CN114239377A - 一种城轨机电设备健康状态评估方法、***及存储介质 - Google Patents

一种城轨机电设备健康状态评估方法、***及存储介质 Download PDF

Info

Publication number
CN114239377A
CN114239377A CN202111329014.4A CN202111329014A CN114239377A CN 114239377 A CN114239377 A CN 114239377A CN 202111329014 A CN202111329014 A CN 202111329014A CN 114239377 A CN114239377 A CN 114239377A
Authority
CN
China
Prior art keywords
equipment
health
state
data
health state
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.)
Pending
Application number
CN202111329014.4A
Other languages
English (en)
Inventor
谷国栋
周起如
耿伟
连磊
胡进贤
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.)
Hefei Siwill Intelligent Co ltd
Original Assignee
Hefei Siwill Intelligent 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 Hefei Siwill Intelligent Co ltd filed Critical Hefei Siwill Intelligent Co ltd
Priority to CN202111329014.4A priority Critical patent/CN114239377A/zh
Publication of CN114239377A publication Critical patent/CN114239377A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • 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
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Geometry (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明涉及城轨机电管理领域，特别涉及一种城轨机电设备健康状态评估方法、***及存储介质，评估方法包括以下步骤：S1、采集机电设备检测数据；S2、对采集的数据进行预处理；S3、对Vae‑lstm模型进行训练，并获取设备每个时刻的重构误差序列；S4、构建设备健康状态评估模型，并根据在线设备运行数据计算出当前时刻设备健康指数；S5、根据设备健康指数输出设备的评价等级、健康状态等级、运行状态描述。本发明的有益效果在于：本发明通过使用设备健康状态数据对Vae‑lstm模型进行训练，优化模型参数，获取重构误差并根据重构误差构建设备健康状态评估模型解决了背景技术中的不足，使得设备的健康状态能够被准确捕捉。

