CN114429316A - 一种集中监测系统中的设备健康状态预测方法及系统 - Google Patents

一种集中监测系统中的设备健康状态预测方法及系统 Download PDF

Info

Publication number
CN114429316A
CN114429316A CN202210353407.7A CN202210353407A CN114429316A CN 114429316 A CN114429316 A CN 114429316A CN 202210353407 A CN202210353407 A CN 202210353407A CN 114429316 A CN114429316 A CN 114429316A
Authority
CN
China
Prior art keywords
equipment
state
health
probability
value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210353407.7A
Other languages
English (en)
Inventor
陈嘉翊
罗远辉
胡轶超
张宁
尹春雷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CRSC Research and Design Institute Group Co Ltd
Original Assignee
CRSC Research and Design Institute Group Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by CRSC Research and Design Institute Group Co Ltd filed Critical CRSC Research and Design Institute Group Co Ltd
Priority to CN202210353407.7A priority Critical patent/CN114429316A/zh
Publication of CN114429316A publication Critical patent/CN114429316A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Mathematical Physics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明涉及一种集中监测系统中的设备健康状态预测方法及系统，所述方法包括，收集特征数据并进行预处理；筛选出所述特征数据中的影响设备性能的特征参数；通过参数融合将多种特征参数融合为设备健康指数
Figure 582318DEST_PATH_IMAGE001
；根据所述设备健康指数
Figure 296196DEST_PATH_IMAGE001
构建预测模型；根据所述预测模型进行设备健康状态的预测；所述系统包括，预处理模块，用于收集特征数据并进行预处理；筛选模块，用于筛选出所述特征数据中的影响设备性能的特征参数；融合模块，用于通过参数融合将多种特征参数融合为设备健康指数；构建模块，用于根据所述设备健康指数构建预测模型；预测模块。本发明具有预测的设备运行趋势信息更加完整有效的效果。

