CN110737976A - 一种基于多维度信息融合的机械设备健康评估方法 - Google Patents
一种基于多维度信息融合的机械设备健康评估方法 Download PDFInfo
- Publication number
- CN110737976A CN110737976A CN201910960221.6A CN201910960221A CN110737976A CN 110737976 A CN110737976 A CN 110737976A CN 201910960221 A CN201910960221 A CN 201910960221A CN 110737976 A CN110737976 A CN 110737976A
- Authority
- CN
- China
- Prior art keywords
- component
- health
- mechanical equipment
- information fusion
- value
- 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 91
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000004927 fusion Effects 0.000 title claims abstract description 21
- 238000012544 monitoring process Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 12
- 239000013598 vector Substances 0.000 claims description 23
- 238000013210 evaluation model Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 7
- 230000003068 static effect Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于多维度信息融合的机械设备健康评估方法,包括以下步骤:步骤1:采集机械设备所有部件的监测信号并从中提取特征值,并且按照特征值对部件历史数据进行分级;步骤2:对于每个不同的部件利用历史特征值数据训练部件健康度评估模型;步骤3:将实时采集的部件特征值输入部件健康度评估模型,推断得到实时的部件健康度值;步骤4:将机械设备不同部件的实时健康度进行信息融合,得到机械设备整体的健康度。本发明所述的机械设备健康评估技术,分别检测各个部件的特征值,可以将部件运行状态结合起来得到设备整体运行状态,更加全面的反映了设备运行的状态。
Description
技术领域
本发明属于机械设备状态监测领域,特别涉及一种基于多维度信息融合的机械设备健康评估方法。
背景技术
机械设备在生产企业中起着至关重要的作用,通过对机械设备进行状态监测,可以提前发现机械设备潜在的安全隐患,为企业的设备维护提供决策信息,避免事故停机,保证人员安全,从而实现降本增效。
传统的机械设备状态监测是依靠单一传感器的信号进行状态评估和预警,根据单一传感器采集的单一类型振动信号计算特征值,并设置报警阈值,当该特征值超过阈值的时候报警,特征值阈值一般根据经验设置。一般的机械设备包含有多个部件,不同的部件具有不同的重要程度,传统的状态评估方法不能反映设备整体的运行状态,也没有体现出设备局部状态和整体状态之间的关系,因此传统的设备运行状态评估方法具有一定的局限性。
发明内容
本发明的目的在于提供一种基于多维度信息融合的机械设备健康评估方法,以解决上述问题。
为实现上述目的,本发明采用以下技术方案:
一种基于多维度信息融合的机械设备健康评估方法,包括以下步骤:
步骤1:将机械设备分为不同的部件,采集机械设备所有部件的监测信号并从中提取特征值,并且按照特征值对部件历史数据进行分级;
步骤2:对于每个不同的部件利用历史特征值数据训练部件健康度评估模型;
步骤3:将实时采集的部件特征值输入部件健康度评估模型,推断得到实时的部件健康度值;
步骤4:将机械设备不同部件的实时健康度进行信息融合,得到机械设备整体的健康度。
进一步的,步骤1中特征值包括振动监测***采集的机械设备振动信号,工控***采集的工况参数和部件相关的设备静态参数。
进一步的,步骤1中按照特征值对历史数据进行分级,分级结果对应部件的不同健康度,80%-100%对应着部件运行正常,60%-80%对应部件出现故障,高报提醒,0%-60%对应着部件出现故障,高高报提醒。
进一步的,步骤2中部件健康度模型训练过程为:
1)将每一条部件特征值向量记为xi∈Rm,其中i=1,2,…,n,n是部件特征值向量的样本数量,m是每个特征向量的长度,将所有的部件特征值向量按照式1归一化到[0,1];
式1中a是xij,j=1,2,…,m的最小值,b是xij,j=1,2,…,m的最大值,将a和b的值保存下来作为模型的参数;
