CN112016800A - 一种基于有效性指标的特征选择方法与*** - Google Patents
一种基于有效性指标的特征选择方法与*** Download PDFInfo
- Publication number
- CN112016800A CN112016800A CN202010692363.1A CN202010692363A CN112016800A CN 112016800 A CN112016800 A CN 112016800A CN 202010692363 A CN202010692363 A CN 202010692363A CN 112016800 A CN112016800 A CN 112016800A
- Authority
- CN
- China
- Prior art keywords
- index
- data
- feature
- characteristic
- calculation
- 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
- 238000010187 selection method Methods 0.000 title claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims abstract description 118
- 230000015556 catabolic process Effects 0.000 claims abstract description 33
- 238000006731 degradation reaction Methods 0.000 claims abstract description 33
- 239000013598 vector Substances 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000011156 evaluation Methods 0.000 claims abstract description 14
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 230000036541 health Effects 0.000 claims description 24
- 230000007850 degeneration Effects 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 18
- 238000009499 grossing Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000003745 diagnosis Methods 0.000 claims description 4
- 230000006866 deterioration Effects 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims description 3
- 230000005802 health problem Effects 0.000 claims 1
- 230000035772 mutation Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 7
- 238000000354 decomposition reaction Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 230000003862 health status Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Complex Calculations (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本申请涉及一种基于有效性指标的特征选择方法与***,通过传感器采集设备的运行数据,对采集到的运行数据进行预处理,获得至少一组设备的全生命周期特征数据;利用特征提取方法求取表征数据信号的多个特征向量;对多个特征向量进行退化性指标计算、单调性指标计算、鲁棒性指标计算和一致性指标计算,通过加权计算得到综合权重指标;将计算得到的综合权重指标与设定的权重阈值比较,去除综合权重指标小于权重阈值的特征后作为有效性特征。本申请不仅能有效评估线性趋势性特征,同时也能对一些非线性特征进行有效评估,评价指标抗噪声的能力强,还能够对特征的突变性进行检测,为预测性建模方法选择提供依据。
Description
技术领域
本申请涉及一种基于有效性指标的特征选择方法与***,适用于设备预测性维护的技术领域。
背景技术
近几年来,随着工业技术的发展,故障预测与健康管理技术(PHM)越来越受欢迎,设备的剩余使用寿命(RUL)预测作为最关键的技术之一也受到热烈追捧。其目的是根据设备的历史监测数据挖掘出设备持续退化的趋势来预测设备的剩余使用寿命。设备的剩余使用寿命被定义为从设备当前状态开始一直到设备失效所历经的时间。所以对设备的健康状态进行评估是剩余寿命预测的前提。在大多数的剩余寿命预测以及健康评估等场景中,设备的健康状态是缓慢衰退的,因此趋势性特征的选择也就变得至关重要。