Description

一种集中监测系统中的设备健康状态预测方法及系统
技术领域
本发明属于设备检修的技术领域，特别涉及一种集中监测系统中的设备健康状态预测方法及系统。
背景技术
随着国民经济的高速发展，铁路电气设备使用规模日益扩大，列车运行安全对铁路电气设备的可靠性的要求也越来越高。铁路电气设备作为铁路运营的载体，其正常运行是铁路运输优质运行的基本保障。然而，设备从开始使用到最终报废的时间是有限的，设备异常及故障是影响其安全运行及寿命的主要原因。在设备正常使用期内，通过一定的方式合理安排检修，可以有效的减少意外故障，延长设备的使用寿命，进而保证铁路运行安全、稳定、经济。
为了提高信号设备维修管理水平，确保铁路信号设备安全。通过集中监测系统，监测各个电气设备的工作状态，为实现电气设备的透明化监督、远程监测、远程诊断，督导消除故障隐患、压缩故障延时，提高集中监测系统的效益，为电气设备的状态维修提供据。目前，已有的关于电气设备健康状态预测，是基于健康指数的推算方法，一般是通过长运行状况进行记录，对所得数据进行统计分析而得到的。
相关技术中，设备健康状态判据的形成和完善工作不充分：科学的判据应当建立在有关技术标准和大量的数据、事实、经验之上，往往需要根据工程实际进行多次的调整和完善，才能得到比较准确、合理的结果，而目前的预测方法输入的设备状态参数单一。因此，需要一种设备健康状态预测方法，以解决单状态参数包含设备运行趋势信息不完整性的问题。
发明内容
针对上述问题，本发明公开了一种集中监测系统中的设备健康状态预测方法及系，包含以下技术方案。
第一方面，本发明公开了一种集中监测系统中的设备健康状态预测方法，所述方法包括，
收集特征数据并进行预处理；
筛选出所述特征数据中的影响设备性能的特征参数；
通过参数融合将多种特征参数融合为设备健康指数
Figure 5323DEST_PATH_IMAGE001
；
根据所述设备健康指数
Figure 803515DEST_PATH_IMAGE001
构建预测模型；
根据所述预测模型进行设备健康状态的预测。
更进一步地，所述收集特征数据并进行预处理具体包括，
从中心数据库中的设备运行参数表中收集特征数据；
对特征参数的数据集进行遍历，记录其中的最大值和最小值；
对该项特征数据进行归一化处理。
更进一步地，所述对特征数据进行归一化处理通过下式实现，
Figure 143361DEST_PATH_IMAGE002
其中，
Figure 343398DEST_PATH_IMAGE003
为归一化处理后的值，
Figure 8865DEST_PATH_IMAGE004
为遍历的特征数据值，
Figure 763195DEST_PATH_IMAGE005
为特征数据集中的最大值，
Figure 169381DEST_PATH_IMAGE006
为特征数据集中的最小值。
更进一步地，所述设备健康指数为单一的性能指标，所述通过参数融合将多种特征参数融合为设备健康指数
Figure 223925DEST_PATH_IMAGE007
具体通过下式得到，
Figure 653769DEST_PATH_IMAGE008
最后可得到一组时间序列，即长度为N的设备健康指数
Figure 301919DEST_PATH_IMAGE007
的观测序列：
Figure 373780DEST_PATH_IMAGE009
；其中，
Figure 892617DEST_PATH_IMAGE010
为特征降维后的p个特征参数的权重值，
Figure 24521DEST_PATH_IMAGE011
为进行离差标准化后的参数值；
Figure 894388DEST_PATH_IMAGE012
为特征值。
更进一步地，所述构建预测模型具体包括，
获取参数值
Figure 769941DEST_PATH_IMAGE013
，使得概率
Figure 533497DEST_PATH_IMAGE014
在
Figure 446090DEST_PATH_IMAGE015
处达到最大值，所述参数值
Figure 193466DEST_PATH_IMAGE015
通过下式进行约束，
Figure 482496DEST_PATH_IMAGE016
进行迭代计算直到
Figure 366138DEST_PATH_IMAGE017
的值不变时停止迭代；
更新模型至
Figure 184053DEST_PATH_IMAGE018
，
重新进行迭代直到
Figure 153146DEST_PATH_IMAGE019
，获得最优模型
Figure 245867DEST_PATH_IMAGE020
并停止迭代；
其中，
Figure 718436DEST_PATH_IMAGE021
为预先规定的收敛条件，A和B分别为状态转移概率矩阵以及观测状态的状态转移矩阵。
更进一步地，所述根据预测模型进行设备健康状态的预测具体包括，
通过迭代得到最优模型参数
Figure 363044DEST_PATH_IMAGE022
；
计算得到设备的健康指数观测序列在时刻t时，处于状态
Figure 691870DEST_PATH_IMAGE023
的概率；
计算出时间序列中t时刻设备处于不同健康状态的概率；
获取不同健康状态的概率中的最大概率对应的状态，作为在t时刻设备的运行健康状态；
计算出在某一时刻指数值最接近的多个健康指数之间的差值，对未来节点的健康指数间差值进行预测，计算出未来设备健康状态的预测值。
更进一步地，所述计算得到设备的健康指数观测序列在时刻t时，处于状态
Figure 447336DEST_PATH_IMAGE023
的概率，具体包括，将所述最优模型参数
Figure 915358DEST_PATH_IMAGE024
代入到下式，
Figure 730867DEST_PATH_IMAGE025
其中，
Figure 284339DEST_PATH_IMAGE026
其中，
Figure 577917DEST_PATH_IMAGE027
是给定模型参数
Figure 290658DEST_PATH_IMAGE012
在时刻t+1，且设备处于状态
Figure 152435DEST_PATH_IMAGE028
的概率；
Figure 583417DEST_PATH_IMAGE029
是给定模型参数
Figure 290473DEST_PATH_IMAGE030
在t时刻，且设备处于状态
Figure 857720DEST_PATH_IMAGE031
，输出观测值为
Figure 890398DEST_PATH_IMAGE032
的概率；
Figure 543096DEST_PATH_IMAGE033
为t时刻的状态为
Figure 178477DEST_PATH_IMAGE034
，t+1时刻状态为
Figure 741177DEST_PATH_IMAGE035
的概率；
Figure 803810DEST_PATH_IMAGE036
表示t到t+1时刻的HMM的状态转移概率；
Figure 678226DEST_PATH_IMAGE037
是给定模型参数
Figure 992663DEST_PATH_IMAGE038
在t时刻，且设备处于状态
Figure 534503DEST_PATH_IMAGE039
的概率；
Figure 640475DEST_PATH_IMAGE040
为t+1时刻观察状态在隐藏状态下生成的概率；
Figure 267765DEST_PATH_IMAGE041
是给定模型参数
Figure 244949DEST_PATH_IMAGE030
在t+1时刻，且设备处于状态
Figure 782240DEST_PATH_IMAGE039
，输出观测值为
Figure 186677DEST_PATH_IMAGE032
的概率。
更进一步地，所述计算出时间序列中t时刻设备处于不同健康状态的概率，具体通过下式计算，
Figure 911050DEST_PATH_IMAGE042
其中，
Figure 691925DEST_PATH_IMAGE043
为设备的健康指数观测序列在时刻t处于状态
Figure 208357DEST_PATH_IMAGE044
的概率；
所述计算出在某一时刻指数值最接近的多个健康指数之间的差值，通过下式计算，
Figure 924640DEST_PATH_IMAGE045
所述对未来节点的健康指数间差值进行预测，计算出未来设备健康状态的预测值，通过下式进行计算，
Figure 995364DEST_PATH_IMAGE046
