[发明专利]基于群体数据和自编码器的设备健康评估方法及系统

说明书

本发明提供了一种基于群体数据和自编码器的设备健康评估方法及系统，包括：获取同一工况下多个相同设备的运行状态信号；对所有信号进行预处理，计算信号间的差异性并生成差异性矩阵,将多时刻多时间跨度的差异性矩阵拼接成张量；利用差异性矩阵拼接成的张量作为训练数据，训练多尺度自编码器以最小化重构误差，生成机器学习模型；将经过处理的设备运行数据输入多尺度自编码器，通过重构误差反映数据偏离正常状态的程度，根据数据异常程度评估设备健康状况。本发明通过群体数据之间的差异性判断个体数据的异常，从而反映出设备的健康状况，避免了高频信号的采集和复杂工况的控制。

技术领域

本发明涉及设备异常检测技术领域，具体地，涉及一种基于群体数据和自编码器的设备健康评估方法及系统。

背景技术

设备的性能会随着使用时间的增长而慢慢衰退，因此，对设备的健康状况进行预测对于设备故障的预防以及提高设备的可靠性都是十分有必要的。

目前，通常是设备发生故障后，才会安排工作人员去维修。但是由于无法提前得知故障类型，导致故障维修时间长，效率低，且设备在发生故障后无法再继续使用，在设备维修期间会造成较大损失。

设备健康评估目前的主要方法有健康因子法，历史数据法和退化模型法等。对于不同的设备，其健康因子也不尽相同，并且健康因子的构建也和工况，设备型号等信息密切相关，目前绝大部分的设备都是不具有适用性很强的健康因子来描述设备的健康状况。

历史数据法针对同类型、同工况、同型号的设备来说比较适用，在有大量相关历史数据的前提下，可以根据当前设备的工作状态及其历史状态去历史数据库中选择最相近的历史设备曲线进行拟合，得到当前设备的健康评估曲线，其特点是需要大量的数据且难以适应设备工作环境的变化。然而很多设备缺乏足够的历史数据并且在实际生产过程中，故障数据的量相对来说是非常罕见的。

退化模型法是在有大量的历史数据的前提下，通过多种信号的时频域特征进行分析融合形成能够表示系统性能变化的退化指标，以这样的退化指标作为该种设备的健康因子进行健康状态的评估，其特点是不一定能够找到合适的退化量指标且需要一定数据的支撑，但比单纯使用健康因子的适用范围要更广。

现有的设备评估方法存在很多局限性，例如对原始信号的质量有较高的要求，包括较高的采样频率和信噪比，这在复杂的工况下难以实现。现有方法的诊断结果均在实验室环境中验证，与使用现场数据得出来的结论差距较大，算法不能够覆盖可能遇到的大部分工况。例如对于长期处于噪声较大的工作环境的电机来说，振动信号的信噪比低，分析起来十分困难，并且由于工作环境恶劣，难以在合适位置加装相应的传感器。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于群体数据和自编码器的设备健康评估方法及系统。

根据本发明提供的一种基于群体数据和自编码器的设备健康评估方法，包括：

数据采集步骤：获取同一工况下多个相同设备的运行状态信号；

数据差异性分析步骤：对所有信号进行预处理，计算信号间的差异性并生成差异性矩阵,将多时刻多时间跨度的差异性矩阵拼接成张量；

模型训练步骤：利用差异性矩阵拼接成的张量作为训练数据，训练多尺度自编码器以最小化重构误差，生成机器学习模型；

健康评估步骤：将经过处理的设备运行数据输入多尺度自编码器，通过重构误差反映数据偏离正常状态的程度，根据数据异常程度评估设备健康状况。

优选地，所述运行状态信号包括设备的基本控制信号、反馈信号和采集信号。

优选地，对运行状态信号预处理包括：对所有信号进行异常值处理，再对所有信号进行归一化处理。

优选地，所述信息间的差异性计算过程为：计算两两信号的差信号，再计算差信号的均方根。