本發(fā)明涉及機(jī)械設(shè)備狀態(tài)監(jiān)測和維護(hù)管理，特別是涉及一種融合信號處理和智能算法的主氦風(fēng)機(jī)剩余壽命預(yù)測方法。

背景技術(shù)：

1、主氦風(fēng)機(jī)是氦氣循環(huán)系統(tǒng)中的核心設(shè)備，設(shè)備性能和可靠性直接影響著系統(tǒng)的安全穩(wěn)定運(yùn)行；在長期運(yùn)行過程中，主氦風(fēng)機(jī)易受轉(zhuǎn)子不平衡、葉片損壞等故障的影響，導(dǎo)致振動(dòng)加劇、效率下降，嚴(yán)重時(shí)甚至?xí)l(fā)事故；因此，準(zhǔn)確診斷主氦風(fēng)機(jī)的故障模式，預(yù)測剩余使用壽命，對于設(shè)備的安全運(yùn)行和維護(hù)管理具有重要意義。

2、傳統(tǒng)的主氦風(fēng)機(jī)故障診斷和壽命預(yù)測方法主要包括基于物理模型的方法和數(shù)據(jù)驅(qū)動(dòng)的方法，基于物理模型的方法需要建立復(fù)雜的數(shù)學(xué)模型，難以適應(yīng)設(shè)備狀態(tài)的變化，而數(shù)據(jù)驅(qū)動(dòng)的方法雖然能夠自適應(yīng)地建模，但往往缺乏可解釋性，難以應(yīng)用于工程實(shí)踐；此外，現(xiàn)有方法大多基于單一數(shù)據(jù)源進(jìn)行建模，忽略了多源異構(gòu)數(shù)據(jù)之間的關(guān)聯(lián)，導(dǎo)致診斷和預(yù)測精度不高。

3、針對上述問題，需要一種能夠融合多源監(jiān)測數(shù)據(jù)、結(jié)合物理知識(shí)和數(shù)據(jù)驅(qū)動(dòng)技術(shù)來實(shí)現(xiàn)主氦風(fēng)機(jī)故障診斷和剩余壽命預(yù)測的新方法，以提高設(shè)備的運(yùn)行可靠性和使用效率。

技術(shù)實(shí)現(xiàn)思路

1、鑒于上述現(xiàn)有存在的問題，提出了本發(fā)明。

2、因此，本發(fā)明提供了一種融合信號處理和智能算法的主氦風(fēng)機(jī)剩余壽命預(yù)測方法，能夠通過多源傳感器數(shù)據(jù)融合、故障模式識(shí)別和剩余壽命動(dòng)態(tài)預(yù)測等技術(shù)手段，實(shí)現(xiàn)對主氦風(fēng)機(jī)狀態(tài)的全面感知和準(zhǔn)確預(yù)測，為設(shè)備管理提供有效支持，解決現(xiàn)有技術(shù)中缺乏針對性的剩余壽命預(yù)測方法的問題。

3、為解決上述技術(shù)問題，本發(fā)明提供如下技術(shù)方案，一種融合信號處理和智能算法的主氦風(fēng)機(jī)剩余壽命預(yù)測方法，包括：

4、在主氦風(fēng)機(jī)上設(shè)置傳感器，進(jìn)行主氦風(fēng)機(jī)的運(yùn)行狀態(tài)數(shù)據(jù)的采集，對運(yùn)行狀態(tài)數(shù)據(jù)進(jìn)行預(yù)處理，并進(jìn)行主成分分析，對預(yù)處理的多源數(shù)據(jù)進(jìn)行特征融合，提取綜合反映主氦風(fēng)機(jī)健康狀態(tài)的特征向量；

5、構(gòu)建基于物理模型的故障模式庫，采用深度神經(jīng)網(wǎng)絡(luò)算法，建立故障模式識(shí)別模型，判斷當(dāng)前設(shè)備的健康狀態(tài)；

