本發(fā)明涉及設備的故障預測與健康管理領域，且特別涉及一種機電裝備故障預診與健康管理方法及系統。

背景技術：

隨著中國社會經濟的高速發(fā)展，各種機電裝備的性能不斷提高，向著高速化、重載化、智能化的方向不斷發(fā)展，系統組成復雜性也不斷增加，使機電裝備的可靠性、維修性等問題日漸突出。目前對機電裝備的維修多停留在離線定期檢修階段，這種方法實時性較差，維修效率較低，會造成“該修沒修、不該修卻修”的維修不足和維修過度的缺點。國內外相關單位在機電裝備基于狀態(tài)維修和預測性維修方面做了大量研究工作，提出了許多機電裝備故障預測和診斷方法并搭建了相關機電裝備監(jiān)控系統。

然而，現有的這些故障預測和診斷方法多是針對單臺設備在單一或恒定工況下進行的。而目前機電裝備面臨的問題是需要對多臺設備在多工況下的健康狀態(tài)進行監(jiān)測、比較和預測，傳統的故障預測和診斷方法存在一定的局限性。進一步的，已有的機電裝備監(jiān)控方法和系統在數據采集時只注重采集設備的狀態(tài)數據，而對許多重要的信息如設備使用時的工況數據、環(huán)境參數、維護保養(yǎng)記錄及績效類數據沒有有效同步記錄，造成這些數據的調用和相互對照變得十分困難，并且在對運行狀態(tài)數據進行采集時往往采用固定的和無差別的采集策略，造成消耗大部分時間采集許多無用的信息。更進一步的，已有的機電裝備監(jiān)控方法和系統只能根據分析計算結果給出報警、維修指導建議等信息，但是沒有基于這些監(jiān)測信息進行決策優(yōu)化和系統重配置。

此外，由于對多臺設備在多工況下的健康狀態(tài)監(jiān)測和預測需要存儲和處理大量的數據，單純依靠提高計算機的硬件配置來實現數據的實時處理變得越來越難，并且目前的大數據計算方法存在的問題之一是需要人工來配置處理數據的計算服務器節(jié)點數量，費時費力。并且在很多機電裝備監(jiān)控系統在分析過程中多依賴專家經驗，存在著大量手動分析、肉眼觀察、參數試湊等缺陷。

技術實現要素：

本發(fā)明為了克服現有的機電裝備無法實現多臺設備多工況下的健康狀態(tài)監(jiān)控以及預測的問題，提供一種適用于多設備多工況的機電裝備故障預診與健康管理方法及系統。

為了實現上述目的，本發(fā)明提供一種機電裝備故障預診與健康管理方法，該方法包括：

數據獲取，獲取機電裝備的數據信息；

自診斷，對某一臺機電裝備在不同運行模式和健康狀態(tài)下的歷史數據信息進行特征提取和模型建立，再利用建立的模型將當前狀態(tài)獲取的數據信息與歷史數據信息進行比較，自動識別該臺機電裝備的當前健康狀態(tài)；

健康狀態(tài)預測，根據自診斷后獲得的該臺機電裝備的當前健康狀態(tài)和歷史健康狀態(tài)預測該臺機電裝備未來健康狀態(tài)的變化；

集群分析，根據單臺機電裝備的當前健康狀態(tài)對機電裝備集群中的多臺機電裝備的數據信息進行聚類和分析比較，得到多臺機電裝備的健康狀態(tài)等級和風險分布。

于本發(fā)明一實施例中，數據信息為機電裝備的全生命周期信息，全生命周期信息包括運行狀態(tài)數據。

于本發(fā)明一實施例中，在自診斷和健康狀態(tài)預測過程中采用上層定制工具和底層調用工具對某一臺機電裝備的數據信息進行特征提取、模型建立以及健康狀態(tài)識別，上層定制工具根據該臺機電裝備的數據信息自動調用底層調用工具中每一工具庫的數據分析模型。

