專利名稱：機械設(shè)備狀態(tài)評估的優(yōu)化方法
技術(shù)領(lǐng)域：
本發(fā)明涉及機械設(shè)備的狀態(tài)監(jiān)控技術(shù)領(lǐng)域，尤其涉及機械設(shè)備的工作狀態(tài)分類及評估領(lǐng)域。
背景技術(shù)：
隨著自動化技術(shù)的發(fā)展，機械設(shè)備的復(fù)雜性和集成性也在不斷的增加，越來越多的機械設(shè)備成為了企業(yè)連續(xù)生產(chǎn)系統(tǒng)中的關(guān)鍵部分。對于連續(xù)生產(chǎn)系統(tǒng)中的機械設(shè)備，每一次停機檢修和維護都將帶來巨大的經(jīng)濟損失，故需要提前制定檢、維修計劃和方案。對于一般機械設(shè)備而言，根據(jù)設(shè)備維修工程中統(tǒng)計得出其劣化進程類似于浴盆的剖面線，因此常被稱為浴盆曲線。該曲線沿時間軸可分為三個狀態(tài):磨合期:表示新機器的磨合狀態(tài)，這個階段故障率較高；正常試用期:表示機器經(jīng)磨合后處于穩(wěn)定狀態(tài)，這時故障率最低；耗損期:又稱為劣化期，表示機器由于磨損、疲勞、腐蝕已處于老年狀態(tài)，因此故障率逐步提高。故耗損期為關(guān)鍵的監(jiān)測時間段，其又可進一步劃分為早期性能退化狀態(tài)，維護狀態(tài)和失效狀態(tài)。而且對于任何一個機械設(shè)備它又有許多不同的故障，設(shè)備的各種不同的故障在耗損期的表現(xiàn)又各有特點。而只有通過對設(shè)備狀態(tài)的準確分類，才能確定故障類型和故障程度，并針對不同情況制定出新的生產(chǎn)安排和針對性的維修計劃，從而避免經(jīng)濟損失。所以對機械設(shè)備的狀態(tài)進行評估分析，確定機械設(shè)備的狀態(tài)是一個重要的研究課題。機器學(xué)習(xí)(Machine Learning)分類評估系統(tǒng)越來越多的被引入該問題，工程師們首先采集機械設(shè)備的特征信號，進行全壽命狀態(tài)和不同工況下的研究和分析，利用專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)、支持向量機、相關(guān)向量機等智能算法建立基于機器學(xué)習(xí)的分類評估系統(tǒng)，從而試圖達到智能監(jiān)控和分析機械設(shè)備的狀態(tài)的目的。但是由于基于機器學(xué)習(xí)的分類評估系統(tǒng)有著種種限制，例如對數(shù)據(jù)的標簽選擇十分苛刻，數(shù)據(jù)量不足等。在實際應(yīng)用中，經(jīng)常會出現(xiàn)分類結(jié)果模棱兩可，甚至是當前條件下不可能出現(xiàn)的狀態(tài)，反而給工程師造成了迷惑和困難。從而不能及時識別故障，導(dǎo)致對當前情況的無法評估或錯誤評估，造成嚴重后果。

發(fā)明內(nèi)容
本發(fā)明的目的是針對現(xiàn)有的基于機器學(xué)習(xí)的狀態(tài)評估系統(tǒng)的分類效果不佳的缺點，提出了一種新的機械設(shè)備狀態(tài)評估的優(yōu)化方法，有效的提高了機械設(shè)備狀態(tài)分類和評估的準確率。本發(fā)明的技術(shù)方案是:機械設(shè)備狀態(tài)評估的優(yōu)化方法，包括如下步驟:步驟1:首先通過安裝在機械設(shè)備上的傳感器獲取特征信號得到全壽命特征數(shù)據(jù)，然后根據(jù)全壽命特征數(shù)據(jù)建立支持向量機狀態(tài)分類系統(tǒng)，然后建立狀態(tài)轉(zhuǎn)移矩陣；步驟2:計算m元I次方程的解X ；步驟3:利用狀態(tài)轉(zhuǎn)移矩陣計算得到置信度分布優(yōu)化公式；步驟4:將需要分析的特征信號帶入已有的基于機器學(xué)習(xí)的分類評估系統(tǒng)，計算得到該特性信號所代表的觀測點的置信度分布P=(Pi…Pk…Pm)T。