CN115034248A - 用于设备的自动诊断方法、***和存储介质 - Google Patents

用于设备的自动诊断方法、***和存储介质 Download PDF

Info

Publication number
CN115034248A
CN115034248A CN202110234925.2A CN202110234925A CN115034248A CN 115034248 A CN115034248 A CN 115034248A CN 202110234925 A CN202110234925 A CN 202110234925A CN 115034248 A CN115034248 A CN 115034248A
Authority
CN
China
Prior art keywords
equipment
data
state
residual
historical
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
CN202110234925.2A
Other languages
English (en)
Inventor
程刚
J.魏
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.)
SKF China Co Ltd China
SKF AB
Original Assignee
SKF China Co Ltd China
SKF AB
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 SKF China Co Ltd China, SKF AB filed Critical SKF China Co Ltd China
Priority to CN202110234925.2A priority Critical patent/CN115034248A/zh
Priority to US17/591,063 priority patent/US20220283576A1/en
Priority to DE102022201761.7A priority patent/DE102022201761A1/de
Publication of CN115034248A publication Critical patent/CN115034248A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G05B23/0243—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 model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—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 model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • 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
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis
    • 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
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0229—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions knowledge based, e.g. expert systems; genetic algorithms
    • 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
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
    • 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
    • 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
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • 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
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • G05B23/0281—Quantitative, e.g. mathematical distance; Clustering; Neural networks; Statistical analysis
    • 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
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Acoustics & Sound (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

公开了一种用于设备的自动诊断的方法、***和存储有执行所述方法的程序指令的处理器可读存储介质。该方法包括：采集与所述设备的运行相关联的信号；基于自动诊断域知识对采集的信号进行处理以便提取与该设备的当前运行状态相关联的特征数据，其中所述自动诊断域知识代表与设备的故障机理相关的数据；基于提取的特征数据和与设备正常运行状态相关联的历史数据之间的相似度，来识别该设备是否出现异常运行状况。根据本原理的技术方案，可以提升对设备进行自动诊断的准确性，提高设备运行的安全性和经济性。

