CN114580291A - 一种基于lstm-vae的动设备健康状况评估方法 - Google Patents
一种基于lstm-vae的动设备健康状况评估方法 Download PDFInfo
- Publication number
- CN114580291A CN114580291A CN202210230329.1A CN202210230329A CN114580291A CN 114580291 A CN114580291 A CN 114580291A CN 202210230329 A CN202210230329 A CN 202210230329A CN 114580291 A CN114580291 A CN 114580291A
- Authority
- CN
- China
- Prior art keywords
- health
- monitoring data
- lstm
- window
- vae
- 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.)
- Granted
Links
- 230000036541 health Effects 0.000 title claims abstract description 152
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000012544 monitoring process Methods 0.000 claims abstract description 93
- 238000011156 evaluation Methods 0.000 claims abstract description 18
- 238000003064 k means clustering Methods 0.000 claims abstract description 14
- 238000012417 linear regression Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 20
- 238000013507 mapping Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000015556 catabolic process Effects 0.000 claims description 9
- 238000006731 degradation reaction Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000011985 exploratory data analysis Methods 0.000 claims description 4
- 230000008521 reorganization Effects 0.000 claims description 4
- 230000003862 health status Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 2
- 239000000284 extract Substances 0.000 abstract description 2
- 238000005065 mining Methods 0.000 abstract description 2
- 238000009826 distribution Methods 0.000 description 9
- 238000012423 maintenance Methods 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 4
- YCKRFDGAMUMZLT-UHFFFAOYSA-N Fluorine atom Chemical compound [F] YCKRFDGAMUMZLT-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 229910052731 fluorine Inorganic materials 0.000 description 2
- 239000011737 fluorine Substances 0.000 description 2
- 230000002427 irreversible effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005215 recombination Methods 0.000 description 2