2)将归一化的部件特征向量作为输入,使用式2计算部件不同分级的特征值样本在特征空间中的中心位置和边界;
通过拉格朗日乘子法求解式2得到部件不同分级的特征值向量所处的超球体球心和半径。
进一步的,步骤3所述的模型推断过程为:
1)使用部件健康度评估模型中的参数a和b,按照式1对实时采集的部件特征值向量进行归一化;
2)寻找和归一化的特征向量的欧式距离最近的两个超球体,记作超球体1和超球体2,将归一化的特征向量和超球体2的欧式距离记为L,按照式3计算部件健康度值;
式3中H1是超球体1对应的部件健康度值,H2是超球体2对应的部件健康度值,R2是超球体2的半径,L12是超球体1和超球体2之间的欧式距离,H是特征向量对应的部件健康度。
进一步的,步骤4中的信息融合按照式4计算:
式4中的t是机械设备包含的部件总数,Hi是第i个部件的健康度,ri是第i个部件的加权系数,并且Ha是机械设备整体的健康度,Ha的值处于80%-100%对应着部件运行正常,60%-80%对应部件出现故障,高报提醒,0%-60%对应着部件出现故障,高高报提醒。
与现有技术相比,本发明有以下技术效果:
本发明所述的机械设备健康评估技术,分别检测各个部件的特征值,可以将部件运行状态结合起来得到设备整体运行状态,更加全面的反映了设备运行的状态。
本发明所述的预警方法以设备健康度为指标,比传统的单一特征预警方法准确度更高。
本发明所述的设备健康度评估方法可以帮助现场设备维护人员更好的做出维修决策,提高生产效率。
附图说明
图1是部件健康度评估模型训练流程图
图2是部件健康度实时评估流程图
图3是机械设备整体健康度评估流程图
图4是机械设备健康度报警流程图
图5特征空间示意图
图6部件1健康度曲线
图7部件2健康度曲线
图8设备健康度曲线
具体实施方式
以下结合附图对本发明进一步说明:
请参阅图1至图8,一种基于多维度信息融合的机械设备健康评估方法,包括以下步骤:
步骤1:将机械设备分为不同的部件,采集机械设备所有部件的监测信号并从中提取特征值,并且按照特征值对部件历史数据进行分级;
步骤2:对于每个不同的部件利用历史特征值数据训练部件健康度评估模型;
步骤3:将实时采集的部件特征值输入部件健康度评估模型,推断得到实时的部件健康度值;
步骤4:将机械设备不同部件的实时健康度进行信息融合,得到机械设备整体的健康度。
步骤1中特征值包括振动监测***采集的机械设备振动信号,工控***采集的工况参数和部件相关的设备静态参数。
步骤1中按照特征值对历史数据进行分级,分级结果对应部件的不同健康度,80%-100%对应着部件运行正常,60%-80%对应部件出现故障,高报提醒,0%-60%对应着部件出现故障,高高报提醒。
步骤2中部件健康度模型训练过程为:
1)将每一条部件特征值向量记为xi∈Rm,其中i=1,2,…,n,n是部件特征值向量的样本数量,m是每个特征向量的长度,将所有的部件特征值向量按照式1归一化到[0,1];
式1中a是xij,j=1,2,…,m的最小值,b是xij,j=1,2,…,m的最大值,将a和b的值保存下来作为模型的参数;
2)将归一化的部件特征向量作为输入,使用式2计算部件不同分级的特征值样本在特征空间中的中心位置和边界;
通过拉格朗日乘子法求解式2得到部件不同分级的特征值向量所处的超球体球心和半径。
步骤3所述的模型推断过程为:
1)使用部件健康度评估模型中的参数a和b,按照式1对实时采集的部件特征值向量进行归一化;
2)寻找和归一化的特征向量的欧式距离最近的两个超球体,记作超球体1和超球体2,将归一化的特征向量和超球体2的欧式距离记为L,按照式3计算部件健康度值;
式3中H1是超球体1对应的部件健康度值,H2是超球体2对应的部件健康度值,R2是超球体2的半径,L12是超球体1和超球体2之间的欧式距离,H是特征向量对应的部件健康度。
步骤4中的信息融合按照式4计算:
式4中的t是机械设备包含的部件总数,Hi是第i个部件的健康度,ri是第i个部件的加权系数,并且Ha是机械设备整体的健康度,Ha的值处于80%-100%对应着部件运行正常,60%-80%对应部件出现故障,高报提醒,0%-60%对应着部件出现故障,高高报提醒。
参阅附图1。图1为部件健康度评估模型训练流程图。首先收集历史监测数据,对历史监测数据进行分级,得到不同分级的历史数据,然后对所有的历史数据进行特征提取,构成训练特征空间,然后在特征空间中训练部件健康度评估模型,最后输出部件健康度评估模型。
参阅附图2。图2是实时评估部件健康度的流程,首先采集部件相关的实时监测数据,并从中提取特征,构成待预测的特征向量,然后加载预训练的部件健康度评估模型,将待预测的特征向量输入部件健康度评估模型中,模型输出部件健康度数值。
参阅附图3。图3是机械设备整体健康度评估流程,经过附图2所示的流程得到了机械设备的各个部件实时的健康度,然后将部件实时的健康度通过融合算法进行融合,得到机械设备整体的健康度。