Description

一种城轨机电设备健康状态评估方法、***及存储介质
技术领域
本发明涉及城轨机电管理领域，特别涉及一种城轨机电设备健康状态评估方法、***及存储介质。
背景技术
随着机电设备的智能化、复杂化和大型化程度的不断提高，使得机电设备停损越来越大，设备维护的难度也不断变大，运行过程中发生的任何故障或失效都会引起严重后果，及时恰当的设备维保是确保设备***稳定、可靠和可用的重要手段，准确判断设备当前的健康状态对设备维保具有重要意义。
传感器技术和数据存储技术的快速发展，使得基于数据驱动的设备健康状态判断成为可能，如何从海量的设备监测数据中快速挖掘和发现设备的健康状态与故障信息成为研究热点。
发明内容
为了解决如何准确判断机电设备当前健康状态的问题，本发明提供了一种城轨机电设备健康状态评估方法、***及存储介质，具体方案如下：
一种城轨机电设备健康状态评估方法，包括以下步骤：
S1、采集机电设备检测数据，并以设定比例划分训练集和测试集；记训练集为U，对于每台设备有u∈U,则设备的多维监测数据记为
Figure BDA0003347975190000011
其中l表示设备最大运行周期数，xt (u)＝Rm是m维向量表示t时刻的m维监测数据；
S2、对采集的数据进行预处理；所述预处理包括异常值处理、缺失值填充、数据归一化和信号滤波；
S3、对Vae-lstm模型进行训练并获取设备每个时刻的重构误差序列；
S4、构建设备健康状态评估模型并根据在线设备运行数据计算出当前时刻设备健康指数；
S5、基于当前时刻设备健康指数输出设备的评价等级、健康状态等级、运行状态描述。
具体地说，所述机电设备检测数据包括：在线状态、运行工况、历史数据、其他数据；所述在线状态为传感器实时监测表征机电设备当前运行状态的特征量，包括：机电设备***的振动监测、噪声监测和温度监测；所述运行工况包括运行时间、负载情况、过负载运行时间；所述历史数据包括：设备告警记录、故障缺陷记录、检修记录等历史数据；所述其他数据包括：空气温度、空气湿度。
具体地说，所述步骤S2还包括对不同工况样本进行z-score标准化，用于消除工况变化带来的影响。
具体地说，步骤S3具体为：
S3.1、通过滑动时间窗法提取设备传感器多维数据序列的子序列xi；
S3.2、在时刻输入多维向量xi，经过lstm层输出后，估计隐变量对应的均值ui和协方差∑zi；
S3.3、使用设备健康状态下的检测数据对Vae-lstm模型进行训练，完成Vae-lstm模型网络参数的优化调整；
S3.4、Vae-lstm模型的编码器对xi进行编码得到均值
Figure BDA0003347975190000021
和协方差
Figure BDA0003347975190000022
并使用神经网络拟合
Figure BDA0003347975190000023
计算条件概率分布p(z|xi)的近似分布后，根据该分布进行随机采样，得到xi在隐空间对应的隐变量zi；
S3.5、通过Vae-lstm模型的解码器对zi进行解码，映射到原始输入数据空间中，对xi进行重构，得到重构向量oi；由此设备每个时刻的重构误差ei u＝||zi (u)-zi ′(u)||。
具体地说，所述Vae-lstm模型的构建方法包括：使用lstm层替换变分自编码器vae中的前馈网络层得到Vae-lstm模型。
具体地说，步骤S3.5之后还包括对计算ei u的平均值并进行归一化操作，得到：
Figure BDA0003347975190000031
其中emax (u)和emin (u)分别是设备u的最大重构误差和最小重构误差；hi (u)表示i时刻设备的健康指数值。
具体地说，步骤S4具体包括以下步骤：
S4.1、根据步骤S3所得的重构误差作为设备健康值，记为H(u)＝[h1 (u)，h2 (u)，……,hL (u)]，其中ht (u)∈R是t时刻设备的健康值，L为设备总运行周期数；其中0≤ht (u)≤1，当ht (u)为0时表示设备完全失效，为1时表示设备完全健康；
S4.2、训练设备健康状态评估模型，将每个时刻的ht (u)映射到ht (u)并进行拟合，所述拟合方法包括：采用线性回归模型进行拟合，具体为：
fθ(Zt (u))＝θTZt (u)+b,θ∈R；其中fθ(Zt (u))为时刻t设备健康指数的预测值；
S4.3、根据在线设备运行数据使用健康状态评估模型评估当前时刻设备健康指数。
具体地说，所述健康状态、评价等级根据健康指数进行判断，具体为：
当设备健康指数属于[0.8,1.0]，评价等级为A级，健康状态等级为健康状态，设备健康状态描述为设备健康状况良好，可长期运行；
当设备健康指数属于[0.65，0.8],评价等级为B级，健康状态等级为亚健康状态，发出黄色预警信息，存在异常征兆出现，不宜长期运行；
当设备健康指数属于[0.5,0.65]，评价等级为C级，健康状态等级为不健康状态，发出橙色预警信息，关键指标异常,出现轻微故障，设备勉强可以运行；
当设备健康指数属于[0.0,0.5]，评价等级为D级，健康状态等级为病态状态，发出红色预警信息，设备存在故障，无法完成规定任务。
用于上述的一种城轨机电设备健康状态评估方法的***，包括：
数据采集模块，用于采集机电设备监测数据；
数据预处理模块，用于对原始采集的机电设备检测数据进行数据清洗，降低异常数据干扰；
Vae-lstm模型训练模块，用于构建Vae-lstm模型并获取设备每个时刻的重构误差序列；