- 230000006798 recombination Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003412 degenerative effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于LSTM‑VAE的动设备健康状况评估方法，包括以下步骤：收集、整理动设备传感器历史监测数据，选取工况指标数据；设计基于k‑means聚类的工况识别方法对设备运行工况进行划分；按工况类别分组进行预处理、标准化，将各工况标准化结果集重组；将数据集拆分为封装着子序列的窗口序列；设计LSTM‑VAE模型，并计算历史监测数据健康度；设计线性回归模型，使监测数据直接映射到健康度；复杂工况下，在线进行动设备健康状况评估。本发明改善了模型的通用性，降低了人工参与度，模型可自动从复杂信息中完成关键特征提取，不再依赖专业领域人员的参与特征挖掘，符合当前健康状况评估建模方法的发展趋势。
Description
技术领域
本发明涉及一种动设备健康状况评估方法，尤其涉及一种复杂工况下基于LSTM-VAE的动设备健康状况评估方法。
背景技术
动设备是工业生产中常见的机器设备之一，是指由驱动机带动的转动设备(亦即有能源消耗的设备)，如泵、发电机、压缩机、风机等，其能源可以是电动力、气动力、蒸汽动力等。
动设备可靠性研究对提高其使用寿命和防止事故发生具有重要意义。随着机电类大型动设备系统集成化、信息化程度的提高，其故障诊断与后勤保障的难度增大。为保障这些系统连续稳定的运行，不影响任务的正常执行，减少资源浪费，提高设备保养和维修效率，需随时掌握设备的健康状况，并根据系统健康做出适当的维修维护决策，以提高工作效能。
动设备健康状况评价的核心认为是对动设备的综合性能进行定量评估和安全等级划分，直观地展现动设备的健康水平。健康状况评估基于状态监测数据，对系统性能退化状态进行建模，从而构建一维健康度曲线，以表征性能退化或偏离程度。
目前，较为广泛应用的健康状态评估方法是基于原始监测数据，在领域专家或经验知识指导下，经过简单统计分析或者特征提取，直接构造出具有一定物料意义的健康值。但由于人工参与了特征工程，造成了建模方法难以具备通用性，且如果设备在复杂工况下运行时，建模难度会倍增，并进而导致评估不精准。
发明内容
为了解决上述技术所存在的不足之处，本发明提供了一种基于LSTM-VAE的动设备健康状况评估方法。
为了解决以上技术问题，本发明采用的技术方案是：一种基于LSTM-VAE的动设备健康状况评估方法，包括以下步骤：
步骤1.收集、整理动设备传感器历史监测数据，选取工况指标数据；
步骤2.设计基于k-means聚类的工况识别方法对设备运行工况进行划分；
步骤3.对传感器历史监测数据按工况类别分组进行预处理、标准化，将各工况标准化结果集重组，构成标准化后重组的监测数据集Q0以及健康状态训练集
步骤4.将由时间序列构成的数据集Q0、
分别拆分为封装着子序列的窗口序列；
步骤5.设计健康度计算模型，并计算历史监测数据健康度；
步骤6.设计线性回归模型，使监测数据直接映射到健康度；
步骤7.复杂工况下，基于LSTM-VAE的动设备健康状况评估建模方法在线进行动设备健康状况评估。
进一步地，步骤1中，工况指标数据的获取方法为：
步骤1.1对动设备传感器历史监测数据按标签进行排序；
步骤1.2统一动设备传感器历史监测数据中各监测指标的量纲；
步骤1.3对整理好的监测数据进行探索性分析；
步骤1.4把与设备性能退化无关的指标删除，保留剩余指标，得到重组历史监测数据X0；
步骤1.5从重组历史监测数据X0中标记出能够反映动设备运行工况的数据，即工况指标数据。
进一步地，步骤2中，工况划分的具体过程为：
步骤2.1将标记为工况指标的数据从重组的历史监测数据X0中剥离出来，构成工况监测数据集G0；
步骤2.2使用k-means聚类模型对工况进行识别，具体步骤为：
构建不同类别数量k-means聚类模型，使用工况监测数据集G0分别训练这些模型；计算出所有k-means聚类对象的轮廓系数；
步骤2.3依据轮廓系数筛选出最优的工况识别聚类模型，使用该最优模型对重组的历史监测数据X0的工况进行划分。
进一步地，步骤3中，重组的监测数据集Q0、健康状态训练集
的获取方法为：
步骤3.1依据步骤2.3的工况划分情况进行分组预处理，得重组历史监测数据标识为X0′；
步骤3.2使用z-score方法将重组历史监测数据X0′的各指标分别实施标准化处理，构成标准化后重组的监测数据集Q0；
步骤3.3过滤标准化后重组的监测数据集Q0，过滤条件是保留动设备健康状态下运行时段的监测数据，并将其另存为健康状态训练集
进一步地，步骤4的处理过程为：
采取滑动时间窗法，从标准化后重组的监测数据集Q0中提取封装着子序列的窗口序列，构成子序列窗口数据集W0；
采取滑动时间窗法，从健康状态训练集
中提取封装着子序列的窗口序列，构成健康状态子序列窗口数据集