Description

用于设备的自动诊断方法、***和存储介质
技术领域
本公开涉及对设备的监测和故障诊断的领域，具体涉及对设备进行自动诊断的方法、***和存储有用于实施该自动诊断的方法的程序指令的处理器可读存储介质。
背景技术
本部分旨在向读者介绍本领域的各个方面，这些方面可能与以下描述的和/或请求保护的本原理的各个方面有关。该论述有助于向读者提供背景信息，以便于更好地理解本原理的各个方面。因此，应以该角度来阅读这些陈述，而不是作为对现有技术的承认。
在工业领域，通常运行有各种设备，例如锅炉、发电机组、旋转轴承等。出于对设备运行的安全性和经济性的考虑，一般要求实时监测设备的运行状态，并且对设备的运行状况进行预测分析以便对设备可能出现的故障进行预警。设备故障预警就是对设备的运行状态的健康程度进行评估，在故障发生之前进行预警。设备故障的发生不仅影响企业效益，同时也会危及工作人员的人身安全。在设备故障发生之前往往会有故障出现的征兆，且征兆参数的变化往往是从不明显到明显，从不完全到完全的发展过程。如果能够利用自动故障诊断***在设备故障征兆尚不明显时就对设备状态进行准确的预测，则能够为运行人员争取更多的故障处理时间，及时对设备进行检修、维护和/或维修，降低运行风险，避免出现安全事故，提高设备运行安全性，并且也能够提高设备的运行效率并且给企业带来经济效益。
然而，由于这些设备一般比较复杂，彼此之间又具有很强的耦合性，而现场的运行环境差别也比较大，导致监测到的信号包含了丰富的***信息，故障特征常常被噪声所淹没，单纯通过分析监测到的信号难以辨识出设备的当前运行状态，更难以对可能出现的故障进行预警。
发明内容
说明书中对“一个实施例”、“实施例”、“示例实施例”、“特定实施例”的引用表示所描述的实施例可以包括特定的特征、结构或特性，但是每个实施例不一定都包括该特定的特征、结构或特性。此外，这样的短语不一定指相同的实施例。进一步地，当结合实施例来描述该特定的特征、结构或特性时，可以认为结合其他实施例(无论是否明确描述)来实施这种特征、结构或特性是在本领域技术人员的知识范围内的。
根据本原理的一方面，公开了一种用于设备的自动诊断的方法，包括：采集与所述设备的运行相关联的信号；基于自动诊断域知识对采集的信号进行处理以便提取与该设备的当前运行状态相关联的特征数据，其中所述自动诊断域知识代表与设备的故障机理相关的数据；基于提取的特征数据和与设备正常运行状态相关联的历史数据之间的相似度，来识别该设备是否出现异常运行状况。
根据本原理的另一方面，公开了一种用于设备的自动诊断的***，包括：一个或多个传感器，采集与所述设备的运行相关联的信号；一个或多个处理器，所述一个或多个处理器被配置为：基于自动诊断域知识对采集的信号进行处理以便提取与该设备的当前运行状态相关联的特征数据，其中所述自动诊断域知识代表与设备的故障机理相关的数据；以及基于提取的特征数据和与设备正常运行状态相关联的历史数据之间的相似度，来识别该设备是否出现异常运行状况。
根据本原理的又一方面，公开了一种存储有程序指令的处理器可读存储介质，当所述程序指令由处理器执行时，能够实施上述方法。
根据本原理的实施例，可以改进自动诊断***的性能。具体地，通过将基于自动诊断域知识的特征提取功能集成到自动诊断框架中，可以提供与人类专家相同的逻辑和相似的结果，从而提高自动诊断模型的可解释性；采用基于球树的MSET模型和残差分析模型能够自动实现自训练过程，从而支持自动模型训练、预测，并方便地部署到不同的客户和地点，便于机器学习模型的自动训练与部署，从而避免通常的机器学习需要大量的时间和精力进行离线训练和维护；另外，依据本公开的机器学习模型能将过程数据和机器状态数据一起处理，实现基于过程状况的自动聚类以便提高模型预测精度。
附图说明
参照附图阅读下文中的描述，将更好地理解本公开以及其他具体特征和优点将出现，附图中：
图1示出了根据本原理的非限制性实施例的一种实现设备自动诊断的***的架构；
图2示出了根据本原理的非限制性实施例的自动诊断方法中机器学习模块的示意性流程；
图3示出了根据本原理的非限制性实施例的基于MSET的状态估计的示意性框架；
图4示出了根据本原理的非限制性实施例的一示例的获取的故障特征图谱；
图5示出了根据本原理的非限制性实施例的所构建的特征向量集合的示例；
图6是根据本原理的非限制性实施例的一种用于设备的自动诊断的方法的示意性流程图；以及
图7是根据本原理的非限制性实施例的一种用于设备的自动诊断的***的示意性框图。
具体实施方式
现在参考附图来描述主题，其中，全文中相似的参考标号用于指代相似的元件。在下面的描述中，出于解释的目的，阐述了许多具体细节以便提供对主题的透彻理解。然而，显然的是，在没有这些具体细节的情况下也可以实施本原理。
本说明书示出了本公开的原理。因此，可以理解的是，尽管本文未明确描述或示出，但是本领域技术人员能够设计出体现本公开原理的各种配置。
本原理自然不限于在此描述的实施例。
根据本公开的一示例，提出了一种基于相似性进行故障诊断的***及方法，可以用于对设备，诸如工业旋转设备进行状态监测和故障诊断服务，从而提供一套完整的解决方案。该综合诊断***提供从数据自动采集、自动诊断、故障预警从而便于进行维修/维护服务，其中，通过采用机器学习模块能够实现自动诊断过程，即，利用丰富的自动诊断域知识、采用机器学习算法以及存储有同类型设备和/或所监测的设备的历史运行状态的数据库，实现数字化自动诊断，从而实现了异常检测、故障诊断以及剩余使用寿命(RUL)估计的完整解决方案。可选地，可以利用数字孪生技术，为所监测的每台设备建立唯一的模型，并且基于设备类型，例如，轴承、齿轮箱、叶片、泵、压缩机、发电机、离心机等等，实现各种故障模式的诊断和预警。此外，还可以基于云解决方案，对监测的每台设备实现准实时自动诊断。
图1示出了根据本公开一实施例的自动诊断***的架构，其可以包括数据采集模块、数据处理模块和机器学习模块。
具体地，数据采集模块可以是通用模块，用于实时或者周期性采集反映设备运行状态或者过程工艺的数据，例如，振动、温度、压力、流量等数据。
数据处理模块可以分析采集的数据并且从中提取特征数据。例如可以基于分类学，例如，应用、机器、组件、故障模式、状况指标等来提取设备的特征数据，这是基于域知识而实现的。可以基于涉及设备的各种历史数据，利用软件来实现特征提取模块，从而易于***的扩展。
机器学习模块可以基于特征提取模块的输出，提供三种不同层次的自动诊断服务，例如，异常检测、故障诊断以及设备剩余使用寿命RUL估算服务。换句话说，机器学习模块可以包括异常检测模块、故障诊断模块。可选地，机器学习模块还可以包括剩余使用寿命RUL估算模块，其基于故障诊断的结果进行设备的RUL估算。具体地，异常检测模块基于球树的MSET异常检测算法可以检测出设备的异常状态，故障诊断模块可以基于每个特征的残差比率检测出与设备的异常状态相关的特定故障模式，RUL估算模块可以基于作为历史故障案例数据库的历史故障数据集来估计设备的剩余使用寿命。
根据本公开的一实施例，例如，该自动诊断***包括状态监测和故障诊断。具体地，该自动诊断***包括传感器和数据采集、信号处理、故障诊断等服务。如上所述，基于传感器数据和运行数据的完整性，可提供三种不同级别的自动诊断服务，即，异常检测、故障诊断和剩余使用寿命估算。其中，“异常检测”可检测与不直接与故障模式相关的设备异常状态，“故障诊断”可检测与设备的特定故障类型对应的设备异常状态，而剩余使用寿命估算可以根据历史故障数据来估算设备的剩余使用寿命。具体地，可以针对设备的类型采用各种传感器来监测并采集反映设备的运行状态的信号。例如，可以采用加速度传感器来监测设备的振动，采用温度传感器来监测设备的温度，采用压力传感器来监测设备所承受的压力状态，采用流量计来监测通过设备的流量等等。根据需要，这种监测信号的采集可以是实时的也可以是周期性的。当采集到监测的有关设备的信号后，可以对采集的监测信号进行数据和分析处理，例如，对振动信号进行振动分析，以提取与设备的当前运行状态相关联的特征数据。根据本原理的一实施例，可以基于自动诊断域知识对采集的监测信号进行处理以便提取与该设备的当前运行状态相关联的特征数据，其中自动诊断域知识代表与该设备的故障机理相关的数据。例如，在利用自动诊断***对风电发电机轴承进行故障自动诊断时，可以从振动传感器实时采集的振动信号中提取反映轴承异常运行状态的特征信号，例如，从频谱曲线中提取代表轴承运行异常的特征。作为示例，轴承故障可以包括轴承内圈、轴承外圈、滚动体、保持架四种不同的异常运行状态导致的故障。如下所示，在从频谱曲线的包络谱中提取出的轴承特征中，BPFO表示外圈运行异常特征，BPFI表示内圈运行异常特征，BSF表示滚动体运行异常特征，以及FTF表示保持架运行异常特征：