参阅附图4。图4为机械设备健康度报警逻辑。如果设备健康度小于高报阈值,输出机械设备的运行状态为“正常运行”,如果设备健康度大于高报阈值小于高高报阈值,输出机械设备的运行状态为“高报报警”,如果设备健康度大于高高报阈值,输出机械设备的运行状态为“高高报报警”。
实施例
以某机械设备为例,该设备分为两个主要部件,对该设备的两个部件进行振动监测,采集加速度、速度和包络振动信号,并从中提取特征值,以速度一倍转频能量和速度有效值为例,抽取历史数据中正常运行样本和劣化样本,分别进行数据预处理和训练,归一化的特征空间如图5所示,图5中的超球体1代表的是正常运行的样本,对应的健康度是100%,超球体2代表的是劣化的样本,对应的健康度是60%,待计算的样本处于超球体1和超球体2之间,根据式3计算这些样本的健康度。图6所示是部件1的健康度变化曲线,图7所示是部件2的健康度变化曲线。部件1和部件2的权重系数分别为0.5和0.5,根据式4计算设备整体的健康度曲线如图8所示。
Claims (6)
1.一种基于多维度信息融合的机械设备健康评估方法,其特征在于,包括以下步骤:
步骤1:将机械设备分为不同的部件,采集机械设备所有部件的监测信号并从中提取特征值,并且按照特征值对部件历史数据进行分级;
步骤2:对于每个不同的部件利用历史特征值数据训练部件健康度评估模型;
步骤3:将实时采集的部件特征值输入部件健康度评估模型,推断得到实时的部件健康度值;
步骤4:将机械设备不同部件的实时健康度进行信息融合,得到机械设备整体的健康度。
2.根据权利要求1所述的一种基于多维度信息融合的机械设备健康评估方法,其特征在于,步骤1中特征值包括振动监测***采集的机械设备振动信号,工控***采集的工况参数和部件相关的设备静态参数。
3.根据权利要求1所述的一种基于多维度信息融合的机械设备健康评估方法,其特征在于,步骤1中按照特征值对历史数据进行分级,分级结果对应部件的不同健康度,80%-100%对应着部件运行正常,60%-80%对应部件出现故障,高报提醒,0%-60%对应着部件出现故障,高高报提醒。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910960221.6A CN110737976B (zh) | 2019-10-10 | 2019-10-10 | 一种基于多维度信息融合的机械设备健康评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910960221.6A CN110737976B (zh) | 2019-10-10 | 2019-10-10 | 一种基于多维度信息融合的机械设备健康评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110737976A true CN110737976A (zh) | 2020-01-31 |
CN110737976B CN110737976B (zh) | 2023-12-08 |
Family
ID=69268696
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910960221.6A Active CN110737976B (zh) | 2019-10-10 | 2019-10-10 | 一种基于多维度信息融合的机械设备健康评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110737976B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112613794A (zh) * | 2020-12-31 | 2021-04-06 | 天津森罗科技股份有限公司 | 一种高压制氮设备健康管理方法 |
CN112665651A (zh) * | 2020-12-31 | 2021-04-16 | 天津森罗科技股份有限公司 | 一种高压空气设备健康管理方法 |
CN113551766A (zh) * | 2021-09-22 | 2021-10-26 | 启东市海信机械有限公司 | 一种基于人工智能的机械设备工作状态检测方法 |
CN114024820A (zh) * | 2021-09-24 | 2022-02-08 | 北京华控智加科技有限公司 | 一种设备健康画像方法 |
CN115511399A (zh) * | 2022-11-23 | 2022-12-23 | 昆山斯沃普智能装备有限公司 | 一种基于动态权重的换电站健康状态评估方法 |
WO2024098477A1 (zh) * | 2022-11-10 | 2024-05-16 | 同济大学 | 多部件状态融合驱动的***级健康状态评估方法及设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160177856A1 (en) * | 2014-12-19 | 2016-06-23 | Rolls-Royce Deutschland Ltd & Co Kg | Equipment health monitoring method and system and engine |
