂的操作，需要耗费较大的人力和物力。目前的健康状态定量评估算法大多为监督学习，需要用到大量的标签数据，这是不符合实际工业情况的。

2.实际的复杂变工况条件下，不同的设备运行状况不同，部件的变化不确定性大。目前的健康状态定量评估的算法模型训练中综合使用了多个设备的数据，这对特定设备健康状态的评估是不精确的。

3.实际的工业背景下，希望能以较快的速度实时得到设备的健康状态。目前的健康状态定量评估的算法大多使用深度学习模型，这些模型的训练耗时较长，实时性较差。

发明内容

为了解决上述技术问题中的至少一个，本发明实施例提供了一种无监督条件下设备健康状态的定量评估方法及电子设备，解决了实际工业背景下标签数据获取难度大的问题。

一方面，本发明实施例提供一种无监督条件下设备健康状态的定量评估方法，包括：

获取传感器数据序列，得到成对比较训练样本；

采用函数求解分块矩阵的广义逆；

初始化网络，所述网络包括输入层、隐藏层、增强层和输出层；每个层有一个或多个节点；

递归求解最适隐藏层节点数；

计算健康状态值。

另一方面，本发明实施例还提供一种可读存储介质，其上具有可执行指令，当可执行指令被执行时，使得计算机执行前述任一项所述的定量评估方法中的步骤。

另一方面，本发明实施例还提供一种电子设备，所述设备包括处理器和存储器，所述存储器中存储有适于所述处理器执行的计算机程序指令，所述计算机程序指令被所述处理器运行时执行如上任一项所述的定量评估方法中的步骤。

本发明实施例的无监督条件下设备健康状态的定量评估方法，使用基于成对比较的误差最小化极限学习机算法，在不使用标签数据而仅使用常识性知识的情况下，使用易得的传感器数据，用较小的计算量定量的评估设备的健康状态。

附图说明

附图示出了本发明实施例的示例性实施方式，并与其说明一起用于解释本发明实施例的原理，其中包括了这些附图以提供对本发明实施例的进一步理解，并且附图包括在本说明书中并构成本说明书的一部分。

图1为本发明实施例定量评估方法的示例性流程示意图；

图2为本发明实施例中网络结构的示意图；

图3为本发明实施例定量评估方法的另一示例性流程示意图；

图4为本发明电子设备的一种示例性结构示意图。

具体实施方式

下面结合附图和实施方式对本发明实施例作进一步的详细说明。可以理解的是，此处所描述的具体实施方式仅用于解释相关内容，而非对本发明实施例的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明实施例相关的部分。

需要说明的是，在不冲突的情况下，本发明实施例中的实施方式及实施方式中的特征可以相互组合。下面将参考附图并结合实施方式来详细说明本发明实施例。

需要说明的是，文中的步骤编号，仅为了方便具体实施例的解释，不作为限定步骤执行先后顺序的作用。

本发明实施例提供的方法可以由相关的处理器执行，且下文均以处理器作为执行主体为例进行说明。其中，执行主体可以根据具体案例进行调整，如服务器、电子设备、计算机等。

本发明实施例提供了一种无监督条件下设备健康状态的定量评估方法，可以用在电力、冶金、机械和航空航天等行业的设备的健康状态监测和健康状态评估中，使用基于成对比较的误差最小化极限学习机算法，在不使用标签数据，而仅使用常识性知识的情况下，使用易得的传感器数据，用较小的计算量，定量的评估设备的健康状态。本发明实施例的方法基于以下假定前提条件：1.在设备没有被使用时，系统的状态为完全健康状态，定义此时的健康状态值为1。2.随着使用时长的增加，设备的健康状态逐渐下降，健康状态值逐渐减小。

