CN116304835A - 基于ai的动设备工况监测管理方法、系统、设备及介质 - Google Patents

基于ai的动设备工况监测管理方法、系统、设备及介质 Download PDF

Info

Publication number
CN116304835A
CN116304835A CN202310341452.5A CN202310341452A CN116304835A CN 116304835 A CN116304835 A CN 116304835A CN 202310341452 A CN202310341452 A CN 202310341452A CN 116304835 A CN116304835 A CN 116304835A
Authority
CN
China
Prior art keywords
working condition
equipment
cluster
pool
dynamic
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
Application number
CN202310341452.5A
Other languages
English (en)
Other versions
CN116304835B (zh
Inventor
高晖
闫贺
刘锦南
董松伟
陈瑜
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.)
Beijing Bohua Anchuang Technology Co ltd
Beijing Bohua Xinzhi Technology Co ltd
Original Assignee
Beijing Bohua Xinzhi Technology 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 Beijing Bohua Xinzhi Technology Co ltd filed Critical Beijing Bohua Xinzhi Technology Co ltd
Priority to CN202310341452.5A priority Critical patent/CN116304835B/zh
Publication of CN116304835A publication Critical patent/CN116304835A/zh
Application granted granted Critical
Publication of CN116304835B publication Critical patent/CN116304835B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种基于AI的动设备工况监测管理方法、系统、电子设备及存储介质，该方法包括：根据动设备的平稳运行数据，采用聚类算法形成动设备的工况池；工况池中包括动设备的每个工况对应的聚类中心点和簇类内平均距离；采集动设备的实时数据集，根据实时数据集获取动设备的振动信号、过程量和动态量；根据振动信号计算熵特征值，根据熵特征值构建熵特征矩阵，监测动设备当前工况是否发生改变；根据振动信号进行时域特征值和频域特征值，根据过程量和动态量计算时域特征值，根据时域特征值和频域特征值结合工况池确定动设备的当前工况归属类别。该方法能实现突变点识别捕捉瞬态工况的改变，以及确定动设备当前工况的归属类别，普适性强。

