CN115169650B - 一种大数据分析的装备健康预测方法 - Google Patents

Abstract

本发明提出了一种大数据分析的装备健康预测方法，涉及装备监测技术领域，包括：采集装备的历史数据和实时运行数据；对历史数据进行数据预处理，并根据装备历史状态区分为装备历史健康状态数据和装备历史参数数据；利用回归建模方法，基于装备历史参数数据建立数据监测模型；将实时运行数据输入到数据监测模型进行验证以得到验证结果；根据装备历史健康状态数据和验证结果进行数据特征比对以得到比对结果；基于比对结果建立神经网络模型对装备的健康度进行预测，获得预测结果；本申请实现了对装备的实时交互和全方位状态比对，有效的降低了对装备的检修工作量，节省了人工成本，使得装备的使用寿命大大增加，提高了装备的利用率。

Description

一种大数据分析的装备健康预测方法

技术领域

本发明涉及装备监测技术领域，具体而言，涉及一种大数据分析的装备健康预测方法。

背景技术

装备健康状态预测主要是指根据安装的传感器测量的数据、人工测量的数据、历史数据、实验数据等进行分析，综合考虑装备的使用、环境、维修等因素的影响，利用各种评估算法建立模型，按照指定的评估指标体系对装备的健康状态进行评估，明确装备健康状态的一种技术。正确进行装备的健康状态评价并准确预测装备的剩余寿命对于有效的避免停机停产事故、保证设备安全运行、确保正常有序的生产和提高经济效益有着巨大的意义。由于装备的性能会随着使用时间的增长而慢慢衰退，因此，对装备的健康状况进行预测对于装备故障的预防以及提高装备的可靠性都是十分有必要的。

目前，通常是装备发生故障之后，才会安排工作人员去维修。但是由于无法提前得知故障类型，导致故障维修时间长，效率低，且装备在发生故障后无法再继续使用，在装备维修期间会造成较大损失，随着大数据技术的发展，这种传统的维保方式也亟待改变。

基于此，提出一种大数据分析的装备健康预测方法来解决上述问题。

发明内容

本发明的目的在于提供一种大数据分析的装备健康预测方法，其能够提前对装备的运行故障进行预测，以达到降低装备维护成本的目的。

本发明的技术方案为：

第一方面，本申请提供一种大数据分析的装备健康预测方法，其包括以下步骤：

S1、采集装备的历史数据和实时运行数据；

S2、对历史数据进行数据预处理，并根据装备历史状态区分为装备历史健康状态数据和装备历史参数数据；

S3、利用回归建模方法，基于装备历史参数数据建立数据监测模型；

S4、将实时运行数据输入到数据监测模型进行验证以得到验证结果；

S5、根据装备历史健康状态数据和验证结果进行数据特征比对以得到比对结果；

S6、基于比对结果建立神经网络模型对装备的健康度进行预测，获得预测结果。

进一步地，上述步骤S2中上述预处理的步骤包括：

S21、对历史数据进行数据类型校验以得到校验数据；

S22、对校验数据进行数据清洗以得到清洗数据；

S23、对清洗数据进行数据融合和数据变换处理，得到预处理后的数据。

进一步地，步骤S2中上述装备历史健康状态数据包括装备的故障数据和维修保养数据。

进一步地，步骤S3中上述回归建模方法的线性回归公式为：

Y＝a(1)×X(1)+a(2)×X(2)+a(3)×X(3)+，…，+a(m)×X(n)+b，

H=P（Y|X），

其中，X代表装备的历史参数数据变量，a、b均为模型参数，m、n均为正整数，P（Y|X）表示条件概率，Y表示装备的健康状态，H代表装备的健康度，其值域范围为[0,1]。

进一步地，步骤S5中上述数据特征比对的步骤包括：

基于装备历史健康状态数据建立第一数据集，基于验证结果建立第二数据集；

提取上述第一数据集的时标信息和运行数据并建立第一时序特征数据集，提取上述第二数据集中的时标信息和运行数据并建立第二时序特征数据集；

提取上述第一时序特征数据集和第二时序特征数据集的数据特征以建立相似度矩阵，基于相似度矩阵求解以获得比对结果。

进一步地，上述S6包括：

S61、基于比对结果进行训练学习以获得训练集；

S62、基于训练集设定装备健康指标，并根据健康指标建立神经网络模型；

S63、对装备的实时运行数据进行数据优化以得到优化数据；

S64、将优化数据输入神经网络模型以得到预测结果。

进一步地，步骤S63中上述数据优化包括剔除数据中的错误点、冗余点和噪声。

有益效果：

本发明提供的一种大数据分析的装备健康预测方法，通过对装备的健康度监测，实现了对装备的实时交互和全方位状态比对，以及更加全面的装备运行特征捕捉，可以准确的提前预测装备即将发生的故障类型，有效的降低了对装备的检修工作量，节省了人工成本，使得装备的使用寿命大大增加，提高了装备的利用率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为本发明一种大数据分析的装备健康预测方法的步骤图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

