[發(fā)明專利]一種融合專家經驗及智能算法的設備健康評估方法

在審

• 申請?zhí)枺?/td>: 202210724695.2
• 申請日: 2022-06-24
• 公開（公告）號: CN115203905A
• 公開（公告）日: 2022-10-18
• 發(fā)明（設計）人: 鞏書凱;陳虎;盧仁謙;向紅先;李宏
• 申請（專利權）人: 重慶忽米網絡科技有限公司
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06K9/62;G06F119/02
• 代理公司: 重慶博凱知識產權代理有限公司 50212
• 代理人: 黃河

1.一種融合專家經驗及智能算法的設備健康評估方法，其特征在于，包括以下步驟：

S1、采集設備的信號數(shù)據(jù)，并由專家同步對設備的健康狀態(tài)進行評估，并標注對應的標簽數(shù)據(jù)；

S2、對采集的信號數(shù)據(jù)進行預處理后進行計算分析，得到設備的狀態(tài)參數(shù)；

S3、對設備的狀態(tài)參數(shù)進行處理和聚類，得到設備各狀態(tài)的聚類中心，并根據(jù)設備各狀態(tài)的聚類中心建立設備的狀態(tài)矩陣；

S4、對設備某個狀態(tài)對應的聚類中心、狀態(tài)參數(shù)及標簽數(shù)據(jù)進行處理后，對預設的基礎模型進行訓練，得到設備該狀態(tài)對應的初始的評估模型；并重復該過程，直到分別得到設備所有狀態(tài)的初始的評估模型；

S5，采集設備實際運行時的信號數(shù)據(jù)并進行處理，得到設備的當前狀態(tài)參數(shù)；根據(jù)當前狀態(tài)參數(shù)及狀態(tài)矩陣得到設備的當前狀態(tài)后，調用當前狀態(tài)對應的評估模型，結合設備的當前狀態(tài)參數(shù)，對設備當前的健康狀態(tài)進行評估。

2.如權利要求1所述的融合專家經驗及智能算法的設備健康評估方法，其特征在于：S2中，所述預處理包括異常值的剔除、缺失值的填充和時序信號濾波處理。

3.如權利要求2所述的融合專家經驗及智能算法的設備健康評估方法，其特征在于：S2中，所述狀態(tài)參數(shù)包括時域狀態(tài)參數(shù)、頻域狀態(tài)參數(shù)和時頻域狀態(tài)參數(shù)。

4.如權利要求3所述的融合專家經驗及智能算法的設備健康評估方法，其特征在于：S3包括：

S31、按時間順序，將各時刻的狀態(tài)參數(shù)組成向量的形式，并記為各時刻的狀態(tài)向量；

S32、對各時刻的狀態(tài)向量進行無監(jiān)督學習，采用K-Means算法聚類，得到設備運行時的各運行狀態(tài)；

S33、獲取聚類結果中的各運行狀態(tài)的聚類中心，組成設備的狀態(tài)矩陣。

5.如權利要求4所述的融合專家經驗及智能算法的設備健康評估方法，其特征在于：S4包括：

S41、計算設備某個狀態(tài)下的各時刻的信號數(shù)據(jù)的狀態(tài)向量與該狀態(tài)的聚類中心的殘差值，得到該狀態(tài)的殘差序列；

S42、按照預設的滑動窗口，計算該狀態(tài)的殘差序列的標準差；

S43、通過該狀態(tài)的殘差值、標準差以及對應的標簽數(shù)據(jù)，對預設的基礎模型進行訓練，得到該狀態(tài)的初始的評估模型；

S44、重復S1-S43，直到分別得到設備所有狀態(tài)的初始的評估模型。

6.如權利要求5所述的融合專家經驗及智能算法的設備健康評估方法，其特征在于：S5包括：

S51、對實際采集的信號數(shù)據(jù)進行處理，得到當前的狀態(tài)向量，根據(jù)當前的狀態(tài)向量及狀態(tài)矩陣，確定設備的當前狀態(tài)；

S51、根據(jù)當前的狀態(tài)向量及對應的聚類中心，計算當前的狀態(tài)向量的殘差值，并得到當前的殘差序列；

S52、按照預設的滑動窗口，計算當前的殘差序列的標準差；

S53、調用當前狀態(tài)對應的評估模型，并根據(jù)當前的殘差值及標準差，對設備的當前健康狀態(tài)進行評估。

7.如權利要求6所述的融合專家經驗及智能算法的設備健康評估方法，其特征在于：S5后，還包括S6，對評估結果及裝置的實際狀態(tài)進行分析，若某狀態(tài)的評估模型的評估結果為存在異常，或設備在該狀態(tài)下實際出現(xiàn)異常，則由專家給出對應的標簽數(shù)據(jù)后作為新的訓練數(shù)據(jù)，對該狀態(tài)對應的評估模型進行再次訓練，得到該狀態(tài)的訓練更新后的評估模型。

8.如權利要求7所述的融合專家經驗及智能算法的設備健康評估方法，其特征在于：S6包括：

S61、對評估結果及裝置的實際狀態(tài)進行分析，若某狀態(tài)的評估模型的評估結果為存在異常，或設備在該狀態(tài)下實際出現(xiàn)異常，則由專家進行實時評估，并給出對應的標簽數(shù)據(jù)；

S62、對S61中專家實時評估所對應的信號數(shù)據(jù)進行處理，得到對應的殘差及標準差；

S63、將專家實時給出的標簽數(shù)據(jù)、對應的殘差及標準差，加入對應狀態(tài)的評估模型的歷史訓練數(shù)據(jù)中，并對該評估模型進行訓練更新，得到該狀態(tài)的訓練更新后的評估模型。

9.如權利要求1所述的融合專家經驗及智能算法的設備健康評估方法，其特征在于：S1中，所述信號數(shù)據(jù)的采集裝置包括振動傳感器、溫度傳感器和噪聲傳感器的一個或多個。