本发明实施例一方面，参见图1，提供一种无监督条件下设备健康状态的定量评估方法，包括：

S11、获取传感器数据序列，得到成对比较训练样本。例如，网络的输入为t_i时刻时，设备搭载的m维传感器数据

传感器数据的来源包括多种传感器采集到的或仿真模拟得到的时域信号，或由时域信号提取到的时域、频域或者时频域特征。其中，常用的时域特征包括最大值、最小值、绝对平均值、峰峰值、均方根、均值、标准差、偏态、峭度、方差、波形因子、变异系数、偏态系数、峭度系数、余隙因子、脉冲因子和能量算子等；常用的频域特征包括平均频率、中心频率、频率均方根和频率标准差等；常用的时频域特征提取方法包括经验模态分解和小波包分解。对选取的传感器和特征数量的具体数值可根据实际机器设备的情况进行选择。

S12、采用函数求解分块矩阵的广义逆。

S13、初始化网络，参见图2所示，所述网络包括输入层、隐藏层、增强层和输出层；每个层有一个或多个节点。

S14、递归求解最适隐藏层节点数。该步骤的作用是基于成对比较的训练样本设置方法，自动调整隐藏层节点数，不需要用到大量的标签数据，使用易得的传感器数据，用较小的计算量定量的评估设备的健康状态。

S15、计算健康状态值。

本发明实施例的无监督条件下设备健康状态的定量评估方法，通过获取传感器数据序列，得到成对比较训练样本，利用网络递归求解最适隐藏层节点数，基于成对比较的训练样本设置方法，自动调整隐藏层节点数，不需要用到大量的标签数据，在不使用标签数据而仅使用常识性知识的情况下，使用易得的传感器数据，用较小的计算量定量的评估设备的健康状态。