趋势性特征选择的结果好坏直接决定预测的结果。通常,RUL预测建模以及设备健康评估建模过程所需要的特征在整个设备全生命周期过程中需要表现出退化性、稳定性(也称鲁棒性)、单调性和一致性四个特性。现有的退化性(Trendability)评价指标都是通过求特征与线性时间之间相关性作为退化性的评价指标,因此该指标倾向于选择线性变化的特征。稳定性(Robustness)评价指标通过评估特征平滑前后的差异来评估特征的稳定性,只能单一评价特征的稳定性,需要与其他指标一起使用。单调性(Monotonicity)指标通过统计特征单调增加与单调递减的个数来评价特征的单调性,因此当特征存在噪声干扰时,会严重影响该指标的性能。一致性(consistency)指标,也称预后性(Prognosability)指标,是通过计算多组全生命周期样本的失效状态的特征与初始状态特征的差来评价特征的一致性,在设备即将失效时,特征变化不稳定,因此该评价方法也很难准确评估特征的稳定性。由此可见,如果单一采用上述特征选择和评价方法或多或少都会受到一些其他因素的干扰,例如噪声、特征突变等因素,很难选择到真正满足要求的趋势性特征。
发明内容
本发明的目的是提供一种趋势性特征选择的选择方法和装置,该方法不仅能有效评估线性趋势性特征,同时也能对一些非线性特征进行有效评估,评价指标抗噪声的能力强,在特征一致性评价中,通过拟合特征来减少因随机误差导致的指标不稳定的现象。除此之外,该方法也能够对特征的突变性进行检测,为预测性建模方法选择提供依据。
本申请第一方面涉及一种基于有效性指标的特征选择方法,包括以下步骤:
(1)通过传感器采集设备的运行数据,对采集到的运行数据进行预处理,获得至少一组设备的全生命周期特征数据;
(2)利用特征提取方法求取表征数据信号的多个特征向量;
(3)对多个特征向量进行退化性指标计算、单调性指标计算、鲁棒性指标计算和一致性指标计算,分别得到每个特征向量的退化性指标、单调性指标、鲁棒性指标和一致性指标;
(4)对每个指标的权重设置权重系数,通过加权计算得到综合权重指标;
(5)将计算得到的综合权重指标与设定的权重阈值比较,去除综合权重指标小于权重阈值的特征后作为有效性特征。
本申请第二方面涉及一种基于有效性指标的特征选择***,包括数据采集模块、数据预处理模块、特征提取模块、特征有效性指标计算模块和特征选择模块,其中特征有效性指标计算模块包括退化性指标计算模块、单调性指标计算模块、鲁棒性指标计算模块、一致性指标计算模块和综合指标计算模块;
所述数据采集模块通过传感器采集设备的运行数据,所述数据预处理模块对采集到的运行数据进行预处理,获得至少一组设备的全生命周期特征数据,所述特征提取模块求取表征数据信号的多个特征向量;
所述特征有效性指标计算模块对多个特征向量进行退化性指标计算、单调性指标计算、鲁棒性指标计算和一致性指标计算,分别得到每个特征向量的退化性指标、单调性指标、鲁棒性指标和一致性指标;所述综合指标计算模块对每个指标的权重设置权重系数,通过加权计算得到综合权重指标;所述特征选择模块将计算得到的综合权重指标与设定的权重阈值比较,去除综合权重指标小于权重阈值的特征后作为有效性特征。
其中,退化性指标计算模块的计算步骤包括:
(1.1)在进行趋势性特征权重计算之前,设计自定义的线性以及非线性的特征变化模式;
(1.2)分别求提取的特征向量与不同的特征变化模式之间的相关系数;
(1.3)定义求得的最大的相关系数为该特征的退化性指标;
(1.4)当存在M(M>1)组全生命周期数据时,定义退化性指标:
其中,Trendm为该特征的第m个全生命周期样本的退化性指标(m=1,2,…,M),sign为符号函数;并且/或者
单调性指标计算模块的计算步骤包括:
(2.1)对特征进行滑窗处理,对每个窗的数据进行拟合,进行平滑处理,然后得到第i个窗的数据的平均斜率ki;
(2.2)单调性指标定义为
(2.3)当存在M(M>1)组全生命周期数据时,取多组样本中的最小单调性指标作为整体的单调性指标,定义为:
monotonicity=min(monm),m=1,2,...,M
其中monm为第m组全生命周期特征数据的单调性指标;并且/或者
鲁棒性指标计算模块的计算步骤包括:
(3.1)对特征数据进行拟合或平滑处理,得到拟合或者平滑后的特征Yk(k=1,2,...,N),原始特征记为Xk(k=1,2,...,N);
(3.2)计算鲁棒性指标:
(3.3)当存在M(M>1)组全生命周期数据时,取多组样本中的最小鲁棒性指标作为整体的鲁棒性指标,定义:
Robustness=min(robm),m=1,2,...,M
其中,robm为第m组全生命周期特征数据的鲁棒性指标;并且/或者
一致性指标计算模块的计算步骤包括:
(4.1)对特征数据进行拟合,得到拟合后的特征Yk(k=1,2,...,N),定义FT=YN,ST=Y1;
(4.2)当有M组(M>1)全生命周期特征数据时,计算一致性指标:
其中,m=1,2,…,M。
其中,综合权重指标计算模块的计算步骤包括:
(5.1)当只有一组全生命周期特征数据时,定义综合权重指标为:
Feature_effective_Index=ω1*trend+ω2*mon+ω3*rob
(5.2)当存在多组全生命周期特征数据时,定义综合权重指标为:
Feature_effective_Index=ω1*trend+ω2*mon+ω3*rob+ω4*con
其中,trend为退化性指标,mon为单调性指标,rob为稳定性指标,con为一致性指标,ωi(i=1,2,3,4)分别为各个指标的权重。
本申请第三方面涉及一种设备故障预测***,包括特征选择***、数据服务模块、健康评估模块和可视化应用模块,其中的特征选择***为如上所述的特征选择***;
所述数据服务模块实现现场设备及***的数据资产的统一管理,为健康评估模块提供数据支撑;