Description

基于AI的动设备工况监测管理方法、系统、设备及介质
技术领域
本发明涉及人工智能技术领域，具体地说，特别涉及一种基于AI的动设备工况监测管理方法、系统、电子设备及存储介质。
背景技术
动设备，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、压缩机、风机等，其能源可以是电动力、燃气动力、蒸汽动力等。该类设备广泛应用于石油化工、机械制造、车辆船舶、交通运输等领域，往往占据关键节点，作为中枢核心实行运输动脉职能，提供人员和物品输送、动力与动能传递、物料分离、物料搅拌和混合等功能。以动力泵和压缩机为例，动设备一般处于长期运行状态，处于工艺流程的中心点环节，其安全可靠的运行关系到整条工艺生产链的稳定性。对动设备进行全段实时监控和预测性维护，从而实现故障预警，对提高生产链的安全性和生产效益有保障性意义。
故障预测与健康管理系统(Prognostics and Health Management，PHM)是现有对动设备的安全保障的常用手段，PHM得以应用的前提条件便是对动设备所处工况有明确的判别手段，在不同工况下加载对应的模型。因此正确有效地进行工况判别是设备监测的首要步骤，是构建设备PHM的基石，是进一步进行设备故障预警和全生命周期维护的先决条件。
动设备种类繁多工艺复杂，其运行过程难以用单一模式描述。在以往的工况判别程序中，往往依赖于机理性的若干个判断依据（如电机功率、工作档以及对应限）进行直接归类。当部分环境下不能提供工况判断的关键参数时，需要通过挖掘动设备其他有效信号（如振动、温度等）的隐藏信息，构建工况变换监测模型，进行工况判别。此外，某类设备参与决定工况的关键参数可能不具有明确的分类限，导致其不具有常态形式的固定工况。且动设备投入运行时间各异，全局工况建模的必要前提即各态历经假设有很大可能无法满足。因此，为普遍适应动设备，亟需一种新式灵活并可以克服上述困难的动设备工况判别方法。
发明内容
鉴于现有技术中的上述缺陷或不足，期望提供一种基于AI的动设备工况监测管理方法、系统、设备及介质。
第一方面，提供了一种基于AI的动设备工况监测管理方法，包括：
根据动设备的平稳运行数据，采用聚类算法形成动设备的工况池；所述工况池中包括动设备的每个工况对应的聚类中心点和簇类内平均距离；
采集动设备的实时数据集，根据所述实时数据集获取动设备的振动信号、过程量和动态量；
根据所述振动信号计算熵特征值，根据所述熵特征值构建熵特征矩阵，监测所述动设备的当前工况是否发生改变；
根据所述振动信号进行时域特征值和频域特征值，根据所述过程量和动态量分别计算时域特征值，根据振动信号的时域特征值和频域特征值、过程量和动态量的时域特征值，结合所述工况池确定所述动设备的当前工况归属类别。
第二方面，提供了一种基于AI的动设备工况监测管理系统，包括：
工况池形成模块，用于根据动设备的平稳运行数据，采用聚类算法形成动设备的工况池；所述工况池中包括动设备的每个工况对应的聚类中心点和簇类内平均距离；
数据采集模块，用于采集动设备的实时数据集，根据所述实时数据集获取动设备的振动信号、过程量和动态量；
工况变化识别模块，用于根据所述振动信号计算熵特征值，根据所述熵特征值构建熵特征矩阵，监测所述动设备的当前工况是否发生改变；
工况类别确定模块，用于根据所述振动信号进行时域特征值和频域特征值，根据所述过程量和动态量分别计算时域特征值，根据振动信号的时域特征值和频域特征值、过程量和动态量的时域特征值，结合所述工况池确定所述动设备的当前工况归属类别。
第三方面，本申请实施例提供了一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现本申请任意实施例所提供的AI的动设备工况监测管理方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本申请任意实施例所提供的AI的动设备工况监测管理方法的步骤。
本申请实施例所提供的基于AI的动设备工况监测管理方法、系统、设备及介质，能够在关键机电参数不被监控的情况下，通过对动设备的振动信号的熵特征值进行分析，实现突变点识别捕捉瞬态工况的改变；并可基于动设备的平稳运行数据采用聚类算法建立动设备的工况池，当基于熵特征值识别到工况发生改变时，根据获取的振动信号、过程量和动态量的时域特征值和频域特征值，结合建立的工况池确定动设备的当前工况的具体归属类别。该监测管理方法普适性强，适用于各种动设备，且能及时识别动设备的工况切换以及判断动设备的当前工况的归属类别。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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为本申请实施例提供的基于AI的动设备工况监测管理方法的一种示例性流程图；
图2为本申请实施例提供的基于Kmeans++聚类的动设备工况池构建方法的示例性流程图；
图3为本申请实施例提供的基于信息熵特征的动设备工况变化监测方法的示例性流程图；
图4为本申请实施例提供的基于AI自学习的动设备工况识别与工况管理方法的示例性流程图；
图5为本申请实施例提供的基于AI的动设备工况监测管理方法的另一种示例性流程图；
图6为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征值可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
请参考图1，示出了根据本申请实施例提供的基于AI的动设备工况监测管理方法的示例性流程框图。如图1所示，在本实施例中，本发明提供的基于AI的动设备工况监测管理方法包括：
S100：根据动设备的平稳运行数据，采用聚类算法形成动设备的工况池；所述工况池中包括动设备的每个工况对应的聚类中心点和簇类内平均距离；
S200：采集动设备的实时数据集，根据所述实时数据集获取动设备的振动信号、过程量和动态量；
S300：根据所述振动信号计算熵特征值，根据所述熵特征值构建熵特征矩阵，监测所述动设备的当前工况是否发生改变；
S400：根据所述振动信号进行时域特征值和频域特征值，根据所述过程量和动态量分别计算时域特征值，根据振动信号的时域特征值和频域特征值、过程量和动态量的时域特征值，结合所述工况池确定所述动设备的当前工况归属类别。
具体的，本申请实施例提供的基于AI（人工智能）的动设备工况监测管理方法中，能够在关键机电参数（如电机功率）不被监控的情况下，通过对动设备的振动信号的熵特征值进行分析，实现突变点识别捕捉瞬态工况的改变；并可基于动设备的平稳运行数据采用聚类算法建立动设备的单标签多分类模型（即工况池），当基于熵特征值识别到工况发生改变时，根据获取的振动信号、过程量和动态量的时域特征值和频域特征值，结合建立的单标签多分类模型确定动设备的当前工况的具体归属类别。该监测管理方法普适性强，适用于各种动设备，且能及时识别动设备的工况切换以及判断动设备的当前工况的归属类别。
在一些实施方式中，步骤S100中，动设备的平稳运行数据的获取方法，包括：
采集动设备的运行数据，筛选动设备在当前工况稳定运行的阶段，获取动设备的平稳运行数据；若动设备无平稳运行数据，则令动设备在当前工况累积运行预设时间之后，再获取动设备的平稳运行数据。
具体的，如图5所示，采集动设备的运行数据，若动设备在当前工况存在稳定运行阶段，则直接筛取稳定运行阶段的平稳运行数据，称之为历史运行数据；若动设备之前未上线或者不在稳定运行阶段，则令动设备在当前工况累积运行预设时间，该预设时间的长度为动设备在当前工况能够稳定运行，再获取动设备的平稳运行数据。最后基于动设备的平稳运行数据，采用聚类算法（Kmeans++聚类算法）形成动设备的单标签多分类模型，记录其聚类中心点以及各簇类内距离，整个单标签多分类模型称为工况池。
在一些实施方式中，参考图2和图5，步骤S100中，采用聚类算法形成动设备的工况池，包括：
S110：根据动设备的平稳运行数据，获取振动信号、过程量和动态量；
S120：根据所述振动信号计算时域特征值和频域特征值；根据所述过程量和动态量分别计算时域特征值；