CN106228176A (zh) * | 2016-06-29 | 2016-12-14 | 中国商用飞机有限责任公司北京民用飞机技术研究中心 | 一种基于工况数据检测设备状态的方法和*** |
CN107941537A (zh) * | 2017-10-25 | 2018-04-20 | 南京航空航天大学 | 一种机械设备健康状态评估方法 |
CN108280543A (zh) * | 2018-01-17 | 2018-07-13 | 杭州安脉盛智能技术有限公司 | 基于分类回归模式的工况自适应的设备健康度评估方法 |
CN108664708A (zh) * | 2018-04-19 | 2018-10-16 | 莱诺斯科技(北京)股份有限公司 | 一种***健康评估*** |
CN109523171A (zh) * | 2018-11-20 | 2019-03-26 | 未必然数据科技(北京)有限公司 | 一种基于svdd的燃气轮机进气***健康度评估方法 |
CN109886430A (zh) * | 2019-01-24 | 2019-06-14 | 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 |
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 |
CN110298455A (zh) * | 2019-06-28 | 2019-10-01 | 西安因联信息科技有限公司 | 一种基于多变量估计预测的机械设备故障智能预警方法 |
-
2019
- 2019-10-10 CN CN201910960221.6A patent/CN110737976B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160177856A1 (en) * | 2014-12-19 | 2016-06-23 | Rolls-Royce Deutschland Ltd & Co Kg | Equipment health monitoring method and system and engine |
CN106228176A (zh) * | 2016-06-29 | 2016-12-14 | 中国商用飞机有限责任公司北京民用飞机技术研究中心 | 一种基于工况数据检测设备状态的方法和*** |
CN107941537A (zh) * | 2017-10-25 | 2018-04-20 | 南京航空航天大学 | 一种机械设备健康状态评估方法 |
US20190285517A1 (en) * | 2017-10-25 | 2019-09-19 | Nanjing Univ. Of Aeronautics And Astronautics | Method for evaluating health status of mechanical equipment |
CN108280543A (zh) * | 2018-01-17 | 2018-07-13 | 杭州安脉盛智能技术有限公司 | 基于分类回归模式的工况自适应的设备健康度评估方法 |
CN108664708A (zh) * | 2018-04-19 | 2018-10-16 | 莱诺斯科技(北京)股份有限公司 | 一种***健康评估*** |
CN109523171A (zh) * | 2018-11-20 | 2019-03-26 | 未必然数据科技(北京)有限公司 | 一种基于svdd的燃气轮机进气***健康度评估方法 |
CN109886430A (zh) * | 2019-01-24 | 2019-06-14 | 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 |
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 |
CN110298455A (zh) * | 2019-06-28 | 2019-10-01 | 西安因联信息科技有限公司 | 一种基于多变量估计预测的机械设备故障智能预警方法 |
Non-Patent Citations (1)
Title |
---|
吴魁;孙洁;蒋波;王仙勇;黄玉龙;: "基于LSTM的风洞设备健康状态评估方法研究", no. 03, pages 288 - 291 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112613794A (zh) * | 2020-12-31 | 2021-04-06 | 天津森罗科技股份有限公司 | 一种高压制氮设备健康管理方法 |
CN112665651A (zh) * | 2020-12-31 | 2021-04-16 | 天津森罗科技股份有限公司 | 一种高压空气设备健康管理方法 |