所述健康评估模块采用所述特征选择***选择趋势性特征对设备的健康状况进行评估,当发现设备健康出现问题时,进行故障诊断,定位到发生故障的部件以及将要发生故障的时间,并将分析结果通过可视化应用模块进行可视化展示。
附图说明
图1是本申请的基于有效性指标的特征选择方法与***的示意图。
图2显示本申请实施例中采用的特征变化模式的示意图。
图3显示计算得到的退化性指标示意图。
图4显示计算得到的单调性指标示意图。
图5显示计算得到的鲁棒性指标示意图。
图6显示计算得到的一致性指标示意图。
图7显示计算得到的综合权重指标的示意图。
图8显示包含上述特征选择方法与***的设备故障预测***的作业流程图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白,下文中将结合附图对本申请的实施例进行详细说明。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可以相互任意组合。
本申请提供了一种基于有效性指标的特征选择方法,包括以下步骤:
(1)通过传感器采集设备的运行数据,对采集到的运行数据进行预处理,获得至少一组设备的全生命周期特征数据;
(2)利用特征提取方法求取表征数据信号的多个特征向量;
(3)对多个特征向量进行退化性指标计算、单调性指标计算、鲁棒性指标计算和一致性指标计算,分别得到每个特征向量的退化性指标、单调性指标、鲁棒性指标和一致性指标;
(4)对每个指标的权重设置权重系数,通过加权计算得到综合权重指标;
(5)将计算得到的综合权重指标与设定的权重阈值比较,去除综合权重指标小于权重阈值的特征后作为有效性特征。
其中,退化性指标的计算步骤包括:
(1.1)在进行趋势性特征权重计算之前,需要设计自定义的线性以及非线性的特征变化模式,非线性的特征变化模式包括凸函数和凹函数;
(1.2)分别求提取的特征向量与不同的特征变化模式之间的相关系数;
(1.3)定义求得的最大的相关系数为该特征的退化性指标;
(1.4)当存在M(M>1)组全生命周期数据时,则为了满足一致性要求,定义退化性指标:
其中,Trendm为该特征的第m个全生命周期样本的退化性指标(m=1,2,…,M),sign为符号函数。
其中,单调性指标的计算步骤包括:
(2.1)对特征进行滑窗处理,对每个窗的数据进行拟合,进行平滑处理,然后得到第i个窗的数据的平均斜率ki;
(2.2)单调性指标定义为
其中ki为第i个窗的数据拟合得到的斜率。
(2.3)当存在M(M>1)组全生命周期数据时,则为了满足一致性要求,取多组样本中的最小单调性指标作为整体的单调性指标,定义为:
monotonicity=min(monm),m=1,2,...,M
其中monm为第m组全生命周期特征数据的单调性指标。
其中,鲁棒性指标的计算步骤包括:
(3.1)对特征数据进行拟合或平滑处理,得到拟合或者平滑后的特征Yk(k=1,2,...,N),原始特征记为Xk(k=1,2,...,N);
(3.2)计算鲁棒性指标:
(3.3)当存在M(M>1)组全生命周期数据时,则为了满足一致性要求,取多组样本中的最小鲁棒性指标作为整体的鲁棒性指标,定义:
Robustness=min(robm),m=1,2,...,M
其中,robm为第m组全生命周期特征数据的鲁棒性指标。
其中,一致性指标的计算步骤包括:
(4.1)对特征数据进行拟合,得到拟合后的特征Yk(k=1,2,...,N),定义FT=YN,ST=Y1;
(4.2)当有M组(M>1)全生命周期特征数据时,计算一致性指标:
其中,m=1,2,…,M。
其中,综合权重指标的计算步骤包括:
(5.1)当只有一组全生命周期特征数据时,定义综合权重指标为:
Feature_effective_Index=ω1*trend+ω2*mon+ω3*rob
其中,trend为退化性指标,mon为单调性指标,rob为稳定性指标,ωi(i=1,2,3)为分别为各个指标的权重。
(5.2)当存在多组全生命周期特征数据时,定义综合权重指标为:
Feature_effective_Index=ω1*trend+ω2*mon+ω3*rob+ω4*con
本申请还提供了一种基于有效性指标的特征选择***,其基于趋势性特征的权重综合指标进行特征选择,包含退化性、单调性、鲁棒性和一致性等四种指标,从不同的角度评价特征的各方面特性。该***的组成和流程如图1所示,该***包括数据采集模块、数据预处理模块、特征提取模块、特征有效性指标计算模块和特征选择模块,其中特征有效性指标计算模块包括退化性指标计算模块、单调性指标计算模块、鲁棒性指标计算模块、一致性指标计算模块和综合指标计算模块。
数据采集模块
数据采集模块的功能主要是通过传感器采集设备的运行数据。设备的运行数据包含工作时间、加工批次信息、设备状态、运行过程数据、报警信息等低频数据,可通过边缘智能硬件针对设备控制器开放的接口协议解析获取,这些信息的读取频率与设备自身的性能相关,一般可以采用一秒几次或几秒一次的低频数据采集。采集的设备运行数据可以包括历史数据和实时数据。设备的运行数据还可以包括振动、温度、声音、转速等高频数据,可以通过设备自带或外接传感器采集,一般是一秒几千或上万的高频数据采集。
优选地,该模块可以从边缘设备中进行数据的采集,可以在边缘设备中完成边缘计算,从而降低服务器端的计算量和工作量。
数据预处理模块
数据预处理模块的功能主要包括但不限于对传感器的数据进行降噪、归一化、异常值处理和工况分割等处理。例如,可以通过边缘智能硬件对数据采集模块采集到的数据进行相应的滤波和模数转换,数据采集频率可根据实际需求进行选择并配置。
特征提取模块
特征提取模块的功能主要是通过某种方法求取表征该信号的特征向量,这里的方法包括但不限于小波分解、小波包分解、时域统计特征、频域统计特征、频谱峰值特征、时频域特征和深度学习特征提取方法如SAE、CNN等方法。