S130：将所述振动信号的时域特征值和频域特征值、所述过程量和动态量的时域特征值组合形成动设备的工况特征值向量；
S140：根据所述动设备的工况特征值向量构建工况特征矩阵；对所述工况特征矩阵进行标准化，得到标准化后的工况特征矩阵，记录标准化参数，所述标准化参数包括均值和标准差；
S150：采用Kmeans++聚类算法对标准化后的工况特征矩阵建立聚类模型，记录每个簇的聚类中心点以及每个簇类内平均距离，每个簇视为一个工况，形成动设备的工况池。
具体的，本申请的基于AI的动设备工况监测管理方法中，基于动设备的平稳运行数据（即动设备的历史运行数据），提取振动信号的时域特征值和频域特征值，以及提取过程量和动态量的频域特征值，采用Kmeans++聚类算法进行聚类模型的实时构建，记录动设备每个工况对应的聚类中心点
Figure SMS_1
和簇类内平均距离/>
Figure SMS_2
，一个簇视作为一个工况，总体聚类模型称为工况池。根据实时构建的工况池有利于后续对动设备的实时工况的归属类别进行自动识别，智能化程度高。
步骤S110中，振动信号至少包括如下一种：速度、加速度。过程量至少包括如下一种：温度、电流、流量、压力、撞击次数。动态量至少包括如下一种：位移、位置、动态压力。
步骤S120中，根据振动信号计算时域特征值和频域特征值，其中，时域特征值至少包括如下一种：均值、标准差、有效值、峰值；频域特征值至少包括如下一种：通频频率特征（重心频率、方差频率、均方频率）、倍频频率特征（1/2倍频、2倍频、3倍频、4倍频的重心频率、方差频率、均方频率）。根据过程量和动态量分别计算时域特征值，其中，时域特征值至少包括如下一种：均值、标准差、有效值、峰值。
步骤S130中：将振动信号的时域特征值和频域特征值、过程量的时域特征值和动态量的时域特征值组合形成动设备的工况特征值向量。
步骤140中，根据步骤S130组合形成的动设备的工况特征值向量构建工况特征矩阵，对工况矩阵进行zscore标准化，并记录对应标准化参数（均值和标准差），具体的zscore标准化公式如下：
Figure SMS_3
其中，
Figure SMS_4
表示标准化后的值；/>
Figure SMS_5
表示标准化前的值，即工况特征矩阵内的信号值；/>
Figure SMS_6
表示/>
Figure SMS_7
的均值；/>
Figure SMS_8
表示/>
Figure SMS_9
的标准差。
步骤S150中，采用Kmeans++聚类算法对标准化后的工况特征矩阵建立聚类模型，记录每一个聚类中心点
Figure SMS_10
，以及类内平均距离/>
Figure SMS_11
，每一个簇视作为一个工况，总体聚类模型称为工况池。
其中，Kmeans++在Kmeans的基础上，优化了初始质心的随机选择策略，使得初始的聚类中心之间的相互距离尽可能远，避免算法收敛慢、计算时间过长的问题。Kmeans++算法中自适应优化Kmeans++的聚类个数，即超参数
Figure SMS_12
，具体步骤如下：
S151：首先设定
Figure SMS_13
，对Kmeans++的最终聚类结果计算Calinski-Harabasz指标，简称/>
Figure SMS_14
值：
Calinski-Harabasz指标计算公式为：
Figure SMS_15
其中，
Figure SMS_16
为总体簇间方差，/>
Figure SMS_17
为总体簇内方差，/>
Figure SMS_18
为聚类个数，/>
Figure SMS_19
为总点数。
总体簇间方差
Figure SMS_20
定义为：
Figure SMS_21
其中，
Figure SMS_22
为聚类个数，/>
Figure SMS_23
为簇/>
Figure SMS_24
所含有的数据点数，/>
Figure SMS_25
为簇/>
Figure SMS_26
的中心点，/>
Figure SMS_27
为总体平均值。
总体簇内方差
Figure SMS_28
定义为：
Figure SMS_29
其中，
Figure SMS_30
为聚类个数，/>
Figure SMS_31
表示第/>
Figure SMS_32
个簇，/>
Figure SMS_33
为/>
Figure SMS_34
中的任一数据点，/>
Figure SMS_35
为/>
Figure SMS_36
的中心点。
Figure SMS_37
值越大，表示聚类数据分区效果越好。
S152：逐渐提高
Figure SMS_38
，直到设定上限（按实际情况手动设定）。计算每一个/>
Figure SMS_39
簇情况下的/>
Figure SMS_40
值，使得/>
Figure SMS_41
值最大的/>
Figure SMS_42
作为超参数。
需要说明的是，若
Figure SMS_44
时取得/>
Figure SMS_47
最大值，则单簇/>
Figure SMS_50
1建立聚类模型，计算/>
Figure SMS_45
1的总体簇内方差/>
Figure SMS_48
，将/>
Figure SMS_51
1的总体簇内方差/>
Figure SMS_52
与/>
Figure SMS_43
的总体簇内方差/>
Figure SMS_46
进行比较，选择总体簇内方差/>
Figure SMS_49
较小者对应的超参数作为最优超参数。
步骤S200中，获取动设备的实时数据集，根据该实时数据集判断动设备的当前工况是否发生改变、以及当工况发生改变后确定动设备的当前工况归属类别。
在一些实施方式中，参考图3和图5，步骤S300中，根据所述振动信号计算熵特征值，根据所述熵特征值构建熵特征矩阵，监测所述动设备的当前工况是否发生改变，包括：
S310：确定是否存在动设备工况变化监测模型，若不存在，则对动设备的熵特征矩阵进行自标准化，记录自标准化参数，并对自标准化后的熵特征矩阵采用Kmeans++聚类算法建立动设备工况变化监测模型，确定动设备工况变化监测模型中每个簇的聚类中心点和类内平均距离，以及确定每个簇的上界和下界；
S320：若存在，则利用所述动设备工况变化监测模型内的标准化参数对动设备的熵特征矩阵进行标准化，求取标准化后的熵特征矩阵内每个信号与所述动设备工况变化监测模型中的聚类中心点之间的平均距离，确定该平均距离是否超过对应簇的上界或下界，若超过则记为一次离群，当离群次数超过预设次数，则认为动设备的工况发生改变。
具体的，本申请实施提供的基于AI的动设备工况监测管理方法中，先根据动设备稳定工况下的振动信号构建动设备工况变化监测模型（具体构建方法如下所述），再采集动设备的实时运行数据，根据实时运行数据中的振动信号的熵特征值，作为监测工况是否发生变化的样本集，简称监测集，结合已构建的动设备工况变化监测模型监测动设备的当前工况是否发生切换，当工况发生改变后产生工况改变告警，具体的工况改变识别方法如下：
确定是否存在动设备工况变化监测模型，若不存在，则对动设备实时运行数据的熵特征矩阵进行自标准化，记录自标准化参数，并对自标准化后的特征矩阵采用Kmeans++聚类算法进行单簇建模，求取自标准化后的特征矩阵内的类内距离，寻找矩阵内对其他点距离之和最小的点将其视作为中心点，根据中心点进行聚类单簇建模，确定每个簇的上界和下界。若存在，则利用动设备工况变化监测模型内的标准化参数对动设备实时运行数据的熵特征矩阵进行标准化，求取标准化后的熵特征矩阵内每个信号与动设备工况变化监测模型中的聚类中心点之间的平均距离，确定该平均距离是否超过对应簇的上界或下界，若超过则记为一次离群，当离群次数超过预设次数，则认为动设备的工况发生改变，对应产生工况改变告警。
在一些实施方式中，参考图3和图5，步骤S310中，所述动设备工况变化监测模型的构建方法，包括：
S311：获取动设备在稳定工况下的振动信号，根据所述振动信号计算熵特征值；
S312：根据所述熵特征值构建熵特征矩阵，对所述熵特征矩阵进行标准化，得到标准化后的熵特征矩阵，记录标准化参数；
S313：对所述标准化后的熵特征矩阵采用Kmeans++聚类算法建立动设备工况变化监测模型，确定动设备工况变化监测模型中每个簇的聚类中心点和类内平均距离，以及确定每个簇的上界和下界。