进一步地，步骤5中，历史监测数据健康度的获取过程为：
步骤5.1使用健康状态子序列窗口数据集
以无监督方式对LSTM-VAE模型进行训练；
步骤5.2将子序列窗口数据集W0载入训练好的LSTM-VAE模型中，模型解码器按时间窗口重构子序列窗口数据集W0′；
步骤5.3由重构的子序列窗口数据集W0′与子序列窗口数据集W0计算重构误差E0，对其取平均，得到平均重构误差序列
步骤5.4将平均重构误差序列
映射为百分制，即动设备的历史监测数据健康度H0。
进一步地，平均重构误差的获取过程为：
设窗口滑动到时刻t时，截取到子序列窗口w，记为w＝[w1,w2,...,wl]，其中，l为时间窗口的长度,L为传感器序列长度，w作为输入，动设备t时刻子序列窗口w的重构误差为：
e＝||w-w′||＝[e1,e2,…,el]
重构的子序列窗口数据集W0′与子序列窗口数据集W0的平均重构误差为：
平均重构误差序列
的映射通过构建映射函数h(x)，将重构误差映射到0到100的区间内，如下式所示；
其中，h(x)为健康度映射函数，x是重构误差，p表示重构误差的分界值。
进一步地，步骤6中，标准化后重组的监测数据集Q0，记为Q0＝[q1,q1,…,qt,…,qL]，其中，qt∈Rm是设备在t时刻的m个指标构成的向量值；Q0利用滑动时间窗法考虑多个时刻的监测数据，利用LSTM-VAE捕获数据中隐含的时间序列特征，获得设备的重构误差，又经健康映射函数将其映射为健康度H0，记为H0＝[h1,h2,…,ht,…,hL]，其中，ht∈R是t时刻设备的健康度值；采用线性回归模型进行拟合，将每一时刻的qt映射到ht，即：fθ:qt→ht，如下式：
fθ(qt)＝θTqt+b
其中，θ∈Rm，θ0∈R，fθ(qt)表示对时刻t设备健康状况的预测值。
进一步地，步骤7中，在线评估的具体步骤为：
步骤7.1基于实时在线数据集Z0；
步骤7.2基于步骤2训练过程中获得的k-means聚类模型对实时在线数据集Z0进行工况识别；
步骤7.3参考步骤3，按工况类别将在线数据集Z0进行分组预处理、标准化，之后将各工况标准化后的结果集重组，标识为Z′0；
步骤7.4应用步骤6中训练好的线性回归模型对在线监测数据集Z′0的健康度进行拟合，形成设备在线健康度曲线。
进一步地，对健康度曲线进行评价，具体为：
健康曲线的单调性评价，健康度曲线单调性计算公式如下：
其中，X＝{xk}k＝1:K是系统的健康值序列；xk表示设备在tk时刻的健康度，K值表示设备系统的健康度曲线长度；
表示序列中相邻健康度的微分；
和
分别代表微分为正和微分为负的计数值；Mon(X)的取值范围在0～1之间，值越大意味着单调性越好；
健康状况评估算法的鲁棒性评价，鲁棒性评估公式如下：
其中，X＝{xk}k＝1:K是系统的健康值序列；xk表示设备在tk时刻的健康度，K值表示设备系统的健康度曲线长度；
表示在tk时刻健康度的平均趋势值；Rob(X)取值范围在0～1之间，值越大表示鲁棒性越好。
健康度和时间相关性评价，其趋势性计算公式如下：
其中，tk是传感器时序数据中的第k个时刻，xk表示设备在tk时刻的健康度；Tre(X,T)取值范围在0～1之间，当接近1时，表示健康度与运行时间有着强正线性相关性。
本发明针对复杂工况下设备系统健康管理的核心问题，结合深度学习算法理论，研究了一种复杂况下基于LSTM网络和变分自编码器混合模型(LSTM-VAE)的动设备健康状况评估方法；为动设备的健康度状况评估提供一种可靠、有效的评估方法；该方法综合考虑了动设备所有原始可监测数据对设备异常的信息反馈，从中提取到影响设备健康状态的关键特征，汇总并计算出设备健康度，为后续维修决策提供依据。
虽然健康状况评估建模方法在理论上己经取得了较好的成果，但在实际应用场景中，特别是针对不同退化模式的设备系统，很大程度上仍然要依赖于专业的信息处理知识以及相关的领域专家经验。本发明从技术上改善了模型的通用性，降低了人工参与度，模型可自动从复杂信息中完成关键特征提取，即模型不再依赖专业领域人员的参与特征挖掘，符合当前健康状况评估建模方法的发展趋势。
附图说明
图1为本发明基于LSTM-VAE的动设备健康状况评估方法的流程图。
图2为本发明LSTM-VAE模型结构示意图。
图3为本发明LSTM-VAE重构误差到健康度的映射关系示意图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，为本发明所公开的基于LSTM-VAE的动设备健康状况评估方法，包括以下步骤：
步骤1.收集、整理动设备传感器历史监测数据，从业务角度对数据做初步处理，具体步骤为：
步骤1.1收集、整理动设备传感器历史监测数据，因本方法和设备监测数据的时序密切相关，为此，需按设备型号、设备名称、时间戳等标签进行排序；
步骤1.2统一动设备传感器历史监测数据中各监测指标的量纲，以保证探索性分析结果可靠、有效；