特征有效性指标计算模块
特征有效性指标计算模块包括但不限于退化性指标计算模块、单调性指标计算模块、鲁棒性指标计算模块以及一致性指标计算模块。
①退化性指标计算模块的计算方法包括以下步骤:
(1)在进行趋势性特征权重计算之前,需要设计自定义的线性以及非线性的特征变化模式(Pattern),非线性的特征变化模式包括凸函数和凹函数两种,凸函数包括y=xα(α>1),y=eαx(α>0)等函数,凹函数包括y=log(αx),(α>0)、y=tanh(αx),(α>0)等函数,凹函数和凸函数的选择只需要满足其定义即可。例如,选择两种凹凸函数,按照如下公式进行定义:
其中,xi为时间栏位的数据,i=1,2,3,...,n;为简化计算,α取整数。
(2)分别求提取的特征向量与不同的特征变化模式之间的相关系数,相关性求取方法可以采用Pearson等方法。
(3)定义求得的最大的相关系数为该特征的退化性指标:
Trendability=max(corr(F,Pα)) 公式(2)
其中F为特征向量,Pα为不同参数α下的特征变化模式。
(4)当存在M(M>1)组全生命周期数据时,则为了满足一致性要求,定义
其中,Trendm为该特征的第m个全生命周期样本的退化性指标(m=1,2,…,M),sign为符号函数。
②单调性指标计算模块的计算方法包括以下步骤:
(1)对特征进行滑窗处理,对每个窗的数据进行拟合,进行平滑处理,然后得到第i个窗的数据的平均斜率ki。
(2)单调性指标定义为
其中ki为第i个窗的数据拟合得到的斜率。
(3)当存在M(M>1)组全生命周期数据时,则为了满足一致性要求,取多组样本中的最小单调性指标作为整体的单调性指标,定义为:
monotonicity=min(monm),m=1,2,...,M 公式(5)
其中monm为第m组全生命周期特征数据的单调性指标,m=1,2,…,M。
③鲁棒性指标计算模块的计算方法包括:
(1)对特征数据进行拟合,拟合方法不限,也可进行平滑处理,得到拟合或者平滑后的特征Yk(k=1,2,...,N),原始特征记为Xk(k=1,2,...,N)。
(2)计算鲁棒性指标:
(3)当存在M(M>1)组全生命周期数据时,则为了满足一致性要求,取多组样本中的最小鲁棒性指标作为整体的鲁棒性指标,定义:
Robustness=min(robm),m=1,2,...,M 公式(7)
其中,robm为第m组全生命周期特征数据的鲁棒性指标,m=1,2,…,M。
④一致性指标计算模块的计算方法包括:
(1)对特征数据进行拟合,得到拟合后的特征Yk(k=1,2,...,N),定义FT=YN,ST=Y1;
(2)当有M组(M>1)全生命周期特征数据时,计算一致性指标:
其中,m=1,2,…,M。
⑤综合指标计算模块的处理流程包括:
(1)当只有一组全生命周期特征数据时,定义综合权重指标为:
Feature_effective_Index=ω1*trend+ω2*mon+ω3*rob
其中,trend为退化性指标,mon为单调性指标,rob为稳定性指标,ωi(i=1,2,3)为分别为各个指标的权重。
(2)当存在多组全生命周期特征数据时,定义综合权重指标为:
Feature_effective_Index=ω1*trend+ω2*mon+ω3*rob+ω4*con
其中,trend为退化性指标,mon为单调性指标,rob为稳定性指标,con为一致性指标,ωi(i=1,2,3,4)为各个指标的权重,ωi的设定可根据实际情况进行调整。例如,建模过程只关注特征的退化性,则可设定ω1=1,ω2=0,ω3=0,ω4=0,可通过ωi来选择建模所需的特征类型。
特征选择模块
设定权重阈值,当计算得到的综合权重指标大于或等于权重阈值的特征保留,舍去综合权重指标小于权重阈值的特征,将剩余特征作为选定的趋势性指标。
实施例
以某设备耗材的剩余寿命预测为例,该设备从初始运行状态一直到设备失效为一次全生命周期实验,共采集了该设备七次全生命周期运行过程中的振动数据,并利用工况的分割选择出特定的有效运行期间段信号。然后利用小波包分解和时频域统计特征提取的方法从振动数据中提取特征627个,在这些特征中并不是所有的特征都对建模有帮助,因此需要筛选出退化性好、单调性强、鲁棒性好以及一致性好的有效特征。从627个特征中筛选出有效性的特征的具体实施方式为:
(1)依据本申请所述的方法,在计算退化性指标前需要清晰定义特征变化模式,根据公式(1)定义的特征变化模式如图2所示。在定义好特征变化模式之后,计算各个特征的退化性指标如图3所示,其中最大值超过了0.9(越接近于1,退化性越好),说明该组特征的退化性非常好。
(2)由于提取的特征往往夹杂着很多随机信号,所以计算单调性之前需要对信号进行平滑,为了避开噪点的影响采用滑窗的方式计算斜率,依据本申请提出的单调性计算方法得出单调性指标如图4所示,最大值接近0.3说明该特征整个全生命周期的斜率中有65%的斜率为正,35%为负,或者相反。
(3)依据本申请计算鲁棒性指标的步骤,在计算鲁棒性指标前需要对信号进行平滑处理,选用最小二乘法进行拟合,然后计算平滑前后的特征距离。如图5所示为鲁棒性指标的柱状图,大部分特征的鲁棒性指标都位于0.7以下,说明大部分特征的鲁棒性都很差,夹杂着很多噪声信号。为下面步骤中的特征平滑提供依据和参考。
(4)计算一致性指标,依据本申请提出的方法,在一致性计算指标之前,需要对特征进行平滑处理,这里选用最小二乘法拟合的方法对信号进行平滑,然后计算其阈值和初始值的变化情况,如图6所示,显示为所计算的一致性指标,最大值大于0.9,说明该特征在多组全生命周期的特征变化中一致性较高,有利于阈值的设定和模型的泛化。
