WO2019080367A1 - 一种机械设备健康状态评估方法 - Google Patents

一种机械设备健康状态评估方法

Info

Publication number
WO2019080367A1
WO2019080367A1 PCT/CN2018/071230 CN2018071230W WO2019080367A1 WO 2019080367 A1 WO2019080367 A1 WO 2019080367A1 CN 2018071230 W CN2018071230 W CN 2018071230W WO 2019080367 A1 WO2019080367 A1 WO 2019080367A1
Authority
WO
WIPO (PCT)
Prior art keywords
feature
data
health
distance
mechanical device
Prior art date
Application number
PCT/CN2018/071230
Other languages
English (en)
French (fr)
Inventor
楼佩煌
郭大宏
钱晓明
张炯
Original Assignee
南京航空航天大学
天奇自动化工程股份有限公司
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 南京航空航天大学, 天奇自动化工程股份有限公司 filed Critical 南京航空航天大学
Priority to US16/461,738 priority Critical patent/US20190285517A1/en
Publication of WO2019080367A1 publication Critical patent/WO2019080367A1/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Definitions

  • the invention belongs to the field of application of intelligent system technology, and particularly relates to a method for evaluating the health state of a mechanical device.
  • the present invention aims to provide a method for evaluating the health state of a mechanical device, overcome the defects of the existing state diagnosis technology, and realize the global evaluation of the mechanical device.
  • a method for evaluating a health condition of a mechanical device comprising the steps of:
  • Outlier detection is performed on the feature parameter set of each component by the outlier detection algorithm to obtain noise data and fault data, and to retain fault data reflecting the health status of the device, and to clear the noise data;
  • step (7) calculate the rate influence factor of each feature vector obtained in step (5), and bring the rate influence factor into the self-organizing map neural network to calculate the health factor, so that the health factor can not only reflect the current The degree of distance from the state to the state of health, and can reflect the impact of the rate of change of data on health status.
  • step (3) is as follows:
  • the k-distance of the feature point is recorded as dist k (p), which represents the distance between p and another feature point o ⁇ D, and satisfies at least k feature points o' ⁇ Dp such that d(p,o') ⁇ d(p,o), where d(p,o) represents the Euclidean distance of two feature points, while satisfying at least k-1 feature points o′′ ⁇ Dp,
  • is the number of elements of N( k )(p)
  • lrd k (o) and lrd k (p) are the local reachable densities of the feature points o and p, respectively.
  • Reachdist k (p ⁇ o) max ⁇ dist k (o)
  • d(p,o) ⁇ represents the reachable distance of the feature point o to p
  • reachdist k (o ⁇ p) max ⁇ dist k (p)
  • d(p,o) ⁇ represents the reachable distance of the feature points p to o;
  • the thresholds LOF1 and LOF2 are set. When LOF k (p) is greater than LOF1, the feature point is fault data. When LOF k (p) is greater than LOF2 and less than LOF1, the feature point is noise data.
  • step (6) is as follows:
  • W the weight of the i-th neuron of the self-organizing map neural network
  • m is the number of neurons
  • x i represents the i-th input feature vector
  • t represents the time
  • j 1, 2,...,n;
  • rate influence factor calculation formula in the step (7) is as follows:
  • f j is the image rate factor.
  • x ij is the jth element of the ith eigenvector in step (5);
  • the formula for calculating the health factor is as follows:
  • HI is the health factor
  • F(*) represents the function of *
  • f is the vector of n f j
  • x is a certain feature vector in step (5)
  • subscript r takes 1 or 2
  • o 1 is the distance from the feature vector to the healthy state
  • o 2 is the distance from the feature vector to the failed state, respectively obtained from the neuron weights w i in the two neural network models corresponding to the health state data and the failure state data.
  • the dimension vector obtained by the step (4) has a dimension not exceeding 10.
  • the invention establishes a self-organizing map neural network model through the health state data and the failure state data, calculates the rate influence factor of each group of data to be evaluated through the entropy weight theory, and substitutes the neural network for the health factor calculation, and the solved health factor can not only It reflects the extent of the current state to the state of health, and can reflect the impact of the rate of change on the state of health.
  • 1 is a flow chart of an embodiment of the present invention.
  • the belt hoist used in the production of automobile assembly line is taken as an example to illustrate the method for evaluating the health state of the mechanical equipment based on the information entropy and the self-organizing map neural network of the present invention, as shown in FIG. 1 , and the steps are as follows.
  • Step 1 Data acquisition: The sensor uses the sensor to collect the state data of the main components of the belt hoist, including the vibration acceleration signals of the two bearings and the reducer, and the displacement of the belt;
  • Step 2 Extracting characteristic parameters: different feature extraction techniques are used for feature extraction for different data, and the effective values of the vibration acceleration signals of the two bearings and the reducer at six different positions during the running of the hoist are obtained. Peak value, and the maximum value of the displacement;
  • Step 3 Outlier detection: The outlier detection is performed on the feature parameter set of each component by the density-based outlier detection algorithm to obtain noise data and fault data, and the fault data can reflect the health status of the device and the noise data. For error data, it is necessary to retain the fault data and clear the noise data;
  • Step 4 Data dimensionality reduction: averaging the de-vibration RMS and peak value, and then synthesizing a feature vector such that the dimension of the feature vector is 7; repeating the above steps to obtain a plurality of feature vectors having a dimension of 7;
  • Step 5 Self-organizing map neural network model construction: training the self-organizing map neural network model through the health state data and the failure state data, and obtaining the trained network model;
  • Step 6 Calculate the health factor: Calculate the rate influence factor of each feature vector through the information entropy theory, and bring the rate influence factor into the self-organizing map neural network to calculate the health factor, so that the health factor can not only reflect the current state to health The degree of distance of the state, and can reflect the impact of the rate of change of data on health status.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Automation & Control Theory (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