6、將故障模式識(shí)別結(jié)果與特征向量作為輸入，利用xgboost集成學(xué)習(xí)算法建立主氦風(fēng)機(jī)剩余壽命預(yù)測模型，在模型訓(xùn)練中，采用遷移學(xué)習(xí)的方法，利用設(shè)備的歷史數(shù)據(jù)輔助訓(xùn)練，并將故障診斷和剩余壽命預(yù)測模型部署到主氦風(fēng)機(jī)的狀態(tài)監(jiān)測系統(tǒng)中，實(shí)現(xiàn)對設(shè)備狀態(tài)的實(shí)時(shí)監(jiān)測和動(dòng)態(tài)預(yù)測；

7、根據(jù)剩余壽命預(yù)測結(jié)果，結(jié)合設(shè)備檢修周期和備件庫存，輸出設(shè)備維修和備件采購的最優(yōu)決策。

8、作為本發(fā)明所述的一種融合信號處理和智能算法的主氦風(fēng)機(jī)剩余壽命預(yù)測方法的一種優(yōu)選方案，其中：所述傳感器包括，加速度傳感器、振動(dòng)傳感器、壓力傳感器、電流傳感器和溫度傳感器；

9、所述主成分分析包括，對振動(dòng)特征主成分、溫度特征主成分、運(yùn)行參數(shù)主成分、聲發(fā)射特征主成分、負(fù)載特征主成分、環(huán)境因素主成分、時(shí)間主成分和維護(hù)歷史主成分進(jìn)行分析；

10、所述振動(dòng)特征包括振幅、頻率和相位；所述溫度特征包括溫度水平、溫度梯度和溫度波動(dòng)；所述運(yùn)行參數(shù)轉(zhuǎn)速、功率和效率；所述聲發(fā)射特征包括能量、頻譜和持續(xù)時(shí)間；所述負(fù)載特征包括負(fù)載水平和負(fù)載波動(dòng)；所述環(huán)境因素包括濕度和大氣壓力；所述時(shí)間主成分包括運(yùn)行時(shí)間和啟停頻率；所述維護(hù)歷史主成分包括維修頻率和備件更換。

11、作為本發(fā)明所述的一種融合信號處理和智能算法的主氦風(fēng)機(jī)剩余壽命預(yù)測方法的一種優(yōu)選方案，其中：所述預(yù)處理包括濾波和歸一化，濾波采用巴特沃斯帶通濾波器，傳遞函數(shù)為：

12、

13、其中，fc為截止頻率，根據(jù)主氦風(fēng)機(jī)的振動(dòng)頻率特性進(jìn)行選取，取值范圍為10hz～1000hz，s為復(fù)頻率域的自變量，反映系統(tǒng)的動(dòng)態(tài)特性；

14、歸一化采用最大最小值歸一化方法，將數(shù)據(jù)縮放到[0，1]區(qū)間內(nèi)：

15、

16、其中，x(t)為原始信號，為歸一化后的信號，min(x)為原始信號的最小值，max(x)為原始信號的最大值；

17、對采集的原始信號進(jìn)行時(shí)域分析、頻域分析和時(shí)頻分析，提取設(shè)備特征參量。

18、作為本發(fā)明所述的一種融合信號處理和智能算法的主氦風(fēng)機(jī)剩余壽命預(yù)測方法的一種優(yōu)選方案，其中：所述特征融合包括，利用主成分分析pca對多源傳感器數(shù)據(jù)提取的特征進(jìn)行降維融合，設(shè)特征矩陣為：

19、x＝[x1，x2，…xn]t

20、其中，xi為第i個(gè)樣本的特征向量，i＝1，2，……，n，n為訓(xùn)練樣本數(shù)；pca的目標(biāo)是獲得變換矩陣p，將原始特征映射到低維空間：

21、z＝ptx

22、其中，x表示原始的高維特征矩陣，p表示pca算法得到的變換矩陣，映射后的特征矩陣z的協(xié)方差矩陣為對角陣，即特征之間不相關(guān)，并通過特征融合去除冗余信息，提取出反映主氦風(fēng)機(jī)正常狀態(tài)的綜合特征；