(5)定义各个指标的权重,退化性指标反应特征的整体趋势,是最重要的一个指标,权重设为0.4,单调性指标与退化性指标类似,权重也设为0.4,特征的鲁棒性可通过特征平滑减小,对于前期的特征选择相对没那么重要,因此权重设为0.05,一致性指标反应多组全生命周期数据变化的一致性,对阈值设定和模型的泛化有帮助,设为0.15。因此,综合权重计算指标定义为:
Feature_effective_Index=0.4*trend+0.4*mon+0.05*rob+0.15*con
其中Trend、Mon、Rob、Con分别代表退化性指标、单调性指标、鲁棒性指标和一致性指标。计算综合权重指标Feature_effective_Index,如图7所示。
查看综合权重最大与综合权重最小的特征变化趋势,检查结果是否正确。该指标能够很好的选出退化性、单调性、一致性都很好的特征。经计算,权重最大的Vib_x_FFTML特征的综合权重计算指标为0.65,权重最小的Vib_aaa_mean特征的综合权重计算指标为0.1。根据建模所需要的大致特征数量选择设定特征筛选的阈值为0.5,选择出来的特征如下表1所示。其中,vib_x_FFTML代表通过度量学习从振动信号vib_x中学习到的度量值。vibx_aaa_Energy中vibx代表x向的振动信号,aaa代表小波包分解的aaa节点的重构信号,Energy代表能量特征。vibx_aaa_F_Energy中vibx代表x向的振动信号,aaa代表小波包分解的aaa节点的重构信号,F代表频域信号,Energy为一种统计特征,其他特征命名与vibx_aaa_F_Energy类似。
表1根据权重指标选择出来的有效特征
本申请还提供了一种基于上述有效性指标的特征选择***的设备故障预测***,其除了包括上述特征选择***以外,还可以包括数据服务模块、健康评估模块和可视化应用模块。
数据服务模块能够实现现场设备及***的数据资产的统一管理,为健康评估模块提供数据支撑。该模块可以实现多源数据接入,包括来自数据采集模块和边缘计算模块的数据、已有***的数据,例如企业软件***MES、ERP等***的数据;支持对数据进行统一规范化的存储、计算与管理,通过标准化、体系化的规则管理,实现低成本数据的分类管理与维护;支持以文件、API接口等多种数据发布形式,将其他模块所需的数据发布出去。
健康评估模块采用上述特征选择方法选择趋势性特征对设备的健康状况进行评估,当发现设备健康出现问题时,进行故障诊断,定位到发生故障的部件以及将要发生故障的时间,也就是该部件的寿命预测,并将分析结果通过可视化应用模块进行可视化展示。将分析计算得到的设备健康指标和关键部件健康指标值分别与设备和关键部件的风险系数相乘并进行加权计算,获得设备备件更换的优先级。其中,风险系数可采用失效模式与影响分析方法(FMEA),基于故障发生频率和故障产生的影响计算得出。然后,结合设备维护计划、设备关键部件故障概率和剩余使用寿命,以设备备件采购周期和维护人员工作计划为约束条件,建立备件需求预测模型,预测结果为满足最少维护次数和最低维护成本的最小备件库存量,具体作业流程如图8所示。需要说明的是,本申请中的设备健康指标是指设备整机的健康指标,而关键部件健康指标值则是设备中的某些关键部件,例如对于机床整机来说,主轴是其关键部件之一;对于风力发电机整机来说,风轮是其关键部件之一。
可视化应用模块可以根据用户的实际需求,进行相关的可视化界面设计,显示信息包含:设备基本信息、设备健康状态、设备故障诊断结果、设备关键部件健康状态及剩余使用寿命、设备预测性维护建议、备件需求预测结果,备件库存信息,以便用户可以及时采购备件并进行更换,实现备件库存的优化管理。
虽然本申请所揭露的实施方式如上,但所述的内容只是为了便于理解本申请而采用的实施方式,并非用以限定本申请。任何本申请所属技术领域内的技术人员,在不脱离本申请所揭露的精神和范围的前提下,可以在实施的形式上及细节上作任何的修改与变化,但本申请的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (7)
1.一种基于有效性指标的特征选择方法,其特征在于,包括以下步骤:
(1)通过传感器采集设备的运行数据,对采集到的运行数据进行预处理,获得至少一组设备的全生命周期特征数据;
(2)利用特征提取方法求取表征数据信号的多个特征向量;
(3)对多个特征向量进行退化性指标计算、单调性指标计算、鲁棒性指标计算和一致性指标计算,分别得到每个特征向量的退化性指标、单调性指标、鲁棒性指标和一致性指标;
(4)对每个指标的权重设置权重系数,通过加权计算得到综合权重指标;
(5)将计算得到的综合权重指标与设定的权重阈值比较,去除综合权重指标小于权重阈值的特征后作为有效性特征。
2.根据权利要求1所述的一种基于有效性指标的特征选择方法,其特征在于,退化性指标的计算步骤包括:
(1.1)设计自定义的线性以及非线性的特征变化模式;
(1.2)分别求提取的特征向量与不同的特征变化模式之间的相关系数;
(1.3)定义求得的最大的相关系数为该特征的退化性指标;
(1.4)当存在M(M>1)组全生命周期数据时,定义退化性指标:
其中,Trendm为该特征的第m个全生命周期样本的退化性指标(m=1,2,…,M),sign为符号函数;并且/或者
单调性指标的计算步骤包括:
(2.1)对特征进行滑窗处理,对每个窗的数据进行拟合,进行平滑处理,然后得到第i个窗的数据的平均斜率ki;
(2.2)单调性指标定义为
(2.3)当存在M(M>1)组全生命周期数据时,取多组样本中的最小单调性指标作为整体的单调性指标,定义为:
monotonicity=min(monm),m=1,2,...,M
