本發(fā)明屬于旋轉(zhuǎn)機械性能評估相關(guān),更具體地,涉及一種自適應健康閾值的機械裝備健康監(jiān)測和狀態(tài)評估方法及設(shè)備。
背景技術(shù):
1、在現(xiàn)代工業(yè)系統(tǒng)的運行中,裝備發(fā)揮著越來越重要的作用,預測與健康管理進而成為了學術(shù)界和工業(yè)界研究的潮流。其中,狀態(tài)監(jiān)測作為預測與健康管理的主要任務之一,通過構(gòu)建健康指標跟蹤裝備運行狀態(tài),盡早檢測出裝備從正常階段到初期故障的瞬態(tài)發(fā)生時間,并觸發(fā)后續(xù)剩余使用壽命預測,對于監(jiān)控裝備的安全運行和減少實際應用中的重大安全事故具有重要意義。
2、隨著智能化程度的提高和傳感技術(shù)的快速發(fā)展,從傳感端所收集的特征信號包含著反映設(shè)備的退化信息,因此,在旋轉(zhuǎn)機械的退化趨勢評估和預測領(lǐng)域涌現(xiàn)出了許多基于數(shù)據(jù)驅(qū)動的方法。一方面,健康指標可以發(fā)現(xiàn)早期故障起始位置,從而有利于實時監(jiān)測旋轉(zhuǎn)機械往后的運行狀態(tài)和性能退化趨勢;此外,早期故障點也是預測的起點。在大多性能退化評估方法中,所構(gòu)建的健康評估指標在針對早期退化信息時,如均方根、峭度等傳統(tǒng)健康指標的低敏感性,不能瞬態(tài)發(fā)現(xiàn)早期故障,所構(gòu)建的健康指標通用性差,不能適用于絕大部分旋轉(zhuǎn)機械部件;健康閾值通常采用固定值的設(shè)定方式,自適應差,因此初期故障檢測問題亟待解決。另一方面,健康狀態(tài)評估可以更具針對性的監(jiān)測設(shè)備零部件,這對設(shè)備的安全運行具有更重要的指導維修和更換意義。
技術(shù)實現(xiàn)思路
1、針對現(xiàn)有技術(shù)的以上缺陷或改進需求,本發(fā)明提供了一種自適應健康閾值的機械裝備健康監(jiān)測和狀態(tài)評估方法及設(shè)備,其旨在解決現(xiàn)有機械裝備健康指標的低敏感性及弱通用性的問題。
2、為實現(xiàn)上述目的,按照本發(fā)明的一個方面,提供了一種自適應健康閾值的機械裝備健康監(jiān)測和狀態(tài)評估方法,該方法包括以下步驟:
3、step1:采用希爾伯特奇異值分解算法將表征機械裝備運行狀態(tài)的振動信號轉(zhuǎn)換成奇異值特征序列;將奇異值特征序列輸入非線性狀態(tài)估計模型,所述非線性狀態(tài)估計模型輸出用于非線性狀態(tài)估計重構(gòu)誤差的健康指標;
4、step2:選用正常階段的健康指標作為健康閾值基準,引入峰值超閾值算法動態(tài)更新健康閾值;
5、step3:基于得到的健康指標采用k均值聚類算法來劃分機械裝備的運行階段,進而基于邏輯修正算法來評估機械裝備的健康狀態(tài)。
6、進一步地,基于希爾伯特奇異值分解算法構(gòu)造的hankel矩陣,將原信號x分解為奇異值序列s=diag(s1,s2,…,sq),選擇奇異值進行奇異值分解重構(gòu)。
7、進一步地,記非線性狀態(tài)估計模型的輸入過程記憶矩陣為s,r為輸入的奇異值個數(shù),m為監(jiān)測樣本個數(shù),則有:
8、
9、非線性狀態(tài)估計模型的輸入為機械裝備的未來待測數(shù)據(jù)sobs,輸出為對sobs的預測值sest。
10、進一步地,對任何一個輸入sobs,非線性狀態(tài)估計模型生成一個r維的權(quán)值向量w=[w1?w2?…?wn]t,使得:
11、sest=sw=w1s(1)+w2s(2)+…+wrs(r)???????(2)
12、非線性狀態(tài)估計模型的預測值xest為s中r個歷史觀測向量的線性組合;權(quán)值向量w采用以下方法確定:構(gòu)造非線性狀態(tài)估計模型的待測數(shù)據(jù)sobs和預測值sest之間的殘差為:
13、ε=sobs-sest?(3)
14、選擇w使殘差平方和最小,殘差的平方和為:
15、
16、采用偏導求解式(4)得權(quán)值向量w=(st·s)t·(st·sobs);得到預測值snest:
17、
18、過程記憶矩陣s代表機械裝備正常運行的整個動態(tài)過程;采用殘差ε=sobs-snest構(gòu)建健康指標以監(jiān)測機械裝備的運行狀態(tài),當機械裝備的工作狀態(tài)發(fā)生變化時將會導致殘差增大。
19、進一步地,設(shè)μ為初始閾值,超過μ的樣本記為nμ為樣本個數(shù),超額變量記為y=ε-μ,對應的超額分布函數(shù)表示為:
20、
21、fμ(y)似為廣義帕累托分布,即:
22、
