CN114800036B - 一种设备健康状态评估方法 - Google Patents
一种设备健康状态评估方法 Download PDFInfo
- Publication number
- CN114800036B CN114800036B CN202210721463.1A CN202210721463A CN114800036B CN 114800036 B CN114800036 B CN 114800036B CN 202210721463 A CN202210721463 A CN 202210721463A CN 114800036 B CN114800036 B CN 114800036B
- Authority
- CN
- China
- Prior art keywords
- value
- equipment
- health
- vibration parameters
- sphere
- 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.)
- Active
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
- B23Q17/007—Arrangements for observing, indicating or measuring on machine tools for managing machine functions not concerning the tool
- B23Q17/008—Life management for parts of the machine
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
- G07C3/005—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles during manufacturing process
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Manufacturing & Machinery (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Mechanical Engineering (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本申请公开了一种设备健康状态评估方法,首先选取绝对均值和均方根值作为描述相关参数的特征;再通过支持向量描述算法模型计算历史振动参数和实时振动参数的球心,并通过上述球心构建健康指标计算模型;最后通过隶属度函数构建设备运行状态的曲线,将健康指标计算模型的计算结果导入设备运行状态的曲线中计算相应的健康评估值,通过健康评估值与标准值的比对判断设备的运行状态;本发明选用设备运行的历史参数和实时参数作为基础数据,其不通过设备的失效参数数据和退化特征即可建立设备主轴健康状态的表征指标,推导主轴失效时的特征阈值,实现了设备失效状态的预测,进而实现对设备运行状态的精确评估,为故障诊断、预测性维护提供技术支撑。
Description
技术领域
本申请涉及机加工技术领域,具体涉及一种设备健康状态评估方法。
背景技术
数控机床作为“工业母机”,是制造业高速、高质量发展的基础和支撑,也是国家制造能力的体现,广泛应用于航空航天、深海、交通运输等重大领域的装备制造。
主轴作为数控机床的核心功能部件,能直接决定机床整机的制造水平,其健康状态对数控机床加工精度、加工效率和生产成本的影响较大。因此,需要对主轴的健康状态进行监控;但是现有技术中所使用的监控方法均需要在主轴健康状态或失效参数数据均已知的情况下才能得出比较准确的结果,而在实际工作中,上述数据获取的难度很大,由此导致主轴的失效评估难度较大。
发明内容
本申请的主要目的在于提供一种设备健康状态评估方法,旨在解决现有技术中存在的设备失效评估难度大的缺陷。
为实现上述目的,本申请提供一种设备健康状态评估方法,包括以下步骤:
分别获取目标设备的历史振动参数和实时振动参数,并根据所述历史振动参数构建第一滑动窗口,根据所述实时振动参数构建第二滑动窗口集;
使用支持向量描述算法模型分别计算与所述第一滑动窗口对应的第一球心和与所述第二滑动窗口集对应的第二球心集,并构建球心距离计算模型;
利用目标设备的健康指标计算模型和所述球心距离计算模型,获得所述目标设备的健康指标;
根据所述球心距离计算模型获取所述目标设备的失效阈值,并根据所述失效阈值获得所述目标设备的健康状态评估隶属度函数;
将所述健康指标带入到所述健康状态评估隶属度函数中,以获取所述目标设备的健康评估值,并基于所述健康评估值和健康状态标准值,获得所述目标设备的健康状态。
可选的,根据所述历史振动参数构建第一滑动窗口,根据所述实时振动参数构建第二滑动窗口集;包括:
基于所述历史振动参数的特征值和所述实时振动参数的特征值,分别构建基于所述历史振动参数的第一滑动窗口和基于所述实时振动参数的第二滑动窗口集。
可选的,基于所述历史振动参数的特征值和所述实时振动参数的特征值,分别构建基于所述历史振动参数的第一滑动窗口和基于所述实时振动参数的第二滑动窗口集,包括以下步骤:
分别对各个历史振动参数进行归一化处理,得到各个历史振动参数的归一化值;分别对各个实时振动参数进行归一化处理,得到各个实时振动参数的归一化值;
将各所述历史振动参数的归一化值输入到滑动窗口数据表中构建第一滑动窗口;基于相同的采样时间,将各所述实时振动参数划分为若干组,再将各组所述实时振动参数的归一化值分别输入到滑动窗口数据表内构建第二滑动窗口集。
可选的,归一化处理的计算公式为,其中xi,j是第j秒的第i个特征的数值,xˊi,j是第j秒的第i个特征的数值的归一化值;min(xi,j)表示同一特征下各数值的最小值,max(xi,j)表示同一特征下各数值的最大值。
可选的,球心距离计算模型的表达式为:
可选的,健康指标计算模型的表达式为:
可选的,利用目标设备的健康指标计算模型和所述球心距离计算模型,获得所述目标设备的健康指标,包括以下步骤:
从第二球心集中提取第二球心On,根据球心距离计算模型计算所述第二球心On与第一球心O0之间球心距D(n、0);
将所述D(n、0)带入到健康指标计算模型内迭代计算健康指标F(n)。
可选的,根据所述球心距离计算模型获取所述目标设备的失效阈值,包括以下步骤:
根据所述特征值的表达式推导各所述特征之间的数学关系;
结合所述数学关系和所述球心距离计算模型计算第一球心O0与原点之间的距离,并根据设备失效条件计算失效阈值。
可选的,各所述特征值之间的数学关系表达式为:
可选的,根据所述失效阈值获得所述目标设备的健康状态评估隶属度函数,包括以下步骤:
将所述失效阈值导入到所述通式中计算所述通式中的常数,以得到设备健康状态评估隶属度函数。
与现有技术相比,本申请具有以下有益效果:
本申请首先选取绝对均值和均方根值作为描述历史振动参数和实时振动参数的特征;再通过支持向量描述算法模型计算历史振动参数和实时振动参数的球心,并通过上述球心构建健康指标计算模型;最后通过隶属度函数构建设备运行状态的曲线,并通过将所述健康指标计算模型的计算结果在设备运行状态的曲线中计算相应的健康评估值,通过健康评估值与标准值的比对判断设备的运行状态;
现有设备健康状态评估技术需使用健康状态和失效状态下的全寿命周期历史数据建立评估模型,而对于新设备刚投入使用或运行工况发生变化时,仅有少量健康状态的历史振动参数,无法获取设备失效状态的振动参数,将导致现有技术无法用于准确评估设备健康状态;
与现有技术相比,本发明从振动参数对设备健康状态的敏感性和稳定性角度分析,选择绝对均值和均方根两个特征,解决了设备健康状态变化表征问题;同时本发明选用的基础数据为设备运行的历史参数和设备运行的实时参数,其不通过设备的失效参数数据和退化特征即可建立设备主轴健康状态的表征指标,推导主轴失效时的特征阈值,从而实现了设备失效状态的预测,进而实现对设备运行状态的精确评估,降低了主轴故障引起的零件质量损失,为主轴故障诊断、预测性维护提供技术支撑。
附图说明
图1为本申请实施例提供的一种设备健康状态评估方法的流程图;
图2为本申请提供的五轴翻板铣数控机床的健康状态评估隶属度函数曲线;
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
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的一部分实施例,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。
需要说明,本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。
在本发明中,除非另有明确的规定和限定,术语“连接”、“固定”等应做广义理解,例如,“固定”可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系,除非另有明确的限定。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中的具体含义。
另外,若本发明实施例中有涉及“第一”、“第二”等的描述,则该“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其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。另外,全文中出现的“和/或”的含义,包括三个并列的方案,以“A和/或B”为例,包括A方案或B方案或A和B同时满足的方案。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