一种机械设备健康状态评估方法，首先利用传感器采集机械设备上主要零部件的状态数据，然后进行特征提取获得特征参数；接着通过离群点检测算法提取出噪声数据和故障数据，仅保留后者；随后进行降维处理获得最终进行评估的特征向量；最后进行设备的状态评估，通过健康状态数据和失效状态数据建立自组织映射神经网络模型，通过熵权理论计算每一组待评估数据的速率影响因子，并带入神经网络进行健康因子计算。该方法实现了对于机械设备的全面状态评估，为机械设备的健康维护提供了依据，避免了不必要的经济损失。

Description

一种机械设备健康状态评估方法 技术领域
本发明属于智能系统技术应用领域，特别涉及了一种机械设备健康状态评估方法。
背景技术
当前，智能制造已成为现代制造业的研究热点，生产装备向智能化方向发展，车间生产过程具有高度复杂性和时变性，当前设备状态诊断大多依靠人工现场分析，通过专家经验知识来完成故障诊断。但是，这种诊断有以下问题：
(1)难以形成通用的系统诊断模型；
(2)运行数据没有得到充分利用；
(3)只能保证设备能继续运行，但能正常工作多久却无法预知，无法在故障早期阶段就对设备的状态做出预测。
对此，迫切需要建立一种自动化的智能设备诊断分析平台，通过智能化的诊断分析使得设备维护人员能够提前预知设备的健康状态和故障的发生，从而提高车间生产效率，降低生产成本，避免发生重大生产事故。机械生产设备通常是由许多复杂的零部件组成。一个零件的失效可能会导致整个设备的故障，机械生产设备的高失效率会造成巨大的经济损失和人员伤亡。因此，有必要监控设备的实时状态。如今，随着传感器和信息技术的发展，机械设备的智能化水平不断地提高，有助于获得更多的信息用于设备状态评估。文献“基于马田系统的滚动轴承初始故障检测和状态监测[硕士学位论文]，兰州，兰州理工大学，2016”分析了轴承的故障诊断技术，对于机械生产设备，故障诊断技术可以探测到故障类型和故障源，但是，它不能评估设备的全局状态或性能。为了提高安全性和可靠性、状态评估是至关重要的。它不仅反映了设备的全局退化程度，为企业提供参考， 同时也为下一步的预测和健康管理提供了必要的依据。
但是，现有的状态评估的研究主要集中在零件或部件单元，如轴承和一些电子系统，对于机械设备健康状态的全局评估缺乏充分的研究。考虑到机械设备的复杂性，反映设备的健康状态需要基于零件和部件来展开。由于每个零部件在一个设备中的重要性是不同的，从传感器收集到的状态特征应该给予不同的权重。但是当前对于状态评估的研究，缺乏权重决策的方法。常见的方法就是根据经验给予权重，但这些权重并不能够反映属性数据的变化率。
发明内容
为了解决上述背景技术提出的技术问题，本发明旨在提供一种机械设备健康状态评估方法，克服现有状态诊断技术存在的缺陷，实现机械设备的全局评估。
为了实现上述技术目的，本发明的技术方案为：
一种机械设备健康状态评估方法，包括以下步骤：
(1)利用传感器对机械设备的主要零部件进行状态数据采集；
(2)对于不同零部件的状态数据采用不同的特征提取方法进行特征提取，获得特征参数，将每个零部件的特征参数归为一组，得到每个零部件的特征参数集；
(3)通过离群点检测算法对每个零部件的特征参数集进行离群点检测，获得噪声数据和故障数据，保留反映设备健康状态的故障数据，清楚噪声数据；
(4)对去噪声后的每个零部件的故障数据进行特征降维，然后合成一个特征向量；
(5)重复步骤(1)-(4)若干次，得到若干个特征向量；
(6)通过预设的健康状态数据和失效状态数据对自组织映射神经网络模型进行训练，获得训练后的网络模型；
(7)根据信息熵理论，计算步骤(5)中得到的每一个特征向量的速率影响 因子，并将速率影响因子带入自组织映射神经网络，计算健康因子，使得健康因子不仅能反映出当前状态到健康状态的距离程度，而且能反映出数据变化率对健康状态的影响。
进一步地，步骤(3)的具体过程如下：
对于特征参数集D中的某特征点p，将该特征点的k距离记为dist k(p)，它表示p与另一特征点o∈D的距离，满足至少有k个特征点o′∈D-p,使得d(p,o′)≤d(p,o)，其中d(p,o)表示两个特征点的欧式距离，同时满足至少有k-1个特征点o″∈D-p，使得d(p,o″)＜d(p,o)；将p的k距离邻域记为N( k)(p)，它包含到p的距离不大于dist k(p)的所有特征点，即N( k)(p)＝{q∈D-p|d(p,q)≤dist k(p)}；
计算p的局部离群点因子LOF k(p)：
Figure PCTCN2018071230-appb-000001
上式中，|N k(p)|为N( k)(p)的元素个数，lrd k(o)、lrd k(p)分别为特征点o、p的局部可达密度，