在本发明实施例的一种实施方式中，网络的输入为t_i时刻设备搭载的m维传感器数据

所述网络的隐藏层包括NH个节点，所述隐藏层的输出为

其中，w_H、b_H为随机生成的隐藏层权重矩阵和偏置矩阵，g(x)为隐藏层节点激活函数。

所述网络的增强层包括NE个节点，所述增强层的输出为

其中，w_E、b_E为随机生成的增强层权重矩阵和偏置矩阵，

为增强层节点激活函数。

所述网络的输出为F(X_i)＝[H_i|E_i]β，其中，β为输出层节点连接权重，F(X_i)表示设备在t_i时刻的健康状态值。

可选的，获取传感器数据序列，得到成对比较训练样本包括：

根据如下函数得到所述成对比较训练样本(X_i，X_j，Y(i，j))；

其中，

i，j∈{1，2，...，n}。

可选的，采用函数求解分块矩阵的广义逆包括：

采用如下函数求解分块矩阵的广义逆；

其中，A＝[B|C]，A的广义逆

可选的，初始化网络之前包括：

设置隐藏层最大节点数NH_max，期待的训练集误差∈，每次迭代增加的隐藏层节点数Na。

可选的，初始化网络包括：

设置增强层节点数NE、隐藏层节点数NH的初始值NH₀；

根据所述增强层和所述隐藏层的节点数，随机生成对应的权重矩阵w_H、w_E和偏置矩阵b_H、b_E；

计算矩阵H、E、A；其中，H＝g(Xw_H+b_H)；

A＝[AH|AE]；

求解得到矩阵β和输出误差r；

r＝||Aβ-Y||。

进一步的，递归求解最适隐藏层节点数包括：

判断所述隐藏层节点数NH是否小于隐藏层最大节点数NH_max，且输出误差r是否小于期待的训练集误差∈；

若是，则按照下式增加所述隐藏层节点数，NH_k+1＝NH_k+Na；

根据增加后的所述隐藏层节点数计算矩阵H、E、A；

求解得到矩阵β和输出误差r；

继续判断所述隐藏层节点数NH是否小于隐藏层最大节点数NH_max，且输出误差r是否小于期待的训练集误差∈。

进一步的，判断所述隐藏层节点数NH是否小于隐藏层最大节点数NH_max，且输出误差r是否小于期待的训练集误差∈；

若否，则输出此时的矩阵H、E、β。

参见图3，下面给出一个优选的完整流程示例来理解本发明的定量评估方法。

健康状态评估网络结构

参见图2所示，网络由输入层、隐藏层、增强层和输出层组成。每个层有一个或多个节点。

网络的输入为t_i时刻时，设备搭载的m维传感器数据

网络的隐藏层有NH个节点，输出为

其中，w_H、b_H为随机生成的隐藏层权重矩阵和偏置矩阵，g(x)为隐藏层节点激活函数。

网络的增强层有NE个节点，输出为

其中，w_E、b_E为随机生成的增强层权重矩阵和偏置矩阵，

为增强层节点激活函数。

网络的输出为F(X_i)＝[H_i|E_i]β，其中，β为输出层节点连接权重，F(X_i)即表示设备在t_i时刻的健康状态值。

网络结构涉及的参数及矩阵维度如表1所示：

表1

健康状态评估网络参数学习方法

1.设置训练样本

假设随着时间的推移，传感器采集到一组数据序列X＝[X₁，X₂，…，X_n]，其中，

为t_i时刻的传感器数据，维度为m。根据假设1，随着使用时长的增加，设备的健康状态逐渐下降，则有：

因此，我们可以定义函数Y(i，j)＝F(X_i)-F(X_j)，有：

定义

用于定量描述设备的健康状态，则有：

其中，i，j∈{1，2，...，n}.

这样，我们得到了成对比较的训练样本(X_i，X_j，Y(i，j))。通过在集合{1，2，...，n}中两两选取(i，j)数对的值，我们可以得到L组成对比较训练样本(X_i，X_j，Y(i，j))。

2.定义分块矩阵求广义逆函数

由文献可知，如果矩阵A可以写作如下所示的分块矩阵形式：

A＝[B|C]

则A的广义逆可以表示为：

其中，

定义函数

用于求解分块矩阵的广义逆。

3.网络训练

在网络训练开始前，设置隐藏层最大节点数NH_max，期待的训练集误差∈，每次迭代增加的隐藏层节点数Na。网络的训练分为两步：

步骤1：网络初始化

设置增强层节点数NE，隐藏层节点数NH的初始值NH₀，NH₀为一个较小的值。并根据两个层的节点数，随机生成对应的权重矩阵w_H、w_E和偏置矩阵b_H、b_E。

则有：

H＝g(Xw_H+b_H)

E₀＝Hw_E+b_E

因此，可以得到：

Y(i，j)＝F(X_i)-F(X_j)＝[H_i|E_i]β-[H_j|E_j]β＝[H_i-H_j|E_i-E_j]β

对于L组成对比较训练样本(X_i，X_j，Y(i，j))，得到：

Aβ＝Y

其中，A＝[AH|AE]

Y＝[Y₁，...，Y_l，...，Y_L]^T

Y_l＝Y(i，j)，i，j∈{1，2，…，n}

可以求得：

其中，

为矩阵A的广义逆。

同时，求出AH的广义逆

计算相应的输出误差r＝||Aβ-Y||

步骤2：递归求解最适隐藏层节点数

令k＝0

当NH＜NH_max，且r＞∈时，进行循环：k＝k+1

隐藏层节点数增加为NH_k+1＝NH_k+Na，则隐藏层权重矩阵和偏置矩阵、增强层权重矩阵维度发生变化。重新随机生成扩展矩阵w_Ha、w_Ea、b_Ha，则有：

w_H，k+1＝[w_H，k|w_Ha]

b_H，k+1＝[b_H，k|b_Ha]

因此，隐藏层输出值H_k+1＝g([Xw_H，k+b_H，k|Xw_Ha+b_Ha])＝[H_k|H_a]

其中，H_a＝g(Xw_Ha+b_Ha)

E_k+1，0＝H_k+1w_E，k+1+b_E＝H_k w_E，k+H_a w_E，a+b_E＝E_k，0+H_a w_E，a

则F(X)＝[H_k+1|E_k+1]＝[H_k|H_a|E_k+1]

对于K组成对比较训练样本(X_i，X_j，Y(i，j))，得到：

A_k+1β_k+1＝Y

其中，

A_k+1＝[A_H，k+1|AE_k]＝[A_H，k|A_Ha|AE_k+1]