其中，1≤i≤N表示与时刻t的健康指数
Figure 455295DEST_PATH_IMAGE047
第i相近的历史指数，
Figure 826234DEST_PATH_IMAGE048
表示健康指数差
Figure 572473DEST_PATH_IMAGE049
所占的比重；N表示加权的次数，也即时序长度T，
Figure 537018DEST_PATH_IMAGE050
表示时刻t的指数似然值，
Figure 394115DEST_PATH_IMAGE051
表示与
Figure 760506DEST_PATH_IMAGE050
第i相近的历史健康指数似然值。
另一方面，本发明公开了一种集中监测系统中的设备健康状态预测系统，所述系统包括，
预处理模块，用于收集特征数据并进行预处理；
筛选模块，用于筛选出所述特征数据中的影响设备性能的特征参数；
融合模块，用于通过参数融合将多种特征参数融合为设备健康指数；
构建模块，用于根据所述设备健康指数构建预测模型；
预测模块，用于根据所述预测模型进行设备健康状态的预测。
更进一步地，所述预处理模块收集特征数据并进行预处理具体包括，
从中心数据库中的设备运行参数表中收集特征数据；
对特征参数的数据集进行遍历，记录其中的最大值和最小值；
对该项特征数据进行归一化处理。
更进一步地，所述预处理模块对特征数据进行归一化处理通过下式实现，
Figure 677646DEST_PATH_IMAGE002
其中，
Figure 988542DEST_PATH_IMAGE052
为归一化处理后的值，
Figure 524697DEST_PATH_IMAGE053
为遍历的特征数据值，
Figure 870227DEST_PATH_IMAGE054
为特征数据集中的最大值，
Figure 958269DEST_PATH_IMAGE055
为特征数据集中的最小值。
更进一步地，所述设备健康指数为单一的性能指标，所述融合模块通过参数融合将多种特征参数融合为设备健康指数
Figure 628897DEST_PATH_IMAGE007
具体通过下式得到，
Figure 93377DEST_PATH_IMAGE008
其中，
Figure 168780DEST_PATH_IMAGE010
为特征降维后的p个特征参数的权重值，
Figure 427723DEST_PATH_IMAGE011
为进行离差标准化后的参数值，最后可得到一组时间序列，即长度为N的设备健康指数
Figure 713211DEST_PATH_IMAGE007
的观测序列：
Figure 122327DEST_PATH_IMAGE056
；
Figure 911291DEST_PATH_IMAGE012
为特征值。
更进一步地，所述构建模块构建预测模型具体包括，
获取参数值
Figure 482081DEST_PATH_IMAGE013
，使得
Figure 989286DEST_PATH_IMAGE014
在
Figure 61147DEST_PATH_IMAGE015
处达到最大值，所述参数值
Figure 845563DEST_PATH_IMAGE015
通过下式进行约束，
Figure 711888DEST_PATH_IMAGE016
进行迭代计算直到
Figure 581755DEST_PATH_IMAGE057
的值不变时停止迭代；
更新模型
Figure 457307DEST_PATH_IMAGE018
重新进行迭代直到
Figure 96230DEST_PATH_IMAGE019
，获得最优模型
Figure 399035DEST_PATH_IMAGE020
并停止迭代；
其中，
Figure 615253DEST_PATH_IMAGE021
为预先规定的收敛条件，A和B分别为状态转移概率矩阵以及观测状态的状态转移矩阵。
更进一步地，所述预测模块根据预测模型进行设备健康状态的预测具体包括，
通过迭代得到最优模型参数
Figure 904283DEST_PATH_IMAGE058
；
计算得到设备的健康指数观测序列在时刻t时，处于状态
Figure 522346DEST_PATH_IMAGE023
的概率；
计算出时间序列中t时刻设备处于不同健康状态的概率；
获取不同健康状态的概率中的最大概率对应的状态，作为在t时刻设备的运行健康状态；
计算出在某一时刻指数值最接近的多个健康指数之间的差值，对未来节点的健康指数间差值进行预测，计算出未来设备健康状态的预测值；
所述计算得到设备的健康指数观测序列在时刻t时，处于状态
Figure 868489DEST_PATH_IMAGE023
的概率，具体包括，将所述最优模型参数
Figure 837582DEST_PATH_IMAGE059
代入到下式，
Figure 789358DEST_PATH_IMAGE025
其中，
Figure 137294DEST_PATH_IMAGE026
；
Figure 781902DEST_PATH_IMAGE027
是给定模型参数
Figure 972712DEST_PATH_IMAGE012
在时刻t+1，且设备处于状态
Figure 603544DEST_PATH_IMAGE028
的概率；
Figure 196200DEST_PATH_IMAGE029
是给定模型参数
Figure 621496DEST_PATH_IMAGE030
在t时刻，且设备处于状态
Figure 565181DEST_PATH_IMAGE031
，输出观测值为
Figure 999705DEST_PATH_IMAGE060
的概率；
Figure 446866DEST_PATH_IMAGE033
为t时刻的状态为
Figure 433277DEST_PATH_IMAGE034
，t+1时刻状态为
Figure 474045DEST_PATH_IMAGE061
的概率；
Figure 571314DEST_PATH_IMAGE036
表示t到t+1时刻的HMM的状态转移概率；
Figure 13928DEST_PATH_IMAGE037
是给定模型参数
Figure 171240DEST_PATH_IMAGE038
在t时刻，且设备处于状态
Figure 558359DEST_PATH_IMAGE039
的概率；
Figure 334685DEST_PATH_IMAGE040
为t+1时刻观察状态在隐藏状态下生成的概率；
Figure 756439DEST_PATH_IMAGE041
是给定模型参数
Figure 980526DEST_PATH_IMAGE030
在t+1时刻，且设备处于状态
Figure 120521DEST_PATH_IMAGE039
，输出观测值为
Figure 294013DEST_PATH_IMAGE062
的概率；
所述计算出时间序列中t时刻设备处于不同健康状态的概率，具体通过下式计算，
Figure 711219DEST_PATH_IMAGE063
其中，
Figure 944754DEST_PATH_IMAGE043
为设备的健康指数观测序列在t时刻处于状态
Figure 447411DEST_PATH_IMAGE044
的概率；
所述计算出在某一时刻指数值最接近的多个健康指数之间的差值，通过下式计算，
Figure 424594DEST_PATH_IMAGE064
所述对未来节点的健康指数间差值进行预测，计算出未来设备健康状态的预测值，通过下式进行计算，
Figure 820940DEST_PATH_IMAGE065
其中，1≤i≤N表示与时刻t的健康指数
Figure 100743DEST_PATH_IMAGE047
第i相近的历史指数，
Figure 215330DEST_PATH_IMAGE048
表示健康指数差
Figure 996204DEST_PATH_IMAGE066
所占的比重；N表示加权的次数，也即时序长度T，
Figure 122423DEST_PATH_IMAGE050
表示时刻t的指数似然值，
Figure 697761DEST_PATH_IMAGE051
表示与
Figure 175010DEST_PATH_IMAGE050
第i相近的历史健康指数似然值。
本发明至少具有如下优点，