Figure PCTCN2018071230-appb-000002
Figure PCTCN2018071230-appb-000003
reachdist k(p←o)＝max{dist k(o),d(p,o)}表示特征点o到p的可达距离，reachdist k(o←p)＝max{dist k(p),d(p,o)}表示特征点p到o的可达距离；
设定阈值LOF1和LOF2，当LOF k(p)大于LOF1时，该特征点为故障数据，当LOF k(p)大于LOF2且小于LOF1时，该特征点为噪声数据。
进一步地，步骤(6)的具体过程如下：
设w i＝[w i1,w i2,...,w in]为自组织映射神经网络的第i个神经元的权值，W＝[W 1,W 2,...,W n]为零部件的主观权值，n为输入特征向量的维数，步骤如下：
(a)初始化网络权值；
(b)分别输入健康状态数据的特征向量和失效状态数据的特征向量；
(c)计算映射层权值向量与输入特征向量的距离：
Figure PCTCN2018071230-appb-000004
上式中，m为神经元个数，x i表示第i个输入特征向量，t表示时刻，j＝1,2,…,n；
(d)获得距离值d j最小所对应的神经元及其邻域；
(e)修正权值向量：
Δw ij＝w ij(t+1)-w ij(t)＝η(t)h i,j(t)[x i(t)-w ij(t)]
上式中，
Figure PCTCN2018071230-appb-000005
Figure PCTCN2018071230-appb-000006
表示高斯函数，d ij为神经元i与j之间的距离，σ(t)为邻域半径；
(f)重复步骤(b)-(e)，直至训练结束，得到分别对应健康状态数据和失效状态数据的两个神经网络模型。
进一步地，步骤(7)中所述速率影响因子计算公式如下：
Figure PCTCN2018071230-appb-000007
f j＝2-E j,j＝1,2,...,n
上式中，f j即为影像速率因子，
Figure PCTCN2018071230-appb-000008
x ij为步骤(5)中第i个特征向量的第j个元素；
所述健康因子的计算公式如下：
o r＝F(min||fWx-w i||)
Figure PCTCN2018071230-appb-000009
上式中，HI即为健康因子，F(*)表示关于*的函数，f为n个f j组成的向量，x为步骤(5)中的某个特征向量，下标r取1或2，其中o 1为特征向量到健康状态的距离，o 2为特征向量到失效状态的距离，分别由对应健康状态数据和失效状态数据的两个神经网络模型中的神经元权值w i得到。
进一步地，步骤(4)得到的特征向量的维数不超过10。
采用上述技术方案带来的有益效果：
本发明通过健康状态数据和失效状态数据建立自组织映射神经网络模型，通过熵权理论计算每一组待评估数据的速率影响因子，并代入神经网络进行健康因子计算，求解出的健康因子不仅能反映出当前状态到健康状态的距离程度，而且能反映出数据变化率对健康状态的影响。
附图说明
图1是本发明实施例的流程图。
具体实施方式
以下将结合附图，对本发明的技术方案进行详细说明。
本实施例以汽车装配线生产中使用的皮带提升机为例，说明本发明的基于信息熵和自组织映射神经网络的机械设备健康状态评估方法，如图1所示，其步骤如下。
步骤1、数据采集：利用传感器对皮带提升机的主要零部件进行状态数据采集，包括两个轴承和减速机的振动加速度信号，皮带的位移；
步骤2、提取特征参数：对于不同的数据采用不同的特征提取技术进行特征提取，获得特征参数为提升机运行一次过程中六个不同位置的两个轴承和减速机的振动加速度信号的有效值和峰值，以及位移的最大值；
步骤3、离群点检测：通过基于密度的离群点检测算法对每个零部件的特征参数集进行离群点检测，获得噪声数据和故障数据，由于故障数据能反映设备健康状态而噪声数据为误差数据，所以需要保留故障数据并且清楚噪声数据；
步骤4、数据降维：对去振动有效值和峰值取平均值，然后合成一个特征向量，使得特征向量的维数为7；重复上述步骤，得到多个维数为7的特征向量；
步骤5、自组织映射神经网络模型构建：通过健康状态数据和失效状态数据对自组织映射神经网络模型进行训练，获得训练后的网络模型；
步骤6、计算健康因子：通过信息熵理论，计算每一个特征向量的速率影响因子，并将速率影响因子带入自组织映射神经网络，计算健康因子，使得健康因子不仅能反映出当前状态到健康状态的距离程度，而且能反映出数据变化率对健康状态的影响。
实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (5)

