[發明專利]一種面向機器學習的裝備部件健康管理方法及系統

在審

• 申請號: 201810760936.2
• 申請日: 2018-07-11
• 公開（公告）號: CN108960654A
• 公開（公告）日: 2018-12-07
• 發明（設計）人: 張彩霞;王向東;胡紹林;王新東
• 申請（專利權）人: 佛山科學技術學院
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q10/00
• 代理公司: 廣州嘉權專利商標事務所有限公司 44205
• 代理人: 王國標

本發明涉及裝備部件健康管理技術領域，具體涉及一種面向機器學習的裝備部件健康管理方法及系統，通過建立狀態趨勢分析體系，判斷部件狀態健康程度，建立裝備部件的健康評估體系，對所述整體裝備或其中某個部件在評估階段表現的健康進行評估，進而建立裝備部件的決策優化體系，有效評估裝備部件的健康狀態，對健康狀態不佳的裝備或某個部件系統提出建議。

技術領域

本發明涉及裝備部件健康管理技術領域，具體涉及一種面向機器學習的裝備部件健康管理方法及系統。

背景技術

指故障預測和健康管理(PHM)是為了滿足自主保障、自主診斷的要求而提出的，是基于狀態的維修CBM(視情維修)的升級發展。它強調資產設備管理中的狀態感知，監控設備健康狀況、故障頻發區域與周期，通過數據監控與分析，預測故障的發生，從而大幅度提高運維效率。要實現PHM，除了物理基礎條件保障外，既需要大數據分析技術，又需要非常密集的行業知識、經驗和模型作為支撐。

診斷是產品(裝備)在預期的使用狀態下，通過評估其健康狀態變化，監控健康狀態、預測剩余使用壽命的過程；健康管理是利用診斷信息對相關安全、基于狀態維修、確保產品充足庫存的決策。PHM允許產品在實際生命周期內系統可靠性的擴展使用。

PHM強調裝備管理中的狀態感知、數據監控與分析，監控設備健康狀況、故障頻發區域與周期，預測故障的發生，從而大幅度提高運維效率。

PHM分析模型包括故障診斷模型、壽命預測模型、決策支持模型、信息反饋與機器學習模型、數據處理模型、特征提取模型。

診斷和預測分析方法包括三類：物理失效模式、數據驅動模式、融合模式。物理失效模式分析是裝備產品失效的根本原因，包括地點、方式和部件，是建立在產品壽命周期內以可靠性為基礎、評估物理部件配置、識別部件失效評估預測的方法論。數據驅動模式分析是在使用實時和歷史數據基礎上，以統計概率分析獲得評估、決策、預測產品剩余壽命和可靠性的方法。融合模式是物理失效模式和數據驅動模式兩者相結合的分析方法。

故障診斷與預測都是對客觀事物狀態的一種判斷，故障診斷與預測包括認知模型、功能及性能信息(基于故障狀態信息)使用中表現出來的異常現象信息(基于異常現象信息)、使用中所承受的環境應力和工作應力信息(基于使用環境信息)、預置損傷標尺的狀態信息(基于損傷標尺信息)等。

基于異常現象信息的故障診斷與故障預測，在非正常工作狀態下所表現出來或可偵測到的異常現象(振動、噪聲、污染、溫度、電磁場等)進行故障診斷，并基于趨勢分析進行故障預測。大多數機械產品由于存在明顯的退化過程，多采用這種故障診斷與預測方式。

基于異常現象信息進行故障診斷與故障預測的是基于歷史統計數據、故障輸入獲得的數據等各類已知信息，針對當前產品異常現象特征，進行故障損傷程度的判斷及故障預測。概率分析方法、人工神經網絡、專家系統、模糊集、被觀測對象物理模型等都可以用于建立異常現象與故障損傷關系模型。概率趨勢分析模型通過異常現象對應的關鍵參數集，依據歷史數據建立各參數變化與故障損傷的概率模型(退化概率軌跡)，與當前多參數概率狀態空間進行比較，進行當前健康狀態判斷與趨勢分析。神經網絡(ANN)趨勢分析模型利用ANN的非線性轉化特征，及其智能學習機制，來建立監測到的故障現象與產品故障損傷狀態之間的聯系。利用已知的“異常特征－故障損傷”退化軌跡，或通過故障注入建立與特征分析結果關聯的退化軌跡，對ANN模型進行“訓練/學習”；然后，利用“訓練/學習”后的ANN依據當前產品特征對產品的故障損傷狀態進行判斷。由于ANN具有自適應特征，因此可以利用非顯式特征信息來進行“訓練/學習”與故障損傷狀態判斷。基于系統模型進行趨勢分析利用建立被觀測對象動態響應模型(包括退化過程中的動態響應)，針對當前系統的響應輸出，進行參數辨識，對照正常狀態下的參數統計特性，進行故障模式確認、故障診斷和故障預測。