实施方式1
参照图1,本申请公开了一种设备健康状态评估方法,包括以下步骤:
S1、分别获取目标设备的历史振动参数和实时振动参数,并根据所述历史振动参数构建第一滑动窗口,根据所述实时振动参数构建第二滑动窗口集;
S11、获取历史数据和实时振动参数,并选择用于评价上述参数的特征值;
从系统数据库中提取目标设备主轴运行过程中的振动参数作为历史振动参数;同时提取目标设备运行过程中的振动数据作为实时振动参数,其中所述历史振动参数和实时振动参数需来自于同一传感器对主轴同一点位的检测数据;
选择绝对均值和均方根值x rms 作为评价历史振动参数和实时振动参数的特征;由于历史振动参数和实时振动参数等原始数据包含有噪音,难以量化主轴的运行状态,因此通过特征对原始数据进行数据处理,以降低噪音,提高计算的准确性;
S12、分别对各个历史振动参数进行归一化处理,得到各个历史振动参数的归一化值;分别对各个实时振动参数进行归一化处理,得到各个实时振动参数的归一化值;
由于同一传感器在同一时刻采集的数据不止一个,因此按照采样时间相等的原则将提取的历史振动参数进行分组,并根据绝对均值和均方根值的计算公式分别计算各组的绝对均值和均方根值x rms ,将均方根值xrms作为第一特征值,将绝对均值作为第二特征值,上述参数记为,其中i表示特征编号,取1或2,1表示均方根值,2表示绝对均值,j表示时间,即表示第j秒的第i个特征;
如历史振动参数提取的是100S内的振动参数,则首先按照时间先后顺序将所有数据划分为100组,然后均方根值和绝对均值的计算公式计算各组的均方根值和绝对均值,并记为{x1,1、x1,2、.....、x1,100;x2,1、x2,2、.....、x2,100};
分别将上述绝对均值和均方根值输入到归一化计算公式中计算各所述历史振动参数的归一化值,其中所述归一化计算公式为,其中xi,j是第j秒的第i个特征的数值,xˊi,j是第j秒的第i个特征的数值的归一化值;min(xi,j)表示同一特征下各数值的最小值,max(xi,j)表示同一特征下各数值的最大值;
具体到本实施方式中,以x1,1为例,其的归一化值的具体计算公式为:,其余参数的计算公式依此类推进行计算,并最终得到所有归一化值的集合{x´1,1、x´1,2、.....、x´1,100;x´2,1、x´2,2、.....、x´2,100}
对于各个实时振动参数,按照时间间隔T将所有实时振动参数划分为若干组,分别提取各组参数,并根据绝对均值和均方根值的计算公式分别计算各组的绝对均值和均方根值x rms ,将均方根值xrms作为第一特征值,将绝对均值作为第二特征值,上述参数记为,其中n表示按照时间间隔划分后各组的编号,i表示特征编号,取1或2,1表示均方根值,2表示绝对均值,j表示时间,即表示第n组第j秒的第i个特征;
同时重复历史振动参数的相关计算步骤即可得到各组实时振动参数的归一化值,并按照组别分类保存;
具体到本实施方式中,取T=10S,则首先将采样时间属于内的各个实时振动参数归为一组,其n=1,该组数据记作{x1,1,1、x1,1,2、...、x1,1,10、x1,2,1、...、x1,2,10},以此类推进行后续分类,同时为降低工作量,n的最大值取10;
再提取属于的所有实时振动参数{x1,1,1、x1,1,2、...、x1,1,10、x1,2,1、...、x1,2,10},对其重复步骤S12中历史振动参数的相关处理方法即可得到相应的归一化值{x´1,1,1、x´1,1,2、...、x´1,1,10、x´1,2,1、...、x´1,2,10};不断重复上述步骤即可得到所有实时振动参数的归一化值;
由于选择的特征的量纲不同,因此通过归一化处理首先能够统一量纲,便于后续计算;其次,由于采样数据的随机性,因此由此将导致健康指标出现非单调性和波动大等问题,通过归一化处理能够对各个参数进行缩小,从而有效规避上述问题,有效提高评估的准确性;
S13、将各所述历史振动参数的归一化值输入到滑动窗口数据表中构建第一滑动窗口;基于相同的采样时间,将各所述实时振动参数划分为若干组,再将各组所述实时振动参数的归一化值分别输入到滑动窗口数据表内构建第二滑动窗口集;
将步骤S12中计算得到的历史振动参数的各归一化值分别输入到滑动窗口内即可得到第一滑动窗口,其表达式为:{Xˊ1,1、Xˊ1,2、Xˊ1,3、......、Xˊ1,99、Xˊ1,100、Xˊ2,1、X2,2、Xˊ2,3、......、Xˊ2,99、Xˊ2,100};
分别提取实时振动参数的各归一化值,并重复上述步骤得到若干组实时振动参数的第二滑动窗口,最后将所有第二滑动窗口归集到同一数据集合中得到第二滑动窗口集;
具体到本实施方式中,由于在本申请的实施方案中取T=10S,则t1时刻的第二滑动窗口的表达式为:{Xˊ1,1,1、Xˊ1,1,2、......、Xˊ1,1,9、Xˊ1,1,10、Xˊ1,2,1、X1,2,2、......、Xˊ1,2,9、Xˊ1,2,10};