  1. 一种机械设备健康状态评估方法，其特征在于，包括以下步骤：
    (1)利用传感器对机械设备的主要零部件进行状态数据采集；
    (2)对于不同零部件的状态数据采用不同的特征提取方法进行特征提取，获得特征参数，将每个零部件的特征参数归为一组，得到每个零部件的特征参数集；
    (3)通过离群点检测算法对每个零部件的特征参数集进行离群点检测，获得噪声数据和故障数据，保留反映设备健康状态的故障数据，清楚噪声数据；
    (4)对去噪声后的每个零部件的故障数据进行特征降维，然后合成一个特征向量；
    (5)重复步骤(1)-(4)若干次，得到若干个特征向量；
    (6)通过预设的健康状态数据和失效状态数据对自组织映射神经网络模型进行训练，获得训练后的网络模型；
    (7)根据信息熵理论，计算步骤(5)中得到的每一个特征向量的速率影响因子，并将速率影响因子带入自组织映射神经网络，计算健康因子，使得健康因子不仅能反映出当前状态到健康状态的距离程度，而且能反映出数据变化率对健康状态的影响。
  2. 根据权利要求1所述机械设备健康状态评估方法，其特征在于：步骤(3)的具体过程如下：
    对于特征参数集D中的某特征点p，将该特征点的k距离记为dist k(p)，它表示p与另一特征点o∈D的距离，满足至少有k个特征点o′∈D-p,使得d(p,o′)≤d(p,o)，其中d(p,o)表示两个特征点的欧式距离，同时满足至少有k-1个特征点o″∈D-p，使得d(p,o″)＜d(p,o)；将p的k距离邻域记为N (k)(p)，它包含到p的距离不大于dist k(p)的所有特征点，即 N (k)(p)＝{q∈D-p|d(p,q)≤dist k(p)}；
    计算p的局部离群点因子LOF k(p)：
    Figure PCTCN2018071230-appb-100001
    上式中，|N k(p)|为N (k)(p)的元素个数，lrd k(o)、lrd k(p)分别为特征点o、p的局部可达密度，
    Figure PCTCN2018071230-appb-100002
    Figure PCTCN2018071230-appb-100003
    reachdist k(p←o)＝max{dist k(o),d(p,o)}表示特征点o到p的可达距离，reachdist k(o←p)＝max{dist k(p),d(p,o)}表示特征点p到o的可达距离；
    设定阈值LOF1和LOF2，当LOF k(p)大于LOF1时，该特征点为故障数据，当LOF k(p)大于LOF2且小于LOF1时，该特征点为噪声数据。
  3. 根据权利要求1所述机械设备健康状态评估方法，其特征在于：步骤(6)的具体过程如下：
    设w i＝[w i1,w i2,...,w in]为自组织映射神经网络的第i个神经元的权值，W＝[W 1,W 2,...,W n]为零部件的主观权值，n为输入特征向量的维数，步骤如下：
    (a)初始化网络权值；
    (b)分别输入健康状态数据的特征向量和失效状态数据的特征向量；
    (c)计算映射层权值向量与输入特征向量的距离：
    Figure PCTCN2018071230-appb-100004
    上式中，m为神经元个数，x i表示第i个输入特征向量，t表示时刻，j＝1,2,…,n；
    (d)获得距离值d j最小所对应的神经元及其邻域；
    (e)修正权值向量：
    Δw ij＝w ij(t+1)-w ij(t)＝η(t)h i,j(t)[x i(t)-w ij(t)]
    上式中，
    Figure PCTCN2018071230-appb-100005
    表示高斯函数，d ij为神经元i与j之间的距离，σ(t)为邻域半径；
    (f)重复步骤(b)-(e)，直至训练结束，得到分别对应健康状态数据和失效状态数据的两个神经网络模型。
  4. 根据权利要求3所述机械设备健康状态评估方法，其特征在于：步骤(7)中所述速率影响因子计算公式如下：
    Figure PCTCN2018071230-appb-100006
    f j＝2-E j,j＝1,2,...,n
    上式中，f j即为影像速率因子，
    Figure PCTCN2018071230-appb-100007
    x ij为步骤(5)中第i个特征向量的第j个元素；
    所述健康因子的计算公式如下：
    o r＝F(min||fWx-w i||)
    Figure PCTCN2018071230-appb-100008
    上式中，HI即为健康因子，F(*)表示关于*的函数，f为n个f j组成的向量，x为步骤(5)中的某个特征向量，下标r取1或2，其中o 1为特征向量到健康状态的距离，o 2为特征向量到失效状态的距离，分别由对应健康状态数据和失效状态数据的两个神经网络模型中的神经元权值w i得到。
  5. 根据权利要求1-4中任意一项所述机械设备健康状态评估方法，其特征在于：步骤(4)得到的特征向量的维数不超过10。
PCT/CN2018/071230 2017-10-25 2018-01-04 一种机械设备健康状态评估方法 WO2019080367A1 (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US16/461,738 US20190285517A1 (en) 2017-10-25 2018-01-04 Method for evaluating health status of mechanical equipment