{BPFOi，i＝1～5，BPFIj，j＝1～5，BSFk，k＝1～5，FTFp，p＝1～5}。
相应地，图4示出了对应于外圈故障的BPFO的频谱模式以及相应的特征提取结果。
根据本公开的一实施例，在提取了与设备的运行状态相关联的特征数据后，可以基于提取的特征数据和与设备正常运行状态相关联的历史数据之间的相似度，来识别该设备是否出现异常运行状况。作为示例，本公开的实施例采用基于数据驱动的故障预警方法，针对输入数据进行分析和处理，通过处理得出数据的一些特征参数，并且通过特征参数对故障进行预警。具体而言，本公开的一实施例基于一种基于非线性的多元状态估计技术(Multivariate State Estimation Technique,MSET)，通过对正常运行时的各个参数进行运算并做出估计，以这种正常的状态估计作为基准，并且对从实际监测参数提取的特征数据与设备正常运行时的健康数据进行分析对比，找到与健康数据的“相似程度”，以此对实际运行状态做出估计；而两者之间的“相似程度”是通过权值向量来决定的，用于衡量实际状态与正常状态的相似性，并且最终对健康状态与实际运行状态的估计结果进行对比分析，最终实现设备故障的自动诊断。
图2示出了根据本公开的一实施例的机器学习模块实现的示意性的诊断流程。该流程主要包括模型建立过程和模型预测过程。存在两种数据，一种是对应过程信号的数据，另一种是对应于状态监测信号的数据。在建模过程中，对过程数据进行自动聚类，找出大多数稳定的过程状态，对于每一个稳定的过程状态，根据状态监测信号进行模型开发以便建立诸如异常检测、故障诊断和RUL估算模型。例如，针对具体应用，可以为每台机器和故障模式设定诊断规则，并通过配置诊断规则利用观测器提取特征，然后自动建立机器学习模块，例如建立异常检测、故障诊断和RUL估算模块，实现模型的在线自动运行。
具体地，如图2所示，模块建立过程主要包括：采集原始数据，例如，采集反映设备的运行状态，例如与振动相关联的数据；对数据进行预处理，例如，进行数据同步和数据清理，数据同步意味着将可能在不同时刻采集的数据进行例如插值等处理，以便同步到相同的时刻，数据清理意味着剔除明显不合理的数据；基于同步和清理后的数据进行设备的运行状态的聚类，例如，基于阈值进行自动聚类，找到大多数稳定的过程状态，并对于每一个稳定的过程状态，根据状态监测信号建立异常检测、故障诊断和RUL估算模型。作为示例，可以基于多元状态估计技术(MSET)和序贯概率比算法来建立异常检测模型；可以基于设定的诊断规则、利用各种故障类型分别对应的残差比率来建立故障诊断模型；可以基于与故障类型对应的历史数据的相似度，并且可以采用各种退化函数曲线，例如，线性曲线函数、指数型曲线函数等来建立RUL估算模型。模型预测过程则是基于当前采集的状态数据，分别利用上述建立的各种模型，例如，聚类模型、异常检测模型、故障诊断模型和RUL估算模型以及相应的阈值来预测设备的运行状态，判断设备可能会出现的故障类型以及估算设备的RUL。
图3示出了基于MSET的状态估计的简化的框图。如上所述，基于非线性的多元状态估计技术(MSET)是将当前运行数据和已生成的历史运行状态数据进行对比，计算并比较多状态变量之间的相似度，从而实现故障的早期自动诊断并预警。如图3所示，通过选取监测参数并从中提取特征数据，以便构建反映设备的当前运行状态的观测矩阵Xobs，而通过基于与设备正常运行状态相关联的历史数据，例如利用训练数据来构建用于代表设备正常运行状态的过程存储矩阵D，以及基于过程存储矩阵D来生成用于预测该设备的运行状态的估算矩阵Xest，并且计算反映设备当前实际运行状态的观测矩阵Xobs和反映所预测的设备的运行状态的估算矩阵Xest之间的差异的实际残差数据；另一方面，从与设备正常运行状态相关联的历史数据中提取样本数据而形成健康矩阵L，并且计算所提取的样本数据与对其进行预测所产生的估算数据之间的差Lest，作为与设备历史正常运行状态对应的健康残差数据；以及基于与设备历史正常运行状态对应的健康残差数据的分布和与该设备的当前运行状态对应的实际残差数据的分布，来确定该设备出现异常运行状况的概率，以便识别该设备是否出现异常运行状况。
假设所监测的设备有m个时间状态，而在每个时间状态都有n个观测变量组成一个状态观测向量，则针对该设备的观测矩阵可以表示为如下的矩阵形式，向量代表针对某一观测参数的时间序列：
Figure BDA0002959592020000071
训练数据K为正常运行状态下，各个观测参数的健康状态。它必须包涵设备的全范围的动态参数，包括平稳状态和剧烈变化的动态，而不能够有非健康的数据在内。
从训练矩阵K中，抽取一部分能够代表设备运行状态的数据，可以组成过程存储矩阵D：
Figure BDA0002959592020000081
过程存储矩阵D中的每一列观测向量代表设备的一个正常工作状态。经过合理选择的过程存储矩阵中的m个历史观测向量所张成的子空间能够代表设备正常运行的整个动态过程。因此，过程存储矩阵的构建实质就是对设备正常运行特性的学习和存储过程。
如前所述，多元状态估计(MSET)技术基于非参数建模方法来建立非线性***模型，其使用***的历史正常运行状态数据集来学习用于估算***的状态的各个变量之间的关联性。经典的MSET模型基于所有的历史存储状态并利用相似性函数来估计新的状态，然而，当相似性函数不适合于状态分布时，尤其是当***具有高度非线性的状态空间时，这往往会导致状态估计的效果很差。
由此可见，过程存储矩阵D的构建直接与基于相似性的状态估计的精度密切相关。具体而言，过程存储矩阵D的构建要求能够覆盖设备正常运行的全范围动态参数，而其中所存储的状态的个数m影响着其估计性能。一般而言，其存储的状态数量越少，所得到的估计效果就会越差。但是，当过程存储矩阵所包含的数量过于庞大的时候，由于大量的历史参数间波动较小，会使状态之间相关性增大，无法抑制不良噪声的产生。此外，对设备进行估计的运算时间与过程存储矩阵的大小相关，也就是说，当过程存储矩阵中存储的状态数量多的时候，就需要更长的时间进行状态估计的运算；同理，当设备需要的观测参数维数多时，状态估计的运算时间也会相应的增加。综上所述，较多的过程状态存储量尽管能得到更好的模型，但是需要较长的时间进行训练，并且还会由于过多的过程状态存储量之间所存在的大的相关性而导致对不良噪声的放大；而较少的过程状态存储量虽然结果不太精确，但是能够更快速的执行建模估计过程。
因此，对过程存储矩阵D的构建过程进行优化的目标之一在于，使过程存储矩阵中的状态在能够全方位覆盖设备的运行状态动态变化的情况下，包含的状态数量最少。
为此，根据本公开的实施例提出了基于球树BallTree的聚类算法来实现对过程存储矩阵D的构建过程的优化。例如，可以基于球树聚类算法对设备的历史正常数据进行聚类分析，获取聚类中心，并且选取聚类中心构成设备的过程存储矩阵。实际上，在传统的获取MSET的过程存储矩阵时，由于原始数据样本未经处理直接构成过程存储矩阵D，虽然能够覆盖***所有的健康状态，但是由于状态数量较多，且由于采样时间较短，个别状态之间具有很强的相关性，此时状态估计的过程相当于一个噪声放大器，而利用球树聚类算法对历史数据进行聚类处理后，可以获得相关性大大降低的过程存储矩阵D，有效地抑制了噪声对于预测值的影响，而且通过聚类算法缩小了过程存储矩阵D的状态数量，一定程度上减少了运算所需要的时间。
为此，根据本公开的一实施例，提出了一种基于与设备正常运行状态相关联的历史数据，利用球树(Ball-Tree)聚类算法来构建用于代表设备正常运行状态的过程存储矩阵D。例如，将MSET中历史健康状态数据以矩阵形式布置，矩阵的每一列向量代表一个特定的状态或者测度，矩阵的行数等于对应于该特定状态的总观测量；将给定时刻tj的状态集合定义为向量Y(tj)，
Y(tj)＝[y1(tj)，y2(tj)，y3(tj)，…，yn(tj)]T其中，yi(tj)表示在时刻tj状态i的测度，
则过程存储矩阵D＝[Y(t1)，Y(t2)，Y(t3)，…，Y(tm)]；
与传统的MEST方法相比，基于球树的MSET的D矩阵是根据输入状态与各历史健康状态之间的相似性，由球树聚类算法进行对各个历史健康状态数据进行聚类而动态生成的。
例如，在基于球树聚类算法生成的MSET的过程存储矩阵可以被表示为：
D(Yin)＝[Y(t1)，Y(t2)，Y(t3)，…，Y(tm)]
其中，[t1，t2，t3，…，tm]＝BallTree(Yin，m)；
