[發明專利]一種基于回歸模型的旋轉設備故障預測方法、系統及可讀存儲介質

在審

• 申請號: 202011060798.0
• 申請日: 2020-09-30
• 公開（公告）號: CN112200048A
• 公開（公告）日: 2021-01-08
• 發明（設計）人: 付駿宇;劉立斌
• 申請（專利權）人: 蘇州容思恒輝智能科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 佛山粵進知識產權代理事務所(普通合伙) 44463
• 代理人: 王余錢

1.一種基于回歸模型的旋轉設備故障預測方法，其特征在于，包括：

設定采樣間隔時間，生成不同時間節點的多組樣本數據，對多組樣本數據進行標準化處理，得到標準樣本數據；

通過大數據分析獲取歷史樣本數據，并建立回歸模型；

將標準將本數據輸入回歸模型，得到多個故障預測樣本；

將多個故障預測樣本進行相似度計算；

將相似度小于預設閾值的樣本數據進行歸類，得到結果信息；

通過結果信息進行設備故障診斷，得到故障信息；

根據故障信息，生成提示信息，并發送至平臺。

2.根據權利要求1所述的一種基于回歸模型的旋轉設備故障預測方法，其特征在于，設定采樣間隔，生成不同時間節點的多組樣本數據，對多組樣本數據進行標準化處理，具體包括：

采集設備振動信號，通過小波變化法對振動信號進行降噪處理；

提取振動信號產生的周期性脈沖信號，并計算脈沖信號幅值、頻率；

對振動信號進行固有時間尺度分解，提取旋轉分量特征；

根據脈沖信號提取振動信號的能量、峰值與持續時間三個特征；

利用三維空間均值聚類進行模式識別，結合粒子群算法進行故障診斷。

3.根據權利要求2所述的一種基于回歸模型的旋轉設備故障預測方法，其特征在于：采集設備狀態信號，對設備狀態信號進行預處理，

對多組樣本數據分別提取特征向量；

將多組樣本數據中處于同一頻帶區間內的信號進行歸類，得到多個分向量；

將分向量進行標準平方和計算，獲取樣本數據變化趨勢圖及幅值曲線；

利用幅值偏離曲線及樣本變化趨勢圖獲取樣本分布規律；

樣本分布規律計算如下：

其中T表示樣本數據協方差矩陣，t表示采樣間隔時間，∧^-1表示T矩陣的逆，M表示展開后T矩陣的列數，N表示展開后T矩陣的行數。

4.根據權利要求3所述的一種基于回歸模型的旋轉設備故障預測方法，其特征在于：不同采樣時間間隔下的樣本數據的誤差為：

σ＝x_t-te^T,e^T式中σ表示樣本誤差，x_t表示t時刻下采集的樣本數據，T表示樣本數據協方差矩陣；

其中σ服從加權τ²分布，具體如下：

式中Q與R表示全部歷史數據中對應t時刻下的數據統計量，λ表示與Q、R有關的系數，h表示加權分布的自由度，τ表示加權分布。

5.根據權利要求1所述的一種基于回歸模型的旋轉設備故障預測方法，其特征在于：通過大數據分析獲取歷史樣本數據，并建立回歸模型；具體包括：

將歷史樣本數據隨機分為訓練集與驗證集；

對訓練集內的樣本數據進行分解篩選，提取因變量關聯性強的自變量組合，建立樣本點；

利用最小二乘法將所有樣本點進行擬合，得到預測曲線，

通過最小化數據點與預測曲線的垂直誤差的平方和來計算得到最佳擬合曲線；

根據最佳擬合曲線建立回歸方程；

將驗證集內的樣本數據輸入回歸方程，獲取數據誤差；

判斷數據誤差是否大于預設閾值；

若大于，則重復對樣本數據進行分解篩選，并建立新的樣本點，進行重建回歸方程。

6.根據權利要求5所述的一種基于回歸模型的旋轉設備故障預測方法，其特征在于：將多個故障預測樣本進行相似度計算；還包括：

采集不同時刻的樣本數據，依據樣本數據之間的相似度設定閾值；

記錄小于閾值范圍內的樣本數據及對應的監測位置信息；

對樣本數據以相似度為指標進行排序，按照相似度從大到小的方式進行排列，保持監測位置的一致性；

對排序后的樣本數據進行分析，按照采樣時間間隔進行樣本數據選取；

當樣本數據在同一采樣間隔內波動差值大于波動閾值時；

放寬樣本數據選取量，重新進行樣本數據相似度排序。