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201711007920.6A CN107941537B (zh) 2017-10-25 2017-10-25 一种机械设备健康状态评估方法
CN201711007920.6 2017-10-25

Publications (1)

Publication Number Publication Date
WO2019080367A1 true WO2019080367A1 (zh) 2019-05-02

Family

ID=61936463

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2018/071230 WO2019080367A1 (zh) 2017-10-25 2018-01-04 一种机械设备健康状态评估方法

Country Status (3)

Country Link
US (1) US20190285517A1 (zh)
CN (1) CN107941537B (zh)
WO (1) WO2019080367A1 (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111353236A (zh) * 2020-03-16 2020-06-30 福建省特种设备检验研究院 基于多因素的石化常压储油罐健康状态评估系统
CN111368451A (zh) * 2020-03-16 2020-07-03 福建省特种设备检验研究院 基于多数据采集的石化常压储油罐健康状态评估方法
CN111443259A (zh) * 2020-03-30 2020-07-24 国网山东省电力公司德州供电公司 基于局部异常因子检测的有源配电网故障诊断方法及系统
CN111563693A (zh) * 2020-05-20 2020-08-21 深圳达实智能股份有限公司 轨道交通设备健康值的评分方法、设备和存储介质
CN112101142A (zh) * 2020-08-27 2020-12-18 深圳市行健自动化股份有限公司 泥浆泵运行状态评估方法、监控终端和计算机可读存储介质
CN112729878A (zh) * 2020-10-30 2021-04-30 长春工业大学 一种用于评估crh380型走行部系统健康状态的方法
CN113780896A (zh) * 2021-10-11 2021-12-10 辽宁工程技术大学 一种硬岩掘进系统健康评估方法
CN116304663A (zh) * 2022-12-05 2023-06-23 北京交通大学 基于非平衡样本增强的列控车载设备健康状态管理装置
CN116645077A (zh) * 2023-04-24 2023-08-25 国网浙江省电力有限公司嘉兴供电公司 一种基于设备健康码的设备闭环管理方法