于本發(fā)明一實施例中，上層定制工具調用底層調用工具內每一工具庫的數據分析模型的步驟包括：

上層定制工具分別將機電裝備的運行狀態(tài)數據和其余全生命周期信息的重要度等級進行定制；

根據機電裝備的運行狀態(tài)數據和其余全生命周期信息的重要度等級進行計算，獲得底層調用工具中每一工具庫內每一數據分析模型的權重；

選取每一工具庫內權重最大的數據分析模型對該臺機電裝備的數據信息進行分析。

于本發(fā)明一實施例中，底層調用工具內包含特征提取工具庫、狀態(tài)評估工具庫、故障診斷工具庫、故障及壽命預測工具庫。

于本發(fā)明一實施例中，在獲取機電裝備的數據信息時根據事件信息、活動目標和設備狀態(tài)自動產生符合信息分析需求的數據采樣控制信號來進行數據采集。

于本發(fā)明一實施例中，在自診斷、健康狀態(tài)預測和集群分析過程中，根據獲取到的數據信息的量自動配置計算服務器的節(jié)點數量。

于本發(fā)明一實施例中，機電裝備故障預診與健康管理方法還包括根據得到的多臺機電裝備的健康狀態(tài)等級對機電裝備控制模型的自重構，自重構包括對單臺機電裝備的控制模型的調整和/或對機電裝備集群的控制模型的調整。

于本發(fā)明一實施例中，采用可視化的方式將單臺機電裝備的當前健康狀態(tài)和/或健康狀態(tài)預測和/或多臺機電裝備的健康狀態(tài)等級推送至客戶端。

本發(fā)明另一方面還提供一種機電裝備故障預診與健康管理系統，該系統包括數據獲取模塊、自診斷模塊、健康狀態(tài)預測模塊和集群分析模塊。數據獲取模塊獲取機電裝備的數據信息。自診斷模塊對某一臺機電裝備在不同運行模式和健康狀態(tài)下的歷史數據信息進行特征提取和模型建立，再利用建立的模型將當前狀態(tài)獲取的數據信息與歷史數據信息進行比較，自動識別該臺機電裝備的當前健康狀態(tài)。健康狀態(tài)預測模塊根據自診斷后獲得的該臺機電裝備的當前健康狀態(tài)和歷史健康狀態(tài)預測該臺機電裝備未來健康狀態(tài)的變化。集群分析模塊根據單臺機電裝備的當前健康狀態(tài)對機電裝備集群中的多臺機電裝備的數據信息進行聚類和分析比較，得到多臺機電裝備的健康狀態(tài)等級和風險分布。

綜上所述，本發(fā)明提供的機電裝備故障預診與健康管理方法及系統，在自診斷過程中通過機電裝備在不同運行模式和健康狀態(tài)下的歷史數據進行建模，利用建立的模型將當前狀態(tài)獲取的數據信息與歷史數據信息進行比較，自動識別該臺機電裝備的當前健康狀態(tài)，進而進行健康狀態(tài)預測和集群分析。通過健康狀態(tài)預測可以獲得機電裝備未來的健康狀態(tài)以及變化趨勢，集群分析是對機電裝備集群中的多臺設備的數據信息進行聚類和分析比較。

本發(fā)明通過自診斷的方法建立了單臺機電裝備在不同時間的健康狀態(tài)樣本，每一個健康狀態(tài)樣本中包含了該臺機電裝備的工況狀態(tài)和健康狀態(tài)。集群分析對相似工況的機電裝備進行聚類分析，對在相同時間和相同運行條件下的不同機電裝備的健康狀態(tài)參數進行比較，可以迅速定位出機電裝備集群中的設備差異性以及哪一個設備處于異常的運行狀態(tài)，實現機電裝備健康的分析并制定出維修優(yōu)先級的順序，實現機電裝備的健康管理。