需要说明的是，在本文中，术语“包括”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

在本申请的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“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。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。

下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的各个实施例及实施例中的各个特征可以相互组合。

实施例1

请参阅图1，图1所示为本申请实施例1提供的一种大数据分析的装备健康预测方法的步骤图。

第一方面，本申请提供一种大数据分析的装备健康预测方法，其包括以下步骤：

S1、采集装备的历史数据和实时运行数据；

S2、对历史数据进行数据预处理，并根据装备历史状态区分为装备历史健康状态数据和装备历史参数数据；

S3、利用回归建模方法，基于装备历史参数数据建立数据监测模型；

S4、将实时运行数据输入到数据监测模型进行验证以得到验证结果；

S5、根据装备历史健康状态数据和验证结果进行数据特征比对以得到比对结果；

S6、基于比对结果建立神经网络模型对装备的健康度进行预测，获得预测结果。

其中，历史状态主要为装备自开始运行以来的历史使用状态，包括正常运行时间、故障类型和故障时间等。

工作原理：

本申请通过采集装备历史健康状态数据、装备历史参数数据和实时运行数据并进行相应的数据处理后，并通过装备历史参数数据建立数据监测模型，数据监测模型可用于实时监测装备的实时运行数据和历史参数数据对比，利用装备实时采集的实时运行数据输入数据监测模型进行装备的数据监测验证，从而得到装备实时的验证结果数据，可以通过验证结果数据判断此时装备的运行数据是否有异常来判断装备的实时状态，然后根据装备的实时状态数据和装备历史健康状态数据进行数据特征比对，来检测装备的运行特征，得到关于装备状态的数据特征比对结果，再根据比对结果建立神经网络模型，即可通过输入装备的初始数据来进行装备健康度预测，从而准确的提前判断装备的故障可能发生类型和故障率，继而实现了对装备的实时交互和全方位状态比对，以及更加全面的装备运行特征捕捉，有效的降低了对装备的检修工作量，节省了人工成本，使得装备的使用寿命大大增加，提高了装备的利用率。

作为一种优选的实施方式，步骤S2中预处理的步骤包括：

S21、对历史数据进行数据类型校验以得到校验数据；

S22、对校验数据进行数据清洗以得到清洗数据；

S23、对清洗数据进行数据融合和数据变换处理，得到预处理后的数据。

由此，通过数据预处理，有效地降低了装备的历史数据的噪声信号，即可更准确的对装备的健康度进行预测，提高了预测结果的准确性，降低了预测结果与实际结果的差异。

作为一种优选的实施方式，步骤S2中装备历史健康状态数据包括装备的故障数据和维修保养数据。

作为一种优选的实施方式，步骤S3中回归建模方法的线性回归公式为：

Y＝a(1)×X(1)+a(2)×X(2)+a(3)×X(3)+，…，+a(m)×X(n)+b，

H=P（Y|X），

其中，X代表装备的历史参数数据变量，a、b均为模型参数，m、n均为正整数，P（Y|X）表示条件概率，Y表示装备的健康状态，H代表装备的健康度，其值域范围为[0,1]。

作为一种优选的实施方式，步骤S5中数据特征比对的步骤包括：

基于装备历史健康状态数据建立第一数据集，基于验证结果建立第二数据集；

提取第一数据集的时标信息和运行数据并建立第一时序特征数据集，提取第二数据集中的时标信息和运行数据并建立第二时序特征数据集；

提取第一时序特征数据集和第二时序特征数据集的数据特征以建立相似度矩阵，基于相似度矩阵求解以获得比对结果。

其中，提取第一时序特征数据集和第二时序特征数据集的数据特征主要通过设置时间窗口，并获取第一时序特征数据集和第二时序特征数据集的最大公共子序列，以顶端设备编号作为行号，末端设备编号为列号，以最大公共子序列元素个数作为值，从而取得相似度矩阵，对相似度矩阵进行求解即可得到比对结果。

由此，通过上述方式进行数据特征比对，能够有效提高数据的准确性和特征全面性，进而提高装备故障预测的准确性，降低故障预测结果与实际故障出现情况之间的差异，同时，通过特征提取处理，能够有效的降维数据、减少冗余，使装备管理中心在数据处理过程中对数据有更深入的了解，使后续利用神经网络模型进行故障预估的时候，能够有效提高装备故障的预测准确度。