按照编号n的顺序将各所述第二滑动窗口归集到同一集合中即可得到第二滑动窗口集;
通过滑动窗口的使用能够实现数据的规范化保存和数据的快速调用,同时也能够实现数据的快速更新,有利于提高预测效率。
S2、使用支持向量描述算法模型分别计算与所述第一滑动窗口对应的第一球心和与所述第二滑动窗口集对应的第二球心集,并构建球心距离计算模型;
S21、求解下列最优二次规划问题得到SVDD模型:
S22、根据拉格朗日求极值原理,引入拉格朗日系数,将式(X)的最小化问题转化为求对偶形式的最大化问题:
S24、重复上述步骤得到第二滑动窗口集中各第二滑动窗口的第二球心,并将各所述第二球心归集到同一集合中得到第二球心集{O1、O2、....、On};其中n表示按照时间先后顺序赋予各第二球心的编号;
S25、根据SVDD方法原理,不同滑动窗口之间的球心距离采用欧式距离计算,则球心距离计算模型的表达式为:
S3、利用目标设备的健康指标计算模型和所述球心距离计算模型,获得所述目标设备的健康指标;
由于主轴健康状态是一个不可逆过程,健康指标应呈现出整体单调趋势,并且与上一个状态密切相关,因此基于上述原理构建所述健康指标计算模型,其表达公式为:
S31、从第二球心集中提取球心On,根据球心距离计算模型计算所述球心On与第一球心O0之间球心距D(n、0);
从步骤S23得到的第二球心集{O1、O2、....、On}中提取球心On的相关参数,同时提取第一球心O0的相关参数,并将上述参数分别带入到步骤S24中的距离计算模型中计算球心距D(n、0);
具体到本实施方式,由于n的最大值为10,因此第二球心集的表达式为{O1、O2、....、O10},取第二球心O10和第一球心O0,将其带入到球心距离计算模型中,得到球心距离的计算表达式为:,从而计算得到D(10,0);
S32、将所述D(n、0)带入到所述健康指标计算模型内迭代计算健康指标F(n);
将步骤S31中得到的D(10,0)与步骤S22中的参数R进行比较;
若满足D(10,0)≤R,则根据健康指标计算模型可得,健康指标的表达式为F(10)=F(9);若满足D(10,0)>R,则根据健康指标计算模型可得,健康指标的表达式为F(10)=F(9)+D(10,9);
重复比较D(9,0)和R,若满足D(9,0)≤R,则F(9)=F(8),若满足D(9,0)>R,则F(9)=F(8)+D(9,8),将上述F(9)的表达式带入F(10)的表达式中将F(9)替换得到F(10)=F(8)+D(10,9)或F(10)=F(8)+D(10,9)+D(9,8);
不断重复上述计算F(9)的步骤进行迭代直至得到F(10)与D(1,0)之间的关系式;最后结合球心距离计算模型得出F(10)中包含的所有参数即可计算得到F(10);
S4、根据所述球心距离计算模型获取所述目标设备的失效阈值,并根据所述失效阈值获得所述目标设备的健康状态评估隶属度函数;
S41、根据所述特征值的表达式推导各所述特征之间的数学关系;
第二特征绝对均值的表达式为:
第一特征均方根值的表达式为:
则绝对平均值与均方根的数学关系为:
S42、结合所述数学关系和所述球心距离计算模型计算第一球心O0与原点之间的距离,并根据设备失效条件计算失效阈值;
根据ISO-2372 标准,当加速度振动传感器的均方根值(RMSfailure)达到2.0-2.2g(g重力加速度)时,机械旋转设备进行危险状态,将步骤S41中的相关数学关系带入到上述D(0)的表达式中即可得到失效阈值的表达式为:;
具体到本实施方式中,取所述均方根值(RMSfailure)为2.0g,则可得失效阈值;通过推算数学关系式的方式建立绝对均值和均方根值之间的联系,进而实现对第一球心与原点距离计算公式的简化,有利于提高计算效率;同时在数学关系推导过程中实现了对距离计算公式的缩放,从而实现对距离极值的计算,从而提高对设备状态预测的精度。
由于设备的磨损是不可逆的单调过程,而隶属度函数的变化趋势与上述过程趋势相同,因此为了真实反映零件的变化过程,采用隶属度函数描述设备的失效过程;能够有效提高准确性;
S44、将所述失效阈值导入到所述通式中计算所述通式中的常数,以得到设备健康状态评估隶属度函数;
当主轴运行状态失效时,失效状态下健康指标HIfailure为0或接近于0,具体到本实施方式中,失效状态下健康指标HIfailure取值为0.01,同时将步骤S42中的失效阈值和步骤S44中的失效状态下健康指标HIfailure带入到步骤S43中的隶属度函数通式中可得:
S5、将所述健康指标带入到所述健康状态评估隶属度函数中,以获取所述目标设备的健康评估值,并基于所述健康评估值和健康状态标准值,获得所述目标设备的健康状态。
将步骤S32中的健康指标F(n)带入到步骤S44中的设备健康状态评估隶属度函数表达式中,具体到本实施方式中即是将F(10)带入即可得到健康评估值HI;
同时根据设备的运行保养要求设定健康状态标准值HI´,由于随着设备的不断磨损,健康评估值将趋近于0,因此若满足HI>HI´,则设备处于健康状态,否则设备处于失效状态;