為讓本發(fā)明的上述和其它目的、特征和優(yōu)點能更明顯易懂，下文特舉較佳實施例，并配合附圖，作詳細說明如下。

附圖說明

圖1所示為本發(fā)明一實施例提供的機電裝備故障預診與健康管理方法的流程圖。

圖2所示為本發(fā)明一實施例給出的自診斷和健康狀態(tài)預測過程中上層定制工具調用底層調用工具的結構示意圖。

圖3所示為本發(fā)明一實施例提供的機電裝備故障預診與健康管理方法中計算節(jié)點數量自動配置的流程圖。

圖4所示為本發(fā)明一實施例提供的機電裝備故障預診與健康管理系統的結構示意圖。

圖5所示為利用健康值監(jiān)控機電裝備的性能衰退的曲線圖。

圖6所示為利用健康雷達圖監(jiān)控單臺機電裝備內各個關鍵部件或機電裝備集群中的各個設備的衰退分布示意圖。

圖7所示為利用健康地圖進行識別故障模式的示意圖。

具體實施方式

如圖1所示，本實施例提供的機電裝備故障預診與健康管理方法包括：數據獲取，獲取機電裝備的數據信息(步驟s1)。自診斷，對某一臺機電裝備在不同運行模式和健康狀態(tài)下的歷史數據進行特征提取和模型建立，再利用建立的模型將當前狀態(tài)獲取的數據信息與歷史數據信息進行比較，自動識別該臺機電裝備的當前健康狀態(tài)(步驟s2)。健康狀態(tài)預測，根據自診斷后獲得的該臺機電裝備的當前健康狀態(tài)和歷史健康狀態(tài)預測該臺機電裝備未來健康狀態(tài)的變化(步驟s3)。集群分析，根據單臺機電裝備的健康狀態(tài)樣本對機電裝備集群中的多臺機電裝備的數據信息進行聚類和分析比較，得到多臺機電裝備的健康狀態(tài)等級和風險分布(步驟s4)。

該方法始于步驟s1，在該步驟中，數據信息為全生命周期信息，全生命周期信息包括運行狀態(tài)數據和工況數據、環(huán)境參數、應用場景、維護保養(yǎng)記錄、績效類數據等其余全生命周期信息。

于本實施例中，采用分布式嵌入式數據采集系統采集機電裝備的運行狀態(tài)數據，運行狀態(tài)數據可以從安裝的傳感器和機電裝備控制器中獲得。然而，本發(fā)明對此不作任何限定。于其它實施例中，可采用其它類型的數據采集設備采集機電裝備的運行狀態(tài)數據。所述運行狀態(tài)數據包括機電裝備的輸出電壓、輸出電流、輸出功率等信號值。

在進行機電裝備的運行狀態(tài)數據采集時，固定的和無差別的采集策略所采集到的大量數據中僅僅只有小部分的數據是有用的，采集所消耗的資源很多但數據的利用率卻很低。于本實施例中，設置在采集機電裝備的數據信息時根據事件信息、活動目標和設備狀態(tài)自動產生符合信息分析需求的數據采樣控制信號來進行數據采集。具體而言，在數據采集時設置采集條件，當該采集條件被觸發(fā)時，系統產生數據采集控制信號進行數據采集。如當機電裝備的輸出電流的有效值波動超過20％時啟動數據采集；或者當某一報警信號被觸發(fā)時開啟數據采集。該設置可大大有效減少無用數據的采集和傳輸，提高數據的可利用性。

機電裝備的其余全生命周期信息包括機電裝備運行過程中的工況數據、環(huán)境參數、應用場景、維護保養(yǎng)記錄、績效類數據等信息。工況數據指機電裝備的負載、轉速、運行模式等工作條件，此類數據可從控制器中獲得。環(huán)境參數指所有可能影響機電裝備性能和運行狀態(tài)的環(huán)境信息，包括但不限于以下信息：溫度、風速、天氣狀態(tài)等。環(huán)境參數信息能夠便于分析機電裝備運行受環(huán)境影響的規(guī)律，將機電裝備狀態(tài)和環(huán)境變化所引起的性能變化區(qū)分開來。機電裝備維護保養(yǎng)記錄包括機電裝備全生命周期內的所有點檢、維護、維修和保養(yǎng)更換記錄，這些數據作為機電裝備狀態(tài)更新的參照，與機電裝備的狀態(tài)數據相互對照，可作為機電裝備狀態(tài)的更新節(jié)點來更新裝備的健康預測模型，這些數據可從erp、eam、bom等系統中接入獲取。機電裝備績效類數據指與機電裝備運行相關的績效及對機電裝備運行狀態(tài)進行判斷的指標類數據，通過對機電裝備績效指標的分析可給不同時間段的狀態(tài)數據貼上健康、亞健康或是故障的標簽，便于定義機電裝備的健康度。

