本發(fā)明屬于旋轉(zhuǎn)機(jī)械性能評(píng)估相關(guān)，更具體地，涉及一種自適應(yīng)健康閾值的機(jī)械裝備健康監(jiān)測(cè)和狀態(tài)評(píng)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(yùn)行中，裝備發(fā)揮著越來(lái)越重要的作用，預(yù)測(cè)與健康管理進(jìn)而成為了學(xué)術(shù)界和工業(yè)界研究的潮流。其中，狀態(tài)監(jiān)測(cè)作為預(yù)測(cè)與健康管理的主要任務(wù)之一，通過(guò)構(gòu)建健康指標(biāo)跟蹤裝備運(yùn)行狀態(tài)，盡早檢測(cè)出裝備從正常階段到初期故障的瞬態(tài)發(fā)生時(shí)間，并觸發(fā)后續(xù)剩余使用壽命預(yù)測(cè)，對(duì)于監(jiān)控裝備的安全運(yùn)行和減少實(shí)際應(yīng)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(hào)包含著反映設(shè)備的退化信息，因此，在旋轉(zhuǎn)機(jī)械的退化趨勢(shì)評(píng)估和預(yù)測(cè)領(lǐng)域涌現(xiàn)出了許多基于數(shù)據(jù)驅(qū)動(dòng)的方法。一方面，健康指標(biāo)可以發(fā)現(xiàn)早期故障起始位置，從而有利于實(shí)時(shí)監(jiān)測(cè)旋轉(zhuǎn)機(jī)械往后的運(yùn)行狀態(tài)和性能退化趨勢(shì)；此外，早期故障點(diǎn)也是預(yù)測(cè)的起點(diǎn)。在大多性能退化評(píng)估方法中，所構(gòu)建的健康評(píng)估指標(biāo)在針對(duì)早期退化信息時(shí)，如均方根、峭度等傳統(tǒng)健康指標(biāo)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(biāo)通用性差，不能適用于絕大部分旋轉(zhuǎn)機(jī)械部件；健康閾值通常采用固定值的設(shè)定方式，自適應(yīng)差，因此初期故障檢測(cè)問(wèn)題亟待解決。另一方面，健康狀態(tài)評(píng)估可以更具針對(duì)性的監(jiān)測(cè)設(shè)備零部件，這對(duì)設(shè)備的安全運(yùn)行具有更重要的指導(dǎo)維修和更換意義。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)現(xiàn)有技術(shù)的以上缺陷或改進(jìn)需求，本發(fā)明提供了一種自適應(yīng)健康閾值的機(jī)械裝備健康監(jiān)測(cè)和狀態(tài)評(píng)估方法及設(shè)備，其旨在解決現(xiàn)有機(jī)械裝備健康指標(biāo)的低敏感性及弱通用性的問(wèn)題。

2、為實(shí)現(xiàn)上述目的，按照本發(fā)明的一個(gè)方面，提供了一種自適應(yīng)健康閾值的機(jī)械裝備健康監(jiān)測(cè)和狀態(tài)評(píng)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(jī)械裝備運(yùn)行狀態(tài)的振動(dòng)信號(hào)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(jì)模型，所述非線性狀態(tài)估計(jì)模型輸出用于非線性狀態(tài)估計(jì)重構(gòu)誤差的健康指標(biāo)；

4、step2：選用正常階段的健康指標(biāo)作為健康閾值基準(zhǔn)，引入峰值超閾值算法動(dòng)態(tài)更新健康閾值；

5、step3：基于得到的健康指標(biāo)采用k均值聚類(lèi)算法來(lái)劃分機(jī)械裝備的運(yùn)行階段，進(jìn)而基于邏輯修正算法來(lái)評(píng)估機(jī)械裝備的健康狀態(tài)。

6、進(jìn)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(hào)x分解為奇異值序列s＝diag(s1，s2，…，sq)，選擇奇異值進(jìn)行奇異值分解重構(gòu)。

7、進(jìn)一步地，記非線性狀態(tài)估計(jì)模型的輸入過(guò)程記憶矩陣為s，r為輸入的奇異值個(gè)數(shù)，m為監(jiān)測(cè)樣本個(gè)數(shù)，則有：