以实际运行的五轴翻板铣数控机床为例,以其主轴在恒定转速15000rpm/min下空转采集的振动信号进行主轴健康状态评估,其健康状态评估曲线如图2所示;
从图2中可以看出,主轴的运行状态分为3个阶段,即初始运行阶段,退化阶段和失效阶段,其中所述初始退化点前端为初始运行阶段,初始退化点与失效点之间为退化阶段,失效点以后为失效阶段;其中所述初始运行阶段健康指标相对平稳,波动较小,退化阶段则呈现单调递减的状态,其准确反应了随时间推移,主轴的健康状态在逐步恶化的情况;上述曲线的变化趋势与设备的退化趋势相符;
根据上述曲线可以在没有失效参数数据的情况下得到设备健康状态评估值,当实时振动参数数据所对应的健康状态评估值大于失效点对应的状态评估值时,表明设备处于退化阶段,还未失效;同时结合实时振动参数数据计算得到的健康评估值和上述曲线能够准确判定设备与失效状态之间距离,为设备健康状态的评估和预测提供了依据。
现有设备健康状态评估技术需使用健康状态和失效状态下的全寿命周期历史数据建立评估模型,而对于新设备刚投入使用或运行工况发生变化时,仅有少量健康状态的历史振动参数,无法获取设备失效状态的振动参数,将导致现有技术无法用于准确评估设备健康状态;
与现有技术相比,本发明从振动参数对设备健康状态的敏感性和稳定性角度分析,选择绝对均值和均方根两个特征,解决了设备健康状态变化表征问题;同时本发明选用的基础数据为目标设备运行的历史参数和目标设备运行的实时参数,其不通过设备的失效参数数据和退化特征即可建立设备主轴健康状态的表征指标,推导主轴失效时的特征阈值,从而实现了设备失效状态的预测,进而实现对目标设备运行状态的精确评估,降低了主轴故障引起的零件质量损失,为主轴故障诊断、预测性维护提供技术支撑。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所做的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (7)
1.一种设备健康状态评估方法,其特征在于,包括以下步骤:
分别获取目标设备的历史振动参数和实时振动参数,并根据所述历史振动参数构建第一滑动窗口,根据所述实时振动参数构建第二滑动窗口集;
使用支持向量描述算法模型分别计算与所述第一滑动窗口对应的第一球心和与所述第二滑动窗口集对应的第二球心集,并构建球心距离计算模型;
从第二球心集中提取第二球心On,根据球心距离计算模型计算所述第二球心On与第一球心O0之间球心距D(n、0);所述球心距离计算模型的表达式为:,其中XA、1表示球心A的第一个特征值,YA、2表示球心A的第二个特征值,XB、1表示球心B的第一个特征值,YB、2表示球心B的第二个特征值;
将所述D(n、0)带入到健康指标计算模型内迭代计算健康指标F(n);所述健康指标计算模型的表达式为:
根据所述球心距离计算模型获取所述目标设备的失效阈值,并根据所述失效阈值获得所述目标设备的健康状态评估隶属度函数;
将所述健康指标带入到所述健康状态评估隶属度函数中,以获取所述目标设备的健康评估值HI;根据设备的运行保养要求设定健康状态标准值HI´,若满足HI>HI´,则设备处于健康状态,否则设备处于失效状态。
3.根据权利要求2所述的一种设备健康状态评估方法,其特征在于,所述基于所述历史振动参数的特征值和所述实时振动参数的特征值,分别构建基于所述历史振动参数的第一滑动窗口和基于所述实时振动参数的第二滑动窗口集,包括以下步骤:
分别对各个历史振动参数进行归一化处理,得到各个历史振动参数的归一化值;分别对各个实时振动参数进行归一化处理,得到各个实时振动参数的归一化值;
将各所述历史振动参数的归一化值输入到滑动窗口数据表中构建第一滑动窗口;基于相同的采样时间,将各所述实时振动参数划分为若干组,再将各组所述实时振动参数的归一化值分别输入到滑动窗口数据表内构建第二滑动窗口集。
5.根据权利要求1所述的一种设备健康状态评估方法,其特征在于,所述根据所述球心距离计算模型获取所述目标设备的失效阈值,包括以下步骤:
根据所述特征值的表达式推导各所述特征值之间的数学关系;
结合所述数学关系和所述球心距离计算模型计算第一球心O0与原点之间的距离,并根据设备失效条件计算失效阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210721463.1A CN114800036B (zh) | 2022-06-24 | 2022-06-24 | 一种设备健康状态评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210721463.1A CN114800036B (zh) | 2022-06-24 | 2022-06-24 | 一种设备健康状态评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114800036A CN114800036A (zh) | 2022-07-29 |