當獲得運行狀態(tài)數據和其余全生命周期信息后，在自診斷過程中采用上層定制工具和底層調用工具對對某一臺機電裝備在不同運行模式和健康狀態(tài)下的數據進行特征提取、模型建立以及健康狀態(tài)識別，上層定制工具根據該臺機電裝備的數據信息自動調用底層調用工具中每一工具庫的數據分析模型。以下將結合圖2進行詳細介紹自診斷的過程。

在上層定制工具中，對機電裝備的運行狀態(tài)數據和其余全生命周期信息的重要度等級進行配置。如圖2所示，于本實施例中，運行狀態(tài)數據中選擇信號特征進行重要度等級配置，而其余全生命周期信息中選擇應用場景進行配置，并從1至5代表重要度等級的依次增加。然而，本發(fā)明對此不作任何限定。于其它實施例中，可采用其它運行狀態(tài)數據和其它全生命周期信息中的一個或多個進行重要度等級配置。在圖2的信號特征的重要度等級配置中，所分析的信號富含高頻信號和非平穩(wěn)信號，因此賦予高頻信號和非平穩(wěn)信號較高的重要度等級，而賦予平穩(wěn)信號和低頻信號的重要度等級較低。而在應用場景中不充足的系統知識是系統的重要屬性，故賦予較高的重要度等級，而高動態(tài)系統和充足的系統知識以及低成本則不是很重要，故賦予較低的重要度等級。

通過上層定制工具中運行狀態(tài)數據和其余全生命周期信息的重要度等級來計算得到底層調用工具中每一工具庫內每一數據分析模型的權重。如圖2所示，底層調用工具包括特征提取、狀態(tài)評估、故障診斷和故障及壽命預測四個工具庫，每一工具庫內包含了四個數據分析模型。然而，本發(fā)明對此不作任何限定。計算方法采用加權算術平均的方法，以特征提取中時頻信號分析的權重計算為例說明，上層定制工具中信號特性和應用場景中的各項子內容對時頻信號分析的影響權重分別為0.05、0.06、0.07、0.05、0.05、0.05、0.06、0.05，則時頻信號分析的權重計算為：

(0.05×1+0.06×5+0.07×5+0.05×1+0.05×1+0.05×1+0.06×5+0.05×1)/8＝0.15。然而，本發(fā)明對計算方法不作任何限定。于本實施例中，經過計算后得到特征提取這一工具庫內，時頻信號分析的權重是0.15，小波包分解的權重是0.25，自回歸模型的權重是0.09，傅里葉變換的權重是0.13；在狀態(tài)評估工具庫內，統計回歸的權重是0.09，特征映射的權重是0.07，統計模型識別的權重是0.12，隱馬爾可夫模型的權重是0.08；在故障診斷工具庫內，支持向量機的權重是0.09，隱馬爾可夫模型的權重是0.08，貝葉斯置信網絡的權重是0.06，自適應共振理論ⅱ的權重是0.12。

當獲得每一數據庫內各數據分析模型的權重后選取每一工具庫內權重最大的數據分析模型對機電裝備的數據信息進行分析。于本實施例中，采用小波包分解這一模型對獲取到的機電裝備在不同運行模式和健康狀態(tài)下的歷史數據信息進行特征提取，根據提取的特征采用統計模式識別對機電裝備的當前狀態(tài)進行評估，之后再結合歷史數據信息采用自適應共振理論ⅱ進行故障診斷，得到該臺機電裝備的當前健康狀態(tài)。

于本實施例中，當獲得該臺機電裝備的當前健康狀態(tài)后執(zhí)行步驟s3，采用故障及壽命預測模型對該臺機電裝備的未來健康狀態(tài)進行預測。于本實施例中，在健康狀態(tài)預測時同樣采用上層定制工具調用底層調用工具內每一工具庫的數據分析模型的方式來獲得故障及壽命預測模型。于本實施例中，故障及壽命預測模型包括四個模型，分別是自回歸滑動平均、遞歸神經網絡預測、模糊邏輯預測以及支持向量機。在經過步驟s2中的邏輯計算后得到，回歸滑動平均的權重是0.13，遞歸神經網絡預測的權重是0.15，模糊邏輯預測的權重是0.12，支持向量機的權重是0.09。選取權重最大的遞歸神經網絡預測對機電裝備的故障及壽命進行預測，實現單臺機電裝備的健康狀態(tài)的預測。