CN113551766A (zh) * | 2021-09-22 | 2021-10-26 | 启东市海信机械有限公司 | 一种基于人工智能的机械设备工作状态检测方法 |
CN113551766B (zh) * | 2021-09-22 | 2021-12-07 | 启东市海信机械有限公司 | 一种基于人工智能的机械设备工作状态检测方法 |
CN114024820A (zh) * | 2021-09-24 | 2022-02-08 | 北京华控智加科技有限公司 | 一种设备健康画像方法 |
CN114024820B (zh) * | 2021-09-24 | 2024-04-16 | 北京华控智加科技有限公司 | 一种设备健康画像方法 |
WO2024098477A1 (zh) * | 2022-11-10 | 2024-05-16 | 同济大学 | 多部件状态融合驱动的***级健康状态评估方法及设备 |
CN115511399A (zh) * | 2022-11-23 | 2022-12-23 | 昆山斯沃普智能装备有限公司 | 一种基于动态权重的换电站健康状态评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110737976B (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110737976A (zh) | 一种基于多维度信息融合的机械设备健康评估方法 | |
CN109102005B (zh) | 基于浅层模型知识迁移的小样本深度学习方法 | |
CN107941537B (zh) | 一种机械设备健康状态评估方法 | |
CN110781592B (zh) | 一种设备剩余寿命的预测方法及*** | |
CN113255848B (zh) | 基于大数据学习的水轮机空化声信号辨识方法 | |
CN112613646A (zh) | 一种基于多维数据融合的设备状态预测方法及*** | |
CN111476263A (zh) | 基于sdae和改进gwo-svm的轴承缺陷识别方法 | |
CN113505655B (zh) | 面向数字孪生***的轴承故障智能诊断方法 | |
CN109829236A (zh) | 一种基于XGBoost特征提取的压缩机故障诊断方法 | |
CN101718634B (zh) | 基于多元概率模型的设备状态综合动态报警方法 | |
CN111680875B (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 | |
CN111914883A (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
CN103115789A (zh) | 金属结构损伤剩余寿命的第二代小波支持向量机评估方法 | |
Wang et al. | Weighted K-NN classification method of bearings fault diagnosis with multi-dimensional sensitive features | |
Wang et al. | A sequence-to-sequence model with attention and monotonicity loss for tool wear monitoring and prediction | |
CN113567159B (zh) | 一种基于边云协同的刮板输送机状态监测及故障诊断方法 | |
CN117421684B (zh) | 基于数据挖掘和神经网络的异常数据监测与分析方法 | |
CN112305388B (zh) | 一种发电机定子绕组绝缘局部放电故障在线监测诊断方法 | |
CN112434390A (zh) | 基于多层网格搜索的pca-lstm轴承剩余寿命预测方法 | |
CN114118138A (zh) | 一种基于多标签领域自适应模型的轴承复合故障诊断方法 | |
CN115481726A (zh) | 一种工业机器人整机健康评估方法及*** | |
CN113705405B (zh) | 一种核管道故障诊断方法 | |
CN115452376A (zh) | 基于改进轻量级深度卷积神经网络的轴承故障诊断方法 | |
Zhang et al. | Discriminative sparse autoencoder for gearbox fault diagnosis toward complex vibration signals | |
BENKEDJOUH et al. | Deep Learning for Fault Diagnosis based on short-time Fourier transform |
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 |