其中monm为第m组全生命周期特征数据的单调性指标;并且/或者
鲁棒性指标的计算步骤包括:
(3.1)对特征数据进行拟合或平滑处理,得到拟合或者平滑后的特征Yk(k=1,2,...,N),原始特征记为Xk(k=1,2,...,N);
(3.2)计算鲁棒性指标:
(3.3)当存在M(M>1)组全生命周期数据时,取多组样本中的最小鲁棒性指标作为整体的鲁棒性指标,定义:
Robustness=min(robm),m=1,2,...,M
其中,robm为第m组全生命周期特征数据的鲁棒性指标;并且/或者
一致性指标的计算步骤包括:
(4.1)对特征数据进行拟合,得到拟合后的特征Yk(k=1,2,...,N),定义FT=YN,ST=Y1;
(4.2)当有M组(M>1)全生命周期特征数据时,计算一致性指标:
其中,m=1,2,…,M。
3.根据权利要求1和2所述的一种基于有效性指标的特征选择方法,其特征在于,综合权重指标的计算步骤包括:
(5.1)当只有一组全生命周期特征数据时,定义综合权重指标为:
Feature_effective_Index=ω1*trend+ω2*mon+ω3*rob
(5.2)当存在多组全生命周期特征数据时,定义综合权重指标为:
Feature_effective_Index=ω1*trend+ω2*mon+ω3*rob+ω4*con
其中,trend为退化性指标,mon为单调性指标,rob为稳定性指标,con为一致性指标,ωi(i=1,2,3,4)分别为各个指标的权重。
4.一种基于有效性指标的特征选择***,其特征在于,包括数据采集模块、数据预处理模块、特征提取模块、特征有效性指标计算模块和特征选择模块,其中特征有效性指标计算模块包括退化性指标计算模块、单调性指标计算模块、鲁棒性指标计算模块、一致性指标计算模块和综合指标计算模块;
所述数据采集模块通过传感器采集设备的运行数据,所述数据预处理模块对采集到的运行数据进行预处理,获得至少一组设备的全生命周期特征数据,所述特征提取模块求取表征数据信号的多个特征向量;
所述特征有效性指标计算模块对多个特征向量进行退化性指标计算、单调性指标计算、鲁棒性指标计算和一致性指标计算,分别得到每个特征向量的退化性指标、单调性指标、鲁棒性指标和一致性指标;所述综合指标计算模块对每个指标的权重设置权重系数,通过加权计算得到综合权重指标;所述特征选择模块将计算得到的综合权重指标与设定的权重阈值比较,去除综合权重指标小于权重阈值的特征后作为有效性特征。
5.根据权利要求4所述的特征选择***,其特征在于,退化性指标计算模块的计算步骤包括:
(1.1)在进行趋势性特征权重计算之前,设计自定义的线性以及非线性的特征变化模式;
(1.2)分别求提取的特征向量与不同的特征变化模式之间的相关系数;
(1.3)定义求得的最大的相关系数为该特征的退化性指标;
(1.4)当存在M(M>1)组全生命周期数据时,定义退化性指标:
其中,Trendm为该特征的第m个全生命周期样本的退化性指标(m=1,2,…,M),sign为符号函数;并且/或者
单调性指标计算模块的计算步骤包括:
(2.1)对特征进行滑窗处理,对每个窗的数据进行拟合,进行平滑处理,然后得到第i个窗的数据的平均斜率ki;
(2.2)单调性指标定义为
(2.3)当存在M(M>1)组全生命周期数据时,取多组样本中的最小单调性指标作为整体的单调性指标,定义为:
monotonicity=min(monm),m=1,2,...,M
其中,monm为第m组全生命周期特征数据的单调性指标;并且/或者
鲁棒性指标计算模块的计算步骤包括:
(3.1)对特征数据进行拟合或平滑处理,得到拟合或者平滑后的特征Yk(k=1,2,...,N),原始特征记为Xk(k=1,2,...,N);
(3.2)计算鲁棒性指标:
(3.3)当存在M(M>1)组全生命周期数据时,取多组样本中的最小鲁棒性指标作为整体的鲁棒性指标,定义:
Robustness=min(robm),m=1,2,...,M
其中,robm为第m组全生命周期特征数据的鲁棒性指标;并且/或者
一致性指标计算模块的计算步骤包括:
(4.1)对特征数据进行拟合,得到拟合后的特征Yk(k=1,2,...,N),定义FT=YN,ST=Y1;
(4.2)当有M组(M>1)全生命周期特征数据时,计算一致性指标:
其中,m=1,2,…,M。
6.根据权利要求4或5所述的特征选择***,其特征在于,综合权重指标计算模块的计算步骤包括:
(5.1)当只有一组全生命周期特征数据时,定义综合权重指标为:
Feature_effective_Index=ω1*trend+ω2*mon+ω3*rob
(5.2)当存在多组全生命周期特征数据时,定义综合权重指标为:
Feature_effective_Index=ω1*trend+ω2*mon+ω3*rob+ω4*con
其中,trend为退化性指标,mon为单调性指标,rob为稳定性指标,con为一致性指标,ωi(i=1,2,3,4)分别为各个指标的权重。
7.一种设备故障预测***,其特征在于,包括特征选择***、数据服务模块、健康评估模块和可视化应用模块,其中的特征选择***为根据权利要求4-6中任一项所述的特征选择***;
所述数据服务模块实现现场设备及***的数据资产的统一管理,为健康评估模块提供数据支撑;