23、式中,ξ為尺度參數(shù),β為形狀參數(shù);估計參數(shù)和通過最大似然估計法得到:
24、
25、
26、當y>0,式(6)改寫為:
27、
28、根據(jù)機械裝備前期運行階段時的健康指標值從小到大排序并取序列的95%的值作為μ,式(10)中f(μ)由確定,n為健康指標總個數(shù)。
29、進一步地,f(ε)的尾部估計為:
30、
31、在尾部概率q取0.05的前提下得到自適應閾值εq:
32、
33、本發(fā)明還提供了一種自適應健康閾值的機械裝備健康監(jiān)測和狀態(tài)評估系統(tǒng),所述系統(tǒng)包括存儲器及處理器,所述存儲器儲存有計算機程序,所述處理器執(zhí)行所述計算機程序時執(zhí)行如上所述的自適應健康閾值的機械裝備健康監(jiān)測和狀態(tài)評估方法。
34、本發(fā)明還提供了一種計算機可讀存儲介質(zhì),所述計算機可讀存儲介質(zhì)存儲有機器可執(zhí)行指令,所述機器可執(zhí)行指令在被處理器調(diào)用和執(zhí)行時,所述機器可執(zhí)行指令促使所述處理器實現(xiàn)如上所述的自適應健康閾值的機械裝備健康監(jiān)測和狀態(tài)評估方法。
35、總體而言,通過本發(fā)明所構(gòu)思的以上技術(shù)方案與現(xiàn)有技術(shù)相比,本發(fā)明提供的自適應健康閾值的機械裝備健康監(jiān)測和狀態(tài)評估方法及設(shè)備主要具有以下有益效果:
36、1.采用希爾伯特奇異值分解算法將表征機械裝備運行狀態(tài)的振動信號轉(zhuǎn)換成奇異值特征序列;將奇異值特征序列輸入非線性狀態(tài)估計模型,所述非線性狀態(tài)估計模型輸出用于非線性狀態(tài)估計重構(gòu)誤差的健康指標,得到的健康指標放大了初始故障樣本和正常樣本之間的差異程度,提高了健康指標的靈敏性及通用性。
37、2.本發(fā)明充分利用奇異值特征值擁有表征退化過程的優(yōu)勢,有用信息反應在排序靠前的前幾個奇異值序列上,將其作為非線性狀態(tài)估計模型的輸入特征,可以有效解決重要信息冗余和特征篩選的繁瑣問題。
38、3.構(gòu)建非線性狀態(tài)估計模型的健康指標,放大了初始故障樣本和正常樣本之間的差異程度;引入了峰值超閾值算法動態(tài)更新健康閾值,實現(xiàn)了初期故障的自適應檢測。
39、4.基于k均值聚類算法計算健康指標的聚類簇心,采用邏輯修正算法評估裝備健康、亞健康和監(jiān)控運行狀態(tài),實現(xiàn)了退化狀態(tài)跟蹤監(jiān)測。
1.一種自適應健康閾值的機械裝備健康監(jiān)測和狀態(tài)評估方法,其特征在于:該方法包括以下步驟:
2.如權(quán)利要求1所述的自適應健康閾值的機械裝備健康監(jiān)測和狀態(tài)評估方法,其特征在于:基于希爾伯特奇異值分解算法構(gòu)造的hankel矩陣,將原信號x分解為奇異值序列s=diag(s1,s2,…,sq),選擇奇異值進行奇異值分解重構(gòu)。
3.如權(quán)利要求2所述的自適應健康閾值的機械裝備健康監(jiān)測和狀態(tài)評估方法,其特征在于:記非線性狀態(tài)估計模型的輸入過程記憶矩陣為s,r為輸入的奇異值個數(shù),m為監(jiān)測樣本個數(shù),則有:
4.如權(quán)利要求3所述的自適應健康閾值的機械裝備健康監(jiān)測和狀態(tài)評估方法,其特征在于:對任何一個輸入sobs,非線性狀態(tài)估計模型生成一個r維的權(quán)值向量w=[w1?w2?…?wn]t,使得:
5.如權(quán)利要求1所述的自適應健康閾值的機械裝備健康監(jiān)測和狀態(tài)評估方法,其特征在于:設(shè)μ為初始閾值,超過μ的樣本記為nμ為樣本個數(shù),超額變量記為y=ε-μ,對應的超額分布函數(shù)表示為:
6.如權(quán)利要求5所述的自適應健康閾值的機械裝備健康監(jiān)測和狀態(tài)評估方法,其特征在于:f(ε)的尾部估計為:
7.一種自適應健康閾值的機械裝備健康監(jiān)測和狀態(tài)評估系統(tǒng),其特征在于:所述系統(tǒng)包括存儲器及處理器,所述存儲器儲存有計算機程序,所述處理器執(zhí)行所述計算機程序時執(zhí)行權(quán)利要求1-6任一項所述的自適應健康閾值的機械裝備健康監(jiān)測和狀態(tài)評估方法。
8.一種計算機可讀存儲介質(zhì),其特征在于:所述計算機可讀存儲介質(zhì)存儲有機器可執(zhí)行指令,所述機器可執(zhí)行指令在被處理器調(diào)用和執(zhí)行時,所述機器可執(zhí)行指令促使所述處理器實現(xiàn)權(quán)利要求1-6任一項所述的自適應健康閾值的機械裝備健康監(jiān)測和狀態(tài)評估方法。