本发明在集中监测系统中监测的电气设备的健康状态预测中，通过对现有设备健康状态预测方法进行改进，将多种传感器参数融合为表征设备性能状态的健康指数，并将得到的时序健康指数作为观测序列输入HMM模型，用于评估指数对应的健康状态，最后进行状态概率最优路径计算，找到最佳的状态概率序列，实现对设备健康指的拟合预测，进而通过公式计算得到设备健康状态的预测值。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出了本申请实施例中设备健康状态预测方法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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、完整地说明，显然，所描述的实施例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。
本申请实施例公开了一种集中监测系统中的设备健康状态预测系统，其包括，预处理模块，用于收集特征数据并进行预处理筛选模块，用于筛选出所述特征数据中的影响设备性能的特征参数；融合模块，用于通过参数融合将多种特征参数融合为设备健康指数；构建模块，用于根据所述设备健康指数构建预测模型；预测模块，用于根据所述预测模型进行设备健康状态的预测。
本申请公开了一种集中监测系统中的设备健康状态预测方法，下面将结合图1对本方法进行说明，本包括以下的步骤，
S1、收集特征数据并进行预处理。
本方法中使用的数据来自中心数据库，首先需要对中心数据库中特征值数据进行预处理，根据查阅相关生产资料和以往数据经验选出出相关性较大的前几种特征数据，之后再利用 ReliefF算法、PCA 方法来做进一步特征提取，融合成健康指数形式。具体为：
首先利用 ReliefF 算法对多参数连续值回归分析，通过特征权重筛选，得到与设备状态相关性较大的参数类型；再基于主成分分析法(PCA)对已筛选参数进行数据降维与特征提取，并通过权重融合得到表征设备运行状态的健康指数。
进行特征数据收集和预处理具体包括，
S11、选取特征数据。
结合相关实际设备的具体使用情况，从以下三方面来考虑影响设备使用寿命的因素，用于之后设备的特征参数权重计算参考。
（1）设备自身的因素：包括设备的厂商，价格，设备类别型号等因素。
（2）设备的工作环境：设备工作位置等因素。
（3）设备生命周期流转记录：入账时间，设备闲置时间，使用时间，设备调拨过程等因素。
S12、对特征参数的数据集进行遍历，记录其中的最大值和最小值。
预测模型部分的数据主要来自于的中心数据库中的设备运行参数表，据标准化的设计体现在对原始数据的线性变换，使原始数据的结果值映射到[0 - 1]之间。架设某一类特征参数集
Figure 759575DEST_PATH_IMAGE068
的特征数据有m项，通过对该特征参数的m项数据进行遍历，记录其中的最大值和最小值。
S13、对该项特征数据进行归一化处理。
使用max-min作为标准化基数来对该项特征数据进行归一化处理，其中，对特征数据进行归一化处理通过下式实现，
Figure 864934DEST_PATH_IMAGE069
在式中，
Figure 752118DEST_PATH_IMAGE070
为归一化处理后的值，
Figure 575718DEST_PATH_IMAGE071
为遍历的特征数据值，
Figure 432816DEST_PATH_IMAGE072
为特征数据集中最大值，
Figure 533627DEST_PATH_IMAGE073
为特征数据集中的最小值。
S2、筛选出所述特征数据中的影响设备性能的特征参数。
假定所研究的设备历史特征数据中共记录了M组特征参数类型，每组有N个时间节点状态数据。具体来说是指设备在使用中采样时间的状态监测值是由M维特征监测参数所构成，即
Figure 716346DEST_PATH_IMAGE074
，而且每一维的特征参数都为数量为N的时间序列。
通过对目标数据集 为连续值的数据采用ReliefF算法来筛选影响设备性能特征参数（退化参数），其中该类特征参数的权重值越大。表示该参数对于设备健康状态下降过程的相关性影响越大，反之，相关性越小。
S3、通过参数融合将多种特征参数融合为设备健康指数
Figure 899679DEST_PATH_IMAGE075
。
本步骤中的设备健康指数是单一的性能指标，通过参数融合将多种特征参数融合为设备健康指数
Figure 826046DEST_PATH_IMAGE075
，具体通过下式得到，
Figure 905998DEST_PATH_IMAGE076
其中，
Figure 134985DEST_PATH_IMAGE077
为特征降维后的p个特征参数的权重值，
Figure 667597DEST_PATH_IMAGE078
为进行离差标准化后的参数值，最后可得到一组时间序列，即长度为N的设备健康指数
Figure 273022DEST_PATH_IMAGE079
的观测序列：
Figure 207480DEST_PATH_IMAGE080
，
Figure 732002DEST_PATH_IMAGE081
为特征值。
S4、根据设备健康数据
Figure 892856DEST_PATH_IMAGE082
构建预测模型。
在本实施例中构建的预测模型为HMM模型，隐马尔科夫模型（Hidden MarkovModel）属于一种动态随机模型，它的算法前身是马尔可夫链，其主要被用来描述双重不可见的随机过程。构建模型包括有以下几个步骤。
S41、首先对设备运行状态进行分级。参照现实世界中人的身体老化过程的定义方式，将不同设备状态下降过程的运行状况统一划分为 5 个等级，分别为健康、良好、亚健康、异常和故障。分别对应HMM模型的5中隐藏状态，通过后续步骤的预测模型的训练与状态进行评估。
S42、根据上一节中数据预处理和特征融合后得到数据长度为N的设备健康指数
Figure 895447DEST_PATH_IMAGE079
的数据序列：
Figure 825357DEST_PATH_IMAGE083
，来寻找能使得数据序列对应的状态概率最大的HMM。此步骤通过寻找参数值的方式来实现。
具体为获取获取参数值
Figure 520781DEST_PATH_IMAGE084
，使得
Figure 293565DEST_PATH_IMAGE085
在
Figure 709634DEST_PATH_IMAGE086
处达到最大值，所述参数值
Figure 884263DEST_PATH_IMAGE086
通过下式进行约束，
Figure 485009DEST_PATH_IMAGE087
进行迭代计算直到
Figure 620455DEST_PATH_IMAGE088
的值不变时停止迭代。
S43、通过迭代计算，得到新的模型参数，对应更新模型
Figure 964849DEST_PATH_IMAGE089
，重新进行迭代计算直到
Figure 869351DEST_PATH_IMAGE090
，获得最优模型
Figure 906577DEST_PATH_IMAGE091
并停止迭代。其中，
Figure 388374DEST_PATH_IMAGE092
为预先规定的收敛条件，在不满足收敛条件时会重复进行之前的训练步骤直至满足收敛，A和B分别为状态转移概率矩阵以及观测状态的状态转移矩阵。
S5、根据预测模型进行设备健康状态的预测。
对设备健康状态的预测具体包括有以下的步骤，
S51、通过迭代计算，最终得到最优估计参数
Figure 674474DEST_PATH_IMAGE091
，通过之前步骤中数据预处理和特征融合后生成的单一健康指数序列作为模型的观测序列，输入最终迭代后的最优模型参数
Figure 292537DEST_PATH_IMAGE093
。
S52、计算获取设备的健康指数观测序列在时刻t时，处于状态的概率，将最优模型参数代入到下式，
Figure 641610DEST_PATH_IMAGE094
关于上式，首先定义
Figure 345124DEST_PATH_IMAGE095
代表前向概率变量，
Figure 296900DEST_PATH_IMAGE096
代表后向概率变量，
Figure 910415DEST_PATH_IMAGE097
代表概率变量，
Figure 555023DEST_PATH_IMAGE098
是给定模型参数
Figure 745833DEST_PATH_IMAGE081
在时刻t+1，且设备处于状态
Figure 376665DEST_PATH_IMAGE099
的概率；
Figure 969320DEST_PATH_IMAGE100
是给定模型参数
Figure 660196DEST_PATH_IMAGE101