由于A_H，k+1＝[A_H，k|AH_a]

则

设A_a＝[A_Ha|AE_k+1]，则A_k+1＝[A_H，k|A_a]

使用定义的函数，可得：

因此得到

计算相应的输出误差l＝||A_k+1 β_k+1-Y||

循环结束。

记录循环结束时的隐藏层输出矩阵H，增强层输出矩阵E，增强层输出权重β。

4.计算健康状态值

计算健康状态预测值矩阵F＝[H|E]β。因此可得，在每一个状态X_i下，设备的健康状态值为F(X_i)＝[H_i|E_i]β＝F(i)。

X₁表示设备未开始使用时的状态。根据假设，设备未开始使用时健康状态为1。因此，对数据进行平移处理：

F′(X_i)＝F(X_i)+1-F(X₁)

F′(X_i)即为对设备健康状态的评估值。

综上所述，本发明实施例的无监督条件下设备健康状态的定量评估方法有以下优点：

1.本方法使用成对比较的方法对无标签数据集进行处理，不使用原有数据集的标签，而仅使用常识性知识，使其成为带有弱标签的标签数据集，从而实现了无监督的机器学习，解决了实际工业背景下标签数据获取难度大的问题。

2.本方法使用改进的极限学习机算法。比起深度学习方法，极限学习机算法泛化能力强，在训练速度上有很强的优势。同时在此基础上进行改进，在单隐藏层的基础上增加了一个增强层，隐藏层的节点数可以动态调整以匹配精度要求，从而实现以最少的隐藏层节点数、最小的计算量、最快的速度达到预计的精度。

3.相较深度学习方法，极限学习机的泛化性能好，对于数据量的要求低。当已有的数据样本很小时，该方法依然能保持较好的训练效果。

4.本方法可以在仅使用一台设备的传感器数据的情况下，对这台设备的健康状态做出定量评估，而不需要其他设备的相关数据，这种评估方式更为精确和合理。

本发明实施例的又一方面，还提供一种可读存储介质，其上具有可执行指令，当可执行指令被执行时，使得计算机执行前述任一项所述的定量评估方法中的步骤。

本发明实施例的又一方面，还提供一种电子设备，图4所示的电子设备的示例性结构示意图，设备包括通信接口1000、存储器2000和处理器3000。通信接口1000用于与外界设备进行通信，进行数据交互传输。存储器2000内存储有可在处理器3000上运行的计算机程序。所述存储器2000和处理器3000的数量可以为一个或多个。

如果通信接口1000、存储器2000及处理器3000独立实现，则通信接口1000、存储器2000及处理器3000可以通过总线相互连接并完成相互间的通信。所述总线可以是工业标准体系结构(ISA，Industry Standard Architecture)总线、外部设备互连(PCI，PeripheralComponent)总线或扩展工业标准体系结构(EISA，Extended Industry StandardComponent)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，该图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

可选的，在具体实现上，如果通信接口1000、存储器2000、及处理器3000集成在一块芯片上，则通信接口1000、存储器2000、及处理器3000可以通过内部接口完成相互间的通信。

处理器用于执行上述任一实施例所述定量评估方法中的一个或多个步骤。处理器可以是中央处理单元(Central Processing Unit，简称CPU)，还可以是其他通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器中存储有适于所述处理器执行的计算机程序指令，所述计算机程序指令被所述处理器运行时执行上述任一实施例所述定量评估方法中的一个或多个步骤。

存储器可以是只读存储器(Read-Only Memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(Random Access Memory，RAM)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(ElectricallyErasable Programmable Read-Only Memory，EEPROM)、只读光盘(Compact Disc Read-Only Memory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以是独立存在，通过通信总线与处理器相连接。存储器也可以和处理器集成在一起。

在本说明书的描述中，参考术语“一个实施例/方式”、“一些实施例/方式”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例/方式或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例/方式或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例/方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例/方式或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例/方式或示例以及不同实施例/方式或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明实施例的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。同时，在本发明实施例的描述中，除非另有明确的规定和限定，术语“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电性连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明实施例中的具体含义。