具体的，采用Kmeans++聚类算法根据动设备稳定工况下的振动信号的熵特征值构建动设备工况变化监测模型，具体为：求取标准化后的熵特征矩阵的类内距离，将标准化后的熵特征矩阵中对其他点类内距离之和最小的点视为聚类中心点，根据聚类中心点进行聚类单簇建模；将每个簇内的聚类中心点与其他点之间的距离进行排序，求取75百分位数
Figure SMS_53
和25百分位数/>
Figure SMS_54
；则簇的上界/>
Figure SMS_55
，簇的下界
Figure SMS_56
。
在一些实施方式中，参考图5，步骤S310中，所述动设备工况变化监测模型的更新方法，包括：
判断动设备当前振动信号的标准化后的熵特征矩阵内每个信号是否离群，若离群，则放弃更新直接结束；否则，执行下一步骤；
将所述动设备工况变化监测模型和所述标准化后的熵特征矩阵分别进行逆标准化，对应得到历史运行数据集内的熵特征值组和当前振动信号的熵特征值；
将所述历史运行数据集内的熵特征值组去除动设备运行最早的振动信号熵特征值，并加入当前振动信号的熵特征值，得到新熵特征值组；
根据新熵特征值组重新构建新熵特征矩阵，再重新进行标准化，保存新的标准化参数，再采用Kmeans++聚类算法根据新的标准化后的熵特征矩阵构建新的动设备工况变化监测模型，确定每个簇的聚类中心点和自适应的上界、下界。
具体的，根据实际应用需要，在动设备处于本工况稳定运行态时，每隔一定间隔，对簇的数据进行更新。其中，对动设备工况变化监测模型和标准化后的熵特征矩阵分别进行逆标准化，以恢复原始信号，便于后续构建新的振动信号的熵特征值集合，重新确定标准化参数，更新簇数据。
在一些实施方式中，所述熵特征值至少包括如下一种：香农熵、近似熵、样本熵。
具体的，香农熵的计算方式为：
（a）对于长度为
Figure SMS_57
的待分析信号序列为/>
Figure SMS_58
，求取信号序列的最大值和最小值，将最大值和最小值之间的区间分为/>
Figure SMS_59
等分，称为序列分段。
（b）统计信号序列
Figure SMS_60
落在上述各个分段内的数据点个数，并除以序号总数据点数，得到各个分段的概率/>
Figure SMS_61
。
（c）计算信号序列香农熵
Figure SMS_62
：
Figure SMS_63
进一步地，近似熵计算方式为：
（a）对于长度为
Figure SMS_64
的待分析信号序列为/>
Figure SMS_65
，给定模式维数/>
Figure SMS_66
，可以构造出一组/>
Figure SMS_67
维矢向量：
Figure SMS_68
矢向量
Figure SMS_69
代表从/>
Figure SMS_70
点开始连续/>
Figure SMS_71
个连续的值，其中/>
Figure SMS_72
，/>
Figure SMS_73
通常取2，此时/>
Figure SMS_74
。
（b）给定相似容忍阈值
Figure SMS_76
，通常选/>
Figure SMS_78
(/>
Figure SMS_80
表示原序列标准差)，若矢向量/>
Figure SMS_75
与/>
Figure SMS_79
所有对应点的差距都不大于/>
Figure SMS_81
则称之为近似，统计满足近似条件的向量个数和构造向量总数/>
Figure SMS_82
的比记为/>
Figure SMS_77
，即：
Figure SMS_83
其中，
Figure SMS_84
，/>
Figure SMS_85
，/>
Figure SMS_86
定义为/>
Figure SMS_87
，即/>
Figure SMS_88
表示矢向量/>
Figure SMS_89
和/>
Figure SMS_90
之间对应元素的最大距离差值的绝对值。
（c）定义
Figure SMS_91
（d）使维数
Figure SMS_92
增加1变为/>
Figure SMS_93
，重复步骤（a）、（b）和（c）得到/>
Figure SMS_94
。
（e）信号序列的近似熵定义为：
Figure SMS_95
进一步地，样本熵的计算方式为：
（a）对于长度为
Figure SMS_96
的待分析信号序列为/>
Figure SMS_97
，给定模式维数/>
Figure SMS_98
，可以构造出一组/>
Figure SMS_99
维矢向量：
Figure SMS_100
矢向量
Figure SMS_101
代表从/>
Figure SMS_102
点开始连续/>
Figure SMS_103
个连续的值，其中/>
Figure SMS_104
，/>
Figure SMS_105
通常取2，此时/>
Figure SMS_106
。
（b）给定相似容忍阈值
Figure SMS_109
，通常选/>
Figure SMS_110
(/>
Figure SMS_113
表示原序列标准差)，若矢向量/>
Figure SMS_107
与/>
Figure SMS_111
所有对应点的差距都不大于/>
Figure SMS_114
则称之为近似。对于/>
Figure SMS_116
，统计向量/>
Figure SMS_108
与/>
Figure SMS_112
近似的数目，记作/>
Figure SMS_115
。
定义
Figure SMS_117
Figure SMS_118
其中，
Figure SMS_119
，/>
Figure SMS_120
定义为/>
Figure SMS_121
。
（c）定义
Figure SMS_122
（d）使维数
Figure SMS_123
增加1变为/>
Figure SMS_124
，重复步骤（a）构造/>
Figure SMS_125
，同样方式统计向量
Figure SMS_126
与/>
Figure SMS_127
近似的数目，记作/>
Figure SMS_128
。
定义
Figure SMS_129
其中，
Figure SMS_130
（e）定义
Figure SMS_131
（f）信号序列的样本熵定义为：
Figure SMS_132
当
Figure SMS_133
为有限值时，样本熵估计为：
Figure SMS_134
在一些实施方式中，参考图4和图5，步骤S400中，根据振动信号的时域特征值和频域特征值、过程量和动态量的时域特征值，结合所述工况池确定所述动设备的实时工况归属类别，包括：
S410：将所述振动信号的时域特征值和频域特征值、所述过程量和动态量的时域特征值组合形成动设备的工况特征值向量；
S420：根据所述动设备的工况特征值向量构建工况特征矩阵，若工况池中无工况模型，则动设备的工况特征矩阵进行自标准化，记录自标准化参数；并根据自标准化后的工况特征矩阵生成当前新工况，将当前新工况添加至工况池内；
S430：若工况池中有工况模型，则利用工况池内的标准化参数进行标准化，并基于距离判别法确定动设备的当前工况归属簇。
具体的，若工况变化监测模型监测到当前动设备有连续离群现象时（连续离群现象指在单位长度时间窗内的工况变化监测中，连续发生监测结果为非本工况），视为一次工况切换，在工况切换完成后，重新累积实时数据集，提取实时数据集中振动信号的时域特征值和频域特征值，以及过程量和动态量的时域特征值，作为判断新工况从属于哪类工况的样本集，简称判别集，对当前实时数据根据现有的单标签多分类模型进行工况判别，判断动设备的当前工况是否属于已有工况，若不属于已有工况，则新建工况并添加至工况池内。具体的工况识别方法为：若工况池中无工况模型，则基于实时数据集的工况特征矩阵新建新工况模型，并将新工况模型添加到工况池，视为属于当前新工况。若工况池中有工况模型存在，则基于实时数据集的工况特征矩阵采用距离判别法对当前工况进行判别。其中，新工况模型的构建方法如下：求取实时数据集的工况特征矩阵中所有点之间相互的类内距离；寻找矩阵内对其他点距离之和最小的点将其视作为中心点，根据中心点进行聚类单簇建模；保存中心点到其他各点的类内距离。
在一些实施方式中，参考图4和图5，步骤S430中，若工况池中有工况模型，则利用工况池内的标准化参数进行标准化，并基于距离判别法确定动设备的当前工况归属簇，包括：