所述健康评估模块通过所述特征选择***选择趋势性特征对设备的健康状况进行评估,当发现设备健康出现问题时,进行故障诊断,定位到发生故障的部件以及将要发生故障的时间,并将分析结果通过所述可视化应用模块进行可视化展示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010692363.1A CN112016800B (zh) | 2020-07-17 | 2020-07-17 | 一种基于有效性指标的特征选择方法与*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010692363.1A CN112016800B (zh) | 2020-07-17 | 2020-07-17 | 一种基于有效性指标的特征选择方法与*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112016800A true CN112016800A (zh) | 2020-12-01 |
CN112016800B CN112016800B (zh) | 2024-03-08 |
Family
ID=73498791
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010692363.1A Active CN112016800B (zh) | 2020-07-17 | 2020-07-17 | 一种基于有效性指标的特征选择方法与*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112016800B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113919510A (zh) * | 2021-11-01 | 2022-01-11 | 上海勃池信息技术有限公司 | 一种样本特征选择方法、装置、设备及介质 |
CN115310490A (zh) * | 2022-08-17 | 2022-11-08 | 中国核动力研究设计院 | 基于多域特征与敏感特征选择的旋转设备故障分析方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090138315A1 (en) * | 2007-11-21 | 2009-05-28 | Schroeder Calvin L | Method and system for assessing process conformance in the production of products |
WO2012090492A1 (ja) * | 2010-12-28 | 2012-07-05 | 株式会社 東芝 | プロセス監視診断装置 |
CN105975749A (zh) * | 2016-04-28 | 2016-09-28 | 上海交通大学 | 一种轴承健康评估与预测的方法及*** |
CN106446540A (zh) * | 2016-09-20 | 2017-02-22 | 华北电力大学(保定) | 一种风电机组健康状态实时评估方法 |
CN106777611A (zh) * | 2016-12-02 | 2017-05-31 | 上海无线电设备研究所 | 复杂周转轮系微弱故障识别与性能退化监测***及方法 |
CN109165396A (zh) * | 2018-06-27 | 2019-01-08 | 谭晓栋 | 一种故障演化趋势的设备剩余使用寿命预测方法 |
CN109187025A (zh) * | 2018-09-19 | 2019-01-11 | 哈尔滨理工大学 | 一种集成kelm的滚动轴承剩余使用寿命预测方法 |
CN110119756A (zh) * | 2019-03-25 | 2019-08-13 | 北京天泽智云科技有限公司 | 一种基于投票法的趋势性数据特征自动选择方法 |
CN110570099A (zh) * | 2019-08-19 | 2019-12-13 | 北京戴纳实验科技有限公司 | 一种实验室稳定性综合考评***及其考评方法 |
-
2020
- 2020-07-17 CN CN202010692363.1A patent/CN112016800B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090138315A1 (en) * | 2007-11-21 | 2009-05-28 | Schroeder Calvin L | Method and system for assessing process conformance in the production of products |
WO2012090492A1 (ja) * | 2010-12-28 | 2012-07-05 | 株式会社 東芝 | プロセス監視診断装置 |
CN105975749A (zh) * | 2016-04-28 | 2016-09-28 | 上海交通大学 | 一种轴承健康评估与预测的方法及*** |
CN106446540A (zh) * | 2016-09-20 | 2017-02-22 | 华北电力大学(保定) | 一种风电机组健康状态实时评估方法 |
CN106777611A (zh) * | 2016-12-02 | 2017-05-31 | 上海无线电设备研究所 | 复杂周转轮系微弱故障识别与性能退化监测***及方法 |
CN109165396A (zh) * | 2018-06-27 | 2019-01-08 | 谭晓栋 | 一种故障演化趋势的设备剩余使用寿命预测方法 |
CN109187025A (zh) * | 2018-09-19 | 2019-01-11 | 哈尔滨理工大学 | 一种集成kelm的滚动轴承剩余使用寿命预测方法 |
