CN113836820A - 一种基于自相关模型和多变量监控方法的设备健康评估与故障诊断算法 - Google Patents

Abstract

本发明的目的是提供一种基于自相关模型和多变量监控方法的设备健康评估与故障诊断算法。所述方法包括：采集历史数据，构建多变量序列；建立基于神经网络的自相关模型，将输入向量传入神经网络并训练网络，得到预测模型；计算得到多变量预测值；计算残差值并建立EWMA控制图；判断统计量是否超过控制线；如果超过控制线，则发出警告；用基于神经网络的故障诊断方法对故障进行诊断；给出故障维修方案。本发明提供的方法，结合反向传播网络处理具有自相关性的多变量生产设备过程数据，并结合多变量控制图和故障诊断方法，取得了较高的设备健康评估精度，进而更好的保障生产设备的正常运行。

Description

一种基于自相关模型和多变量监控方法的设备健康评估与故 障诊断算法

技术领域

本发明涉及一种基于自相关模型和多变量监控方法的设备健康评估与故障诊断算法。

背景技术

目前大部分工业企业在生产和服务环节缺乏数据采集系统和统一数据标准，无法对生产服务状态进行动态监测和分析评估，且各设备系统没有联网，无法实现信息同步传输，导致业务协作困难。同时，随着人工智能技术的发展，越是自动化和智能化水平的提升，必然依赖于制造系统的可靠性和稳定性保障具体表现为可用度的提升，即设备的使用寿命更长，停机的故障处理时间更短，设备管理能力的提升成为许多企业智能化升级面临的瓶颈。

传统设备健康状况评估方法，是基于“信号处理的特征提取+机器学习模型”，该传统方法的如下不足：

在特征提取方面，需要掌握大量的信号处理技术结合丰富的工程实践经验来提取故障特征，并且孤立的对待特征提取与健康评估两个环节，并未考虑它们之间的关系；

在模型训练方面，使用浅层模型表证信号与健康状况之间复杂的映射关系，导致面对设备大数据时，模型的分析评估能力有明显不足，很难满足大数据背景下设备健康状况评估的实际需求。

针对以上问题，有必要采用一种用于设备健康评估和维护的系统，本发明主要解决的技术问题是提供基于自相关模型和多变量监控方法的设备健康评估与故障诊断算法，进而满足不同的设备需求的用于设备健康评估和维护的算法。

发明内容

针对现有的设备健康评估与故障诊断过程，本发明的目的是提供一种基于自相关模型和多变量监控方法的设备健康评估与故障诊断算法，所述方法包括：采集历史数据，构建多变量序列；建立基于神经网络的自相关模型，将输入向量传入神经网络并训练网络，得到预测模型；计算得到多变量预测值；计算残差值并建立EWMA控制图；判断统计量是否超过控制线；如果超过控制线，则发出警告；用基于神经网络的故障诊断方法对故障进行诊断；给出故障维修方案。

实现本发明目的的技术方案是：

一种基于自相关模型和多变量监控方法的设备健康评估与故障诊断算法，包括以下步骤：

S1：采集生产设备历史数据，构建多变量序列；

S2：将输入向量传入神经网络并训练网络，得到预测模型；

S3：计算得到多变量预测值；

S4：计算残差值并建立EWMA控制图；

S5：判断统计量是否超过控制线，如果超过控制线，则发出警告；否则继续采集数据；

S6：发出警报；

S7：用基于神经网络的故障诊断方法对故障进行诊断；

S8：给出故障维修方案。

所述步骤S1中，采集的历史生产设备数据包括温度、电压、噪音、转速、运转时间、启停时间、加工项目，将这些变量构建成多变量时间序列描述工业生产设备的健康状态。

所述步骤S2中，构建神经网络自相关预测模型过程包括以下步骤：

S2-1：构建多变量序列。采用模特卡罗方法模拟自相关过程的多变量过程数据；

S2-2：建立输入数据。以生产设备的历史数据建立神经网络的输入数据；{Y_1，t-(N-1)，Y_1，t-(N-2)，…，Y_1，t，Y_2，t-(N-1)，Y_2，t-(N-2)，…，Y_2，t，Y_j，t-(N-1)，Y_j，t-(N-2)，Y_j，t}，共j个数列。