S431：若动设备的当前工况属于工况池中已知工况的一种，则基于距离判别法确定动设备的输出工况判别结果；
S432：若动设备的当前工况不属于工况池中任意一种已知工况，则属于当前新工况，将当前新工况添加至工况池内。
具体的，若当前工况属于当前已知工况中的一种，则输出工况判别结果；若当前工况不属于任意一种已知工况，则基于实时数据集的判别集新建新工况模型，并将更新的工况模型添加到工况池。
在一些实施方式中，步骤S431中，若动设备的当前工况属于工况池中已知工况的一种，则基于距离判别法确定动设备的输出工况判别结果，包括：
S4311：计算动设备实时数据集内标准化后的工况特征矩阵中每个信号点到工况池中各个簇内聚类中心点的平均距离，若到各个聚类中心点的平均距离存在唯一最小值，则确定动设备的当前工况属于到聚类中心点的平均距离为最小值对应工况池内的簇；
S4312：若到各个簇内聚类中心点的平均距离不存在唯一最小值，则计算动设备实时数据集内标准化后的工况特征矩阵中每个信号点到工况池中各个簇内最近邻点的平均距离，若到各个簇内最近邻点的平均距离存在唯一最小值，则确定动设备的当前工况属于到簇内最近邻点的平均距离为最小值对应工况池内的簇；
S4313：若到各个簇内最近邻点的平均距离不存在唯一最小值，则计算动设备实时数据集内标准化后的工况特征矩阵中每个信号点到工况池中各个簇内最近邻点的平均距离与簇类内平均距离的比值，则定动设备的当前工况属于比值最接近1的对应工况池内的簇；
S4314：若经过步骤S4311、S4312、S4313之后确定动设备的当前工况属于某一簇，且动设备实时数据集内标准化后的工况特征矩阵中每个信号点到确定的所属簇内最近邻点的平均距离与簇类内平均距离的比值大于5，则动设备的当前工况不属于工况池内的任何一个簇。
具体的，本申请实施例基于距离判别法，采用AI自学习法识别动设备当前工况属于工况池内的具体归属类别。
在一些实施方式中，参考图4和图5，所述基于AI的动设备工况监测管理方法，还包括至少如下一种：工况池内相似工况簇合并、冗余工况簇删除、应用工况簇更新、工况池全局更新。
具体的，本申请基于AI自学习方法对工况进行管理，功能涵盖已有工况辨识、新工况建模、相似工况簇合并、冗余工况簇删除、应用工况簇更新、工况池全局更新。具体如下：
（1）相似工况簇合并：对工况池内相似的簇进行合并。
（1.1）前提条件：
工况池内的工况数量（簇总数量）超过设定上限；
簇
Figure SMS_135
和簇/>
Figure SMS_136
之间的点平均距离和簇/>
Figure SMS_137
类内距离和簇/>
Figure SMS_138
类内距离相对平均偏差不超过15%；簇/>
Figure SMS_139
和簇/>
Figure SMS_140
各自10%的点互为最近邻点。
（1.2）详细步骤：
从工况池内筛选具有合并前提条件的相似簇；
以先前的标准化参数逆标准化相似簇的数据点；
将相似簇合并后采用聚类算法重新计算聚类中心；
筛除合并簇内不必要的稀疏点和局部过密的可替换点，其中，与最近邻点平均距离大于10倍类内平均距离的点视作为稀疏点，与最近邻点平均距离小于0.2倍类内平均距离的点视作为过密的可替换点；
对筛除稀疏点和过密后的可替换点之后的簇进行自标准化并更新标准化参数。
（2）应用工况簇更新：工况池某类工况持续时间超过一定长度后，对其簇进行更新。示例性的，应用工况簇一般3-6小时更新一次。
（2.1）前提条件：
工况池簇
Figure SMS_141
建立并被应用（即处于当前工况下）超过一定时间后。
（2.2）详细步骤：
将待更新的簇（该簇被应用超过预设时间）吸收实时数据点；
以先前的标准化参数逆标准化待更新的簇内所有数据点；
筛除不必要的稀疏点，其中，与最近邻点平均距离大于10倍类内平均距离的点视作为稀疏点；
重新计算聚类中心；
自标准化并更新标准化参数。
（3）冗余工况簇删除：某个历史工况簇处于长期不被应用的状态，超过保留期限后被删除。示例性的，冗余工况簇一般保留3-5个月删除。
（3.1）前提条件：
工况池簇
Figure SMS_142
长期不被应用（即不处于当前工况下）超过一定时间后。
（3.2）详细步骤：
删除此簇所有点数据。
（4）工况池全局更新：工况池在长期运行一段时长后，对工况池进行全局更新。示例性的，工况池全局更新的周期一般为1-2个月。
（4.1）前提条件：
工况池据新建或上次全局更新超过一定时间后。
（4.2）详细步骤：
以先前的标准化参数逆标准化工况池内所有簇的数据点；
筛除不必要的稀疏点和局部过密的可替换点；其中，与最近邻点平均距离大于10倍类内平均距离的点视作为稀疏点，与最近邻点平均距离小于0.2倍类内平均距离的点视作为过密的可替换点；
自标准化并更新标准化参数；
由最优化Calinski-Harabasz指标得到最佳模型聚类数量k；
对工况池内所有数据点建立Kmeans++聚类模型；
保存新簇聚类中心点和簇类内距离等数据；
重建工况池，视作为工况池的一次全局更新。
本申请实施例的第二方面，提供一种基于AI的动设备工况监测管理系统200，包括：
工况池形成模块210，用于根据动设备的平稳运行数据，采用聚类算法形成动设备的工况池；所述工况池中包括动设备的每个工况对应的聚类中心点和簇类内平均距离；
数据采集模块220，用于采集动设备的实时数据集，根据所述实时数据集获取动设备的振动信号、过程量和动态量；
工况变化识别模块230，用于根据所述振动信号计算熵特征值，根据所述熵特征值构建熵特征矩阵，监测所述动设备的当前工况是否发生改变；
工况类别确定模块240，用于根据所述振动信号进行时域特征值和频域特征值，根据所述过程量和动态量分别计算时域特征值，根据振动信号的时域特征值和频域特征值、过程量和动态量的时域特征值，结合所述工况池确定所述动设备的当前工况归属类别。
具体的，本申请实施例提供的基于AI的动设备工况监测管理系统，采用信息熵类特征监测工况状态的切换，比起常规方案能更为敏感地捕捉信号突变情况。并基于时域特征和频域特征进行工况判别，工况判别能在无运行数据的情况下在线实施，不依赖设备长期运行的各态历经条件，为后续系统对动设备的预测性维护和趋势预测提供了坚实的辅助基础，为动设备的全生命周期健康运行管理提供了技术支持。
在一些实施方式中，所述工况池形成模块210，包括：
平稳数据采集单元211，用于采集动设备的运行数据，筛选动设备在当前工况稳定运行的阶段，获取动设备的平稳运行数据；若动设备无平稳运行数据，则令动设备在当前工况累积运行预设时间之后，再获取动设备的平稳运行数据。
在一些实施方式中，所述工况池形成模块210，包括：
信号获取单元212，用于根据动设备的平稳运行数据，获取振动信号、过程量和动态量；
特征提取单元213，用于根据所述振动信号计算时域特征值和频域特征值；根据所述过程量和动态量分别计算时域特征值；
特征向量组合单元214，用于将所述振动信号的时域特征值和频域特征值、所述过程量和动态量的时域特征值组合形成动设备的工况特征值向量；
标准化单元215，用于根据所述动设备的工况特征值向量构建工况特征矩阵；对所述工况特征矩阵进行标准化，得到标准化后的工况特征矩阵，记录标准化参数，所述标准化参数包括均值和标准差；
聚类单元216，用于采用Kmeans++聚类算法对标准化后的工况特征矩阵建立聚类模型，记录每个簇的聚类中心点以及每个簇类内平均距离，每个簇视为一个工况，形成动设备的工况池。
在一些实施方式中，所述工况变化识别模块230，包括：
判断单元231，用于确定是否存在动设备工况变化监测模型；
第一标准化单元232，用于对动设备的熵特征矩阵进行自标准化，记录自标准化参数；
聚类模型构建单元233，用于对自标准化后的特征矩阵采用Kmeans++聚类算法建立动设备工况变化监测模型，确定动设备工况变化监测模型中每个簇的聚类中心点和类内平均距离，以及确定每个簇的上界和下界；
第二标准化单元234，用于利用所述动设备工况变化监测模型内的标准化参数对动设备的熵特征矩阵进行标准化；
距离计算单元235，用于求取标准化后的熵特征矩阵内每个信号与所述动设备工况变化监测模型中的聚类中心点之间的平均距离；
离群判断单元236，用于确定该平均距离是否超过对应簇的上界或下界，若超过则记为一次离群，当离群次数超过预设次数，则认为动设备的工况发生改变。