健康设备评估模块，用于构建设备健康状态评估模型并根据在线设备运行数据计算出当前时刻的设备健康指数；
评估结果输出模块，用于输出设备的评价等级、健康状态等级、设备运行描述；
健康状态管理模块，用于根据设备健康状态等级、设备需求、维修资源产生故障预警信号并生成维修任务工单。
一种计算机可读存储介质，所述计算机可读存储介质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如权利要求1至8任一项所述的一种城轨机电设备健康状态评估方法的步骤。
本发明的有益效果在于：
本发明方法针对不同工况下的运行设备数据进行标准化处理，通过变分自编码器vae建模设备状态监测数据的分布，利用lstm层替换变分自编码器vae中的前馈神经网络层，有效提取设备运行数据长、短期时间序列特征，基于Vae-lstm组合模型的重构误差准确地反映设备***性能退化失效过程，确定运行设备***当前的健康状况。对因运行工况、设备差异等因素引起的噪声具有很好的鲁棒性。解决了背景技术中的不足，使得设备的健康状态能够被准确捕捉。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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它的附图。
图1为本发明方法的流程图；
图2为Vae-lstm模型在时间域展开示意图；
图3为设备***性能退化失效过程示意图；
图4为实施例数据记录表；
图5为实施例设备健康状态时间变化图；
图6为本发明***结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地说明，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本发明公开了一种城轨机电设备健康状态评估方法、***及存储介质，包括：
一种城轨机电设备健康状态评估方法，如图1所示，包括以下步骤：
S1、采集机电设备检测数据，并以设定比例划分训练集和测试集；记训练集为U，对于每台设备有u∈U,则设备的多维监测数据记为
Figure BDA0003347975190000061
其中l表示设备最大运行周期数，xt (u)＝Rm是m维向量表示t时刻的m维监测数据；
S2、对采集的数据进行预处理；所述预处理包括异常值处理、缺失值填充、数据归一化和信号滤波；将预处理后的数据记为
Figure BDA0003347975190000062
S3、对Vae-lstm模型进行训练并获取设备每个时刻的重构误差序列；
S4、构建设备健康状态评估模型并根据在线设备运行数据计算出当前时刻设备健康指数；
S5、基于当前时刻设备健康指数输出设备的评价等级、健康状态等级、运行状态描述。
所述机电设备检测数据包括：在线状态、运行工况、历史数据、其他数据；所述在线状态为传感器实时监测表征机电设备当前运行状态的特征量，包括：机电设备***的振动监测、噪声监测和温度监测；所述运行工况包括运行时间、负载情况、过负载运行时间；所述历史数据包括：设备告警记录、故障缺陷记录、检修记录等历史数据；所述其他数据包括：空气温度、空气湿度。
所述步骤S2还包括对不同工况样本进行z-score标准化，用于消除工况变化带来的影响。
Vae-lstm模型在时间域展开形式如图2所示，假如时间窗口为l，传感器序列长度为L，则从中可以提前L＝l+1个子序列。其中，一个子序列记为Z＝[z1，z2，...，zl]，作为输入通过Vae-lstm编码器推断其隐变量的概率分布，根据隐变量分布进行采样，编码器再将隐变量映射到原始输入数据空间，输出重构子序列
Figure BDA0003347975190000071
由上步骤S3具体为：
S3.1、通过滑动时间窗法提取设备传感器多维数据序列的子序列xi；
S3.2、在时刻输入多维向量xi，经过lstm层输出后，通过两个线性模型估计隐变量对应的均值ui和协方差∑zi；
S3.3、使用设备健康状态下的检测数据对Vae-lstm模型进行训练，完成Vae-lstm模型网络参数的优化调整；
S3.4、Vae-lstm模型的编码器对xi进行编码得到均值
Figure BDA0003347975190000072
和协方差
Figure BDA0003347975190000073
并使用神经网络拟合
Figure BDA0003347975190000074
计算条件概率分布p(z|xi)的近似分布后，根据该分布进行随机采样，得到xi在隐空间对应的隐变量zi；
S3.5、通过Vae-lstm模型的解码器对zi进行解码，映射到原始输入数据空间中，对xi进行重构，得到重构向量oi；由此设备每个时刻的重构误差ei u＝||zi (u)-zi ′(u)||。
所述Vae-lstm模型的构建方法包括：使用lstm层替换变分自编码器vae中的前馈网络层得到Vae-lstm模型。
步骤S3.5之后还包括对计算ei u的平均值并进行归一化操作，得到：
Figure BDA0003347975190000075
其中emax (u)和emin (u)分别是设备u的最大重构误差和最小重构误差；hi (u)表示i时刻设备的健康指数值。
步骤S4具体包括以下步骤：
S4.1、根据步骤S3所得的重构误差作为设备健康值，记为H(u)＝[h1 (u),h2 (u),……,hL (u)]，其中ht (u)∈R是t时刻设备的健康值，L为设备总运行周期数；其中0≤ht (u)≤1，当ht (u)为0时表示设备完全失效，为1时表示设备完全健康；