在t时刻，且设备处于状态
Figure 338302DEST_PATH_IMAGE102
，输出观测值为
Figure 772825DEST_PATH_IMAGE103
的概率；
Figure 219987DEST_PATH_IMAGE104
为t时刻的状态为
Figure 940819DEST_PATH_IMAGE105
，t+1时刻状态为
Figure 981587DEST_PATH_IMAGE106
的概率；
Figure 78856DEST_PATH_IMAGE107
表示t到t+1时刻的HMM的状态转移概率；
Figure 646104DEST_PATH_IMAGE108
是给定模型参数
Figure 944361DEST_PATH_IMAGE109
在t时刻，且设备处于状态
Figure 735075DEST_PATH_IMAGE110
的概率；
Figure 370456DEST_PATH_IMAGE111
为t+1时刻观察状态在隐藏状态下生成的概率；
Figure 667576DEST_PATH_IMAGE112
是给定模型参数
Figure 730210DEST_PATH_IMAGE101
在t+1时刻，且设备处于状态
Figure 870204DEST_PATH_IMAGE110
，输出观测值为
Figure 715800DEST_PATH_IMAGE113
的概率。
给定观测序列
Figure 992061DEST_PATH_IMAGE114
，具体表达式如下
Figure 366542DEST_PATH_IMAGE115
其中
Figure 728253DEST_PATH_IMAGE116
；
Figure 846381DEST_PATH_IMAGE095
是给定模型参数
Figure 977148DEST_PATH_IMAGE117
在时刻
Figure 647164DEST_PATH_IMAGE118
，且设备处于状态
Figure 371538DEST_PATH_IMAGE119
的概率；
Figure 152412DEST_PATH_IMAGE120
是给定模型在时刻
Figure 544210DEST_PATH_IMAGE121
，设备处于状态
Figure 119548DEST_PATH_IMAGE122
，输出观测值为
Figure 721431DEST_PATH_IMAGE123
的概率；
Figure 915783DEST_PATH_IMAGE124
是给定模型
Figure 286721DEST_PATH_IMAGE125
在时刻
Figure 32960DEST_PATH_IMAGE127
，设备处于状态
Figure 728996DEST_PATH_IMAGE128
下的概率。
上述公式中参数具体计算如下：
Figure 117252DEST_PATH_IMAGE129
（1）
Figure 952484DEST_PATH_IMAGE130
（2）
Figure 135204DEST_PATH_IMAGE131
（3）
在整个观测序列和给定模型情况下，在时刻t处于状态
Figure 446100DEST_PATH_IMAGE132
，t+1时刻处于状态
Figure 247833DEST_PATH_IMAGE133
的概率为
Figure 62206DEST_PATH_IMAGE134
有：
Figure 556772DEST_PATH_IMAGE135
（4）
其中状态概率公式推导为：
Figure 354964DEST_PATH_IMAGE136
（5）
最后计算得到的概率公式为：
Figure 819443DEST_PATH_IMAGE137
（6）
最大期望算法(Expectation-Maximization algorithm，EM) 中计算出最优的模型参数的过程。
给定观测序列
Figure 629267DEST_PATH_IMAGE138
和初始模型参数情况前提下，设定在t时刻的状态为
Figure 153790DEST_PATH_IMAGE139
，t+1时刻状态为
Figure 314644DEST_PATH_IMAGE140
的概率为
Figure 317235DEST_PATH_IMAGE141
，有：
Figure 371778DEST_PATH_IMAGE142
（8）
根据前向-后向算法中的前向后向变量定义，有：
Figure 208147DEST_PATH_IMAGE143
（9）
公式计算变换可得
Figure 449773DEST_PATH_IMAGE144
（10）
最后可推导出在t时刻处于状态
Figure 256055DEST_PATH_IMAGE139
的概率为：
Figure 306050DEST_PATH_IMAGE145
（11）
Figure 906796DEST_PATH_IMAGE146
是给定模型参数
Figure 39313DEST_PATH_IMAGE147
在t+1时刻，且设备处于状态
Figure 649286DEST_PATH_IMAGE148
的概率。
Figure 412842DEST_PATH_IMAGE149
是给定模型参数
Figure 325435DEST_PATH_IMAGE147
在t时刻，且设备处于状态
Figure 807231DEST_PATH_IMAGE150
，输出观测值为
Figure 96262DEST_PATH_IMAGE151
的概率。
Figure 979904DEST_PATH_IMAGE152
为t时刻的状态为
Figure 188031DEST_PATH_IMAGE153
，t+1时刻状态为
Figure 32491DEST_PATH_IMAGE154
的概率。
S53、计算得到时间序列中t时刻设备处于不同健康状态的概率，具体通过下式实现，
Figure 718687DEST_PATH_IMAGE155
其中，
Figure 597781DEST_PATH_IMAGE156
为设备的健康指数观测序列在t时刻处于状态
Figure 711231DEST_PATH_IMAGE157
的概率。
通过上式计算得到时间序列中t时刻设备处于不同健康状态的概率，此时计算所得的最大概率对应的状态即为在t时刻设备的运行健康状态。当使用设备状态曲线来表征不同i时刻下的运行健康状态，即可描述一段时间内设备的状态变化趋势。
S54、计算出在某一时刻指数值最接近的多个健康指数之间的差值，对未来节点的健康指数间差值进行预测，计算出未来设备健康状态的预测值。
利用维特比算法（Viterbi）算法用动态规划（Dynamic Programming，DP）来求取HMM 的预测问题，通过 DP 来算出状态概率的最优路径，从而找到满足输入的观测序列的最优隐藏状态序列，即模型的最终预测结果。通过计算出在某一时刻指数值最接近的多个健康指数之间的差值，通过下式来进行计算，
Figure 167620DEST_PATH_IMAGE158
然后利用加权平均法对未来节点的健康指数间差值进行预测，进而计算出未来设备健康状态的预测值，通过下式来进行计算，
Figure 532873DEST_PATH_IMAGE159
其中，1≤i≤N表示与时刻t的健康指数
Figure 391108DEST_PATH_IMAGE160
第i相近的历史指数，
Figure 941038DEST_PATH_IMAGE161
表示健康指数差
Figure 760089DEST_PATH_IMAGE162
所占的比重；N表示加权的次数，也即时序长度T，
Figure 53667DEST_PATH_IMAGE163
表示时刻t的指数似然值，
Figure 376195DEST_PATH_IMAGE164
表示与
Figure 97027DEST_PATH_IMAGE163
第i相近的历史健康指数似然值。
本发明通过上述的技术方案，通过对现有设备健康状态预测方法进行改进，将多种传感器参数融合为表征设备性能状态的健康指数，并将得到的设备健康指数作为观测序列输入HMM模型，用于评估指数对应的健康状态，最后进行状态概率最优路径计算，找到最佳的状态概率序列，实现对设备健康指的拟合预测，进而通过公式计算得到设备健康状态的预测值。解决了单状态参数包含设备运行趋势信息不完整性问题，适用性更强，保证了设备健康状态变化预测的连续性。
尽管参照前述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精神和范围。