8、

9、非線性狀態(tài)估計(jì)模型的輸入為機(jī)械裝備的未來(lái)待測(cè)數(shù)據(jù)sobs，輸出為對(duì)sobs的預(yù)測(cè)值sest。

10、進(jìn)一步地，對(duì)任何一個(gè)輸入sobs，非線性狀態(tài)估計(jì)模型生成一個(gè)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(jì)模型的預(yù)測(cè)值xest為s中r個(gè)歷史觀測(cè)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(jì)模型的待測(cè)數(shù)據(jù)sobs和預(yù)測(cè)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(dǎo)求解式(4)得權(quán)值向量w＝(st·s)t·(st·sobs)；得到預(yù)測(cè)值snest：

17、

18、過(guò)程記憶矩陣s代表機(jī)械裝備正常運(yùn)行的整個(gè)動(dòng)態(tài)過(guò)程；采用殘差ε＝sobs-snest構(gòu)建健康指標(biāo)以監(jiān)測(cè)機(jī)械裝備的運(yùn)行狀態(tài)，當(dāng)機(jī)械裝備的工作狀態(tài)發(fā)生變化時(shí)將會(huì)導(dǎo)致殘差增大。

19、進(jìn)一步地，設(shè)μ為初始閾值，超過(guò)μ的樣本記為nμ為樣本個(gè)數(shù)，超額變量記為y＝ε-μ，對(duì)應(yīng)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(jì)參數(shù)和通過(guò)最大似然估計(jì)法得到：

24、

25、

26、當(dāng)y＞0，式(6)改寫(xiě)為：

27、

28、根據(jù)機(jī)械裝備前期運(yùn)行階段時(shí)的健康指標(biāo)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(biāo)總個(gè)數(shù)。

29、進(jìn)一步地，f(ε)的尾部估計(jì)為：

30、

31、在尾部概率q取0.05的前提下得到自適應(yīng)閾值εq：

32、

33、本發(fā)明還提供了一種自適應(yīng)健康閾值的機(jī)械裝備健康監(jiān)測(cè)和狀態(tài)評(píng)估系統(tǒng)，所述系統(tǒng)包括存儲(chǔ)器及處理器，所述存儲(chǔ)器儲(chǔ)存有計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)執(zhí)行如上所述的自適應(yīng)健康閾值的機(jī)械裝備健康監(jiān)測(cè)和狀態(tài)評(píng)估方法。

34、本發(fā)明還提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)存儲(chǔ)有機(jī)器可執(zhí)行指令，所述機(jī)器可執(zhí)行指令在被處理器調(diào)用和執(zhí)行時(shí)，所述機(jī)器可執(zhí)行指令促使所述處理器實(shí)現(xiàn)如上所述的自適應(yīng)健康閾值的機(jī)械裝備健康監(jiān)測(cè)和狀態(tài)評(píng)估方法。

35、總體而言，通過(guò)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(yīng)健康閾值的機(jī)械裝備健康監(jiān)測(cè)和狀態(tài)評(píng)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(jī)械裝備運(yùn)行狀態(tài)的振動(dòng)信號(hào)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(jì)模型，所述非線性狀態(tài)估計(jì)模型輸出用于非線性狀態(tài)估計(jì)重構(gòu)誤差的健康指標(biāo)，得到的健康指標(biāo)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(biāo)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(guò)程的優(yōu)勢(shì)，有用信息反應(yīng)在排序靠前的前幾個(gè)奇異值序列上，將其作為非線性狀態(tài)估計(jì)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(wèn)題。

38、3.構(gòu)建非線性狀態(tài)估計(jì)模型的健康指標(biāo)，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(dòng)態(tài)更新健康閾值，實(shí)現(xiàn)了初期故障的自適應(yīng)檢測(cè)。

39、4.基于k均值聚類(lèi)算法計(jì)算健康指標(biāo)的聚類(lèi)簇心，采用邏輯修正算法評(píng)估裝備健康、亞健康和監(jiān)控運(yùn)行狀態(tài)，實(shí)現(xiàn)了退化狀態(tài)跟蹤監(jiān)測(cè)。