S2-3：训练神经网络。采用田口方法对神经网络的学习循环次数、学习速率、动量因子以及隐藏层神经元个数等参数进行设定。

S2-4：计算得到预测值。将历史生产设备数据输入到神经网络中，网络输出下一个时间点的各生产设备变量的预测输出值

所述步骤S4中，通过以下公式计算各生产设备变量特性的预测残差值：

其中

表示第i个质量特性在时间t+1时的预测残差值，

表示第i个质量特性在时间t+1时的预测输出值；T_i表示第i个质量特性的目标值。

所述步骤S4中，建立EWMA控制图：

设随机变量X～N(μ，σ²)，μ₀为过程均值的目标值，当生产设备处于正常状态时，μ＝μ₀；当生产设备出现异常时，μ＝μ₁＝μ₀+δσ(δ为过程均值波动)，标准差σ不变，设X₁，X₂，…，X_n为相互独立的随机变量序列，则EWMA统计量Z_t计算公式如下所示：

Z_t＝λX_t+(1-λ)Z_t，0≤λ≤1

其中Z₀＝μ₀，λ为平滑系数。

所述步骤S5中，计算各生产设备变量的控制线：

其中UCL表示上控制线，LCL表示下控制线，k为控制线系数。

所述步骤S6中，判断统计量Z_t与上控制线UCL的大小关系，如果统计量Z_t大于UCL，则发出故障警报；如果统计量Z_t小于UCL，则继续采集数据进行下一步监控。

所述步骤S7中，建立基于神经网络的生产设备故障诊断算法，其步骤如下：

S7-1：MYT分解法判断造成故障的原因。MYT分解法主要利用回归分析的方法将多个EWMA统计量Z_t分解成各个不同的独立部分，借此找出造成多变量失控的变量。

S7-2：将出现故障的变量输入到神经网络。

S7-3：求网络权值和阈值并修正。

S7-4：对故障变量进行反馈并调整。

所述步骤S8中，厂家根据故障诊断结果向设备使用者提供设备维修方案。

本发明基于自相关模型和多变量监控方法的设备健康评估与故障诊断算法的原理是：采用模特卡罗方法模拟自相关过程的多变量过程数据从而将生产设备变量序列分解为多个时间序列，通过神经网络预测分解后的时间序列并计算预测值与标量值的差，通过残差值建立控制图，计算时间序列的统计量，然后判断统计量是否大于控制线，从而得知设备是否发生异常；当设备发生故障时，将发现异常的数据作为输入向量输入到神经网络中，从而求得控制参数的调整量已进行反馈控制。

本发明实施例提供的技术方案带来的有益效果是：

(1)基于神经网络的自相关模型算法具有高强度的运算功能，能够进行复杂的逻辑操作和非线性关系的运算，对传统自相关模型预测能力不足进行了改进，提升了预测精度。

(2)具有自相关特性多变量控制图对传统控制图不具有处理自相关数据的能力进行了改进，提高了设备检测的可靠性。

(3)采用训练好的神经网络更能表征设备数据内部隐藏的复杂多变的特性，在面对复杂的监测诊断任务时，可以更准确地识别设备健康状况。

(4)无监督学习和监督学习的有机结合，可以同时完成设备大数据故障特征自适应提取和设备健康状况的识别。

附图说明：

图1是本发明实施例的设备健康评估与故障诊断算法的工作流程图。

图2是本发明实施例的构建神经网络自相关预测模型的工作流程图。

图3是本发明实施例的故障诊断阶段处理流程图。

具体实施方式

下面结合附图详细说明本发明的优选实施例。

如图1所示，：首先采集历史数据，构建多变量序列；建立基于神经网络的自相关模型，将输入向量传入神经网络并训练网络，得到预测模型；计算得到多变量预测值；计算残差值并建立EWMA控制图；判断统计量是否超过控制线；如果超过控制线，则发出警告；用基于神经网络的故障诊断方法对故障进行诊断；给出故障维修方案。

如图2所示：神经网络自相关预测模型建立步骤如下所示：

S2-1：构建多变量序列。采用模特卡罗方法模拟自相关过程的多变量过程数据；

S2-2：建立输入数据。以生产设备的历史数据建立神经网络的输入数据；{Y_1，t-(N-1)，Y_1，t-(N-2)，…，Y_1，t，Y_2，t-(N-1)，Y_2，t-(N-2)，…，Y_2，t，Y_j，t-(N-1)，Y_j，t-(N-2)，Y_j，t}，共j个数列。