换句话说，根据本公开的实施例，代表设备正常运行状态的过程存储矩阵D是利用球树聚类算法从设备的历史健康数据中抽取的m个历史观测向量构建的，其能够代表设备正常运行的整个动态过程。作为本公开的一示例，在构建过程存储矩阵D时，可以考虑以下的一个或者多个选项：过程存储矩阵D的大小可以小于总的历史正常数据集合的一半；过程存储矩阵D中的数据应尽可能均匀地分布在整个状态空间中；为确保所构建的过程存储矩阵D中数据分布的均匀性，可以设置被称为最小相似性的阈值参数α，减轻由于大量历史状态数据之间波动较小而导致的状态之间相关性增大的问题，从而抑制不良噪声的产生，也以避免过程存储矩阵D中数据分布的严重不均匀性。
综上所述，根据本公开的一实施例，提出了利用球树来构建MSET过程状态矩阵的方案，其中，基于反映设备的历史正常运行数据，利用球树聚类算法查询相似性较大的数据，从而选取聚类中心，以此构建自适应过程存储矩阵。
如上所述，MSET模型的输入为某一时刻所监测的设备新的观测向量，其输出为对该观测向量的预测量Yest。实际上，Yin为***观测形成的具有一定时间长度的观测矩阵，MSET将当前观测状态与过程存储矩阵中的运行状态进行相似度比较并生成权值，并据此对当前***状态进行估计，所生成的当前***状态估计矩阵Yest是一个与Yin大小相同的矩阵，可以通过过程存储矩阵和权值的点积计算得出，如下式所示：
Yest＝D(Yin)·W
其中，对于任何一个输入的观测向量Yin，生成一个m维的权值向量W＝[w1，w2，..wm]T，使得
Yest＝Y(t1)·w1+Y(t2)·w2+…+Y(tm)·wm
由此可见，MSET模型的预测输出为过程存储矩阵中m个历史观测向量的线性组合。
当模型新的输入观测向量是在设备正常工作状态下获得的，由于过程存储矩阵覆盖了设备的正常工作状态空间，该新观测向量总会和过程存储矩阵中的某些历史观测向量相似，利用这些相似的历史观测向量的组合可以对输入观测向量给出精度很高的预测值，而模型预测的精度可以用某变量的预测值和该变量的实际测量值之间的残差来衡量。而当设备的工作状态发生变化出现故障隐患时，由于动态特性的改变，输入的观测向量将偏离正常工作空间，其与过程存储矩阵D中的历史观测向量均不相似，通过过程存储矩阵D中历史观测向量的组合无法构造其对应的精确预测值，这将会导致预测精度下降、残差增大。
权值为表征状态估计和过程存储矩阵间相似性测度的大小，可以通过选择权重矩阵W使得MSET模型的输入观测向量和输出预测向量之间的残差ε＝Yin-Yest的平方和最小的方式求解。
作为示例，Minε＝min[(Yin-D·W)T·(Yin-D·W)]，
此时权值可以表示为：
W＝(DT·D)-1·(DT·Yin)
由于大多数***的状态数据间都会存在一定的相关性，数据之间的相关性会导致上述公式中矩阵不可逆，限制了权值的求解。为此，可以利用基于相似性原理的相似性运算符
Figure BDA0002959592020000111
代替点积，通过计算数据状态间的相似程度来表征其权值，从而解决数据相关所造成的矩阵不可逆。利用相似性运算符
Figure BDA0002959592020000112
代替点积，可得：
Figure BDA0002959592020000113
此外，为降低设备的正常历史数据可能存在的复杂的耦合相关性而导致***对噪声敏感，可以在求取权值和估计值时引入岭规则化的概念，在权值计算时引入单位矩阵，以实现其去相关化：
Figure BDA0002959592020000114
其中符号
Figure BDA0002959592020000115
表示相似度运算，λ是岭规则参数(λ＞0)，而I是单位矩阵。
作为示例，可以将该设备的当前运行状态对应的残差数据表示为：
Rin＝|Yest-Yin|。
综上所述，根据本公开的上述各个实施例，可以基于与设备正常运行状态相关联的历史数据，利用球树Ball-Tree聚类算法来构建用于代表设备正常运行状态的过程存储矩阵D；基于构建的过程存储矩阵D，生成用于预测该设备的运行状态的估算数据Yest；以及计算提取的特征数据Yin与估算数据Yest之间的差，作为与该设备的当前运行状态对应的残差数据。
图5示出了根据本公开的一示例所构建的过程存储矩阵，其中，通过利用球树算法来提取风电发电机轴承的历史正常运行状态对应的数据，并且将提取的数据对应的向量集成到MSET算法，从而构建异常检测模型Modelwind-generator-bearing-mset。
根据本公开一实施例，在所提出的自动诊断方法中，从与设备正常运行状态相关联的历史数据中提取样本数据L，并且计算所提取的样本数据与对其进行预测所产生的估算数据Lest之间的差，作为与设备历史正常运行状态对应的健康残差数据Rhealthy，换句话说，残差数据Rhealthy反映了设备正常运行历史数据与其预测值之间的差异。
可选地，该自动诊断方法还可以包括：基于与设备历史正常运行状态对应的残差数据的分布和与该设备的当前运行状态对应的残差数据的分布，利用序贯概率比检验(sequential probability ratio test，SPRT)来确定该设备出现异常运行状况的概率，以便识别该设备是否出现异常运行状况。
也就是说，在获得输入状态实际残差数据和健康残差数据之后，可以基于这些数据的分布情况，利用序贯概率比检验SPRT来确定该设备出现异常运行状况的概率，从而识别设备是否出现了异常运行状况。SPRT是一种基于二元假设的检验技术，其假设残差信号满足两个前提条件：(1)状态样本是独立同分布的；(2)状态样本服从参数未知的先验分布。
如上所述，基于MSET获得的设备的实际残差和健康残差为矩阵形式，但由于常用的统计学数据处理方法通常都是针对一维向量样本进行的，为解决这一问题，需要将对残差数据进行预处理，从而将得到的实际残差和健康残差降为一维向量，然后再对一维向量进行统计学的数据处理方法。具体地，根据本公开的一实施例，通过引入权重向量K＝[k1，k2，…，kn]来降低残差的维度，其中ki表示状态i的权重比例。由此，降维后的设备的实际残差数据以及健康残差数据可以表示为：
Figure BDA0002959592020000121
Figure BDA0002959592020000122
为了分析设备的运行状态的异常变化，并且准确进行设备的运行异常预警，减少误报警率和漏报警率，本公开的实施例可以采用SPRT对残差数据进行分析。
通过假设残差服从正态分布，基于SPRT方法通过均值和方差来检验输入残差值。
根据本公开可以基于不服从正态分布的状态残差的函数和服从正态分布的状态残差的函数之间的比率来决定接受哪种假设。例如，作为示例，可以采用以下所示的概率比来决定接受哪种假设：
Figure BDA0002959592020000131
式中，Fi(Rk|Hi)是观测到降维后的状态残差Rk不服从正态分布
Figure BDA0002959592020000132
的似然函数，G(Rk|H0)是观测到降维后的状态残差Rk服从正态分布
Figure BDA0002959592020000133
的似然函数。
(1)原假设片0：当设备运行正常时，反映设备的正常运行状态的健康残差数据符合均值为弘0并且方差为
Figure BDA0002959592020000134
的正态分布；
(2)备择假设Hi(i＝1，....4)：当设备运行异常时，反映设备的运行状态的实际残差数据的分布。
作为示例，可以设定相应的上限值和下限值，并且通过将该概率比分别与设定的上限值和下限值进行比较，来确定假设决策。
例如，当上述概率比小于设定的下限值时，判断设备当前的运行状态正常，而当上述概率比大于设定的上限值时，判断设备当前的运行状态异常。
另外，上述利用BallTree基于MSET所构建的相似性模型，是选取了一些具有一定代表性的状态来构建过程存储矩阵的，当设备运行正常时，能够得到精度较高的状态估计；但是当设备状态突变，例如较大负荷变动时，可能会出现一些孤立的、明显高于正常估计误差值的点。另外，当设备故障状态时，其参数向量发生动态突变，观测的状态点也会相应的出现偏移，偏离正常工作状态空间，脱离了过程存储矩阵所构造的空间模型，这时由于相似度减小，相应的预测残差也会显著增大且残差的时序分布会明显区别于正常工况。为了提取这种时间序列的信息，根据本公开的实施例，可以采用滑动窗口残差统计的方法来提取窗口内残差的均值和方差，从而保证了异常预警的实时性和准确性，同时也保证了异常预警方法的可靠性，降低出现误报错报的概率。换句话说，利用滑动窗口，即减小的残差序列{Ri|i＝1，…，L}来提取残差数据。
作为示例，在获得的设备可能出现异常的概率后，可以将其与基于预先设置的阈值进行比较，以确定设备是否出现异常运行状况。
