[發明專利]一種基于大數據融合聚類分析的關聯參數故障分類方法

有效

• 申請號: 201611247433.2
• 申請日: 2016-12-29
• 公開（公告）號: CN106845526B
• 公開（公告）日: 2019-12-03
• 發明（設計）人: 董云帆;房紅征;樊煥貞;高健;熊毅;李蕊
• 申請（專利權）人: 北京航天測控技術有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 11472 北京方安思達知識產權代理有限公司
• 代理人: 王宇楊;陳琳琳<國際申請>=<國際公布>

本發明提供的一種基于大數據融合聚類分析的關聯參數故障分類方法，本發明的故障分類方法從裝備運行的海量數據中，根據判讀規則挑選故障數據，并進行有監督的機器自主聚類，形成關聯參數故障自動分類結果，能夠解決目前裝備故障診斷過度依賴專家知識庫，而忽略了各子系統間深度非線性耦合的參數之間的關聯關系的問題，以及實際裝備型號運行中海量有效數據沒有獲得很好的挖掘利用的問題；同時，由于本發明的故障分類方法的實施無需依賴于對對象裝備的精確物理建模，因此避免了傳統復雜系統難以建模的難處，實現了基于海量數據挖掘的故障智能分類及關聯參數分析，具有準確率可控的故障分類能力。

技術領域

本發明涉及裝備故障預測和健康管理(PHM)領域，具體涉及一種基于大數據融合聚類分析的關聯參數故障分類方法。

背景技術

故障預測和健康管理已經發展成為航空航天領域系統后勤保障、維護和自主健康管理的重要支撐技術和基礎，在“國家中長期科學和技術發展規劃綱要2006－2020”中，“重大產品和重大設施壽命預測技術”作為前沿技術提出在近年的航天、航空科學技術學科發展報告中，均將PHM技術列為關鍵和支撐技術。

PHM技術已經成為一個涵蓋基礎材料、機械結構、能源、電子、自動測試、可靠性、信息等多領域的交叉學科和研究熱門方向，具有重要的應用價值和現實意義。在大多數的工業系統PHM應用中，建立復雜部件或系統的數學或物理模型十分困難甚至無法實現，或識別模型的參數較為復雜，因此，部件或系統設計、仿真、運行和維護等各個階段的測試數據、傳感器歷史數據就成為掌握系統性能下降的主要手段。

由此，基于測試或傳感器歷史數據挖掘的PHM方法逐漸獲得重視并取得快速發展，成為PHM領域的重要研究熱點。特別是針對航空航天等復雜系統，很難直接獲取或構建表征部件、系統退化和剩余壽命的物理模型，同時，這些對象系統和部件具備大量可用的狀態監測和測試數據，因此，以數據驅動為主的PHM方法體系，獲得美軍、美國航空航天局及眾多研究機構、工業企業的廣泛重視。

數據驅動PHM方法是基于先進的傳感器技術采集和獲取與系統屬性有關的特征參數，并將這些特征參數和有用信息關聯，借助智能算法和模型進行檢測、分析和預測，給出目標系統的剩余壽命分布、性能退化程度或任務失效的概率，從而為維護系統和系統保障提供決策信息。

在數據驅動PHM方法體系當中，方法流程、不同方法融合、模型選擇、模型適應性等問題已成為了現今該領域內的研究重點，數據驅動PHM方法以其靈活的適應性和易用性獲得了廣泛的應用和推廣。

發明內容

本發明的目的在于，為解決現有的數據驅動PHM方法存在著故障數據獲取困難的技術問題，本發明提供一種基于大數據融合聚類分析的關聯參數故障分類方法，用于改善現有復雜裝備蘊含海量信息的運行數據未被有效挖掘、有效利用的現狀。

為實現上述目的，本發明提供了一套完整的算法流程，進行運算和解析，得出最終的故障分類和參數關聯概率模型。所述的關聯參數故障分類方法包括：

步驟1)獲取對象裝備的各種運行數據。

步驟2)根據對象裝備的設計資料，建立涵蓋對象裝備全部參數的參數判讀規則庫。參數判讀規則庫不僅包含參數的門限判斷規則，同時也包含參數的趨勢判斷規則及跳變判斷規則。

步驟3)以參數判讀規則庫的規則為準，對步驟1)中所有的運行數據篩選獲得故障數據，將所有故障數據集合形成無分類故障數據集。

步驟4)以無分類故障數據集通過聚類算法進行有監督的數據自主聚類，獲得滿足要求的聚類數目和各項聚類中心。聚類的數目從2開始逐漸增大至適當的數目，最終選取使各聚類核平均加權距離不再減小的最小值為聚類的總數。同時，通過確定的各項聚類中心對無分類故障數據集進行分類獲得分類故障數據集。