23、所述反映主氦風(fēng)機(jī)正常狀態(tài)的綜合特征包括，震動(dòng)頻譜能量、溫度梯度、振動(dòng)—溫度相關(guān)性、信號波形熵和能量場分布參數(shù)；所述構(gòu)建基于物理模型的故障模式庫包括，轉(zhuǎn)子不平衡、葉片損壞和電機(jī)故障。

24、作為本發(fā)明所述的一種融合信號處理和智能算法的主氦風(fēng)機(jī)剩余壽命預(yù)測方法的一種優(yōu)選方案，其中：所述故障模式識(shí)別模型包括，根據(jù)主氦風(fēng)機(jī)的工作原理和故障機(jī)理，構(gòu)建包含轉(zhuǎn)子不平衡和葉片損壞兩種典型故障模式的物理模型庫，采用深度神經(jīng)網(wǎng)絡(luò)對融合特征進(jìn)行分類，實(shí)現(xiàn)故障模式識(shí)別，其中深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)包括輸入層、五個(gè)卷積層、池化層和全連接層，損失函數(shù)采用交叉熵：

25、

26、其中，ybj為樣本，b為故障模式j(luò)的真實(shí)標(biāo)簽，pbj為網(wǎng)絡(luò)預(yù)測的概率，n為樣本數(shù)，k為故障模式數(shù)，通過最小化損失函數(shù)，使得網(wǎng)絡(luò)能夠識(shí)別主氦風(fēng)機(jī)的故障模式；

27、所述剩余壽命預(yù)測模型包括，將故障模式識(shí)別結(jié)果與融合特征拼接，輸入到xgboost模型中，預(yù)測主氦風(fēng)機(jī)的剩余使用壽命，其中xgboost是一種基于決策樹集成的梯度提升算法，基學(xué)習(xí)器為cart回歸樹，假設(shè)有r棵樹，則xgboost模型表示為：

28、

29、其中，為樣本a的預(yù)測值，xa為特征向量，fr為第r棵樹，f為cart回歸樹的函數(shù)空間，fr(xa)表示決策樹對xa的預(yù)測值；

30、模型通過最小化如下目標(biāo)函數(shù)進(jìn)行訓(xùn)練：

31、

32、其中，l為均方誤差損失函數(shù)，ω為樹的復(fù)雜度懲罰項(xiàng)，n為訓(xùn)練樣本數(shù)，為樣本a的預(yù)測值，fr為第r棵樹，ya表示第a個(gè)訓(xùn)練樣本的目標(biāo)值；

33、在模型訓(xùn)練中，采用遷移學(xué)習(xí)的方法，所述遷移學(xué)習(xí)方法包括，利用設(shè)備的歷史運(yùn)行數(shù)據(jù)，對剩余壽命預(yù)測模型進(jìn)行預(yù)訓(xùn)練。

34、作為本發(fā)明所述的一種融合信號處理和智能算法的主氦風(fēng)機(jī)剩余壽命預(yù)測方法的一種優(yōu)選方案，其中：所述實(shí)時(shí)監(jiān)測和動(dòng)態(tài)預(yù)測包括，將故障診斷模型和剩余壽命預(yù)測模型集成到主氦風(fēng)機(jī)的狀態(tài)監(jiān)測系統(tǒng)中，進(jìn)行設(shè)備狀態(tài)的實(shí)時(shí)感知和滾動(dòng)預(yù)測；狀態(tài)監(jiān)測系統(tǒng)采集主氦風(fēng)機(jī)的多源傳感器信號，經(jīng)過預(yù)處理和特征提取，輸入到故障診斷模型中進(jìn)行故障模式識(shí)別，同時(shí)輸入到剩余壽命預(yù)測模型中預(yù)測設(shè)備的剩余使用壽命，預(yù)測結(jié)果實(shí)時(shí)顯示在監(jiān)控界面上。