步骤1.3对整理好的监测数据进行探索性分析，如分析全部监测指标的分布情况，以及指标间的关联性强弱等，初步掌握监测指标的数据特征；
步骤1.4结合动设备的运行机理及专家经验，分析各监测指标对动设备性能退化的影响能力，把与设备性能退化无关的指标删除，保留剩余指标，得到重组历史监测数据X0；
步骤1.5结合动力设备的运行机理及业务，从重组历史监测数据X0中标记出能够反映动设备运行工况的数据(简称工况指标)。
步骤2.设计基于k-means聚类的工况识别方法对设备运行工况进行划分，具体步骤为：
步骤2.1将标记为工况指标的数据从重组的历史监测数据X0中剥离出来，构成工况监测数据集G0；
步骤2.2使用k-means聚类模型对工况进行识别，具体步骤为：
步骤2.2.1构建不同类别数量k-means聚类模型，使用工况监测数据集G0分别训练这些模型；
步骤2.2.2计算出所有k-means聚类对象的轮廓系数，轮廓系数取值范围为[-1,1]，其值越大，相应聚类模型对工况的识别效果越好；
步骤2.3依据轮廓系数筛选出最优的工况识别聚类模型，使用该模型对重组的历史监测数据X0的工况进行划分；
步骤3.对传感器历史监测数据按工况类别分组进行预处理、标准化，之后将各工况标准化结果集重组，具体步骤为：
步骤3.1依据步骤2.3对重组历史监测数据X0工况的划分情况，将X0按工况类别分组进行预处理，主要操作包括异常样本清洗、数据变换、缺失值处理等，具体操作因具体设备、数据情况的不同而不同，分组预处理后的重组历史监测数据标识为X′0；
步骤3.2使用z-score方法为重组历史监测数据集X′0的各指标分别实施标准化处理，标准化处理过程也按工况类别分组进行，最终将因分组打乱的监测数据时序样本进行重组，构成标准化后重组的监测数据集Q0；
标准化过程采用方法z-score，应用公式为：
其中，μ是均值，σ是标准差；
步骤3.3过滤标准化后重组的监测数据集Q0，过滤条件是保留动设备健康状态下运行时段的监测数据，并将其另存为健康状态训练集
设备是否处于健康度状态，需业务专家的协助进行识别。
步骤4.将由时间序列构成的数据集Q0、
分别拆分为封装着子序列的窗口序列，具体步骤为：
步骤4.1采取滑动时间窗法，从标准化后重组的监测数据集Q0中提取封装着子序列的窗口序列，构成子序列窗口数据集W0；
滑动时间窗法是指，通过时间长度固定的数据窗口(简称时间窗口)在传感器时间序列(监测数据集某指标按时间序列排列的值)上的滑动来获取数据的方法，假设时间窗口的长度为l，传感器序列长度为L，则从中可以提取L-l+1个封装着子序列的窗口(简称子序列窗口集)；
步骤4.2采取滑动时间窗法，从健康状态训练集
中提取封装着子序列的窗口序列，构成健康状态子序列窗口数据集
步骤5.设计健康度计算模型，并计算历史监测数据健康度，具体步骤为：
步骤5.1基于健康状态子序列窗口数据集
设计LSTM-VAE模型；
为了提取传感器时间序列数据的时期依赖特性，本发明使用LSTM层替换VAE编解码器中原有的前馈神经网络层，其内部核心结构沿时间轴展开形式如图2所示。按照一般VAE结构划分，主要包括编码推断模块和解码生成模块两个部分。在时刻t输入多维向量xt，经LSTM层输出后，通过两个线性模型估计出隐变量对应的均值
和协方差
在LSTM-VAE模型训练阶段，利用设备健康状态下的监测样本数据对模型训练，完成了网络参数的优化调整。此时针对输入向量xt，编码器模块可以编码与之对应的正态分布参数(VAE假设后验分布为正态分布)，即均值
和协方差
然而，在实际编程中，因为
总是非负，通常用神经网络去拟合
计算出后验概率分布p(z|xt)的近似分布后，根据该分布进行随机采用，得到xt在隐藏空间对应的隐变量zt；最后在解码器中对zt进行解码，映射到原始输入数据空间中，对xt进行重构，得到重构向量rt。
步骤5.2使用健康状态子序列窗口数据集
以无监督方式对LSTM-VAE模型进行训练；
步骤5.3将子序列窗口数据集W0载入训练好的LSTM-VAE模型中，模型解码器按时间窗口重构子序列窗口数据集W′0；
步骤5.4由重构的子序列窗口数据集W′0与子序列窗口数据集W0计算重构误差E0,由于滑动时间窗会使子序列产生重叠，每一时刻会计算多个重构误差，需对其取平均，得到平均重构误差序列
设窗口滑动到时刻t时，截取到子序列窗口w，记为w＝[w1,w2,...,wl]，其中，l为时间窗口的长度,w作为输入，通过LSTM-VAE编码器推断其隐变量的概率分布，根据隐变量分布进行采样，解码器再将隐变量映射到原始输入数据空间，输出重构子序列w′＝[w′1,w′2,...,w′l]；因此，设备t时刻子序列窗口w的重构误差为：
e＝||w-w′||＝[e1,e2,…,el]
重构的子序列窗口数据集W0′与子序列窗口数据集W0的平均重构误差为：
