[发明专利]一种面向机器学习的装备部件健康管理方法及系统

说明书

本发明涉及装备部件健康管理技术领域，具体涉及一种面向机器学习的装备部件健康管理方法及系统，通过建立状态趋势分析体系，判断部件状态健康程度，建立装备部件的健康评估体系，对所述整体装备或其中某个部件在评估阶段表现的健康进行评估，进而建立装备部件的决策优化体系，有效评估装备部件的健康状态，对健康状态不佳的装备或某个部件系统提出建议。

技术领域

本发明涉及装备部件健康管理技术领域，具体涉及一种面向机器学习的装备部件健康管理方法及系统。

背景技术

指故障预测和健康管理(PHM)是为了满足自主保障、自主诊断的要求而提出的，是基于状态的维修CBM(视情维修)的升级发展。它强调资产设备管理中的状态感知，监控设备健康状况、故障频发区域与周期，通过数据监控与分析，预测故障的发生，从而大幅度提高运维效率。要实现PHM，除了物理基础条件保障外，既需要大数据分析技术，又需要非常密集的行业知识、经验和模型作为支撑。

诊断是产品(装备)在预期的使用状态下，通过评估其健康状态变化，监控健康状态、预测剩余使用寿命的过程；健康管理是利用诊断信息对相关安全、基于状态维修、确保产品充足库存的决策。PHM允许产品在实际生命周期内系统可靠性的扩展使用。

PHM强调装备管理中的状态感知、数据监控与分析，监控设备健康状况、故障频发区域与周期，预测故障的发生，从而大幅度提高运维效率。

PHM分析模型包括故障诊断模型、寿命预测模型、决策支持模型、信息反馈与机器学习模型、数据处理模型、特征提取模型。

诊断和预测分析方法包括三类：物理失效模式、数据驱动模式、融合模式。物理失效模式分析是装备产品失效的根本原因，包括地点、方式和部件，是建立在产品寿命周期内以可靠性为基础、评估物理部件配置、识别部件失效评估预测的方法论。数据驱动模式分析是在使用实时和历史数据基础上，以统计概率分析获得评估、决策、预测产品剩余寿命和可靠性的方法。融合模式是物理失效模式和数据驱动模式两者相结合的分析方法。

故障诊断与预测都是对客观事物状态的一种判断，故障诊断与预测包括认知模型、功能及性能信息(基于故障状态信息)使用中表现出来的异常现象信息(基于异常现象信息)、使用中所承受的环境应力和工作应力信息(基于使用环境信息)、预置损伤标尺的状态信息(基于损伤标尺信息)等。

基于异常现象信息的故障诊断与故障预测，在非正常工作状态下所表现出来或可侦测到的异常现象(振动、噪声、污染、温度、电磁场等)进行故障诊断，并基于趋势分析进行故障预测。大多数机械产品由于存在明显的退化过程，多采用这种故障诊断与预测方式。

基于异常现象信息进行故障诊断与故障预测的是基于历史统计数据、故障输入获得的数据等各类已知信息，针对当前产品异常现象特征，进行故障损伤程度的判断及故障预测。概率分析方法、人工神经网络、专家系统、模糊集、被观测对象物理模型等都可以用于建立异常现象与故障损伤关系模型。概率趋势分析模型通过异常现象对应的关键参数集，依据历史数据建立各参数变化与故障损伤的概率模型(退化概率轨迹)，与当前多参数概率状态空间进行比较，进行当前健康状态判断与趋势分析。神经网络(ANN)趋势分析模型利用ANN的非线性转化特征，及其智能学习机制，来建立监测到的故障现象与产品故障损伤状态之间的联系。利用已知的“异常特征－故障损伤”退化轨迹，或通过故障注入建立与特征分析结果关联的退化轨迹，对ANN模型进行“训练/学习”；然后，利用“训练/学习”后的ANN依据当前产品特征对产品的故障损伤状态进行判断。由于ANN具有自适应特征，因此可以利用非显式特征信息来进行“训练/学习”与故障损伤状态判断。基于系统模型进行趋势分析利用建立被观测对象动态响应模型(包括退化过程中的动态响应)，针对当前系统的响应输出，进行参数辨识，对照正常状态下的参数统计特性，进行故障模式确认、故障诊断和故障预测。