35、作為本發(fā)明所述的一種融合信號處理和智能算法的主氦風(fēng)機(jī)剩余壽命預(yù)測方法的一種優(yōu)選方案，其中：所述決策支持包括，狀態(tài)監(jiān)測系統(tǒng)根據(jù)剩余壽命預(yù)測結(jié)果，并結(jié)合設(shè)備的檢修周期、備件庫存、歷史故障數(shù)據(jù)、運(yùn)行工況參數(shù)、維修資源可用性、生產(chǎn)任務(wù)優(yōu)先級和經(jīng)濟(jì)成本效益進(jìn)行分析，自動(dòng)生成設(shè)備維修和備件采購計(jì)劃；當(dāng)預(yù)測的剩余壽命低于設(shè)定閾值時(shí)，系統(tǒng)發(fā)出預(yù)警，提示運(yùn)維人員及時(shí)安排設(shè)備檢修；同時(shí)，根據(jù)預(yù)測的剩余壽命和設(shè)備歷史故障率，優(yōu)化備件采購計(jì)劃，減少設(shè)備停機(jī)時(shí)間。

36、作為本發(fā)明所述的一種融合信號處理和智能算法的主氦風(fēng)機(jī)剩余壽命預(yù)測方法的一種優(yōu)選方案，其中：所述健康管理系統(tǒng)包括，通過故障診斷和預(yù)防性維護(hù)功能模塊，對主氦風(fēng)機(jī)全生命周期進(jìn)行智能管理，并通過模型優(yōu)化和反饋學(xué)習(xí)，提高診斷和預(yù)測的準(zhǔn)確性。

37、一種計(jì)算機(jī)設(shè)備，包括存儲(chǔ)器和處理器，所述存儲(chǔ)器存儲(chǔ)有計(jì)算機(jī)程序，其特征在于，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)一種融合信號處理和智能算法的主氦風(fēng)機(jī)剩余壽命預(yù)測方法的步驟。

38、一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，其特征在于，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)一種融合信號處理和智能算法的主氦風(fēng)機(jī)剩余壽命預(yù)測方法的步驟。

39、本發(fā)明的有益效果：提高了主氦風(fēng)機(jī)故障診斷和剩余壽命預(yù)測的準(zhǔn)確性，本發(fā)明采用多源數(shù)據(jù)融合技術(shù)，充分挖掘了振動(dòng)、溫度等監(jiān)測數(shù)據(jù)中的故障特征，結(jié)合深度學(xué)習(xí)算法實(shí)現(xiàn)了主氦風(fēng)機(jī)典型故障模式的精準(zhǔn)識(shí)別；同時(shí)，引入遷移學(xué)習(xí)方法，利用相似設(shè)備的歷史數(shù)據(jù)輔助建模，有效提高了剩余壽命預(yù)測模型的泛化能力，實(shí)現(xiàn)了主氦風(fēng)機(jī)健康狀態(tài)的實(shí)時(shí)監(jiān)測和動(dòng)態(tài)預(yù)測。

40、本發(fā)明將故障診斷和剩余壽命預(yù)測模型集成到狀態(tài)監(jiān)測系統(tǒng)中，能夠?qū)崟r(shí)感知設(shè)備的健康狀態(tài)，并根據(jù)狀態(tài)變化動(dòng)態(tài)更新剩余壽命預(yù)測結(jié)果，為設(shè)備運(yùn)維提供可靠的決策依據(jù)，提供了面向設(shè)備全生命周期的健康管理解決方案。

41、本發(fā)明的主氦風(fēng)機(jī)健康管理系統(tǒng)不僅包括故障診斷和壽命預(yù)測功能，還提供了維修決策支持和預(yù)防性維護(hù)等服務(wù)，可有效指導(dǎo)設(shè)備的檢修和備件管理，最大限度地提高設(shè)備的可用性和運(yùn)行效率，降低運(yùn)營成本；具有良好的適用性和推廣價(jià)值本。

42、綜上所述，本發(fā)明提供了一種融合多源信息、兼顧物理知識(shí)和數(shù)據(jù)驅(qū)動(dòng)的主氦風(fēng)機(jī)故障診斷與壽命預(yù)測新方法，有效提高了診斷預(yù)測精度和設(shè)備運(yùn)行可靠性，對于推動(dòng)工業(yè)預(yù)測性維護(hù)技術(shù)的發(fā)展和應(yīng)用具有重要意義。