在自診斷和健康狀態(tài)預測中，通過上層定制工具自動獲取底層調用工具中每一工具庫內的最適合的數據分析模型來對該臺機電裝備的數據信息進行分析，數據的分析不依賴于專家經驗，無需手動分析和肉眼觀察，大大提高了機電裝備健康狀態(tài)預診的精確性。通過自診斷的方式建立了單臺機電裝備在不同時間下的健康狀態(tài)樣本，每個健康狀態(tài)樣本中包含了機電裝備的工況狀態(tài)和健康狀態(tài)。

在自診斷的基礎上，執(zhí)行步驟s4，集群分析對機電裝備集群中相似工況的機電裝備進行聚類和分析比較，對在相同時間和相同運行條件下的不同機電裝備的健康狀態(tài)參數進行比較，可以迅速定位出機電裝備集群中的設備差異性以及哪一個設備處于異常的運行狀態(tài)，從而得到多臺機電裝備的健康狀態(tài)等級，最終制定出維修優(yōu)先級的順序，實現多臺機電裝備在多工況下的健康狀態(tài)的診斷。

在自診斷、健康狀態(tài)預測和集群分析的過程中會涉及到很多數據的計算，為提高自診斷和集群分析的計算速度，在計算過程中，系統根據獲取到的數據信息的量自動配置計算服務器的節(jié)點數量。具體的配置過程如圖3所示，當當前計算服務器的計算時間大于或等于要求的計算時間時，增大計算服務器的節(jié)點數量。該設置在滿足用戶計算效率的同時不僅減少了計算資源的浪費，同時還避免了傳統的人工調節(jié)計算節(jié)點費時費力的缺點。

于本實施例中，機電裝備故障預診與健康管理方法還包括步驟s5：根據得到的多臺機電裝備的健康狀態(tài)等級對機電裝備控制模型的自重構。自重構包括對單臺機電裝備的控制模型的調整和/或對機電裝備集群的控制模型的調整。當對單臺機電裝備的控制模型進行調整時，將獲得的該臺機電裝備的健康狀態(tài)和/或維修指導意見發(fā)送至該臺機電裝備的控制器中，控制器根據健康狀態(tài)和/或維修指導意見調整該臺機電裝備中相應的運行參數，以延長該臺機電裝備的使用壽命。當對機電裝備集群的控制模型進行調整時，將集群分析后獲得的多臺機電裝備的健康狀態(tài)和/或維修指導意見發(fā)送至機電裝備集群的控制器中，控制器重新調整機電裝備集群的控制模型使集群中健康機電裝備的運行負載提高，而出現健康衰退的機電裝備的負載降低，以保證整個機電裝備集群的輸出能力。然而，本發(fā)明對機電集群的具體控制方式不作任何限定。

為便于用戶或生產廠家實時掌握機電裝備的當前健康狀態(tài)和/或未來健康狀態(tài)，并可根據維修指導建議對機電裝備進行預測性維修和排程，提高機電裝備的運行壽命，降低無故障停機時間，于本實施例中，健康狀態(tài)預測或集群分析后獲得的數據一方面進行永久性保存，如采用mongodb、hbase等nosql數據庫進行保存；另一方面，通過應用服務器將集群分析后的數據實時呈現給用戶客戶端，用戶客戶端可采用web客戶端、手機app及ar/vr等中的一種或幾種的結合進行呈現。于其它實施例中，應用服務器也可直接調用nosql數據庫內的數據呈現給用戶客戶端。