S4.2、训练设备健康状态评估模型，将每个时刻的ht (u)映射到ht (u)并进行拟合，所述拟合方法包括：采用线性回归模型进行拟合，具体为：
fθ(Zt (u))＝θTZt (u)+b,θ∈R；其中fθ(Zt (u))为时刻t设备健康指数的预测值；
S4.3、根据在线设备运行数据使用健康状态评估模型评估当前时刻设备健康指数。
如图3所示，所述健康状态、评价等级根据健康指数进行判断，具体为：
当设备健康指数属于[0.8,1.0]，评价等级为A级，健康状态等级为健康状态，设备健康状态描述为设备健康状况良好，可长期运行；
当设备健康指数属于[0.65，0.8],评价等级为B级，健康状态等级为亚健康状态，发出黄色预警信息，存在异常征兆出现，不宜长期运行；
当设备健康指数属于[0.5,0.65]，评价等级为C级，健康状态等级为不健康状态，发出橙色预警信息，关键指标异常,出现轻微故障，设备勉强可以运行；
当设备健康指数属于[0.0,0.5]，评价等级为D级，健康状态等级为病态状态，发出红色预警信息，设备存在故障，无法完成规定任务。
设备在初始时刻处于完全健康状态，随着工作时间的增加，设备***中的某些子***或元件出现早期故障即设备性能在‘P’点已经开始发生变化，但是不足以导致其运行状态出现异常行为，设备仍表现为正常状态，并发展到可识别潜在故障的程度；随后，设备故障程度逐渐增强，在‘功能失效点’之前，设备表现出存在异常行为，设备潜在故障在点‘F’已经变成功能性故障，已经质变到损坏程度。
如图4所示，以喷气发动机为例，数据量记录了22维传感器测量值，图4为训练集中发动机单元运行至失效的数据记录表，字段ID表示发动机编号，字段cycle表示当前运行周期，字段c_x表示运行控制变量，字段sensor_x表示运行过程中传感器想X的监测数值。
传感器数据序列是时间序列，首先按照4:1比例进行数据集划分，时间窗口长度l取为20，相应的lstm网络time_step＝20；隐变量向量维数为10，vae包含两层lstm网络；Vae-lstm输入原始传感器序列向量维数为16，输出向量维数等于输入；优化算法采用RMSProp算法。训练Vae-lstm模型的重构误差可以准确地反映设备***性能退化失效过程。
如图5所示，为正常运行训练样本Vae-lstm模型的重构误差可准确地反映设备***性能退化失效过程。
使用上述的一种城轨机电设备健康状态评估方法的***，如图6所示，包括：
数据采集模块，用于采集机电设备监测数据；
数据采集模块，用于采集机电设备监测数据；
数据预处理模块，用于对原始采集的机电设备检测数据进行数据清洗，降低异常数据干扰；
Vae-lstm模型训练模块，用于构建Vae-lstm模型并获取设备每个时刻的重构误差序列；
健康设备评估模块，用于构建设备健康状态评估模型并根据在线设备运行数据计算出当前时刻的设备健康指数；
评估结果输出模块，用于输出设备的评价等级、健康状态等级、设备运行描述；
健康状态管理模块，用于根据设备健康状态等级、设备需求、维修资源产生故障预警信号并生成维修任务工单。
所述健康状态管理模块包括以下工作步骤：
A1、获取设备健康状态等级、重要性、经济型、维修性；
A2、判断设备的健康状态等级是否为健康状态；判断是，输出无需产生故障预警信号并生成维修任务工单；判断否，进入下一步骤；
A3、构建设备维修任务工单，所述维修任务工单包括维修优先等级、维修类型、维修范围；
所述维修优先等级，根据机电设备的重要性、健康状态等级，确定设备是进行紧急维修、优先维修还是一般维修；
所述维修类型，根据机电设备的健康状态、经济性和维修性，确定设备是进行大修、中修还是小修；
所述维修范围，根据机电设备整体健康状态等级和子***设备的健康状态等级，确定设备是进行整机维修还是子***设备维修；
A4、健康状态管理模块产生故障预警信号并输出维修任务工单。
一种计算机可读存储介质，所述计算机可读存储介质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如上述的一种城轨机电设备健康状态评估方法的步骤。
尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种城轨机电设备健康状态评估方法，其特征在于，包括以下步骤：
S1、采集机电设备检测数据，并以设定比例划分训练集和测试集；记训练集为U，对于每台设备有u∈U,则设备的多维监测数据记为X(u)＝
Figure FDA0003347975180000011
其中l表示设备最大运行周期数，xt (u)＝Rm是m维向量表示t时刻的m维监测数据；
S2、对采集的数据进行预处理；所述预处理包括异常值处理、缺失值填充、数据归一化和信号滤波；
S3、对Vae-lstm模型进行训练并获取设备每个时刻的重构误差序列；
S4、构建设备健康状态评估模型并根据在线设备运行数据计算出当前时刻设备健康指数；
S5、基于当前时刻设备健康指数输出设备的评价等级、健康状态等级、运行状态描述。
2.根据权利要求1所述的一种城轨机电设备健康状态评估方法，其特征在于，所述机电设备检测数据包括：在线状态、运行工况、历史数据、其他数据；所述在线状态为传感器实时监测表征机电设备当前运行状态的特征量，包括：机电设备***的振动监测、噪声监测和温度监测；所述运行工况包括运行时间、负载情况、过负载运行时间；所述历史数据包括：设备告警记录、故障缺陷记录、检修记录等历史数据；所述其他数据包括：空气温度、空气湿度。