Families Citing this family (41)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019089533A1 (en) * 2017-10-31 2019-05-09 Once Labs Inc. Determining, encoding, and transmission of classification variables at end-device for remote monitoring
CN108320112B (zh) * 2018-05-10 2021-08-17 广州智能装备研究院有限公司 一种确定设备健康状态的方法及装置
CN109000930B (zh) * 2018-06-04 2020-06-16 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
CN109141881B (zh) * 2018-07-06 2020-03-31 东南大学 一种深度自编码网络的旋转机械健康评估方法
CN109359673A (zh) * 2018-09-25 2019-02-19 佛山科学技术学院 一种基于在线学习的智能制造故障预测方法及装置
CN109190598B (zh) * 2018-09-29 2020-05-15 西安交通大学 一种基于ses-lof的旋转机械监测数据噪点检测方法
CN110119778B (zh) * 2019-05-10 2024-01-05 辽宁大学 一种改进鸡群优化rbf神经网络的设备健康状态检测方法
CN110737976B (zh) * 2019-10-10 2023-12-08 西安因联信息科技有限公司 一种基于多维度信息融合的机械设备健康评估方法
CN110704987B (zh) * 2019-10-21 2023-08-22 南通大学 基于失效数据挖掘的相似工况的轴承异常状态评估方法
CN111191740B (zh) * 2020-01-10 2022-08-05 福州大学 一种滚动轴承故障诊断方法
CN111260502B (zh) * 2020-01-10 2021-04-27 河南大学 基于相似度和虚假度的冲突证据融合方法
CN111367909A (zh) * 2020-02-27 2020-07-03 通鼎互联信息股份有限公司 一种智能制造设备的健康管理方法及系统
US11727125B2 (en) * 2020-03-31 2023-08-15 General Electric Company Emergent language based data encryption
CN111461555B (zh) * 2020-04-02 2023-06-09 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 一种生产线质量监测方法、装置及系统
CN111507490B (zh) * 2020-05-09 2024-02-20 武汉数字化设计与制造创新中心有限公司 基于多源数据驱动的数控机床主轴预测性维护方法及系统
CN111914875A (zh) * 2020-06-05 2020-11-10 华南理工大学 一种基于贝叶斯lstm模型的旋转机械的故障预警方法
CN112380641B (zh) * 2020-10-26 2023-05-05 苏州热工研究院有限公司 一种应急柴油机健康状态评价方法及计算机终端
CN112182912B (zh) * 2020-10-27 2024-03-22 南京航空航天大学 基于概率描述与谱分析的制造装备主轴轴承健康评估方法
CN112417622A (zh) * 2020-12-04 2021-02-26 五凌电力有限公司 机组机械振动的评估方法、系统、计算机设备和存储介质
CN112561340A (zh) * 2020-12-18 2021-03-26 北京航空航天大学 基于阶段任务网络的智能制造系统功能健康状态评估方法
CN112633708B (zh) * 2020-12-25 2024-03-22 同方威视科技江苏有限公司 机械设备故障检测方法、装置、介质及电子设备
CN112816191B (zh) * 2020-12-28 2022-07-29 哈尔滨工业大学 一种基于sdrsn的多特征健康因子融合方法
CN112597705B (zh) * 2020-12-28 2022-05-24 哈尔滨工业大学 一种基于scvnn的多特征健康因子融合方法
CN112699609B (zh) * 2020-12-31 2024-06-04 中国人民解放军92942部队 一种基于振动数据的柴油机可靠性模型构建方法
CN112801525A (zh) * 2021-02-04 2021-05-14 三一重工股份有限公司 机械设备的健康状态评估方法及装置
CN112857806B (zh) * 2021-03-13 2022-05-31 宁波大学科学技术学院 一种基于移动窗口时域特征提取的轴承故障检测方法
CN113219334A (zh) * 2021-05-06 2021-08-06 南京航空航天大学 一种基于推杆加载电流的壁板型面加载状态预警方法
CN113505639B (zh) * 2021-05-28 2024-03-22 北京化工大学 一种基于TPE-XGBoost的旋转机械多参数健康状态评估方法
CN113255795B (zh) * 2021-06-02 2021-10-26 杭州安脉盛智能技术有限公司 一种基于多指标集群分析的设备状态监测方法
CN113420258A (zh) * 2021-06-10 2021-09-21 国网福建省电力有限公司电力科学研究院 一种基于区间灰数动态灰靶的二次设备状态评估方法
CN113537753B (zh) * 2021-07-08 2023-06-27 国网电力科学研究院武汉南瑞有限责任公司 一种智能组件环境适应性评估方法
CN113408667B (zh) * 2021-07-30 2022-02-15 中国南方电网有限责任公司超高压输电公司检修试验中心 状态评估方法、装置、设备及存储介质
CN114091618A (zh) * 2021-11-30 2022-02-25 重庆允成互联网科技有限公司 工业设备健康状态诊断管理方法、装置及服务器
CN114548649A (zh) * 2021-12-28 2022-05-27 福建福清核电有限公司 一种与非能动结合的能动堆腔注水系统可用性评价方法
CN114414227B (zh) * 2021-12-29 2023-05-26 华电电力科学研究院有限公司 一种设备碰撞感知方法、装置、设备及存储介质
CN114528921B (zh) * 2022-01-20 2024-06-11 江苏大学 一种基于lof算法与混合采样的变压器故障诊断方法
CN115901249B (zh) * 2022-11-07 2024-02-27 昆明理工大学 结合特征优选与多策略优化svdd的滚动轴承性能退化评估方法
CN115689397A (zh) * 2022-12-30 2023-02-03 北京和利时系统集成有限公司 一种水泵健康度确定方法和装置
CN116258483B (zh) * 2023-05-16 2023-07-21 交通运输部公路科学研究所 一种基于动态图的公路机电设备运行状态估计建模方法
CN117170312B (zh) * 2023-11-03 2024-04-12 南通钜盛数控机床有限公司 一种数控机床主轴健康程度量化评价方法
CN117421620B (zh) * 2023-12-18 2024-02-27 北京云摩科技股份有限公司 一种张力状态数据的交互方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104159245A (zh) * 2014-08-22 2014-11-19 哈尔滨工业大学 面向无线数据传输设备的间接健康因子获得方法
US20150160098A1 (en) * 2013-11-01 2015-06-11 Hitachi Power Solutions Co., Ltd. Health management system, fault diagnosis system, health management method, and fault diagnosis method
CN105527112A (zh) * 2014-10-22 2016-04-27 北京电子工程总体研究所 一种基于使用与维修影响的旋转机械设备健康状态综合评估方法
CN106447040A (zh) * 2016-09-30 2017-02-22 湖南科技大学 基于异类多传感器数据融合的机械设备健康状态评估方法