CN114800036B true CN114800036B (zh) | 2022-10-25 |
Family
ID=82522068
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210721463.1A Active CN114800036B (zh) | 2022-06-24 | 2022-06-24 | 一种设备健康状态评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114800036B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116070469B (zh) * | 2023-04-04 | 2023-06-09 | 合肥通用机械研究院有限公司 | 一种设备运行参数优化方法和风险管理方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105930963A (zh) * | 2016-04-15 | 2016-09-07 | 中国船舶工业系统工程研究院 | 一种机电系统装备健康评估方法 |
CN112580153A (zh) * | 2020-12-29 | 2021-03-30 | 成都运达科技股份有限公司 | 一种车辆走行部监测部件健康状态管理系统及方法 |
CN114266289A (zh) * | 2021-11-24 | 2022-04-01 | 中国航天标准化研究所 | 一种复杂装备健康状态评估方法 |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2798337A1 (en) * | 2012-12-04 | 2014-06-04 | University Of Winnipeg | Cardiovascular pulse wave analysis method and system |
CN103675525B (zh) * | 2013-11-14 | 2017-01-18 | 南京航空航天大学 | 基于多svdd模型的dc‑dc变换器健康监测与故障预测方法 |
CN105956514B (zh) * | 2016-04-15 | 2019-07-23 | 南京航空航天大学 | 一种振动数据驱动的直升机旋翼异常检测方法 |
CN107563008A (zh) * | 2017-08-08 | 2018-01-09 | 三峡大学 | 基于svd变换和支持向量空间的刀具运行可靠性评估方法 |
CN107622251B (zh) * | 2017-09-29 | 2020-08-14 | 西安科技大学 | 一种飞机燃油泵信号退化特征提取方法及装置 |
CN109212964A (zh) * | 2018-07-09 | 2019-01-15 | 西安英特迈思信息科技有限公司 | 一种航空发动机多变量孪生支持向量机的健康预测方法 |
CN109623489B (zh) * | 2018-12-10 | 2020-05-19 | 华中科技大学 | 一种改进的机床健康状态评定方法及数控机床 |
CN109886430B (zh) * | 2019-01-24 | 2023-07-07 | 同济大学 | 一种基于工业大数据的设备健康状态评估与预测方法 |
CN110119339A (zh) * | 2019-05-07 | 2019-08-13 | 上海电气集团股份有限公司 | 工业设备的健康状态的评估方法、系统、设备和存储介质 |
CN111412977A (zh) * | 2020-03-09 | 2020-07-14 | 华南理工大学 | 一种机械设备振动感知数据的预处理方法 |
CN111594394B (zh) * | 2020-05-25 | 2022-01-25 | 国电联合动力技术有限公司 | 风电机组主轴温度预警方法及装置 |
CN111753886A (zh) * | 2020-06-09 | 2020-10-09 | 上海电气集团股份有限公司 | 一种设备故障处理方法、装置及终端 |
CN112034789B (zh) * | 2020-08-25 | 2021-10-15 | 国家机床质量监督检验中心 | 一种数控机床关键部件及整机的健康评估方法,系统及评估终端机 |
CN112131797B (zh) * | 2020-09-28 | 2024-02-02 | 衢州学院 | 一种基于应力分析的主轴轴承寿命预测和可靠性评估方法 |
CN112906157A (zh) * | 2021-02-20 | 2021-06-04 | 南京航空航天大学 | 一种主轴轴承健康状态评估及剩余寿命预测方法及装置 |