Claims (14)

1.一种集中监测系统中的设备健康状态预测方法，其特征在于，所述方法包括，
收集特征数据并进行预处理；
筛选出所述特征数据中的影响设备性能的特征参数；
通过参数融合将多种特征参数融合为设备健康指数
Figure 204949DEST_PATH_IMAGE001
；
根据所述设备健康指数
Figure 379579DEST_PATH_IMAGE001
构建预测模型；
根据所述预测模型进行设备健康状态的预测。
2.根据权利要求1所述的一种集中监测系统中的设备健康状态预测方法，其特征在于，所述收集特征数据并进行预处理具体包括，
从中心数据库中的设备运行参数表中收集特征数据；
对特征参数的数据集进行遍历，记录其中的最大值和最小值；
对该项特征数据进行归一化处理。
3.根据权利要求2所述的一种集中监测系统中的设备健康状态预测方法，其特征在于，所述对特征数据进行归一化处理通过下式实现，
Figure 121270DEST_PATH_IMAGE002
其中，
Figure 115771DEST_PATH_IMAGE003
为归一化处理后的值，
Figure 601110DEST_PATH_IMAGE004
为遍历的特征数据值，
Figure 364666DEST_PATH_IMAGE005
为特征数据集中的最大值，
Figure 667472DEST_PATH_IMAGE006
为特征数据集中的最小值。
4.根据权利要求1或2所述的一种集中监测系统中的设备健康状态预测方法，其特征在于，所述设备健康指数为单一的性能指标，所述通过参数融合将多种特征参数融合为设备健康指数
Figure 759056DEST_PATH_IMAGE007
具体通过下式得到，
Figure 172719DEST_PATH_IMAGE008
最后可得到一组时间序列，即长度为N的设备健康指数
Figure 790783DEST_PATH_IMAGE009
的观测序列：
Figure 139856DEST_PATH_IMAGE010
；其中，
Figure 843369DEST_PATH_IMAGE011
为特征降维后的p个特征参数的权重值，
Figure 670511DEST_PATH_IMAGE012
为进行离差标准化后的参数值；
Figure 408660DEST_PATH_IMAGE013
为特征值。
5.根据权利要求1所述的一种集中监测系统中的设备健康状态预测方法，其特征在于，所述构建预测模型具体包括，
获取参数值
Figure 53268DEST_PATH_IMAGE014
，使得概率
Figure 119444DEST_PATH_IMAGE015
在
Figure 874910DEST_PATH_IMAGE016
处达到最大值，所述参数值
Figure 201986DEST_PATH_IMAGE017
通过下式进行约束，
Figure 889932DEST_PATH_IMAGE018
进行迭代计算直到
Figure 568038DEST_PATH_IMAGE019
的值不变时停止迭代；
更新模型至
Figure 2562DEST_PATH_IMAGE020
，
重新进行迭代直到
Figure 449724DEST_PATH_IMAGE021
，获得最优模型
Figure 170555DEST_PATH_IMAGE022
并停止迭代；
其中，
Figure 211323DEST_PATH_IMAGE023
为预先规定的收敛条件，A和B分别为状态转移概率矩阵以及观测状态的状态转移矩阵。
6.根据权利要求1所述的一种集中监测系统中的设备健康状态预测方法，其特征在于，所述根据预测模型进行设备健康状态的预测具体包括，
通过迭代得到最优模型参数
Figure 308592DEST_PATH_IMAGE024
；
计算得到设备的健康指数观测序列在时刻t时，处于状态
Figure 16785DEST_PATH_IMAGE025
的概率；
计算出时间序列中t时刻设备处于不同健康状态的概率；
获取不同健康状态的概率中的最大概率对应的状态，作为在t时刻设备的运行健康状态；
计算出在某一时刻指数值最接近的多个健康指数之间的差值，对未来节点的健康指数间差值进行预测，计算出未来设备健康状态的预测值。
7.根据权利要求6所述的一种集中监测系统中的设备健康状态预测方法，其特征在于，
所述计算得到设备的健康指数观测序列在时刻t时，处于状态
Figure 642939DEST_PATH_IMAGE026
的概率，具体包括，将所述最优模型参数
Figure 561216DEST_PATH_IMAGE027
代入到下式，
Figure 71963DEST_PATH_IMAGE028
其中，
Figure 493717DEST_PATH_IMAGE029
其中，
Figure 697297DEST_PATH_IMAGE030
是给定模型参数
Figure 571712DEST_PATH_IMAGE031
在时刻t+1，且设备处于状态
Figure 276362DEST_PATH_IMAGE032
的概率；
Figure 427989DEST_PATH_IMAGE033
是给定模型参数
Figure 927104DEST_PATH_IMAGE034
在t时刻，且设备处于状态
Figure 288815DEST_PATH_IMAGE035
，输出观测值为
Figure 406944DEST_PATH_IMAGE036
的概率；
Figure 537711DEST_PATH_IMAGE037
为t时刻的状态为
Figure 80163DEST_PATH_IMAGE038
，t+1时刻状态为
Figure 194749DEST_PATH_IMAGE039
的概率；
Figure 710044DEST_PATH_IMAGE040
表示t到t+1时刻的HMM的状态转移概率；
Figure 101843DEST_PATH_IMAGE041
是给定模型参数
Figure 677180DEST_PATH_IMAGE042
在t时刻，且设备处于状态
Figure 154429DEST_PATH_IMAGE043
的概率；
Figure 473415DEST_PATH_IMAGE044
为t+1时刻观察状态在隐藏状态下生成的概率；
Figure 844354DEST_PATH_IMAGE045
是给定模型参数
Figure 465959DEST_PATH_IMAGE046
在t+1时刻，且设备处于状态
Figure 289558DEST_PATH_IMAGE043
，输出观测值为
Figure 553181DEST_PATH_IMAGE047
的概率。
8.根据权利要求6所述的一种集中监测系统中的设备健康状态预测方法，其特征在于，所述计算出时间序列中t时刻设备处于不同健康状态的概率，具体通过下式计算，
Figure 513046DEST_PATH_IMAGE048
其中，
Figure 430187DEST_PATH_IMAGE049
为设备的健康指数观测序列在时刻t处于状态
Figure 882028DEST_PATH_IMAGE050
的概率；
所述计算出在某一时刻指数值最接近的多个健康指数之间的差值，通过下式计算，
Figure 808396DEST_PATH_IMAGE051
所述对未来节点的健康指数间差值进行预测，计算出未来设备健康状态的预测值，通过下式进行计算，
Figure 622768DEST_PATH_IMAGE052
其中，1≤i≤N表示与时刻t的健康指数
Figure 117334DEST_PATH_IMAGE053
第i相近的历史指数，
Figure 649947DEST_PATH_IMAGE054
表示健康指数差
Figure 255372DEST_PATH_IMAGE055
所占的比重；N表示加权的次数，也即时序长度T，
Figure 924250DEST_PATH_IMAGE056
表示时刻t的指数似然值，
Figure 714352DEST_PATH_IMAGE057
表示与
Figure 872276DEST_PATH_IMAGE056
第i相近的历史健康指数似然值。
9.一种集中监测系统中的设备健康状态预测系统，其特征在于，所述系统包括，
预处理模块，用于收集特征数据并进行预处理；
筛选模块，用于筛选出所述特征数据中的影响设备性能的特征参数；
融合模块，用于通过参数融合将多种特征参数融合为设备健康指数；