根据本公开的实施例，在识别出该设备出现异常运行状况的情况下，基于与该设备的当前运行状态对应的残差数据的分布，计算各种故障类型分别对应的残差比率；以及基于计算的残差比率，确定该设备未来可能出现的故障类型。
作为示例，可以采用以下算法来确定该设备未来可能出现的故障类型：
Figure BDA0002959592020000141
作为示例，基于如图5所示的针对风力发电机轴承的自动诊断构建的模型，根据新采集的特征计算预测的结果，并计算残差的比率。例如，基于新采集的特征计算得到的故障失效概率为82％，模型残差分布的结果如下：
Figure BDA0002959592020000142
基于残差结果可见，对应BPFO的残差比率为76.8％，所以该设备未来失效的原因与BPFO(轴承外国故障)相关的可能性更大。
根据本公开的实施例，基于所确定的该设备未来可能出现的故障类型，可以利用提取的特征数据与该故障类型对应的历史数据之间的相似度来估算该设备的剩余使用寿命RUL。剩余使用寿命RUL是指当确定设备的运行状态异常时，预测设备从当前时间到使用寿命结束的时段。根据本公开的实施例，通过对设备的运行状态进行异常检测来获得设备运行的健康指标，例如，上述的基于BallTree的MSET预测以及利用SPRT确定设备运行出现异常的概率的过程；判断设备的当前工况是处于正常阶段还是处于异常阶段，例如，上述的基于获得的残差数据的比率，确定该设备未来可能出现的故障类型的过程；在判断出设备的当前工况处于异常阶段的情况下，对设备的剩余使用寿命RUL进行估算，以便制定有关设备的维护和/或维修策略，从而实现设备的自动诊断和健康管理。
通常，RUL主要包括以下方法：基于物理模型的方法、基于统计模型的方法和数据驱动的方法。考虑到工业设备的应用环境和运行条件的多样性，建立通用的物理模型和统计模型可能比较困难。根据本公开的实施例，采用了数据驱动的RUL估算方法来实现对设备的剩余使用寿命的估算。其中，可以根据设备类型、应用环境对设备进行分组；然后，对每个子组的运行状况进行自动聚类；最后，采用基于相似性的数据驱动方法来估算设备的剩余使用寿命RUL。
根据本公开实施例，针对设备的RUL估算主要包括：运行状态聚类；设备异常运行状态的检测以及确定设备的当前工况是处于正常阶段还是处于异常阶段的设备健康状态诊断；基于相似性的RUL估计。
考虑到设备的使用寿命与设备的运行状态密切相关。因此，需要对与设备的运行状态相关联的数据进行划分。可以采用基于预先定义的规则对与运行状态相关的数据进行划分，也可以利用聚类模型对与运行状态相关的数据进行划分。当基于聚类模型对与运行状态相关的数据进行划分时，聚类器的输入是状态列表，输出是运行指标/标签。可以采用本领域常用的各种聚类算法对与运行状态相关的数据进行划分，包括但不限于K均值聚类、DBSCAN聚类、BIRCH聚类算法等。
根据本公开的实施例，在对设备的运行状态进行划分后，采用异常检测(MSET+SPRT)方法对设备进行诊断，实现两级状态诊断，两级状态诊断输出为正常或者异常。在诊断结果为异常的情况下，可以利用基于相似性的算法来估算设备的剩余使用寿命RUL。基于相似性的算法是一种基于数据驱动的方法，其基本原理是相似的输入通常产生相似的输出，只需要少量的相似样本就可以根据参考样本与预测对象之间的相似程度来实现设备的剩余使用寿命RUL的预测。
根据本公开的实施例，基于相似性的RUL估算是以设备的当前状态作为输入，在记录或存储的历史数据中搜索与输入的当前状态相似的状态。具体而言，利用记录或存储的有关设备的运行状态的历史数据，例如，在存储了与设备的各种运行状态对应的历史数据的案例库(case library)中搜索与输入状态Snew相似的状态。
例如，在{Casei|i＝1…k}中搜索相似的状态Sk，并且设置相似度的阈值以及考虑相应状态的权重，如果casei中每个状态与输入状态Snew之间的最大相似度大于该阈值，则使用casei来估算RUL，否则忽略该casei，也就是将对应于该casei的权重设置为0。作为示例，对于casei的权重，还可以考虑基于该casei估算的残余寿命来修改权重，例如，如果基于该casei估算的残余寿命较大，则该casei对应的权重较小。换句话说，如果基于casei估算的RUL较小，则该casei将更重要。对于权重的这种修改主要是为了避免了预测延迟。
由此，根据本公开的实施例，基于所确定的该设备未来可能出现的故障类型，利用提取的特征数据与该故障类型对应的历史数据之间的相似度来估算该设备的剩余使用寿命RUL。此外，作为示例，在与该故障类型对应的历史数据中搜索与提取的特征数据相似的至少一组历史数据；基于该至少一组历史数据对应的设备剩余使用寿命，利用加权平均来估算该设备的剩余使用寿命RUL。
综上所述，依据本公开的原理，将典型的设备状态监测工具与机器学习模块相结合而设计了一种综合的自动诊断方案。该方案将域知识和数据驱动模型相结合来实现诊断。如前所述，自动诊断域知识代表与被监测设备的故障机理相关的数据，例如包括但不限于，针对各种机械类型和故障模式的振动分析、典型工况指标、机器性能率估计等等。该解决方案中的机器学习模块实现了基于历史数据、人员诊断结果甚至维修记录进行自训练和自动预测处理。
根据本公开的实施例，通过自动诊断域知识和数据驱动方法进行深度集成，实现了自动诊断***；此外，所有的模型构建和开发过程都是自动的，易于扩展；同时，可以根据需要，在一个综合平台上集成异常检测、故障诊断和剩余使用寿命RUL预测三个层次的诊断功能，或者将其分布到不同的平台上。
图6示出了根据本原理的非限制性实施例的一种用于设备的自动诊断的方法的示意性流程图。具体地，如图6所示，该方法600包括：步骤602，采集与所述设备的运行相关联的信号；步骤604，基于自动诊断域知识对采集的信号进行处理以便提取与该设备的当前运行状态相关联的特征数据，其中所述自动诊断域知识代表与设备的故障机理相关的数据；以及步骤606，基于提取的特征数据和与设备正常运行状态相关联的历史数据之间的相似度，来识别该设备是否出现异常运行状况。
根据本原理的另一方面，还公开了一种用于设备的自动诊断的***。如图7所示，该***700包括：一个或多个传感器702，采集与所述设备的运行相关联的信号；以及一个或多个处理器704，所述一个或多个处理器被配置为：基于自动诊断域知识对采集的信号进行处理以便提取与该设备的当前运行状态相关联的特征数据Yin，其中所述自动诊断域知识代表与设备的故障机理相关的数据；以及基于提取的特征数据和与设备正常运行状态相关联的历史数据之间的相似度，来识别该设备是否出现异常运行状况。
根据本原理的又一方面，还公开了一种存储有程序指令的处理器可读存储介质，当所述程序指令由处理器执行时，能够实施上述的方法。
本文描述的实施方式可以例如由方法或过程、装置、计算机程序产品、数据流、或信号来实现。即使在上下文中仅讨论了单一的实施方式(例如，仅讨论了作为方法或设备)，所讨论的特征的实施方式也可以由其他形式(例如程序)来实现。装置可以例如以适当的硬件、软件、和固件来实现。方法可以在例如诸如处理器之类的装置中实现，处理器通常指的是处理设备，例如包括计算机、微处理器、集成电路、或可编程逻辑设备。处理器还包括通信设备，例如智能手机、平板电脑、计算机、手机、便携式/个人数字助理(“PDA”)、以及其他有助于终端用户之间信息通信的设备。
另外，可以通过由处理器执行的指令来实现所述方法，并且可以将这样的指令(和/或由实现方式产生的数据值)存储在处理器可读介质中，例如，集成电路、软件载体、或其他存储设备中；其他存储设备例如可以是硬盘、光盘(CD)、光盘(例如DVD，通常称为数字通用盘或数字视频盘)、随机存取存储器(RAM)、或只读存储器(ROM)。指令可以形成有形地体现在处理器可读介质上的应用程序。指令可以是在例如硬件、固件、软件、或其组合中。指令可以在例如操作***、单独的应用程序、或两者的组合中找到。因此，处理器的特征可以在于，例如，被配置为执行过程的设备和包括具有用于执行过程的指令的处理器可读介质(诸如存储设备)的设备。此外，除了指令之外或者代替指令，处理器可读介质还可以存储由实施方式产生的数据值。
已经描述了许多实施方式。然而，可以理解的是，可以对其进行各种修改。例如，不同实施方式的元素可以被组合、补充、修改、或移除，以产生其他实施方式。另外，本领域普通技术人员可以理解的是，可以用其他结构和过程代替所公开的结构和过程，并且所得到的实施方式将以至少基本上相同的方法执行至少基本上相同的功能，以至少实现与所公开的实施方式基本相同的结果。因此，本申请考虑了这些和其他实施方式。