步骤5.5为了符合评分的度量习惯，将平均重构误差序列
映射为百分制，即动设备的历史监测数据健康度H0；
构建映射函数h(x)，将重构误差映射到0到100的区间内，具体如图3及下式所示；
其中，h(x)为健康度映射函数，x是重构误差，p表示重构误差的分界值，即当重构误差大于p时，映射健康度小于60，否则大于等于60。
步骤6.设计线性回归模型，使监测数据直接映射到健康度，具体步骤为：
步骤6.1设计线性回归模型，可使标准化后重组的监测数据集Q0能够直接映射设备健康状况的指标H0上；
根据步骤4、步骤5可知，标准化后重组的监测数据集Q0，记为Q0＝[q1,q1,…q,t…,qL,，其中，qt∈Rm是设备在t时刻的m个指标构成的向量值(简称指标向量值)，Q0利用滑动时间窗法考虑多个时刻的监测数据，利用LSTM-VAE捕获数据中隐含的时间序列特征，从而获得设备的重构误差，又经健康映射函数将其映射为健康度H0，记为H0＝[h1,h2,…,ht,…,hL]，其中，ht∈R是t时刻设备的健康度值，通常0≤ht≤100，为100时认为系统处于健康状况；接近0时认为设备完全失效，到达寿命终点；L是Q0全部的子序列窗口数。由于在线阶段，往往需要实时根据当前时刻传感器数据对设备进行健康状况评估，此时需要训练一个回归模型，将每一时刻的qt映射到ht，即：fθ:qt→ht，所采用的线性回归模型进行拟合，如下式：
fθ(qt)＝θTqt+b
其中，θ∈Rm，θ0∈R，fθ(qt)表示对时刻t设备健康状况的预测值；
步骤6.2以标准化后重组的监测数据集Q0为输入变量，以健康度H0为目标变量，训练线性回归模型。
步骤7.复杂工况下，基于LSTM-VAE的动设备健康状况评估建模方法在线应用，具体步骤为：
步骤7.1基于实时在线数据集Z0；
步骤7.2基于步骤2训练过程中获得的k-means聚类模型对实时在线数据集Z0进行工况识别；
步骤7.3参考步骤3，按工况类别将在线数据集Z0进行分组预处理、标准化，之后将各工况标准化后的结果集重组，标识为Z′0；
步骤7.4应用步骤6中训练好的线性回归模型对在线监测数据集Z′0的健康度进行拟合，形成设备在线健康度曲线。
步骤8.对健康度曲线进行评价，具体步骤为：
步骤8.1健康曲线的单调性：在实际工业场景中，若无维修人员中途进行维修或零件更换，设备系统退化的过程往往是不可逆转的。因此，为了更好地描述设备系统不可逆的性能退化失效过程，准确的健康值曲线应该是单调增加或单调减少。健康度曲线单调性计算公式如下：
其中，X＝{xk}k＝1:K是系统的健康值序列；xk表示设备在tk时刻的健康度，K值表示设备系统的健康度曲线长度；
表示序列中相邻健康度的微分；
和
分别代表微分为正和微分为负的计数值；Mon(X)的取值范围在0～1之间，通常值越大意味着单调性越好。
步骤8.2健康状况评估算法的鲁棒性评价：一个合适的健康状况评估算法应该对干扰具有一定鲁棒性，健康值曲线没有突变过程，完整地呈现出平滑的退化失效过程。鲁棒性评估公式如下：
其中，X＝{xk}k＝1:K是系统的健康值序列；xk表示设备在tk时刻的健康度，K值表示设备系统的健康度曲线长度；
表示在tk时刻健康度的平均趋势值；Rob(X)取值范围在0～1之间，值越大表示鲁棒性越好。
步骤8.3健康度和时间相关性：随着运行周期的增加，设备系统的健康状况是逐渐下降的；因此，健康度曲线的下降趋势通常与运行时长正相关；
健康度和时间相关系数称之为趋势性计算公式如下：
其中，tk是传感器时序数据中的第k个时刻，xk表示设备在tk时刻的健康度；Tre(X,T)取值范围在0～1之间，当接近1时，表示健康度与运行时间有着强正线性相关性。
上述实施方式并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的技术方案范围内所做出的变化、改型、添加或替换，也均属于本发明的保护范围。
Claims (10)
1.一种基于LSTM-VAE的动设备健康状况评估方法，其特征在于：包括以下步骤：
步骤1.收集、整理动设备传感器历史监测数据，选取工况指标数据；
步骤2.设计基于k-means聚类的工况识别方法对设备运行工况进行划分；
步骤3.对传感器历史监测数据按工况类别分组进行预处理、标准化，将各工况标准化结果集重组，构成标准化后重组的监测数据集Q0以及健康状态训练集
步骤4.将由时间序列构成的数据集Q0、
分别拆分为封装着子序列的窗口序列；
步骤5.设计健康度计算模型，并计算历史监测数据健康度；
步骤6.设计线性回归模型，使监测数据直接映射到健康度；
步骤7.复杂工况下，基于LSTM-VAE的动设备健康状况评估建模方法在线进行动设备健康状况评估。
2.根据权利要求1所述的基于LSTM-VAE的动设备健康状况评估方法，其特征在于：步骤1中，工况指标数据的获取方法为：
步骤1.1对动设备传感器历史监测数据按标签进行排序；