构建模块，用于根据所述设备健康指数构建预测模型；
预测模块，用于根据所述预测模型进行设备健康状态的预测。
10.根据权利要求9所述的一种集中监测系统中的设备健康状态预测系统，其特征在于，所述预处理模块收集特征数据并进行预处理具体包括，
从中心数据库中的设备运行参数表中收集特征数据；
对特征参数的数据集进行遍历，记录其中的最大值和最小值；
对该项特征数据进行归一化处理。
11.根据权利要求10所述的一种集中监测系统中的设备健康状态预测系统，其特征在于，所述预处理模块对特征数据进行归一化处理通过下式实现，
Figure 874867DEST_PATH_IMAGE058
其中，
Figure 663832DEST_PATH_IMAGE059
为归一化处理后的值，
Figure 500201DEST_PATH_IMAGE060
为遍历的特征数据值，
Figure 7405DEST_PATH_IMAGE061
为特征数据集中的最大值，
Figure 689054DEST_PATH_IMAGE062
为特征数据集中的最小值。
12.根据权利要求9或10所述的一种集中监测系统中的设备健康状态预测系统，其特征在于，所述设备健康指数为单一的性能指标，所述融合模块通过参数融合将多种特征参数融合为设备健康指数
Figure 863683DEST_PATH_IMAGE009
具体通过下式得到，
Figure 464429DEST_PATH_IMAGE008
其中，
Figure 599875DEST_PATH_IMAGE063
为特征降维后的p个特征参数的权重值，
Figure 944268DEST_PATH_IMAGE064
为进行离差标准化后的参数值，最后可得到一组时间序列，即长度为N的设备健康指数
Figure 848771DEST_PATH_IMAGE009
的观测序列：
Figure 620417DEST_PATH_IMAGE065
；
Figure 367794DEST_PATH_IMAGE066
为特征值。
13.根据权利要求10所述的一种集中监测系统中的设备健康状态预测系统，其特征在于，所述构建模块构建预测模型具体包括，
获取参数值
Figure 656824DEST_PATH_IMAGE067
，使得
Figure 274887DEST_PATH_IMAGE015
在
Figure 623960DEST_PATH_IMAGE017
处达到最大值，所述参数值
Figure 327473DEST_PATH_IMAGE068
通过下式进行约束，
Figure 279249DEST_PATH_IMAGE018
进行迭代计算直到
Figure 158343DEST_PATH_IMAGE069
的值不变时停止迭代；
更新模型
Figure 271793DEST_PATH_IMAGE070
重新进行迭代直到
Figure 462603DEST_PATH_IMAGE021
，获得最优模型
Figure 90506DEST_PATH_IMAGE071
并停止迭代；
其中，
Figure 948740DEST_PATH_IMAGE023
为预先规定的收敛条件，A和B分别为状态转移概率矩阵以及观测状态的状态转移矩阵。
14.根据权利要求10所述的一种集中监测系统中的设备健康状态预测系统，其特征在于，所述预测模块根据预测模型进行设备健康状态的预测具体包括，
通过迭代得到最优模型参数
Figure 374036DEST_PATH_IMAGE072
；
计算得到设备的健康指数观测序列在时刻t时，处于状态
Figure 317722DEST_PATH_IMAGE026
的概率；
计算出时间序列中t时刻设备处于不同健康状态的概率；
获取不同健康状态的概率中的最大概率对应的状态，作为在t时刻设备的运行健康状态；
计算出在某一时刻指数值最接近的多个健康指数之间的差值，对未来节点的健康指数间差值进行预测，计算出未来设备健康状态的预测值；
所述计算得到设备的健康指数观测序列在时刻t时，处于状态
Figure 345721DEST_PATH_IMAGE026
的概率，具体包括，将所述最优模型参数
Figure 933828DEST_PATH_IMAGE073
代入到下式，
Figure 654659DEST_PATH_IMAGE074
其中，
Figure 961007DEST_PATH_IMAGE075
；
Figure 792696DEST_PATH_IMAGE076
是给定模型参数
Figure 359944DEST_PATH_IMAGE077
在时刻t+1，且设备处于状态
Figure 127043DEST_PATH_IMAGE078
的概率；
Figure 45320DEST_PATH_IMAGE079
是给定模型参数
Figure 415122DEST_PATH_IMAGE046
在t时刻，且设备处于状态
Figure 977821DEST_PATH_IMAGE080
，输出观测值为
Figure 306034DEST_PATH_IMAGE081
的概率；
Figure 55816DEST_PATH_IMAGE082
为t时刻的状态为
Figure 760467DEST_PATH_IMAGE083
，t+1时刻状态为
Figure 36727DEST_PATH_IMAGE039
的概率；
Figure 411208DEST_PATH_IMAGE084
表示t到t+1时刻的HMM的状态转移概率；
Figure 772919DEST_PATH_IMAGE085
是给定模型参数
Figure 91380DEST_PATH_IMAGE042
在t时刻，且设备处于状态
Figure 628672DEST_PATH_IMAGE043
的概率；
Figure 33109DEST_PATH_IMAGE086
为t+1时刻观察状态在隐藏状态下生成的概率；
Figure 147695DEST_PATH_IMAGE087
是给定模型参数
Figure 803936DEST_PATH_IMAGE046
在t+1时刻，且设备处于状态
Figure 54788DEST_PATH_IMAGE043
，输出观测值为
Figure 771072DEST_PATH_IMAGE088
的概率；
所述计算出时间序列中t时刻设备处于不同健康状态的概率，具体通过下式计算，
Figure 107375DEST_PATH_IMAGE089
其中，
Figure 426361DEST_PATH_IMAGE090
为设备的健康指数观测序列在t时刻处于状态
Figure 672666DEST_PATH_IMAGE050
的概率；
所述计算出在某一时刻指数值最接近的多个健康指数之间的差值，通过下式计算，
Figure 684484DEST_PATH_IMAGE091
所述对未来节点的健康指数间差值进行预测，计算出未来设备健康状态的预测值，通过下式进行计算，
Figure 242504DEST_PATH_IMAGE092
其中，1≤i≤N表示与时刻t的健康指数
Figure 506126DEST_PATH_IMAGE053
第i相近的历史指数，
Figure 465992DEST_PATH_IMAGE054
表示健康指数差
Figure 524078DEST_PATH_IMAGE093
所占的比重；N表示加权的次数，也即时序长度T，
Figure 834974DEST_PATH_IMAGE056
表示时刻t的指数似然值，
Figure 761341DEST_PATH_IMAGE057
表示与
Figure 713729DEST_PATH_IMAGE056
第i相近的历史健康指数似然值。
CN202210353407.7A 2022-04-06 2022-04-06 一种集中监测系统中的设备健康状态预测方法及系统 Pending CN114429316A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210353407.7A CN114429316A (zh) 2022-04-06 2022-04-06 一种集中监测系统中的设备健康状态预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210353407.7A CN114429316A (zh) 2022-04-06 2022-04-06 一种集中监测系统中的设备健康状态预测方法及系统