Claims (10)

1.一种用于设备的自动诊断的方法，包括：
采集与所述设备的运行相关联的信号；
基于自动诊断域知识对采集的信号进行处理以便提取与该设备的当前运行状态相关联的特征数据，其中所述自动诊断域知识代表与设备的故障机理相关的数据；
基于提取的特征数据和与设备正常运行状态相关联的历史数据之间的相似度，来识别该设备是否出现异常运行状况。
2.根据权利要求1所述的方法，还包括：
在识别出该设备出现异常运行状况的情况下，基于与该设备的当前运行状态对应的残差数据的分布，计算各种故障类型分别对应的残差比率；以及
基于计算的残差比率，确定该设备未来可能出现的故障类型。
3.根据权利要求2所述的方法，还包括：
基于所确定的该设备未来可能出现的故障类型，利用提取的特征数据与该故障类型对应的历史数据之间的相似度来估算该设备的剩余使用寿命。
4.根据权利要求1-3任一项所述的方法，其中，
基于与设备历史正常运行状态对应的残差数据的分布和与该设备的当前运行状态对应的残差数据的分布，利用序贯概率比检验SPRT来确定该设备出现异常运行状况的概率，以便识别该设备是否出现异常运行状况。
5.根据权利要求1-3任一项所述的方法，其中，
基于与设备正常运行状态相关联的历史数据，利用球树Ball-Tree聚类算法来构建用于代表设备正常运行状态的过程存储矩阵。
6.根据权利要求5所述的方法，其中，
基于构建的过程存储矩阵，生成用于预测该设备的运行状态的估算数据；以及
计算提取的特征数据与估算数据之间的差，作为与该设备的当前运行状态对应的残差数据。
7.根据权利要求1-3任一项所述的方法，其中，
从与设备正常运行状态相关联的历史数据中提取样本数据；
计算所提取的样本数据与对其进行预测所产生的估算数据之间的差，作为与设备历史正常运行状态对应的残差数据。
8.根据权利要求3所述的方法，其中，
在与该故障类型对应的历史数据中搜索与提取的特征数据相似的至少一组历史数据；
基于该至少一组历史数据对应的设备剩余使用寿命，利用加权平均来估算该设备的剩余使用寿命。
9.一种用于设备的自动诊断的***，包括：
一个或多个传感器，采集与所述设备的运行相关联的信号；
一个或多个处理器，所述一个或多个处理器被配置为：
基于自动诊断域知识对采集的信号进行处理以便提取与该设备的当前运行状态相关联的特征数据，其中所述自动诊断域知识代表与设备的故障机理相关的数据；以及
基于提取的特征数据和与设备正常运行状态相关联的历史数据之间的相似度，来识别该设备是否出现异常运行状况。
10.一种存储有程序指令的处理器可读存储介质，当所述程序指令由处理器执行时，实施根据权利要求1-8任一项所述的方法。
CN202110234925.2A 2021-03-03 2021-03-03 用于设备的自动诊断方法、***和存储介质 Pending CN115034248A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202110234925.2A CN115034248A (zh) 2021-03-03 2021-03-03 用于设备的自动诊断方法、***和存储介质
US17/591,063 US20220283576A1 (en) 2021-03-03 2022-02-02 Automatic diagnosis method, system and storage medium for equipment
DE102022201761.7A DE102022201761A1 (de) 2021-03-03 2022-02-21 Verfahren, System und Speichermedium zur automatischen Diagnose vonVorrichtungen