步骤1.2统一动设备传感器历史监测数据中各监测指标的量纲；
步骤1.3对整理好的监测数据进行探索性分析；
步骤1.4把与设备性能退化无关的指标删除，保留剩余指标，得到重组历史监测数据X0；
步骤1.5从重组历史监测数据X0中标记出能够反映动设备运行工况的数据，即工况指标数据。
3.根据权利要求2所述的基于LSTM-VAE的动设备健康状况评估方法，其特征在于：步骤2中，工况划分的具体过程为：
步骤2.1将标记为工况指标的数据从重组的历史监测数据X0中剥离出来，构成工况监测数据集G0；
步骤2.2使用k-means聚类模型对工况进行识别，具体步骤为：
构建不同类别数量k-means聚类模型，使用工况监测数据集G0分别训练这些模型；计算出所有k-means聚类对象的轮廓系数；
步骤2.3依据轮廓系数筛选出最优的工况识别聚类模型，使用该最优模型对重组的历史监测数据X0的工况进行划分。
4.根据权利要求3所述的基于LSTM-VAE的动设备健康状况评估方法，其特征在于：步骤3中，重组的监测数据集Q0、健康状态训练集
的获取方法为：
步骤3.1依据步骤2.3的工况划分情况进行分组预处理，得重组历史监测数据标识为X′0；
步骤3.2使用z-score方法将重组历史监测数据X′0的各指标分别实施标准化处理，构成标准化后重组的监测数据集Q0；
步骤3.3过滤标准化后重组的监测数据集Q0，过滤条件是保留动设备健康状态下运行时段的监测数据，并将其另存为健康状态训练集
5.根据权利要求4所述的基于LSTM-VAE的动设备健康状况评估方法，其特征在于：步骤4的处理过程为：
采取滑动时间窗法，从标准化后重组的监测数据集Q0中提取封装着子序列的窗口序列，构成子序列窗口数据集W0；
采取滑动时间窗法，从健康状态训练集
中提取封装着子序列的窗口序列，构成健康状态子序列窗口数据集
6.根据权利要求5所述的基于LSTM-VAE的动设备健康状况评估方法，其特征在于：步骤5中，历史监测数据健康度的获取过程为：
步骤5.1使用健康状态子序列窗口数据集
以无监督方式对LSTM-VAE模型进行训练；
步骤5.2将子序列窗口数据集W0载入训练好的LSTM-VAE模型中，模型解码器按时间窗口重构子序列窗口数据集W0′；
步骤5.3由重构的子序列窗口数据集W0′与子序列窗口数据集W0计算重构误差E0，对其取平均，得到平均重构误差序列
步骤5.4将平均重构误差序列
映射为百分制，即动设备的历史监测数据健康度H0。
7.根据权利要求6所述的基于LSTM-VAE的动设备健康状况评估方法，其特征在于：平均重构误差的获取过程为：
设窗口滑动到时刻t时，截取到子序列窗口w，记为w＝[w1,w2,...,wl]，其中，l为时间窗口的长度,L为传感器序列长度，w作为输入，动设备t时刻子序列窗口w的重构误差为：
e＝||w-w′||＝[e1,e2,…,el]
重构的子序列窗口数据集W0′与子序列窗口数据集W0的平均重构误差为：
平均重构误差序列
的映射通过构建映射函数h(x)，将重构误差映射到0到100的区间内，如下式所示；
其中，h(x)为健康度映射函数，x是重构误差，p表示重构误差的分界值。
8.根据权利要求7所述的基于LSTM-VAE的动设备健康状况评估方法，其特征在于：步骤6中，标准化后重组的监测数据集Q0，记为Q0＝[q1,q1,…,qt,…,qL]，其中，qt∈Rm是设备在t时刻的m个指标构成的向量值；Q0利用滑动时间窗法考虑多个时刻的监测数据，利用LSTM-VAE捕获数据中隐含的时间序列特征，获得设备的重构误差，又经健康映射函数将其映射为健康度H0，记为H0＝[h1,h2,…,ht,…,hL]，其中，ht∈R是t时刻设备的健康度值；采用线性回归模型进行拟合，将每一时刻的qt映射到ht，即：fθ:qt→ht，如下式：
fθ(qt)＝θTqt+b
其中，θ∈Rm，θ0∈R，fθ(qt)表示对时刻t设备健康状况的预测值。
9.根据权利要求7所述的基于LSTM-VAE的动设备健康状况评估方法，其特征在于：步骤7中，在线评估的具体步骤为：
步骤7.1基于实时在线数据集Z0；
步骤7.2基于步骤2训练过程中获得的k-means聚类模型对实时在线数据集Z0进行工况识别；
步骤7.3参考步骤3，按工况类别将在线数据集Z0进行分组预处理、标准化，之后将各工况标准化后的结果集重组，标识为Z′0；
步骤7.4应用步骤6中训练好的线性回归模型对在线监测数据集Z′0的健康度进行拟合，形成设备在线健康度曲线。
10.根据权利要求9所述的基于LSTM-VAE的动设备健康状况评估方法，其特征在于：对健康度曲线进行评价，具体为：
健康曲线的单调性评价，健康度曲线单调性计算公式如下：
其中，X＝{xk}k＝1:K是系统的健康值序列；xk表示设备在tk时刻的健康度，K值表示设备系统的健康度曲线长度；
表示序列中相邻健康度的微分；
和