CN110119756A (zh) * | 2019-03-25 | 2019-08-13 | 北京天泽智云科技有限公司 | 一种基于投票法的趋势性数据特征自动选择方法 |
CN110570099A (zh) * | 2019-08-19 | 2019-12-13 | 北京戴纳实验科技有限公司 | 一种实验室稳定性综合考评***及其考评方法 |
Non-Patent Citations (2)
Title |
---|
XUEQIN LÜ ETAL: ""Status evaluation of mobile welding robot driven by fuel cell hybrid power system based on cloud model"", 《ENERGY CONVERSION AND MANAGEMENT》, vol. 1, no. 1, pages 1 - 8 * |
梁好等: "" 基于双谱特征的行星齿轮箱故障诊断方法"", 《组合机床与自动化加工技术》, vol. 4, no. 1, pages 1 - 4 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113919510A (zh) * | 2021-11-01 | 2022-01-11 | 上海勃池信息技术有限公司 | 一种样本特征选择方法、装置、设备及介质 |
CN115310490A (zh) * | 2022-08-17 | 2022-11-08 | 中国核动力研究设计院 | 基于多域特征与敏感特征选择的旋转设备故障分析方法 |
CN115310490B (zh) * | 2022-08-17 | 2024-03-29 | 中国核动力研究设计院 | 基于多域特征与敏感特征选择的旋转设备故障分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112016800B (zh) | 2024-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112052979B (zh) | 基于故障预测与健康管理的设备备件需求预测*** | |
US9245235B2 (en) | Integrated approach to model time series dynamics in complex physical systems | |
US7496798B2 (en) | Data-centric monitoring method | |
US8630962B2 (en) | Error detection method and its system for early detection of errors in a planar or facilities | |
CN111459700A (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
CN111538311B (zh) | 一种基于数据挖掘的机械设备柔性多状态自适应预警方法及装置 | |
CN113569903A (zh) | 数控机床刀具磨损预测方法、***、设备、介质、终端 | |
CN117114454B (zh) | 一种基于Apriori算法的直流套管状态评估方法及*** | |
CN116380445B (zh) | 基于振动波形的设备状态诊断方法及相关装置 | |
KR102253230B1 (ko) | 원전설비의 예측 진단 방법 및 시스템 | |
CN112016800A (zh) | 一种基于有效性指标的特征选择方法与*** | |
KR20200005206A (ko) | 기계 학습 기반의 설비 이상 분류 시스템 및 방법 | |
KR20200010671A (ko) | 기계 학습 기반의 설비 이상 진단 시스템 및 방법 | |
CN117171657A (zh) | 风力发电设备故障诊断方法、装置、电子设备及存储介质 | |
CN117076869B (zh) | 旋转机械时频域融合故障诊断方法及*** | |
JP2016045852A (ja) | 異常診断装置及び異常診断方法 | |
KR102383675B1 (ko) | 시계열 데이터 이상 진단 시스템 | |
Hamaide et al. | Unsupervised minimum redundancy maximum relevance feature selection for predictive maintenance: Application to a rotating machine | |
CN117370879A (zh) | 一种风力机齿轮箱的实时在线故障诊断方法及*** | |
CN116773961A (zh) | 基于振动信号高频特征分析的输电线路腐蚀检测方法 | |
KR102017162B1 (ko) | 원전설비의 예측 진단 방법 및 시스템 | |
CN113642618A (zh) | 一种用于螺杆装置状态预测模型训练的方法及设备 | |
JP5771318B1 (ja) | 異常診断装置及び異常診断方法 | |
KR102028845B1 (ko) | 원전설비의 예측 진단 방법 및 시스템 | |
Kundu et al. | PCA-ANN based approach for remaining useful life prediction for roller ball bearings |
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 |