3.根据权利要求1所述的一种城轨机电设备健康状态评估方法，其特征在于，所述步骤S2还包括对不同工况样本进行z-score标准化，用于消除工况变化带来的影响。
4.根据权利要求1所述的一种城轨机电设备健康状态评估方法，其特征在于，步骤S3具体为：
S3.1、通过滑动时间窗法提取设备传感器多维数据序列的子序列xi；
S3.2、在时刻输入多维向量xi，经过lstm层输出后，估计隐变量对应的均值ui和协方差∑zi；
S3.3、使用设备健康状态下的检测数据对Vae-lstm模型进行训练，完成Vae-lstm模型网络参数的优化调整；
S3.4、Vae-lstm模型的编码器对xi进行编码得到均值
Figure FDA0003347975180000022
和协方差
Figure FDA0003347975180000023
并使用神经网络拟合
Figure FDA0003347975180000024
计算条件概率分布p(z|xi)的近似分布后，根据该分布进行随机采样，得到xi在隐空间对应的隐变量zi；
S3.5、通过Vae-lstm模型的解码器对zi进行解码，映射到原始输入数据空间中，对xi进行重构，得到重构向量oi；由此设备每个时刻的重构误差ei u＝||zi (u)-zi′(u)||。
5.根据权利要求4所述的一种城轨机电设备健康状态评估方法，其特征在于，所述Vae-lstm模型的构建方法包括：使用lstm层替换变分自编码器vae中的前馈网络层得到Vae-lstm模型。
6.根据权利要求4所述的一种城轨机电设备健康状态评估方法，其特征在于，步骤S3.5之后还包括对计算ei u的平均值并进行归一化操作，得到：
Figure FDA0003347975180000021
其中emax (u)和emin (u)分别是设备u的最大重构误差和最小重构误差；hi (u)表示i时刻设备的健康指数值。
7.根据权利要求1所述的一种城轨机电设备健康状态评估方法，其特征在于，步骤S4具体包括以下步骤：
S4.1、根据步骤S3所得的重构误差作为设备健康值，记为H(u)＝[h1 (u),h2 (u),……,hL (u)]，其中ht (u)∈R是t时刻设备的健康值，L为设备总运行周期数；其中0≤ht (u)≤1，当ht (u)为0时表示设备完全失效，为1时表示设备完全健康；
S4.2、训练设备健康状态评估模型，将每个时刻的ht (u)映射到ht (u)并进行拟合，所述拟合方法包括：采用线性回归模型进行拟合，具体为：
fθ(Zt (u))＝θTZt (u)+b,θ∈R；其中fθ(Zt (u))为时刻t设备健康指数的预测值；
S4.3、根据在线设备运行数据使用健康状态评估模型评估当前时刻设备健康指数。
8.根据权利要求7所述的一种城轨机电设备健康状态评估方法，其特征在于，所述健康状态、评价等级根据健康指数进行判断，具体为：
当设备健康指数属于[0.8,1.0]，评价等级为A级，健康状态等级为健康状态，设备健康状态描述为设备健康状况良好，可长期运行；
当设备健康指数属于[0.65，0.8],评价等级为B级，健康状态等级为亚健康状态，发出黄色预警信息，存在异常征兆出现，不宜长期运行；
当设备健康指数属于[0.5,0.65]，评价等级为C级，健康状态等级为不健康状态，发出橙色预警信息，关键指标异常,出现轻微故障，设备勉强可以运行；
当设备健康指数属于[0.0,0.5]，评价等级为D级，健康状态等级为病态状态，发出红色预警信息，设备存在故障，无法完成规定任务。
9.用于权利要求1-8所述的一种城轨机电设备健康状态评估方法的***，其特征在于，包括：
数据采集模块，用于采集机电设备监测数据；
数据预处理模块，用于对原始采集的机电设备检测数据进行数据清洗，降低异常数据干扰；
Vae-lstm模型训练模块，用于构建Vae-lstm模型并获取设备每个时刻的重构误差序列；
健康设备评估模块，用于构建设备健康状态评估模型并根据在线设备运行数据计算出当前时刻的设备健康指数；
评估结果输出模块，用于输出设备的评价等级、健康状态等级、设备运行描述；
健康状态管理模块，用于根据设备健康状态等级、设备需求、维修资源产生故障预警信号并生成维修任务工单。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质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如权利要求1至8任一项所述的一种城轨机电设备健康状态评估方法的步骤。
CN202111329014.4A 2021-11-10 2021-11-10 一种城轨机电设备健康状态评估方法、***及存储介质 Pending CN114239377A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111329014.4A CN114239377A (zh) 2021-11-10 2021-11-10 一种城轨机电设备健康状态评估方法、***及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111329014.4A CN114239377A (zh) 2021-11-10 2021-11-10 一种城轨机电设备健康状态评估方法、***及存储介质