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100535955C (zh) * 2008-04-01 2009-09-02 东南大学 一种识别离群交通数据的方法
US8036847B2 (en) * 2008-09-25 2011-10-11 Rockwell Automation Technologies, Inc. Maximum information capture from energy constrained sensor nodes
US8527223B2 (en) * 2009-09-11 2013-09-03 University Of Cincinnati Methods and systems for energy prognosis
CN101799367B (zh) * 2010-01-27 2011-08-10 北京信息科技大学 一种机电设备神经网络故障趋势预测方法
US8988237B2 (en) * 2010-05-27 2015-03-24 University Of Southern California System and method for failure prediction for artificial lift systems
JP5501903B2 (ja) * 2010-09-07 2014-05-28 株式会社日立製作所 異常検知方法及びそのシステム
CN102289585B (zh) * 2011-08-15 2014-06-18 重庆大学 基于数据挖掘的公共建筑能耗实时监测方法
CN102867421B (zh) * 2012-09-24 2014-07-09 东南大学 一种识别有效停车泊位占有率中离群数据的方法
CN103675637B (zh) * 2013-11-14 2016-03-30 南京航空航天大学 功率mosfet健康状态评估与剩余寿命预测方法
JP6247627B2 (ja) * 2014-11-25 2017-12-13 日本電信電話株式会社 異常値検出装置およびその動作方法
CN105260823A (zh) * 2015-09-23 2016-01-20 中广核核电运营有限公司 一种重大设备健康状态的评估方法及系统
CN105279761B (zh) * 2015-11-18 2018-05-01 山东大学 一种基于样本局部密度离群点检测的背景建模方法
WO2017139046A1 (en) * 2016-02-09 2017-08-17 Presenso, Ltd. System and method for unsupervised root cause analysis of machine failures
CN105873217B (zh) * 2016-05-19 2019-03-26 西安电子科技大学 基于多因素的stdma自组织网络动态时隙分配方法
CN106528966A (zh) * 2016-10-27 2017-03-22 北京印刷学院 一种基于svm的高速印刷机振动信号故障特征提取方法
CN107016235B (zh) * 2017-03-21 2020-06-19 西安交通大学 基于多特征自适应融合的设备运行状态健康度评估方法
CN107229819A (zh) * 2017-05-03 2017-10-03 中国石油大学(北京) 一种催化裂化装置数据中离群数据识别方法及系统
CN107230113A (zh) * 2017-08-01 2017-10-03 江西理工大学 一种多模型融合的房产评估方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150160098A1 (en) * 2013-11-01 2015-06-11 Hitachi Power Solutions Co., Ltd. Health management system, fault diagnosis system, health management method, and fault diagnosis method
CN104159245A (zh) * 2014-08-22 2014-11-19 哈尔滨工业大学 面向无线数据传输设备的间接健康因子获得方法
CN105527112A (zh) * 2014-10-22 2016-04-27 北京电子工程总体研究所 一种基于使用与维修影响的旋转机械设备健康状态综合评估方法
CN106447040A (zh) * 2016-09-30 2017-02-22 湖南科技大学 基于异类多传感器数据融合的机械设备健康状态评估方法