在將診斷分析、健康狀態(tài)預測或集群分析后的數據呈現給用戶客戶端時，不同層級的機電裝備健康狀態(tài)采用不同的可視化呈現方式進行展現，使用戶便于理解和決策。如對于機電裝備的關鍵部件或單個機電裝備的健康衰退評估可以用健康度來表達，所述的健康度是一個0～1之間的無量綱，0代表衰退到不可接受的狀態(tài)，1代表健康狀態(tài)，如圖5所示。對于機電裝備中各個關鍵部件的衰退分布情況或機電裝備集群的風險分布情況，可以采用雷達圖(如圖6所示)來識別，所述的雷達圖上的每一個軸代表一個機電裝備中的各個關鍵部件或機電裝備集群中的各個設備，如圖6中的j1至j6所示，每個軸都是0～1之間的健康度值，可以幫助用戶迅速定位機電裝備或集群中的薄弱環(huán)節(jié)，并制定相應的維護優(yōu)先級排序。對于機電裝備中各個關鍵部件的故障模式可以采用健康地圖(如圖7所示)來識別，健康地圖是一個由許多節(jié)點組成的網格圖，上面每一個區(qū)域分別對應一種故障模式，根據健康特征的相似性將機電裝備當前的狀態(tài)投射在健康地圖上，該區(qū)域的標簽就表示對象當前的健康模式。

與上述機電裝備故障預診與健康管理方法相對應的，本實施例還提供一種機電裝備故障預診與健康管理系統，該系統包括數據獲取模塊10、自診斷模塊20、健康狀態(tài)預測模塊30和集群分析模塊40。數據獲取模塊10獲取機電裝備的數據信息。自診斷模塊20對某一臺機電裝備在不同運行模式和健康狀態(tài)下的歷史數據信息進行特征提取和模型建立，再利用該模型與當前狀態(tài)獲取的數據信息進行比較，自動識別該臺機電裝備的當前健康狀態(tài)。健康狀態(tài)預測模塊根據自診斷后獲得的該臺機電裝備的當前健康狀態(tài)和歷史健康狀態(tài)預測該臺機電裝備未來健康狀態(tài)的變化。集群分析模塊30根據單臺機電裝備的健康狀態(tài)對機電裝備集群中的多臺機電裝備的數據信息進行聚類和分析比較，得到多臺機電裝備的健康狀態(tài)等級和風險分布。

于本實施例中，數據獲取模塊10包括分布式嵌入式數據采集系統11和邊緣設備12，分布式嵌入式數據采集系統11采集機電裝備的運行狀態(tài)數據并將運行狀態(tài)數據傳輸至邊緣設備12。邊緣設備12同步獲取機電裝備運行過程中的工況數據、環(huán)境參數、維護保養(yǎng)記錄、績效類數據等機電裝備的其余全生命周期信息。所述邊緣設備12根據應用場合的不同可以是分布式車載主機(如列車、電動車)、本地服務器(風機、機器人)等。

邊緣設備12一方面通過wi-fi、蜂窩網絡、衛(wèi)星等方式將機電裝備的數據信息傳輸至數據中轉模塊100，另一方面其自身對這些信息進行信號處理得到機電裝備的特征數據和監(jiān)測指標，將特征數據通過wi-fi、蜂窩網絡、衛(wèi)星等方式傳輸至數據中轉模塊100，將監(jiān)測指標傳輸至邊緣設備附近的用戶客戶端200對機電裝備的運行狀態(tài)進行監(jiān)測警報。數據中轉模塊100是對原始數據進行匯聚、清洗、整理等操作，可采用高吞吐量的分布式發(fā)布訂閱消息系統進行處理，如kafka系統。數據匯聚是將不同來源的數據收集到云端；數據清洗是將冗余的、無價值的數據進行合并或刪除等操作；數據整理是對清洗后的數據按照一定的規(guī)則如時間排序、數據類型排序等進行排序整理操作以方便后續(xù)數據的存儲和分析。

于本實施例中，自診斷模塊20、健康狀態(tài)預測模塊30和集群分析模塊40集成在大數據計算平臺300內。大數據計算平臺是基于hadoop的map/reduce離線數據處理架構或者基于spark的實時分布式處理計算架構。然而，本發(fā)明對此不作任何限定。

自診斷和健康狀態(tài)預測過程中采用上層定制工具和底層調用工具對某一臺機電裝備的當前數據信息與歷史數據信息進行比較，上層定制工具根據該臺機電裝備的數據信息自動調用底層調用工具中每一工具庫的數據分析模型。具體的步驟為：上層定制工具分別將機電裝備的運行狀態(tài)數據和其余全生命周期信息的重要度等級進行定制。根據機電裝備的運行狀態(tài)數據和其余全生命周期信息的重要度等級獲得底層調用工具中每一工具庫內每一數據分析模型的權重。選取每一工具庫內權重最大的數據分析模型對該臺機電裝備的數據信息進行分析。