作为一种优选的实施方式，步骤S6包括：

S61、基于比对结果进行训练学习以获得训练集；

S62、基于训练集设定装备健康指标，并根据健康指标建立神经网络模型；

S63、对装备的实时运行数据进行数据优化以得到优化数据；

S64、将优化数据输入神经网络模型以得到预测结果。

由此，通过建立神经网络模型对装备的健康度进行预测，实现了对装备的实时交互和全方位状态比对，实时监测装备的健康状态，可以准确的提前预测装备即将发生的故障类型。

作为一种优选的实施方式，步骤S63中数据优化包括剔除数据中的错误点、冗余点和噪声。

由此，通过剔除装备的实时运行数据中的错误点、冗余点和噪声，有效地降低了装备的实时运行数据的噪声信号，即可更准确的对装备的健康度进行预测，提高了预测结果的准确性，降低了预测结果与实际结果的差异。

可以理解，图中所示的结构仅为示意，一种大数据分析的装备健康预测方法还可包括比图中所示更多或者更少的组件，或者具有与图中所示不同的配置。图中所示的各组件可以采用硬件、软件或其组合实现。

在本申请所提供的实施例中，应该理解到，所揭露的方法，也可以通过其它的方式实现。以上所描述的实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

综上所述，本申请提供的一种大数据分析的装备健康预测方法，通过对装备的健康度监测，实现了对装备的实时交互和全方位状态比对，以及更加全面的装备运行特征捕捉，可以准确的提前预测装备即将发生的故障类型，有效的降低了对装备的检修工作量，节省了人工成本，使得装备的使用寿命大大增加，提高了装备的利用率。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其它的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (7)

1.一种大数据分析的装备健康预测方法，其特征在于，包括以下步骤：

S1、采集装备的历史数据和实时运行数据；

S2、对历史数据进行数据预处理，并根据装备历史状态区分为装备历史健康状态数据和装备历史参数数据；

S3、利用回归建模方法，基于装备历史参数数据建立数据监测模型；

其中，所述回归建模方法的线性回归公式为：

Y＝a(1)*X(1)+a(2)*X(2)+a(3)*X(3)+...+b，

H=P（Y|X），

其中，X代表装备的历史参数数据变量，a、b均为模型参数，P表示条件概率，Y表示装备的健康状态，H代表装备的健康度，其值域范围为[0,1]；

S4、将实时运行数据输入到数据监测模型进行验证以得到验证结果；

S5、根据装备历史健康状态数据和验证结果进行数据特征比对以得到比对结果；

其中，所述数据特征比对的步骤包括：

基于装备历史健康状态数据建立第一数据集，基于验证结果建立第二数据集；

提取所述第一数据集的时标信息和运行数据并建立第一时序特征数据集，提取所述第二数据集中的时标信息和运行数据并建立第二时序特征数据集；

提取所述第一时序特征数据集和第二时序特征数据集的数据特征以建立相似度矩阵，基于相似度矩阵求解以获得比对结果；

S6、基于比对结果建立神经网络模型对装备的健康度进行预测，获得预测结果。

2.如权利要求1所述的一种大数据分析的装备健康预测方法，其特征在于，步骤S2中所述预处理的步骤包括：

S21、对历史数据进行数据类型校验以得到校验数据；

S22、对校验数据进行数据清洗以得到清洗数据；

S23、对清洗数据进行数据融合和数据变换处理，得到预处理后的数据。

3.如权利要求1所述的一种大数据分析的装备健康预测方法，其特征在于，步骤S2中所述装备历史健康状态数据包括装备的故障数据和维修保养数据。

4.如权利要求1所述的一种大数据分析的装备健康预测方法，其特征在于，所述步骤S6包括：

S61、基于比对结果进行训练学习以获得训练集；

S62、基于训练集设定装备健康指标，并根据健康指标建立神经网络模型；

S63、对装备的实时运行数据进行数据优化以得到优化数据；

S64、将优化数据输入神经网络模型以得到预测结果。

5.如权利要求4所述的一种大数据分析的装备健康预测方法，其特征在于，步骤S63中所述数据优化包括剔除数据中的错误点、冗余点和噪声。

6.一种电子设备，其特征在于，包括：存储器，用于存储一个或多个程序；处理器；

当所述一个或多个程序被所述处理器执行时，实现如权利要求1-5中任一项所述的一种大数据分析的装备健康预测方法。

7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-5中任一项所述的一种大数据分析的装备健康预测方法。

Images