在一些实施方式中，所述工况变化识别模块230还包括：监测模型构建单元237，配置用于：
获取动设备在稳定工况下的振动信号，根据所述振动信号计算熵特征值；
根据所述熵特征值构建熵特征矩阵，对所述熵特征矩阵进行标准化，得到标准化后的熵特征矩阵，记录标准化参数；
对所述标准化后的熵特征矩阵采用Kmeans++聚类算法建立动设备工况变化监测模型，确定动设备工况变化监测模型中每个簇的聚类中心点和类内平均距离，以及确定每个簇的上界和下界。
在一些实施方式中，所述工况变化识别模块230还包括：监测模型更新单元238，配置用于：
判断动设备当前振动信号的标准化后的熵特征矩阵内每个信号是否离群，若离群，则放弃更新直接结束；否则，执行下一步骤；
将所述动设备工况变化监测模型和所述标准化后的熵特征矩阵分别进行逆标准化，对应得到历史运行数据集内的熵特征值组和当前振动信号的熵特征值；
将所述历史运行数据集内的熵特征值组去除动设备运行最早的振动信号熵特征值，并加入当前振动信号的熵特征值，得到新熵特征值组；
根据新熵特征值组重新构建新熵特征矩阵，再重新进行标准化，保存新的标准化参数，再采用Kmeans++聚类算法根据新的标准化后的熵特征矩阵构建新的动设备工况变化监测模型，确定每个簇的聚类中心点和自适应的上界、下界。
在一些实施方式中，所述工况类别确定模块240，包括：
工况特征组合单元241，用于将所述振动信号的时域特征值和频域特征值、所述过程量和动态量的时域特征值组合形成动设备的工况特征值向量；
标准化单元242，用于根据所述动设备的工况特征值向量构建工况特征矩阵，若工况池中无工况模型，则动设备的工况特征矩阵进行自标准化，记录自标准化参数；并根据自标准化后的工况特征矩阵生成当前新工况，将当前新工况添加至工况池内；
工况确定单元243，若工况池中有工况模型，则用于利用工况池内的标准化参数进行标准化，并基于距离判别法确定动设备的当前工况归属簇。
在一些实施方式中，所述工况确定单元243，配置用于：
若动设备的当前工况属于工况池中已知工况的一种，则基于距离判别法确定动设备的输出工况判别结果；
若动设备的当前工况不属于工况池中任意一种已知工况，则属于当前新工况，将当前新工况添加至工况池内。
在一些实施方式中，所述工况确定单元243，配置用于：
计算动设备实时数据集内标准化后的工况特征矩阵中每个信号点到工况池中各个簇内聚类中心点的平均距离，若到各个聚类中心点的平均距离存在唯一最小值，则确定动设备的当前工况属于到聚类中心点的平均距离为最小值对应工况池内的簇；
若到各个簇内聚类中心点的平均距离不存在唯一最小值，则计算动设备实时数据集内标准化后的工况特征矩阵中每个信号点到工况池中各个簇内最近邻点的平均距离，若到各个簇内最近邻点的平均距离存在唯一最小值，则确定动设备的当前工况属于到簇内最近邻点的平均距离为最小值对应工况池内的簇；
若到各个簇内最近邻点的平均距离不存在唯一最小值，则计算动设备实时数据集内标准化后的工况特征矩阵中每个信号点到工况池中各个簇内最近邻点的平均距离与簇类内平均距离的比值，则定动设备的当前工况属于比值最接近1的对应工况池内的簇；
若确定动设备的当前工况属于某一簇，且动设备实时数据集内标准化后的工况特征矩阵中每个信号点到确定的所属簇内最近邻点的平均距离与簇类内平均距离的比值大于5，则动设备的当前工况不属于工况池内的任何一个簇。
在一些实施方式中，所述系统200还包括至少如下一项：
工况合并单元250，用于对工况池内相似工况簇进行合并；
工况删除单元260，用于对工况池内冗余工况簇进行删除；
应用工况更新单元270，用于对工况池内的应用工况簇进行周期性更新；
工况池全局更新单元280，用于对工况池进行全局更新。
需要说明的是，本申请实施例提供的基于AI的动设备工况监测管理系统用于实现本申请任意实施例提供的基于AI的动设备工况监测管理方法，系统部分具体实现方式和效果与对应的方法相同，本申请不再一一赘述。
图6示出了根据本申请实施例提供的一种电子设备的结构示意图。如图6所示，作为另一方面，本申请还提供了一种电子设备300，包括一个或多个中央处理单元（CPU）301，其可以根据存储在只读存储器（ROM）302中的程序或者从存储部分308加载到随机访问存储器（RAM）303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有系统操作所需的各种程序和数据。CPU 301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出（I/O）接口305也连接至总线304。
以下部件连接至I/O接口305：包括键盘、鼠标等的输入部分306；包括诸如阴极射线管（CRT）、液晶显示器（LCD）等以及扬声器等的输出部分307；包括硬盘等的存储部分308；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分309。通信部分309经由诸如因特网的网络执行通信处理。驱动器310也根据需要连接至I/O接口305。可拆卸介质311，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器310上，以便于从其上读出的计算机程序根据需要被安装入存储部分308。
特别地，根据本公开的实施例，上文参考图1-5描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括有形地包含在机器可读介质上的计算机程序，计算机程序包含用于执行购票信息推荐方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分309从网络上被下载和安装，和/或从可拆卸介质311被安装。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、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，两个接连地表示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操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。
作为又一方面，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中所述装置中所包含的计算机可读存储介质；也可以是单独存在，未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序，所述程序被一个或者一个以上的处理器用来执行描述于本申请的购票信息推荐方法。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、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，该模块、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，两个接连地表示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，这根据所涉及的功能而定。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，可以通过执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以通过专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，例如，各所述单元可以是设置在计算机或移动智能设备中的软件程序，也可以是单独配置的硬件装置。其中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征值的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征值或其等同特征值进行任意组合而形成的其它技术方案。例如上述特征值与本申请中公开的(但不限于)具有类似功能的技术特征值进行互相替换而形成的技术方案。