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111368451A (zh) * 2020-03-16 2020-07-03 福建省特种设备检验研究院 基于多数据采集的石化常压储油罐健康状态评估方法
CN111353236A (zh) * 2020-03-16 2020-06-30 福建省特种设备检验研究院 基于多因素的石化常压储油罐健康状态评估系统
CN111353236B (zh) * 2020-03-16 2023-03-24 福建省特种设备检验研究院 基于多因素的石化常压储油罐健康状态评估系统
CN111368451B (zh) * 2020-03-16 2023-03-31 福建省特种设备检验研究院 基于多数据采集的石化常压储油罐健康状态评估方法
CN111443259A (zh) * 2020-03-30 2020-07-24 国网山东省电力公司德州供电公司 基于局部异常因子检测的有源配电网故障诊断方法及系统
CN111563693B (zh) * 2020-05-20 2023-10-31 深圳达实智能股份有限公司 轨道交通设备健康值的评分方法、设备和存储介质
CN111563693A (zh) * 2020-05-20 2020-08-21 深圳达实智能股份有限公司 轨道交通设备健康值的评分方法、设备和存储介质
CN112101142A (zh) * 2020-08-27 2020-12-18 深圳市行健自动化股份有限公司 泥浆泵运行状态评估方法、监控终端和计算机可读存储介质
CN112729878A (zh) * 2020-10-30 2021-04-30 长春工业大学 一种用于评估crh380型走行部系统健康状态的方法
CN113780896A (zh) * 2021-10-11 2021-12-10 辽宁工程技术大学 一种硬岩掘进系统健康评估方法
CN116304663B (zh) * 2022-12-05 2023-10-24 北京交通大学 基于非平衡样本增强的列控车载设备健康状态管理装置
CN116304663A (zh) * 2022-12-05 2023-06-23 北京交通大学 基于非平衡样本增强的列控车载设备健康状态管理装置
CN116645077A (zh) * 2023-04-24 2023-08-25 国网浙江省电力有限公司嘉兴供电公司 一种基于设备健康码的设备闭环管理方法
CN116645077B (zh) * 2023-04-24 2023-12-22 国网浙江省电力有限公司嘉兴供电公司 一种基于设备健康码的设备闭环管理方法

Also Published As

Publication number Publication date
US20190285517A1 (en) 2019-09-19
CN107941537A (zh) 2018-04-20
CN107941537B (zh) 2019-08-27

Similar Documents

Publication Publication Date Title
WO2019080367A1 (zh) 一种机械设备健康状态评估方法
WO2021042935A1 (zh) 基于隐马尔科夫模型和迁移学习的轴承寿命预测方法
CN108984893B (zh) 一种基于梯度提升方法的趋势预测方法
WO2015158198A1 (zh) 一种基于神经网络自学习的故障识别方法及系统
CN108304348B (zh) 一种基于二元维纳过程的轴承剩余寿命预测方法
CN110688617B (zh) 风机振动异常检测方法及装置
CN112785091A (zh) 一种对油田电潜泵进行故障预测与健康管理的方法
CN113610188B (zh) 弓网接触力非区段异常识别方法及装置
CN111680875A (zh) 基于概率基线模型的无人机状态风险模糊综合评价方法
CN111103137A (zh) 基于深度神经网络的风力涡轮机齿轮箱故障诊断方法
CN110990788A (zh) 一种基于三元维纳过程的轴承剩余寿命预测方法
CN114266197A (zh) 一种水电站设备故障诊断方法
CN114611372A (zh) 一种基于物联网边缘计算的工业设备健康预测方法
Tang et al. Prediction of bearing performance degradation with bottleneck feature based on LSTM network
CN116595319A (zh) 应用于轨道交通电机健康状态评估的预测方法及系统
CN114861349A (zh) 一种基于模型迁移和维纳过程的滚动轴承rul预测方法
CN114048546A (zh) 一种基于图卷积网络和无监督域自适应的航空发动机剩余使用寿命预测方法
CN113158448A (zh) 一种船舶系统设备阈值的自适应计算方法
CN117408162A (zh) 基于数字孪生的电网故障控制方法
WO2023231374A1 (zh) 机械设备半监督故障检测分析方法、装置、终端及介质
CN117034001A (zh) 一种风电机组故障预测方法、装置及电子设备
CN116151799A (zh) 一种基于bp神经网络的配电线路多工况故障率快速评估方法
CN113468720A (zh) 一种数模联动的随机退化设备寿命预测方法
CN111767815A (zh) 一种隧道渗漏水识别方法
CN110633874B (zh) 一种变电站二次设备状态监测方法及可读存储介质

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18869874

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18869874

Country of ref document: EP

Kind code of ref document: A1