在自診斷完成后，健康狀態(tài)預測模塊利用故障與壽命預測模型并根據獲得的機電裝備的當前健康狀態(tài)來預測機電裝備未來健康狀態(tài)的變化。

進一步的，在自診斷完成后，集群分析模塊對機電裝備集群中相似工況的機電裝備進行聚類和分析比較，對在相同時間和相同運行條件下的不同機電裝備的健康狀態(tài)參數進行比較，可以迅速定位出機電裝備集群中的設備差異性以及哪一個設備處于異常的運行狀態(tài)，從而得到多臺機電裝備的健康狀態(tài)等級，最終制定出維修優(yōu)先級的順序，實現多臺機電裝備在多工況下的健康狀態(tài)的診斷。

于本實施例中，機電裝備故障預診與健康管理系統還包括存儲模塊50。于本實施例中，存儲模塊50包括分布式文件存儲系統51、基于內存的數據庫52、nosql數據庫53。分布式文件存儲系統51能夠實現海量數據的存儲和管理，能夠實現多臺機電裝備全生命周期內的運行信息存儲，采用基于hadoop的分布式文件存儲系統hdfs?；趦却娴臄祿?2采用memcached、redis等數據存儲方式，能夠大大縮短數據抵達用戶客戶端的時間，提高實時性。nosql數據庫53用于對機電裝備健康狀態(tài)數據進行永久存儲，采用mongodb、hbase等nosql數據庫實現對數據的存儲和操作。然而，本發(fā)明對此不作任何限定。于其它實施例中，可采用其它結構的數據存儲模塊。

于本實施例中，為方便用戶或生產廠家實時掌握機電裝備的健康狀態(tài)，機電裝備故障預診與健康管理系統還包括應用服務器60。應用服務器60獲取大數據計算平臺300中自診斷、健康狀態(tài)預測或集群分析的數據或者調用存儲模塊50內存儲的數據，并通過數據傳輸協議將這些數據推送至用戶客戶端200。在用戶客戶端200可采用web客戶端、手機app及ar/vr等中的一種或幾種的結合進行呈現。

于本實施例中，機電裝備故障預診與健康管理系統還包括自重構模塊70。自重構模塊70根據得到的多臺機電裝備的健康狀態(tài)等級對機電裝備控制模型的自重構。自重構包括對單臺機電裝備的控制模型的調整和對機電裝備集群的控制模型的調整，自重構可延長單臺機電裝備的使用壽命或提高機電裝備集群的輸出能力。

綜上所述，本發(fā)明提供的機電裝備故障預診與健康管理方法及系統，在自診斷過程中通過機電裝備在不同運行模式和健康狀態(tài)下的歷史數據進行建模，利用建立的模型將當前狀態(tài)獲取的數據信息與歷史數據信息進行比較，自動識別該臺機電裝備的當前健康狀態(tài)，進而進行健康狀態(tài)預測和集群分析。通過健康狀態(tài)預測可以獲得機電裝備未來的健康狀態(tài)以及變化趨勢，集群分析是對機電裝備集群中的多臺設備的數據信息進行聚類和分析比較。

本發(fā)明通過自診斷的方法建立了單臺機電裝備在不同時間的健康狀態(tài)樣本，每一個健康狀態(tài)樣本中包含了該臺機電裝備的工況狀態(tài)和健康狀態(tài)。集群分析對相似工況的機電裝備進行聚類和分析比較，對在相同時間和相同運行條件下的不同機電裝備的健康狀態(tài)參數進行比較，可以迅速定位出機電裝備集群中的設備差異性以及哪一個設備處于異常的運行狀態(tài)，實現機電裝備健康的分析并制定出維修優(yōu)先級的順序，實現機電裝備的健康管理。

雖然本發(fā)明已由較佳實施例揭露如上，然而并非用以限定本發(fā)明，任何熟知此技藝者，在不脫離本發(fā)明的精神和范圍內，可作些許的更動與潤飾，因此本發(fā)明的保護范圍當視權利要求書所要求保護的范圍為準。