S2-3：训练神经网络。采用田口方法对神经网络的学习循环次数、学习速率、动量因子以及隐藏层神经元个数等参数进行设定。

S2-4：计算得到预测值。将历史生产设备数据输入到神经网络中，网络输出下一个时间点的各生产设备变量的预测输出值

神经网络参数设定如下：

输出层：输入层定义为生产设备各性能参数的过去历史数据。若以前N期历史数据为依据来预测，则输入层神经元个数是j*N。

隐藏层：采用田口实验方法，将隐藏层列为分析变量之一，根据最小预测误差值来选择最合适的隐藏层神经元数目，从而取代复杂的试误过程减少试验次数。

输出层：输出层定义为下一时间点各质量特性的预测输出值，输出层的不同神经元代表不同的设备性能质量特性。

神经网络的输入输出关系函数表示为：

如图3所示，故障诊断算法，其步骤如下：

S7-1：MYT分解法判断造成故障的原因。MYT分解法主要利用回归分析的方法将多个EWMA统计量Z_t分解成各个不同的独立部分,借此找出造成多变量失控的变量。

S7-2：将出现故障的变量输入到神经网络。

S7-3：求网络权值和阈值并修正。

S7-4：对故障变量进行反馈并调整。

最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims (9)

1.一种基于自相关模型和多变量监控方法的设备健康评估与故障诊断算法，其特征是在于，所述方法包括以下步骤：

S1：采集生产设备历史数据，构建多变量序列；

S2：将输入向量传入神经网络并训练网络，得到预测模型；

S3：计算得到多变量预测值；

S4：计算残差值并建立EWMA控制图；

S5：判断统计量是否超过控制线，如果超过控制线，则发出警告；否则继续采集数据；

S6：发出警报；

S7：用基于神经网络的故障诊断方法对故障进行诊断；

S8：给出故障维修方案。

2.根据权利要求1所述的检测方法，其特征在于，所述步骤S1包括：从生产设备中抽取多个关键性能指标：温度、电压、噪音、转速、运转时间、启停时间、加工项目；构建多变量时间序列描述工业生产设备的健康状态。

3.根据权利要求1所述的检测方法，其特征在于，所述步骤S2包括：构建神经网络自相关预测模型：

S2-1：构建多变量序列。采用模特卡罗方法模拟自相关过程的多变量过程数据；

S2-2：建立输入数据。以生产设备的历史数据建立神经网络的输入数据；{Y_1，t-(N-1)，Y_1，t-(N-2)，…，Y_1，t，Y_2，t-(N-1)，Y_2，t-(N-2)，…，Y_2，t，Y_j，t-(N-1)，Y_j，t-(N-2)，Y_j，t}，共j个数列。

S2-3：训练神经网络。采用田口方法对神经网络的学习循环次数、学习速率、动量因子以及隐藏层神经元个数等参数进行设定。

S2-4：计算得到预测值。将历史生产设备数据输入到神经网络中，网络输出下一个时间点的各生产设备变量的预测输出值

4.根据权利要求1所述的检测方法，其特征在于，所述步骤S4包括：计算各生产设备变量特性的预测残差值：

其中

表示第i个质量特性在时间t+1时的预测残差值，

表示第i个质量特性在时间t+1时的预测输出值；T_i表示第i个质量特性的目标值。

5.根据权利要求1所述的检测方法，其特征在于，所述步骤S4包括：建立EWMA控制图：

设随机变量X～N(μ，σ²)，μ₀为过程均值的目标值，当生产设备处于正常状态时，μ＝μ₀；当生产设备出现异常时，μ＝μ₁＝μ₀+δσ(δ为过程均值波动)，标准差σ不变，设X₁，X₂，…，X_n为相互独立的随机变量序列，则EWMA统计量Z_t计算公式如下所示：

Z_t＝λX_t+(1-λ)Z_t，0≤λ≤1

其中Z₀＝μ₀，λ为平滑系数。

6.根据权利要求1所述的检测方法，其特征在于，所述步骤S5包括：计算各生产设备变量的控制线：

其中UCL表示上控制线，LCL表示下控制线，k为控制线系数。

7.根据权利要求1所述的检测方法，其特征在于，所述步骤S6包括：判断统计量Z_t与上控制线UCL的大小关系，如果统计量Z_t大于UCL，则发出故障警报；如果统计量Z_t小于UCL，则继续采集数据进行下一步监控。

8.根据权利要求1所述的检测方法，其特征在于，所述步骤S7包括：建立基于神经网络的生产设备故障诊断算法，其步骤如下：

S7-1：MYT分解法判断造成故障的原因。MYT分解法主要利用回归分析的方法将多个EWMA统计量Z_t分解成各个不同的独立部分，借此找出造成多变量失控的变量。

S7-2：将出现故障的变量输入到神经网络。

S7-3：求网络权值和阈值并修正。

S7-4：对故障变量进行反馈并调整。

9.根据权利要求1所述的检测方法，其特征在于，所述步骤S8包括：厂家根据故障诊断结果向设备使用者提供设备维修方案。

Images