技術(shù)特征：

1.一種自適應(yīng)健康閾值的機(jī)械裝備健康監(jiān)測(cè)和狀態(tài)評(píng)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(yīng)健康閾值的機(jī)械裝備健康監(jiān)測(cè)和狀態(tài)評(píng)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(hào)x分解為奇異值序列s＝diag(s1，s2，…，sq)，選擇奇異值進(jìn)行奇異值分解重構(gòu)。

3.如權(quán)利要求2所述的自適應(yīng)健康閾值的機(jī)械裝備健康監(jiān)測(cè)和狀態(tài)評(píng)估方法，其特征在于：記非線性狀態(tài)估計(jì)模型的輸入過(guò)程記憶矩陣為s，r為輸入的奇異值個(gè)數(shù)，m為監(jiān)測(cè)樣本個(gè)數(shù)，則有：

4.如權(quán)利要求3所述的自適應(yīng)健康閾值的機(jī)械裝備健康監(jiān)測(cè)和狀態(tài)評(píng)估方法，其特征在于：對(duì)任何一個(gè)輸入sobs，非線性狀態(tài)估計(jì)模型生成一個(gè)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(yīng)健康閾值的機(jī)械裝備健康監(jiān)測(cè)和狀態(tài)評(píng)估方法，其特征在于：設(shè)μ為初始閾值，超過(guò)μ的樣本記為nμ為樣本個(gè)數(shù)，超額變量記為y＝ε-μ，對(duì)應(yīng)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(yīng)健康閾值的機(jī)械裝備健康監(jiān)測(cè)和狀態(tài)評(píng)估方法，其特征在于：f(ε)的尾部估計(jì)為：

7.一種自適應(yīng)健康閾值的機(jī)械裝備健康監(jiān)測(cè)和狀態(tài)評(píng)估系統(tǒng)，其特征在于：所述系統(tǒng)包括存儲(chǔ)器及處理器，所述存儲(chǔ)器儲(chǔ)存有計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)執(zhí)行權(quán)利要求1-6任一項(xiàng)所述的自適應(yīng)健康閾值的機(jī)械裝備健康監(jiān)測(cè)和狀態(tài)評(píng)估方法。

8.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其特征在于：所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)存儲(chǔ)有機(jī)器可執(zhí)行指令，所述機(jī)器可執(zhí)行指令在被處理器調(diào)用和執(zhí)行時(shí)，所述機(jī)器可執(zhí)行指令促使所述處理器實(shí)現(xiàn)權(quán)利要求1-6任一項(xiàng)所述的自適應(yīng)健康閾值的機(jī)械裝備健康監(jiān)測(cè)和狀態(tài)評(píng)估方法。

技術(shù)總結(jié)
本發(fā)明屬于旋轉(zhuǎn)機(jī)械性能評(píng)估相關(guān)技術(shù)領(lǐng)域，其公開(kāi)了一種自適應(yīng)健康閾值的機(jī)械裝備健康監(jiān)測(cè)和狀態(tài)評(píng)估方法及設(shè)備，包括以下步驟：(1)采用希爾伯特奇異值分解算法將表征機(jī)械裝備運(yùn)行狀態(tài)的振動(dòng)信號(hào)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(jì)模型，所述非線性狀態(tài)估計(jì)模型輸出用于非線性狀態(tài)估計(jì)重構(gòu)誤差的健康指標(biāo)；(2)選用正常階段的健康指標(biāo)作為健康閾值基準(zhǔn)，引入峰值超閾值算法動(dòng)態(tài)更新健康閾值；(3)基于得到的健康指標(biāo)采用K均值聚類(lèi)算法來(lái)劃分機(jī)械裝備的運(yùn)行階段，進(jìn)而基于邏輯修正算法來(lái)評(píng)估機(jī)械裝備的健康狀態(tài)。本發(fā)明提高了健康指標(biāo)的靈敏性及通用性。

技術(shù)研發(fā)人員：高亮,裴雪武,高藝平,李新宇
受保護(hù)的技術(shù)使用者：華中科技大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/9