Claims (14)

1.一种基于AI的动设备工况监测管理方法，其特征在于，包括：
根据动设备的平稳运行数据，采用聚类算法形成动设备的工况池；所述工况池中包括动设备的每个工况对应的聚类中心点和簇类内平均距离；
采集动设备的实时数据集，根据所述实时数据集获取动设备的振动信号、过程量和动态量；
根据所述振动信号计算熵特征值，根据所述熵特征值构建熵特征矩阵，监测所述动设备的当前工况是否发生改变；
根据所述振动信号进行时域特征值和频域特征值，根据所述过程量和动态量分别计算时域特征值，根据振动信号的时域特征值和频域特征值、过程量和动态量的时域特征值，结合所述工况池确定所述动设备的当前工况归属类别。
2.根据权利要求1所述的基于AI的动设备工况监测管理方法，其特征在于，根据动设备的平稳运行数据，采用聚类算法形成动设备的工况池，包括：
根据动设备的平稳运行数据，获取振动信号、过程量和动态量；
根据所述振动信号计算时域特征值和频域特征值；根据所述过程量和动态量分别计算时域特征值；
将所述振动信号的时域特征值和频域特征值、所述过程量和动态量的时域特征值组合形成动设备的工况特征值向量；
根据所述动设备的工况特征值向量构建工况特征矩阵；对所述工况特征矩阵进行标准化，得到标准化后的工况特征矩阵，记录标准化参数，所述标准化参数包括均值和标准差；
采用Kmeans++聚类算法对标准化后的工况特征矩阵建立聚类模型，记录每个簇的聚类中心点以及每个簇类内平均距离，每个簇视为一个工况，形成动设备的工况池。
3.根据权利要求1所述的基于AI的动设备工况监测管理方法，其特征在于，根据所述振动信号计算熵特征值，根据所述熵特征值构建熵特征矩阵，监测所述动设备的当前工况是否发生改变，包括：
确定是否存在动设备工况变化监测模型，若不存在，则对动设备的熵特征矩阵进行自标准化，记录自标准化参数，并对自标准化后的熵特征矩阵采用Kmeans++聚类算法建立动设备工况变化监测模型，确定动设备工况变化监测模型中每个簇的聚类中心点和类内平均距离，以及确定每个簇的上界和下界；
若存在，则利用所述动设备工况变化监测模型内的标准化参数对动设备的熵特征矩阵进行标准化，求取标准化后的熵特征矩阵内每个信号与所述动设备工况变化监测模型中的聚类中心点之间的平均距离，确定该平均距离是否超过对应簇的上界或下界，若超过则记为一次离群，当离群次数超过预设次数，则认为动设备的工况发生改变。
4.根据权利要求3所述的基于AI的动设备工况监测管理方法，其特征在于，所述动设备工况变化监测模型的构建方法，包括：
获取动设备在稳定工况下的振动信号，根据所述振动信号计算熵特征值；
根据所述熵特征值构建熵特征矩阵，对所述熵特征矩阵进行标准化，得到标准化后的熵特征矩阵，记录标准化参数；
对所述标准化后的熵特征矩阵采用Kmeans++聚类算法建立动设备工况变化监测模型，确定动设备工况变化监测模型中每个簇的聚类中心点和类内平均距离，以及确定每个簇的上界和下界。
5.根据权利要求4所述的基于AI的动设备工况监测管理方法，其特征在于，对所述标准化后的熵特征矩阵采用Kmeans++聚类算法建立动设备工况变化监测模型，确定动设备工况变化监测模型中每个簇的聚类中心点和类内平均距离，以及确定每个簇的上界和下界，包括：
求取标准化后的熵特征矩阵的类内距离，将标准化后的熵特征矩阵中对其他点类内距离之和最小的点视为聚类中心点，根据聚类中心点进行聚类单簇建模；
将每个簇内的聚类中心点与其他点之间的距离进行排序，求取75百分位数
Figure QLYQS_1
和25百分位数/>
Figure QLYQS_2
；则簇的上界/>
Figure QLYQS_3
，簇的下界/>
Figure QLYQS_4
。
6.根据权利要求1所述的基于AI的动设备工况监测管理方法，其特征在于，根据振动信号的时域特征值和频域特征值、过程量和动态量的时域特征值，结合所述工况池确定所述动设备的实时工况归属类别，包括：
将所述振动信号的时域特征值和频域特征值、所述过程量和动态量的时域特征值组合形成动设备的工况特征值向量；
根据所述动设备的工况特征值向量构建工况特征矩阵，若工况池中无工况模型，则动设备的工况特征矩阵进行自标准化，记录自标准化参数；并根据自标准化后的工况特征矩阵生成当前新工况，将当前新工况添加至工况池内；
若工况池中有工况模型，则利用工况池内的标准化参数进行标准化，并基于距离判别法确定动设备的当前工况归属簇。
7.根据权利要求6所述的基于AI的动设备工况监测管理方法，其特征在于，若工况池中有工况模型，则利用工况池内的标准化参数进行标准化，并基于距离判别法确定动设备的当前工况归属簇，包括：
若动设备的当前工况属于工况池中已知工况的一种，则基于距离判别法确定动设备的工况判别结果；
若动设备的当前工况不属于工况池中任意一种已知工况，则属于当前新工况，将当前新工况添加至工况池内。
8.根据权利要求7所述的基于AI的动设备工况监测管理方法，其特征在于，若动设备的当前工况属于工况池中已知工况的一种，则基于距离判别法确定动设备的输出工况判别结果，包括：
计算动设备实时数据集内标准化后的工况特征矩阵中每个信号点到工况池中各个簇内聚类中心点的平均距离，若到各个聚类中心点的平均距离存在唯一最小值，则确定动设备的当前工况属于到聚类中心点的平均距离为最小值对应工况池内的簇；
若到各个簇内聚类中心点的平均距离不存在唯一最小值，则计算动设备实时数据集内标准化后的工况特征矩阵中每个信号点到工况池中各个簇内最近邻点的平均距离，若到各个簇内最近邻点的平均距离存在唯一最小值，则确定动设备的当前工况属于到簇内最近邻点的平均距离为最小值对应工况池内的簇；
若到各个簇内最近邻点的平均距离不存在唯一最小值，则计算动设备实时数据集内标准化后的工况特征矩阵中每个信号点到工况池中各个簇内最近邻点的平均距离与簇类内平均距离的比值，则定动设备的当前工况属于比值最接近1的对应工况池内的簇；
若经过上述任一步骤确定动设备的当前工况属于某一簇，且动设备实时数据集内标准化后的工况特征矩阵中每个信号点到确定的所属簇内最近邻点的平均距离与簇类内平均距离的比值大于5，则动设备的当前工况不属于工况池内的任何一个簇。
9.根据权利要求1-8任一项所述的基于AI的动设备工况监测管理方法，其特征在于，所述方法还包括至少如下一种：工况池内相似工况簇合并、冗余工况簇删除、应用工况簇更新、工况池全局更新。
10.根据权利要求1-8任一项所述的基于AI的动设备工况监测管理方法，其特征在于，所述熵特征值至少包括如下一种：香农熵、近似熵、样本熵。
11.根据权利要求1-8任一项所述的基于AI的动设备工况监测管理方法，其特征在于，所述时域特征值至少包括如下一种：均值、标准差、有效值、峰值；所述频域特征值包括通频频率特征值或/和倍频频率特征值，所述通频频率特征值至少包括如下一种：重心频率、方差频率、均方频率，所述倍频频率特征值至少包括如下一种：1/2倍频、2倍频、3倍频、4倍频的重心频率、方差频率、均方频率。
12.一种基于AI的动设备工况监测管理系统，其特征在于，包括：
工况池形成模块，用于根据动设备的平稳运行数据，采用聚类算法形成动设备的工况池；所述工况池中包括动设备的每个工况对应的聚类中心点和簇类内平均距离；
数据采集模块，用于采集动设备的实时数据集，根据所述实时数据集获取动设备的振动信号、过程量和动态量；
工况变化识别模块，用于根据所述振动信号计算熵特征值，根据所述熵特征值构建熵特征矩阵，监测所述动设备的当前工况是否发生改变；
工况类别确定模块，用于根据所述振动信号进行时域特征值和频域特征值，根据所述过程量和动态量分别计算时域特征值，根据振动信号的时域特征值和频域特征值、过程量和动态量的时域特征值，结合所述工况池确定所述动设备的当前工况归属类别。
13.一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-11中任一项所述的基于AI的动设备工况监测管理方法的步骤。
14.一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，所述计算机程序被处理器执行时实现权利要求1-11中任一项所述的基于AI的动设备工况监测管理方法的步骤。
CN202310341452.5A 2023-03-31 2023-03-31 基于ai的动设备工况监测管理方法、系统、设备及介质 Active CN116304835B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310341452.5A CN116304835B (zh) 2023-03-31 2023-03-31 基于ai的动设备工况监测管理方法、系统、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310341452.5A CN116304835B (zh) 2023-03-31 2023-03-31 基于ai的动设备工况监测管理方法、系统、设备及介质