其中Pk為P的列向量，表示在該觀測點機械系統(tǒng)工作狀態(tài)屬于狀態(tài)k的置信度；步驟5:將計算所得對置信度分布P與步驟2所得的根X= (X1…Xk…xm)T進行比較，若相等則回到步驟4，等待新的觀測特征信號；若不相等則進行步驟6 ;步驟6:對置信度分布P= (P1…Pk…Pm)τ進行判斷:若該數(shù)據(jù)是優(yōu)化過程中的首組置信度分布，則記當前的置信度分布P= (P1…Pk…Pm)T為優(yōu)化過程中的置信度分布Q= (Q1…Qk…Qm)T，并回到步驟4，等待新的觀測特征信號；若該數(shù)據(jù)不是首組置信度分布，則實施步驟7 ;步驟7:將先前計算得到的當前的置信度分布P=T1…Pk…Pm)T和優(yōu)化過程中的置信度分布Q=(Q1...Qk...Qm)T帶入步驟3的公式(3)，得到優(yōu)化后的置信度分布R=Oi1…Rk …Rnl) T。步驟8:若步驟7優(yōu)化后的置信度分布R=(Ri…Rk…Rm)T仍然不能清晰的做出結(jié)論，或者正處于狀態(tài)轉(zhuǎn)換的微妙階段，則將R=O^1…Rk…Rm)T賦值給Q=(Qi…Qk…Qm)τ，等待新的觀測特征信號，重新回到步驟4，得到一組新的置信度分布，直到R=Oi1…Rk…Rm)T滿足要求為止；當R滿足要求后，才進行下一步到步驟9。步驟9:將步驟8中的R=Oi1…Rk…Rm)τ乘上事先設(shè)置的標簽值，得到狀態(tài)值，從而實現(xiàn)對機械設(shè)備的狀態(tài)評估與分析。本發(fā)明的有益效果:采用本發(fā)明的方法，對機械設(shè)備狀態(tài)評估經(jīng)過優(yōu)化后，分類的結(jié)果得到了很大的優(yōu)化， 準確性大大提高；從而實現(xiàn)更準確判斷設(shè)備的當前狀態(tài)。


圖1為本發(fā)明采集的振動特征信號。圖2為本發(fā)明根據(jù)經(jīng)驗所選擇的熵值作為壽命退化評估的標簽值機器，并將軸承的全壽命階段分為三個狀態(tài)，從而構(gòu)建于基于機器學(xué)習(xí)的分類評估系統(tǒng)。圖3為本發(fā)明的3個狀態(tài)之間的轉(zhuǎn)移關(guān)系圖。圖4為本發(fā)明的實施例中，將另一組振動數(shù)據(jù)代入機器學(xué)習(xí)分類評估系統(tǒng)，該組數(shù)據(jù)由540個根據(jù)時間順序的觀測數(shù)據(jù)組成，得到了置信度分布PMP1 P2 Ρ3)τ的置信度分布圖。圖5為本發(fā)明的實施例中，將得到的置信度分布乘上三個狀態(tài)分別對應(yīng)的標簽值，得到了機械設(shè)備狀態(tài)評估圖(例圖中為退化過程的狀態(tài)，故為退化水平)。圖6為本發(fā)明的實施例中，將圖4中的置信度分布P帶入本發(fā)明的優(yōu)化方法，并乘上和圖五中相同的標簽值，得到了優(yōu)化后的機械設(shè)備狀態(tài)評估圖。從圖5和圖6可以看出，經(jīng)過優(yōu)化后，分類的結(jié)果得到了很大的優(yōu)化，準確性大大提高。從而實現(xiàn)更準確判斷設(shè)備的當前狀態(tài)。圖7本發(fā)明的機械設(shè)備狀態(tài)評估的優(yōu)化方法的流程示意圖。圖8為圖7的數(shù)學(xué)處理過程示意圖。
具體實施例方式為了便于本領(lǐng)域技術(shù)人員的理解，下面結(jié)合附圖和具體的實施例對本發(fā)明做進一步的說明。本發(fā)明的實施過程主要是:首先，通過安裝在機械設(shè)備上的傳感器獲取特征信號；然后通過機器學(xué)習(xí)分類評估系統(tǒng)得到置信度分布P ;對分類評估系統(tǒng)進行討論，繪出狀態(tài)轉(zhuǎn)移矩陣；狀態(tài)轉(zhuǎn)移矩陣計算出置信度優(yōu)化方程；將置信度分布P帶入優(yōu)化公式得到新的置信度分布，前述過程可被籠統(tǒng)視為本發(fā)明的前期工作；完成前期工作后，經(jīng)過一系列計算和變換，將優(yōu)化后的置信度分布乘上狀態(tài)標簽得到狀態(tài)系數(shù)，從而實現(xiàn)對機械設(shè)備工作狀態(tài)的評估和分析。本發(fā)明將有選擇的對發(fā)明的實施過程做出描述，對于未加詳細描述的地方應(yīng)被視為本技術(shù)領(lǐng)域的公知常識而故意概述，不應(yīng)被理解為發(fā)明的創(chuàng)新點。如圖7和圖8所示，本發(fā)明所述的機械設(shè)備狀態(tài)評估的優(yōu)化方法，包括如下步驟:步驟1:首先通過安裝在機械設(shè)備上的傳感器獲取特征信號得到全壽命特征數(shù)據(jù)，然后根據(jù)全壽命特征數(shù)據(jù)建立支持向量機狀態(tài)分類系統(tǒng)，然后建立狀態(tài)轉(zhuǎn)移矩陣；所述狀態(tài)轉(zhuǎn)移矩陣的具體表達為:
權(quán)利要求
1.機械設(shè)備狀態(tài)評估的優(yōu)化方法，包括如下步驟: 步驟1:首先通過安裝在機械設(shè)備上的傳感器獲取特征信號得到全壽命特征數(shù)據(jù)，然后根據(jù)全壽命特征數(shù)據(jù)建立支持向量機狀態(tài)分類系統(tǒng)，然后建立狀態(tài)轉(zhuǎn)移矩陣； 步驟2:計算m元I次方程的解X ； 步驟3:利用狀態(tài)轉(zhuǎn)移矩陣計算得到置信度分布優(yōu)化公式； 步驟4:將需要分析的特征信號帶入已有的基于機器學(xué)習(xí)的分類評估系統(tǒng)，計算得到該特性信號所代表的觀測點的置信度分布P=T1…Pk…Pm)T;其中Pk為P的列向量，表示在該觀測點機械系統(tǒng)工作狀態(tài)屬于狀態(tài)k的置信度； 步驟5:將計算所得對置信度分布P與步驟2所得的根X= (X1…Xk…xm)T進行比較，若相等則回到步驟4，等待新的觀測特征信號；若不相等則進行步驟6 ; 步驟6:對置信度分布P=T1…Pk…Pm)τ進行判斷:若該數(shù)據(jù)是優(yōu)化過程中的首組置信度分布，則記當前的置信度分布P= (P1…Pk…Pm)T為優(yōu)化過程中的置信度分布Q= (Q1…Qk…Qm)T，并回到步驟4，等待新的觀測特征信號；若該數(shù)據(jù)不是首組置信度分布，則實施步驟7 ； 步驟7:將先前計算得到的當前的置信度分布P=T1…Pk…Pm)T和優(yōu)化過程中的置信度分布Q=(Q1...Qk...Qm)T帶入步驟3的公式(3)，得到優(yōu)化后的置信度分布R=Oi1...Rk …RiJt ； 步驟8:若步驟7優(yōu)化后的置信度分布R=Oi1…Rk…Rm)T仍然不能清晰的做出結(jié)論，或者正處于狀態(tài)轉(zhuǎn)換的微妙階段，則將R= (R1...Rk...Rm)T賦值給Q=CQ1...Qk...Qm)T，等待新的觀測特征信號，重新回到步驟4，得到一組新的置信度分布，直到R=Oi1…Rk…Rm)τ滿足要求為止；當R滿足要求后，才進行下一步到步驟9 ； 步驟9:將步驟8中的R=Oi1…Rk…Rm)τ乘上事先設(shè)置的標簽值，得到狀態(tài)值，從而實現(xiàn)對機械設(shè)備的狀態(tài)評估與分析。
2.根據(jù)權(quán)利要求1所述的機械設(shè)備狀態(tài)評估的優(yōu)化方法，其特征在于，所述步驟I中的所述狀態(tài)轉(zhuǎn)移矩陣Ω的具體表達為:
3.根據(jù)權(quán)利要求1所述的機械設(shè)備狀態(tài)評估的優(yōu)化方法，其特征在于，所述m元I次方程的具體表達為:
4.根據(jù)權(quán)利要求1所述的機械設(shè)備狀態(tài)評估的優(yōu)化方法，其特征在于，所述置信度分布優(yōu)化公式的具體表達為:.
全文摘要
本發(fā)明涉及機械設(shè)備狀態(tài)評估的優(yōu)化方法，包括如下步驟步驟1首先通過安裝在機械設(shè)備上的傳感器獲取特征信號得到全壽命特征數(shù)據(jù)，然后根據(jù)全壽命特征數(shù)據(jù)建立支持向量機狀態(tài)分類系統(tǒng)，然后建立狀態(tài)轉(zhuǎn)移矩陣；步驟2計算m元1次方程的解X；步驟3利用狀態(tài)轉(zhuǎn)移矩陣計算得到置信度分布優(yōu)化公式；步驟4將需要分析的特征信號帶入已有的基于機器學(xué)習(xí)的分類評估系統(tǒng)，計算得到該特性信號所代表的觀測點的置信度分布。其中Pk為P的列向量，表示在該觀測點機械系統(tǒng)工作狀態(tài)屬于狀態(tài)k的置信度。本發(fā)明的有益效果采用本發(fā)明的方法，對機械設(shè)備狀態(tài)評估經(jīng)過優(yōu)化后，分類的結(jié)果得到了很大的優(yōu)化，準確性大大提高；從而實現(xiàn)更準確判斷設(shè)備的當前狀態(tài)。
文檔編號G05B19/418GK103163864SQ20131007207
公開日2013年6月19日 申請日期2013年3月7日 優(yōu)先權(quán)日2013年3月7日
發(fā)明者苗強, 謝磊, 楊璐, 梁巍 申請人:電子科技大學(xué)