Publications (1)

Publication Number Publication Date
CN114239377A true CN114239377A (zh) 2022-03-25

Family

ID=80749002

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111329014.4A Pending CN114239377A (zh) 2021-11-10 2021-11-10 一种城轨机电设备健康状态评估方法、***及存储介质

Country Status (1)

Country Link
CN (1) CN114239377A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115115352A (zh) * 2022-08-29 2022-09-27 山东中鲁实业有限公司 基于数字化城市运行管理服务的公共设备运行控制***
CN115759357A (zh) * 2022-10-29 2023-03-07 思维实创(哈尔滨)科技有限公司 基于pscada数据的供电设备安全预测方法、***、设备及介质
CN116136987A (zh) * 2023-02-21 2023-05-19 北京思维实创科技有限公司 一种基于pscada数据的供电设备可靠性在线评估方法及其***
CN116258483A (zh) * 2023-05-16 2023-06-13 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
CN116449135A (zh) * 2023-04-19 2023-07-18 北京航空航天大学 一种机电***部件健康状态确定方法、***及电子设备
CN116773169A (zh) * 2023-06-20 2023-09-19 南通思诺船舶科技有限公司 一种推进轴健康管理方法及***
CN117610971A (zh) * 2024-01-18 2024-02-27 山东通维信息工程有限公司 一种高速公路机电***健康指数评估方法