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110234925.2A CN115034248A (zh) 2021-03-03 2021-03-03 用于设备的自动诊断方法、***和存储介质

Publications (1)

Publication Number Publication Date
CN115034248A true CN115034248A (zh) 2022-09-09

Family

ID=82898192

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110234925.2A Pending CN115034248A (zh) 2021-03-03 2021-03-03 用于设备的自动诊断方法、***和存储介质

Country Status (3)

Country Link
US (1) US20220283576A1 (zh)
CN (1) CN115034248A (zh)
DE (1) DE102022201761A1 (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113312731A (zh) * 2021-06-28 2021-08-27 北京南洋思源智能科技有限公司 一种变桨轴承故障检测方法及装置、存储介质
CN115469643A (zh) * 2022-09-15 2022-12-13 中国核动力研究设计院 一种核电站旋转机械健康管理方法、***及介质
CN115638875A (zh) * 2022-11-14 2023-01-24 国家电投集团河南电力有限公司技术信息中心 基于图谱分析的电厂设备故障诊断方法及***
CN115862180A (zh) * 2022-12-23 2023-03-28 摩尔线程智能科技(北京)有限责任公司 自动巡检方法和自动巡检装置
CN116155956A (zh) * 2023-04-18 2023-05-23 武汉森铂瑞科技有限公司 一种基于梯度决策树模型的多路复用通信方法及***
CN117113119A (zh) * 2023-10-24 2023-11-24 陕西女娲神草农业科技有限公司 应用于绞股蓝制备场景下的设备关联关系分析方法及***
CN117668498A (zh) * 2024-01-31 2024-03-08 和尘自仪(嘉兴)科技有限公司 基于可靠性分布和异常探测的泵健康评估方法