Publications (2)

Publication Number Publication Date
CN116304835A true CN116304835A (zh) 2023-06-23
CN116304835B CN116304835B (zh) 2023-08-29

Family

ID=86836035

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310341452.5A Active CN116304835B (zh) 2023-03-31 2023-03-31 基于ai的动设备工况监测管理方法、系统、设备及介质

Country Status (1)

Country Link
CN (1) CN116304835B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117824756A (zh) * 2024-02-29 2024-04-05 深圳市腾信建设股份有限公司 一种建筑结构监测方法、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106709662A (zh) * 2016-12-30 2017-05-24 山东鲁能软件技术有限公司 一种电力设备运行工况划分方法
CN107563403A (zh) * 2017-07-17 2018-01-09 西南交通大学 一种高速列车运行工况的识别方法
CN111852837A (zh) * 2020-07-14 2020-10-30 北京博华信智科技股份有限公司 基于聚类的往复式压缩机自适应故障监测方法
CN114637263A (zh) * 2022-03-15 2022-06-17 中国石油大学(北京) 一种异常工况实时监测方法、装置、设备及存储介质
CN115130499A (zh) * 2022-06-09 2022-09-30 南京航空航天大学 基于振动信号的变工况下轴承保持架打滑率在线测量及预测方法
CN115618255A (zh) * 2022-10-27 2023-01-17 杭州和利时自动化有限公司 一种工况划分方法、装置、设备及介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106709662A (zh) * 2016-12-30 2017-05-24 山东鲁能软件技术有限公司 一种电力设备运行工况划分方法
CN107563403A (zh) * 2017-07-17 2018-01-09 西南交通大学 一种高速列车运行工况的识别方法
CN111852837A (zh) * 2020-07-14 2020-10-30 北京博华信智科技股份有限公司 基于聚类的往复式压缩机自适应故障监测方法
CN114637263A (zh) * 2022-03-15 2022-06-17 中国石油大学(北京) 一种异常工况实时监测方法、装置、设备及存储介质
CN115130499A (zh) * 2022-06-09 2022-09-30 南京航空航天大学 基于振动信号的变工况下轴承保持架打滑率在线测量及预测方法
CN115618255A (zh) * 2022-10-27 2023-01-17 杭州和利时自动化有限公司 一种工况划分方法、装置、设备及介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117824756A (zh) * 2024-02-29 2024-04-05 深圳市腾信建设股份有限公司 一种建筑结构监测方法、设备及存储介质
CN117824756B (zh) * 2024-02-29 2024-05-28 深圳市腾信建设股份有限公司 一种建筑结构监测方法、设备及存储介质

Also Published As

Publication number Publication date
CN116304835B (zh) 2023-08-29

Similar Documents

Publication Publication Date Title
CN109829236B (zh) 一种基于XGBoost特征提取的压缩机故障诊断方法
CN110826648B (zh) 一种利用时序聚类算法实现故障检测的方法
Yacout Fault detection and diagnosis for condition based maintenance using the logical analysis of data
CN110705710A (zh) 一种基于知识图谱的工业故障分析专家系统
CN116304835B (zh) 基于ai的动设备工况监测管理方法、系统、设备及介质
Mao et al. Anomaly detection for power consumption data based on isolated forest
CN117131110B (zh) 一种基于关联分析的容性设备介质损耗监测方法及系统
CN113609770B (zh) 基于分段线性拟合hi及lstm的滚动轴承rul预测方法
CN111461551B (zh) 一种基于深度学习和spc准则的电潜泵故障预警方法
CN110555058A (zh) 基于改进决策树的电力通信设备状态的预测方法
CN111325410A (zh) 基于样本分布的通用故障预警系统及其预警方法
Rasay et al. Application of multivariate control charts for condition based maintenance
Lee Anomaly detection and severity prediction of air leakage in train braking pipes
CN114500004A (zh) 一种基于条件扩散概率生成模型的异常检测方法
Villalobos et al. A flexible alarm prediction system for smart manufacturing scenarios following a forecaster–analyzer approach
CN116523499A (zh) 基于数据驱动模型的自动故障诊断和预测方法及系统
CN116522088A (zh) 一种基于机器学习的核动力装置运行数据分析方法与系统
Mbuli et al. Decision support in condition-based maintenance of a fleet of cyber-physical systems: a fuzzy logic approach
Cao et al. Fast and explainable warm-start point learning for AC Optimal Power Flow using decision tree
CN117495422A (zh) 基于电力通信网建设的造价管理系统及其方法
CN116467652A (zh) 一种基于卷积降噪自编码器的轴承故障预测方法及系统
CN116293454A (zh) 一种基于蒸汽管网动态平衡的管理系统、方法及介质
Fernandez-Anakabe et al. An attribute oriented induction based methodology for data driven predictive maintenance
CN116382563A (zh) 一种云存储管理平台管理方法
CN112269778B (zh) 一种设备故障诊断方法

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231207

Address after: 100029 3 / F, xinhuaxin building, 5 yinghuayuan East Street, Chaoyang District, Beijing

Patentee after: BEIJING BOHUA XINZHI TECHNOLOGY CO.,LTD.

Patentee after: BEIJING BOHUA ANCHUANG TECHNOLOGY Co.,Ltd.

Address before: 100029 3 / F, xinhuaxin building, 5 yinghuayuan East Street, Chaoyang District, Beijing

Patentee before: BEIJING BOHUA XINZHI TECHNOLOGY CO.,LTD.