CN113449809A (zh) * | 2021-07-15 | 2021-09-28 | 长沙理工大学 | 一种基于kpca-nsvdd的电缆绝缘在线监测方法 |
CN114020563A (zh) * | 2021-10-26 | 2022-02-08 | 成都飞机工业(集团)有限责任公司 | 基于关键参数组监控机载测试系统健康状态的系统及方法 |
CN114021452A (zh) * | 2021-11-02 | 2022-02-08 | 中车长春轨道客车股份有限公司 | 城轨车辆车门电机性能检测和评价方法 |
-
2022
- 2022-06-24 CN CN202210721463.1A patent/CN114800036B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105930963A (zh) * | 2016-04-15 | 2016-09-07 | 中国船舶工业系统工程研究院 | 一种机电系统装备健康评估方法 |
CN112580153A (zh) * | 2020-12-29 | 2021-03-30 | 成都运达科技股份有限公司 | 一种车辆走行部监测部件健康状态管理系统及方法 |
CN114266289A (zh) * | 2021-11-24 | 2022-04-01 | 中国航天标准化研究所 | 一种复杂装备健康状态评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114800036A (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109460618B (zh) | 一种滚动轴承剩余寿命在线预测方法及系统 | |
WO2021004154A1 (zh) | 一种数控机床刀具剩余寿命预测方法 | |
CN105718876B (zh) | 一种滚珠丝杠健康状态的评估方法 | |
CN105046402B (zh) | 一种应用于智能变电站二次设备的状态评估方法 | |
CN103033362B (zh) | 一种基于改进多变量预测模型的齿轮故障诊断方法 | |
CN111191726B (zh) | 一种基于弱监督学习多层感知器的故障分类方法 | |
CN114800036B (zh) | 一种设备健康状态评估方法 | |
CN110632546B (zh) | 基于全网域证据集的电子式互感器可信度评估方法和装置 | |
CN111665066B (zh) | 基于卷积神经网络的设备故障自适应上下预警界生成方法 | |
CN109948194B (zh) | 一种高压断路器机械缺陷集成学习诊断方法 | |
He et al. | Compilation of NC lathe dynamic cutting force spectrum based on two-dimensional mixture models | |
CN111881574A (zh) | 一种基于分布函数优选的风电机组关键部件可靠性建模方法 | |
CN113935535A (zh) | 一种面向中长期预测模型的主成分分析方法 | |
CN113702855A (zh) | 一种基于多物理场仿真与神经网络的锂电池组健康状态在线预测方法 | |
CN111639715B (zh) | 基于ls-svm的汽车仪表组装质量预测方法与系统 | |
Wu et al. | A reliability assessment method based on support vector machines for CNC equipment | |
CN112380782A (zh) | 一种基于混合指标和神经网络的旋转设备故障预测方法 | |
CN111985158A (zh) | 一种基于迁移学习的电液伺服阀故障诊断方法及系统 | |
CN116204825A (zh) | 一种基于数据驱动的生产线设备故障检测方法 | |
CN112069621B (zh) | 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法 | |
CN109101759A (zh) | 一种基于正逆响应面法的参数识别方法 | |
CN114021275A (zh) | 一种基于深度卷积模糊系统的滚动轴承故障诊断方法 | |
CN110967184B (zh) | 基于振动信号分布特征识别的变速箱故障检测方法和系统 | |
CN114137915A (zh) | 一种工业设备的故障诊断方法 | |
CN109583124A (zh) | 一种基于adrc的hmm故障预测系统 |
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 | ||
GR01 | Patent grant |