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220334566A1 (en) * 2021-03-31 2022-10-20 Ats Automation Tooling Systems Inc. Cloud-based vibratory feeder controller
DE102022211094A1 (de) 2022-10-20 2024-04-25 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zur Fehlererkennung in einem maschinellen System
CN115828145B (zh) * 2023-02-09 2023-05-09 深圳市仕瑞达自动化设备有限公司 一种电子设备的在线监测方法、***及介质
CN115964470B (zh) * 2023-02-20 2023-09-08 永康市智展科技股份有限公司 一种摩托车配件的寿命预测方法及***
CN115855509B (zh) * 2023-02-27 2023-06-16 香港理工大学深圳研究院 一种数据驱动的列车轴承故障诊断方法
CN116167748B (zh) * 2023-04-20 2023-08-25 中国市政工程西南设计研究总院有限公司 一种城市地下综合管廊运维方法、***、装置及电子设备
CN116226239B (zh) * 2023-05-06 2023-07-07 成都瑞雪丰泰精密电子股份有限公司 一种基于数据驱动的加工中心主轴***状态监测方法
CN116628561B (zh) * 2023-07-25 2023-09-29 江苏嘉杨机电配件有限公司 一种电子水泵智能测试***及方法
CN117235649B (zh) * 2023-11-09 2024-02-13 广东正德工业科技股份有限公司 一种基于大数据的工业设备状态智能监测***及方法
CN117563144B (zh) * 2023-12-04 2024-05-28 郭永强 一种红外治疗仪状况评估与剩余寿命预测方法及***
CN117544482A (zh) * 2024-01-05 2024-02-09 北京神州泰岳软件股份有限公司 基于ai的运维故障确定方法、装置、设备和存储介质
CN117688342B (zh) * 2024-02-01 2024-04-19 山东云天安全技术有限公司 一种基于模型的设备状态预测方法、电子设备及存储介质
CN117909853B (zh) * 2024-03-19 2024-05-31 合肥通用机械研究院有限公司 基于机理与工况大数据的设备损伤智能监测方法及***
CN117972616B (zh) * 2024-03-28 2024-06-14 江西江投能源技术研究有限公司 一种抽水蓄能发电机组安全状态监测诊断方法及***

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000210800A (ja) * 1999-01-27 2000-08-02 Komatsu Ltd 産業機械のモニタ方法およびその装置
US7539597B2 (en) * 2001-04-10 2009-05-26 Smartsignal Corporation Diagnostic systems and methods for predictive condition monitoring
KR101561026B1 (ko) * 2014-11-27 2015-10-16 주식회사 베가스 설비의 예측 정비 시스템 및 방법
CN106127192A (zh) * 2016-07-11 2016-11-16 太原理工大学 一种基于相似性的轴承剩余使用寿命预测方法
JP7149098B2 (ja) * 2018-04-24 2022-10-06 株式会社日立製作所 予兆診断装置及び方法
CN115516395A (zh) * 2020-04-27 2022-12-23 三菱电机株式会社 异常诊断方法、异常诊断装置以及异常诊断程序

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113312731A (zh) * 2021-06-28 2021-08-27 北京南洋思源智能科技有限公司 一种变桨轴承故障检测方法及装置、存储介质
CN115469643A (zh) * 2022-09-15 2022-12-13 中国核动力研究设计院 一种核电站旋转机械健康管理方法、***及介质
CN115638875A (zh) * 2022-11-14 2023-01-24 国家电投集团河南电力有限公司技术信息中心 基于图谱分析的电厂设备故障诊断方法及***
CN115638875B (zh) * 2022-11-14 2023-08-18 国家电投集团河南电力有限公司技术信息中心 基于图谱分析的电厂设备故障诊断方法及***
CN115862180A (zh) * 2022-12-23 2023-03-28 摩尔线程智能科技(北京)有限责任公司 自动巡检方法和自动巡检装置
CN116155956A (zh) * 2023-04-18 2023-05-23 武汉森铂瑞科技有限公司 一种基于梯度决策树模型的多路复用通信方法及***
CN116155956B (zh) * 2023-04-18 2023-08-22 武汉森铂瑞科技有限公司 一种基于梯度决策树模型的多路复用通信方法及***
CN117113119A (zh) * 2023-10-24 2023-11-24 陕西女娲神草农业科技有限公司 应用于绞股蓝制备场景下的设备关联关系分析方法及***
CN117113119B (zh) * 2023-10-24 2023-12-26 陕西女娲神草农业科技有限公司 应用于绞股蓝制备场景下的设备关联关系分析方法及***
CN117668498A (zh) * 2024-01-31 2024-03-08 和尘自仪(嘉兴)科技有限公司 基于可靠性分布和异常探测的泵健康评估方法
CN117668498B (zh) * 2024-01-31 2024-04-26 和尘自仪(嘉兴)科技有限公司 基于可靠性分布和异常探测的泵健康评估方法

Also Published As

Publication number Publication date
US20220283576A1 (en) 2022-09-08
DE102022201761A1 (de) 2022-09-08

Similar Documents

Publication Publication Date Title
CN115034248A (zh) 用于设备的自动诊断方法、***和存储介质
Al-Dahidi et al. Remaining useful life estimation in heterogeneous fleets working under variable operating conditions
KR101955305B1 (ko) 희소 코딩 방법론을 활용한 가스 터빈 센서 고장 검출
Yang et al. Bayesian Belief Network-based approach for diagnostics and prognostics of semiconductor manufacturing systems
Yu A hybrid feature selection scheme and self-organizing map model for machine health assessment
KR101948604B1 (ko) 센서 군집화 기반의 설비 건강 모니터링 방법 및 장치
EP1960853A1 (en) Evaluating anomaly for one-class classifiers in machine condition monitoring
EP3191905A1 (en) Gas turbine failure prediction utilizing supervised learning methodologies
Michau et al. Fleet PHM for critical systems: bi-level deep learning approach for fault detection
US12007745B2 (en) Apparatus for predicting equipment damage
Li et al. Canonical variate residuals-based contribution map for slowly evolving faults
Das et al. Performance monitoring and failure prediction of industrial equipments using artificial intelligence and machine learning methods: A survey
CN117786461A (zh) 水泵的故障诊断方法、控制设备及其存储介质
Aremu et al. Kullback-leibler divergence constructed health indicator for data-driven predictive maintenance of multi-sensor systems
US20180087489A1 (en) Method for windmill farm monitoring
Yang et al. Remaining useful life prediction for bearing based on online oil parameters and vibration signals
KR20230075150A (ko) 시스템 건전성을 관리하기 위한 방법 및 장치
Guerroum et al. Machine learning for the predictive maintenance of a Jaw Crusher in the mining industry
Li et al. Combining canonical variate analysis, probability approach and support vector regression for failure time prediction
Baruah et al. An autonomous diagnostics and prognostics framework for condition-based maintenance
Lorenti et al. Predictive maintenance in the industry: A comparative study on deep learning-based remaining useful life estimation
Nie et al. Remaining useful life prediction approach for rolling element bearings based on optimized SVR model with reliable time intervals
Choi et al. Prognostics by classifying degradation stage on Lambda architecture
KR102212022B1 (ko) 양수 수차의 건전성 자동 판정 방법 및 이를 위한 시스템
CN117574303B (zh) 施工状况的监测预警方法、装置、设备及存储介质

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