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115115352A (zh) * 2022-08-29 2022-09-27 山东中鲁实业有限公司 基于数字化城市运行管理服务的公共设备运行控制***
CN115115352B (zh) * 2022-08-29 2022-11-08 山东中鲁实业有限公司 基于数字化城市运行管理服务的公共设备运行控制***
CN115759357A (zh) * 2022-10-29 2023-03-07 思维实创(哈尔滨)科技有限公司 基于pscada数据的供电设备安全预测方法、***、设备及介质
CN116136987A (zh) * 2023-02-21 2023-05-19 北京思维实创科技有限公司 一种基于pscada数据的供电设备可靠性在线评估方法及其***
CN116136987B (zh) * 2023-02-21 2023-08-15 北京思维实创科技有限公司 一种基于pscada数据的供电设备可靠性在线评估方法及其***
CN116449135A (zh) * 2023-04-19 2023-07-18 北京航空航天大学 一种机电***部件健康状态确定方法、***及电子设备
CN116449135B (zh) * 2023-04-19 2024-01-30 北京航空航天大学 一种机电***部件健康状态确定方法、***及电子设备
CN116258483A (zh) * 2023-05-16 2023-06-13 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
CN116773169A (zh) * 2023-06-20 2023-09-19 南通思诺船舶科技有限公司 一种推进轴健康管理方法及***
CN116773169B (zh) * 2023-06-20 2024-04-26 南通思诺船舶科技有限公司 一种推进轴健康管理方法及***
CN117610971A (zh) * 2024-01-18 2024-02-27 山东通维信息工程有限公司 一种高速公路机电***健康指数评估方法
CN117610971B (zh) * 2024-01-18 2024-04-12 山东通维信息工程有限公司 一种高速公路机电***健康指数评估方法

Similar Documents

Publication Publication Date Title
CN114239377A (zh) 一种城轨机电设备健康状态评估方法、***及存储介质
CN111666982B (zh) 一种基于深度神经网络的机电设备故障诊断方法
CN112101554B (zh) 异常检测方法及装置、设备、计算机可读存储介质
CN111780800B (zh) 一种传感器故障的监测、隔离以及重构方法和***
CN112834211A (zh) 一种风电机组传动***故障预警方法
CN112101431A (zh) 电子设备故障诊断***
CN116611013A (zh) 针对工业时序数据的异常检测以及根因分析方法及***
CN112487910A (zh) 核电汽轮机***故障预警方法及***
Mathew et al. Regression kernel for prognostics with support vector machines
WO2023065580A1 (zh) 风电机组齿轮箱的故障诊断方法及装置
CN114519923A (zh) 一种电厂智能诊断预警方法和***
Son et al. Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge
CN117421582A (zh) 一种基于多源数据驱动的设备健康分析方法
CN113987908A (zh) 基于机器学习方法的天然气管网泄漏预警方法
CN114662712A (zh) 基于Wasserstein深度数字孪生模型的旋转机械状态监测方法
Ou et al. A deep sequence multi-distribution adversarial model for bearing abnormal condition detection
WO2024027487A1 (zh) 基于智能运维场景的健康度评价方法及装置
CN111241629B (zh) 基于数据驱动的飞机液压泵性能变化趋势智能预测方法
CN117454221A (zh) 一种高铁牵引制动***多传感器融合的异常识别方法
CN117408162A (zh) 基于数字孪生的电网故障控制方法
CN116521406A (zh) 一种基于残差门gru-vae模型的航空发动机未超限飞参数据异常检测方法
JP7062505B2 (ja) 設備管理支援システム
Song et al. Anomaly detection of wind turbine generator based on temporal information
Kim et al. Anomaly Detection of an Air Compressor from Time-series Measurement Data
CN114548701A (zh) 面向全量测点耦合结构分析与估计的过程预警方法及***

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