分别代表微分为正和微分为负的计数值；Mon(X)的取值范围在0～1之间，值越大意味着单调性越好；
健康状况评估算法的鲁棒性评价，鲁棒性评估公式如下：
其中，X＝{xk}k＝1:K是系统的健康值序列；xk表示设备在tk时刻的健康度，K值表示设备系统的健康度曲线长度；
表示在tk时刻健康度的平均趋势值；Rob(X)取值范围在0～1之间，值越大表示鲁棒性越好。
健康度和时间相关性评价，其趋势性计算公式如下：
其中，tk是传感器时序数据中的第k个时刻，xk表示设备在tk时刻的健康度；Tre(X,T)取值范围在0～1之间，当接近1时，表示健康度与运行时间有着强正线性相关性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210230329.1A CN114580291B (zh) | 2022-03-10 | 一种基于lstm-vae的动设备健康状况评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210230329.1A CN114580291B (zh) | 2022-03-10 | 一种基于lstm-vae的动设备健康状况评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114580291A true CN114580291A (zh) | 2022-06-03 |
| CN114580291B CN114580291B (zh) | 2024-06-21 |
Family
ID=
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114781762A (zh) * | 2022-06-21 | 2022-07-22 | 四川观想科技股份有限公司 | 一种基于寿命消耗的装备故障预测方法 |
| CN115270993A (zh) * | 2022-08-23 | 2022-11-01 | 南通思诺船舶科技有限公司 | 柴油机组状态检测方法及系统 |
| CN115310952A (zh) * | 2022-10-11 | 2022-11-08 | 海油来博(天津)科技股份有限公司 | 一种基于物联网的企业资产管理方法及系统 |
| CN115460061A (zh) * | 2022-08-03 | 2022-12-09 | 中国科学院信息工程研究所 | 基于智能运维场景的健康度评价方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102789545A (zh) * | 2012-07-12 | 2012-11-21 | 哈尔滨工业大学 | 基于退化模型匹配的涡轮发动机剩余寿命的预测方法 |
| US20140067327A1 (en) * | 2011-05-03 | 2014-03-06 | China Real-Time Technology Co., Ltd. | Similarity curve-based equipment fault early detection and operation optimization methodology and system |
| CN109000930A (zh) * | 2018-06-04 | 2018-12-14 | 哈尔滨工业大学 | 一种基于堆叠去噪自编码器的涡轮发动机性能退化评估方法 |
| CN109933905A (zh) * | 2019-03-13 | 2019-06-25 | 西安因联信息科技有限公司 | 一种基于多维预警分析的机械设备健康状态评估方法 |
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140067327A1 (en) * | 2011-05-03 | 2014-03-06 | China Real-Time Technology Co., Ltd. | Similarity curve-based equipment fault early detection and operation optimization methodology and system |
| CN102789545A (zh) * | 2012-07-12 | 2012-11-21 | 哈尔滨工业大学 | 基于退化模型匹配的涡轮发动机剩余寿命的预测方法 |
| CN109000930A (zh) * | 2018-06-04 | 2018-12-14 | 哈尔滨工业大学 | 一种基于堆叠去噪自编码器的涡轮发动机性能退化评估方法 |
| CN109933905A (zh) * | 2019-03-13 | 2019-06-25 | 西安因联信息科技有限公司 | 一种基于多维预警分析的机械设备健康状态评估方法 |