本领域的技术人员应当理解，上述实施方式仅仅是为了清楚地说明本发明实施例，而并非是对本发明实施例的范围进行限定。对于所属领域的技术人员而言，在上述公开的基础上还可以做出其它变化或变型，并且这些变化或变型仍处于本发明实施例的范围内。

Claims (10)

1.一种无监督条件下设备健康状态的定量评估方法，其特征在于，包括：

获取传感器数据序列，得到成对比较训练样本；

采用函数求解分块矩阵的广义逆；

初始化网络，所述网络包括输入层、隐藏层、增强层和输出层；每个层有一个或多个节点；

递归求解最适隐藏层节点数；

计算健康状态值。

2.根据权利要求1所述的定量评估方法，其特征在于，所述网络的输入为t_i时刻设备搭载的m维传感器数据

所述网络的隐藏层包括NH个节点，所述隐藏层的输出为

其中，w_H、b_H为随机生成的隐藏层权重矩阵和偏置矩阵，g(x)为隐藏层节点激活函数；

所述网络的增强层包括NE个节点，所述增强层的输出为

其中，w_E、b_E为随机生成的增强层权重矩阵和偏置矩阵，

为增强层节点激活函数；

所述网络的输出为F(X_i)＝[H_i|E_i]β,其中，β为输出层节点连接权重，F(X_i)表示设备在t_i时刻的健康状态值。

3.根据权利要求2所述的定量评估方法，其特征在于，所述获取传感器数据序列，得到成对比较训练样本包括：

根据如下函数得到所述成对比较训练样本(X_i,X_j,Y(i,j))；

其中，

4.根据权利要求3所述的定量评估方法，其特征在于，所述采用函数求解分块矩阵的广义逆包括：

采用如下函数求解分块矩阵的广义逆；

其中，A＝[B|C]，A的广义逆

5.根据权利要求4所述的定量评估方法，其特征在于，所述初始化网络之前包括：

设置隐藏层最大节点数NH_max，期待的训练集误差∈，每次迭代增加的隐藏层节点数Na。

6.根据权利要求5所述的定量评估方法，其特征在于，所述初始化网络包括：

设置增强层节点数NE、隐藏层节点数NH的初始值NH₀；

根据所述增强层和所述隐藏层的节点数，随机生成对应的权重矩阵w_H、w_E和偏置矩阵b_H、b_E；

计算矩阵H、E、A；其中，H＝g(Xw_H+b_H)；

A＝[AH|AE]；

求解得到矩阵β和输出误差r；

r＝‖Aβ-Y‖。

7.根据权利要求6所述的定量评估方法，其特征在于，所述递归求解最适隐藏层节点数包括：

判断所述隐藏层节点数NH是否小于隐藏层最大节点数NH_max，且输出误差r是否小于期待的训练集误差∈；

若是，则按照下式增加所述隐藏层节点数，NH_k+1＝NH_k+Na；

根据增加后的所述隐藏层节点数计算矩阵H、E、A；

求解得到矩阵β和输出误差r；

继续判断所述隐藏层节点数NH是否小于隐藏层最大节点数NH_max，且输出误差r是否小于期待的训练集误差∈。

8.根据权利要求7所述的定量评估方法，其特征在于，判断所述隐藏层节点数NH是否小于隐藏层最大节点数NH_max，且输出误差r是否小于期待的训练集误差∈；

若否，则输出此时的矩阵H、E、β。

9.一种可读存储介质，其特征在于，其上具有可执行指令，当可执行指令被执行时，使得计算机执行如权利要求1-8任一项所述的定量评估方法中的步骤。

10.一种电子设备，其特征在于，所述设备包括处理器和存储器，所述存储器中存储有适于所述处理器执行的计算机程序指令，所述计算机程序指令被所述处理器运行时执行如权利要求1-8任一项所述的定量评估方法中的步骤。

Images