Publications (1)

Publication Number Publication Date
CN114429316A true CN114429316A (zh) 2022-05-03

Family

ID=81314341

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210353407.7A Pending CN114429316A (zh) 2022-04-06 2022-04-06 一种集中监测系统中的设备健康状态预测方法及系统

Country Status (1)

Country Link
CN (1) CN114429316A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7506215B1 (en) * 2003-12-09 2009-03-17 Unisys Corporation Method for health monitoring with predictive health service in a multiprocessor system
CN105512483A (zh) * 2015-12-08 2016-04-20 清华大学 基于损伤传播模型和数据分析的航空发动机剩余寿命预测
CN111222290A (zh) * 2020-01-13 2020-06-02 浙江工业大学 一种基于多参数特征融合的大型设备剩余使用寿命预测方法
CN111258297A (zh) * 2020-01-17 2020-06-09 北京大学 基于数据融合网络的设备健康指标构建及寿命预测方法
CN113657648A (zh) * 2021-07-22 2021-11-16 广州中国科学院沈阳自动化研究所分所 一种多维数据融合的设备健康评估方法、装置及运维系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7506215B1 (en) * 2003-12-09 2009-03-17 Unisys Corporation Method for health monitoring with predictive health service in a multiprocessor system
CN105512483A (zh) * 2015-12-08 2016-04-20 清华大学 基于损伤传播模型和数据分析的航空发动机剩余寿命预测
CN111222290A (zh) * 2020-01-13 2020-06-02 浙江工业大学 一种基于多参数特征融合的大型设备剩余使用寿命预测方法
CN111258297A (zh) * 2020-01-17 2020-06-09 北京大学 基于数据融合网络的设备健康指标构建及寿命预测方法
CN113657648A (zh) * 2021-07-22 2021-11-16 广州中国科学院沈阳自动化研究所分所 一种多维数据融合的设备健康评估方法、装置及运维系统

Similar Documents

Publication Publication Date Title
JP7240691B1 (ja) データドライブの能動配電網異常状態検知方法及びシステム
CN113156917B (zh) 基于人工智能的电网设备故障诊断方法及系统
CN112052979B (zh) 基于故障预测与健康管理的设备备件需求预测系统
CN117630758B (zh) 发电站变压器健康状态监测方法及系统
CN117713221B (zh) 一种微逆光伏并网优化系统
CN117114454B (zh) 一种基于Apriori算法的直流套管状态评估方法及系统
CN112232604B (zh) 基于Prophet模型提取网络流量的预测方法
CN117354171B (zh) 基于物联网平台的平台健康状况预警方法及系统
CN112462734B (zh) 一种工业生产设备故障预测分析方法及模型
CN114519923B (zh) 一种电厂智能诊断预警方法和系统
CN115858794B (zh) 用于网络运行安全监测的异常日志数据识别方法
CN112016800B (zh) 一种基于有效性指标的特征选择方法与系统
CN114429316A (zh) 一种集中监测系统中的设备健康状态预测方法及系统
CN114661783B (zh) 一种基于用电行为的生活状态检测方法
CN112685933B (zh) 一种滚轮丝杠副剩余使用寿命预测方法
CN118228161B (zh) 一种电网灾害分析处理的方法及系统
CN117578481B (zh) 一种电压暂降预估模型建立方法、介质及系统
CN117633456B (zh) 基于自适应焦点损失的海上风电天气事件辨识方法和装置
CN118802580A (zh) Otn链路故障预警方法、装置、电子设备及存储介质
CN118297224A (zh) 一种制冷机房多设备联动故障预测方法、介质及系统
CN118395127A (zh) 一种基于历史数据的装备健康评估及退化趋势分析方法
CN118694673A (zh) 一种基于神经网络算法的生命周期风险管控方法
CN118690226A (zh) 一种基于时间序列的铁塔状态监测方法
CN116308251A (zh) 一种结合设备健康状态管理的维保方法及智能终端
Mecheri et al. Prediction of rare events in the operation of household equipment using co-evolving time series

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20220503

RJ01 Rejection of invention patent application after publication