Non-Patent Citations (1)
| Title |
|---|
| 陈自强: "基于LSTM网络的设备健康状况评估与剩余寿命预测方法的研究", 《硕士电子期刊》, 30 September 2019 (2019-09-30), pages 1 - 40 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114781762A (zh) * | 2022-06-21 | 2022-07-22 | 四川观想科技股份有限公司 | 一种基于寿命消耗的装备故障预测方法 |
| CN114781762B (zh) * | 2022-06-21 | 2022-09-23 | 四川观想科技股份有限公司 | 一种基于寿命消耗的装备故障预测方法 |
| CN115460061A (zh) * | 2022-08-03 | 2022-12-09 | 中国科学院信息工程研究所 | 基于智能运维场景的健康度评价方法及装置 |
| CN115460061B (zh) * | 2022-08-03 | 2024-04-30 | 中国科学院信息工程研究所 | 基于智能运维场景的健康度评价方法及装置 |
| CN115270993A (zh) * | 2022-08-23 | 2022-11-01 | 南通思诺船舶科技有限公司 | 柴油机组状态检测方法及系统 |
| CN115310952A (zh) * | 2022-10-11 | 2022-11-08 | 海油来博(天津)科技股份有限公司 | 一种基于物联网的企业资产管理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111666982B (zh) | 一种基于深度神经网络的机电设备故障诊断方法 | |
| CN109146246B (zh) | 一种基于自动编码器和贝叶斯网络的故障检测方法 | |
| CN112383052B (zh) | 基于电力物联网的电网故障修复方法和装置 | |
| CN116757534B (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
| CN112859822B (zh) | 基于人工智能的设备健康分析及故障诊断的方法及系统 | |
| CN111813084B (zh) | 一种基于深度学习的机械装备故障诊断方法 | |
| CN113435652B (zh) | 一种一次设备缺陷诊断与预测方法 | |
| WO2023142424A1 (zh) | 基于gru-lstm神经网络的电力金融业务风控方法及系统 | |
| CN115293280A (zh) | 基于时空特征分割重构的动力装备系统异常检测方法 | |
| CN114035468B (zh) | 基于XGBoost算法的风机检修流程预测性监控方法与系统 | |
| CN111160626B (zh) | 一种基于分解融合的电力负荷时间序列控制方法 | |
| CN117234785B (zh) | 基于人工智能自查询的集控平台错误分析系统 | |
| CN114297918A (zh) | 基于全注意力深度网络和动态集成学习的航空发动机剩余寿命预测方法 | |
| CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统 | |
| CN111340110A (zh) | 一种基于工业过程运行状态趋势分析的故障预警方法 | |
| CN115859777A (zh) | 一种多故障模式下产品系统寿命预测的方法 | |
| CN116388150A (zh) | 基于数字孪生和神经网络技术的配变短期负荷预测方法 | |
| CN110781206A (zh) | 一种学习拆回表故障特征规则预测在运电能表是否故障的方法 | |
| CN117131022B (zh) | 一种电力信息系统的异构数据迁移方法 | |
| CN115564075B (zh) | 一种城市电网主配一体故障协同诊断方法、系统 | |
| CN115600695B (zh) | 一种计量设备的故障诊断方法 | |
| CN116840658A (zh) | 一种针对芯片固件的故障预测和诊断方法 | |
| CN114580291A (zh) | 一种基于lstm-vae的动设备健康状况评估方法 | |
| CN114580291B (zh) | 一种基于lstm-vae的动设备健康状况评估方法 | |
| CN116007937A (zh) | 一种机械设备传动部件智能故障诊断方法及装置 |
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 | ||
| GR01 | Patent grant |