[發(fā)明專利]基于多元概率模型的設(shè)備狀態(tài)綜合動(dòng)態(tài)報(bào)警方法

有效

• 申請(qǐng)?zhí)枺?/td>: 200910219087.0
• 申請(qǐng)日: 2009-11-20
• 公開（公告）號(hào): CN101718634A
• 公開（公告）日: 2010-06-02
• 發(fā)明（設(shè)計(jì)）人: 徐光華;華成;張慶;楊凱
• 申請(qǐng)（專利權(quán)）人: 西安交通大學(xué)
• 主分類號(hào): G01M19/00
• 分類號(hào): G01M19/00;G06N7/00
• 代理公司: 西安智大知識(shí)產(chǎn)權(quán)代理事務(wù)所 61215
• 代理人: 賈玉健

技術(shù)領(lǐng)域

本發(fā)明屬于機(jī)械設(shè)備狀態(tài)監(jiān)測(cè)與故障診斷技術(shù)領(lǐng)域，涉及一種機(jī)械設(shè)備 運(yùn)行監(jiān)測(cè)與報(bào)警設(shè)置技術(shù)，具體涉及一種基于多元概率模型的設(shè)備狀態(tài)綜合 動(dòng)態(tài)報(bào)警方法。

背景技術(shù)

報(bào)警技術(shù)是設(shè)備狀態(tài)監(jiān)測(cè)和故障診斷的核心技術(shù)之一，在監(jiān)測(cè)診斷技術(shù) 向企業(yè)推廣以及推動(dòng)預(yù)知維修體制發(fā)展變革的過(guò)程中都發(fā)揮著極其重要的 作用。從預(yù)防事故的角度來(lái)講，機(jī)械設(shè)備運(yùn)行狀態(tài)的報(bào)警比故障診斷更為迫 切和有效。

目前常用的報(bào)警方法有：1)越限報(bào)警方法，對(duì)設(shè)備的某些關(guān)鍵參數(shù)進(jìn) 行實(shí)時(shí)監(jiān)測(cè)，一旦發(fā)現(xiàn)參數(shù)超越了預(yù)先設(shè)定的閾值，立即報(bào)警或采取措施， 該閾值根據(jù)某一標(biāo)準(zhǔn)或操作人員的經(jīng)驗(yàn)設(shè)定，是一個(gè)靜態(tài)的值；2)趨勢(shì)報(bào) 警方法，即對(duì)設(shè)備的關(guān)鍵參數(shù)實(shí)時(shí)采樣和分析，根據(jù)故障前兆期參數(shù)的變化 特點(diǎn)，對(duì)故障發(fā)生前信號(hào)變化的梯度進(jìn)行分析，判斷設(shè)備是否可能會(huì)出現(xiàn)故 障。上述兩種報(bào)警方法過(guò)于絕對(duì)化，沒有充分考慮設(shè)備外在和內(nèi)在因素的影 響。而設(shè)備的實(shí)際運(yùn)行狀態(tài)與工作環(huán)境、負(fù)載和人為操作等因素密切相關(guān)， 這些因素發(fā)生變化均會(huì)引起報(bào)警閾值的變化；3)基于知識(shí)的智能報(bào)警方法， 通過(guò)一組訓(xùn)練樣本對(duì)設(shè)計(jì)好的神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練學(xué)習(xí)，學(xué)習(xí)好的神經(jīng)網(wǎng)絡(luò)能 很好地把握相應(yīng)的判定準(zhǔn)則，對(duì)實(shí)際的觀察樣本進(jìn)行分類判定，網(wǎng)絡(luò)輸出1 時(shí)進(jìn)行報(bào)警，網(wǎng)絡(luò)輸出0時(shí)不報(bào)警。基于知識(shí)的智能報(bào)警方法，能自適應(yīng)地 判斷設(shè)備狀態(tài)，劃定動(dòng)態(tài)報(bào)警線，以數(shù)據(jù)中蘊(yùn)含的深層次知識(shí)為報(bào)警規(guī)則， 判斷設(shè)備狀態(tài)，但該報(bào)警方法的計(jì)算量太大，同時(shí)需要大量的樣本訓(xùn)練，難 以實(shí)現(xiàn)實(shí)時(shí)監(jiān)測(cè)。另外，現(xiàn)有的報(bào)警方法多是單測(cè)點(diǎn)監(jiān)測(cè)設(shè)備的狀態(tài)，而不 是從整體上把握設(shè)備狀態(tài)。

發(fā)明內(nèi)容

為了克服上述現(xiàn)有技術(shù)的缺點(diǎn)，本發(fā)明的目的是提供一種基于多元概率 模型的設(shè)備狀態(tài)綜合動(dòng)態(tài)報(bào)警方法，能對(duì)設(shè)備進(jìn)行實(shí)時(shí)監(jiān)測(cè)，從整體上把握 設(shè)備的狀態(tài)，計(jì)算量較小，并不需要進(jìn)行樣本訓(xùn)練。

本發(fā)明所采用的技術(shù)方案是，基于多元概率模型的設(shè)備狀態(tài)綜合動(dòng)態(tài)報(bào) 警方法，通過(guò)高斯核函數(shù)的多元樣本數(shù)據(jù)向一維條件概率密度的映射，利用 3σ方法獲得處于聚類邊界樣本點(diǎn)分布的等高線映射，將樣本邊界點(diǎn)的等高線 包絡(luò)形成的復(fù)雜曲面作為報(bào)警線，通過(guò)判斷新數(shù)據(jù)與報(bào)警線的位置關(guān)系來(lái)識(shí) 別異常數(shù)據(jù)，實(shí)現(xiàn)報(bào)警，該方法按以下步驟進(jìn)行：

步驟1：以相同采樣間隔同時(shí)采集反映設(shè)備運(yùn)行狀態(tài)的至少一個(gè)測(cè)點(diǎn)的 特征參數(shù)，獲得一組反映設(shè)備運(yùn)行狀態(tài)的多元?dú)v史數(shù)據(jù)作為樣本；

步驟2：將步驟1獲得的多元?dú)v史數(shù)據(jù)以列向量形式表示，即在第m次 觀測(cè)獲得的多元數(shù)據(jù)表示為列向量

式中，l為測(cè)點(diǎn)數(shù)；m＝1，2…，N，N為樣本點(diǎn)數(shù)；T代表轉(zhuǎn)置運(yùn)算；

步驟3：將步驟2得到的列向量，采用下式計(jì)算高維空間的歐式距離：

dis(Xi,Xj)=(Xi-Xj)T(Xi-Xj)]]>

式中，dis(X_i，X_j)為多元數(shù)據(jù)X_i和X_j在高維空間中的歐式距離；X_i為第i 次觀測(cè)獲得的多元數(shù)據(jù)；X_j為第j次觀測(cè)獲得的多元數(shù)據(jù)；

則，樣本內(nèi)數(shù)據(jù)之間的最小平均距離為：