一种机械设备健康状态评估方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN107941537A(43)申请公布日2018.04.20(21)申请号201711007920.6(22)申请日2017.10.25(71)申请人南京航空航天大学地址210016江苏省南京市秦淮区御道街29号(72)发明人楼佩煌郭大宏钱晓明屠嘉晨张炯(74)专利代理机构南京经纬专利商标代理有限公司32200代理人施昊(51)Int.Cl.G01M99/00(2011.01)G06K9/62(2006.01)G06N3/08(2006.01)权利要求书2页说明书4页附图1页(54)发明名称一种机械设备健康状态评估方法(57)摘要本发明公开了一种机械设备健康状态评估方法。首先利用传感器采集机械设备上主要零部件的状态数据，然后进行特征提取获得特征参数；接着通过离群点检测算法提取出噪声数据和故障数据，仅保留后者；随后进行降维处理获得最终进行评估的特征向量；最后进行设备的状态评估，通过健康状态数据和失效状态数据建立自组织映射神经网络模型，通过熵权理论计算每一组待评估数据的速率影响因子，并带入神经网络进行健康因子计算。本发明实现了对于机械设备的全面状态评估，为机械设备的健康维护提供了依据，避免了不必要的经济损失。CN107941537ACN107941537A权利要求书1/2页1.一种机械设备健康状态评估方法，其特征在于，包括以下步骤：(1)利用传感器对机械设备的主要零部件进行状态数据采集；(2)对于不同零部件的状态数据采用不同的特征提取方法进行特征提取，获得特征参数，将每个零部件的特征参数归为一组，得到每个零部件的特征参数集；(3)通过离群点检测算法对每个零部件的特征参数集进行离群点检测，获得噪声数据和故障数据，保留反映设备健康状态的故障数据，清楚噪声数据；(4)对去噪声后的每个零部件的故障数据进行特征降维，然后合成一个特征向量；(5)重复步骤(1)-(4)若干次，得到若干个特征向量；(6)通过预设的健康状态数据和失效状态数据对自组织映射神经网络模型进行训练，获得训练后的网络模型；(7)根据信息熵理论，计算步骤(5)中得到的每一个特征向量的速率影响因子，并将速率影响因子带入自组织映射神经网络，计算健康因子，使得健康因子不仅能反映出当前状态到健康状态的距离程度，而且能反映出数据变化率对健康状态的影响。2.根据权利要求1所述机械设备健康状态评估方法，其特征在于：步骤(3)的具体过程如下：对于特征参数集D中的某特征点p，将该特征点的k距离记为distk(p)，它表示p与另一特征点o∈D的距离，满足至少有k个特征点o′∈D-p,使得d(p,o′)≤d(p,o)，其中d(p,o)表示两个特征点的欧式距离，同时满足至少有k-1个特征点o″∈D-p，使得d(p,o″)＜d(p,o)；将p的k距离邻域记为N(k)(p)，它包含到p的距离不大于distk(p)的所有特征点，即N(k)(p)＝{q∈D-p|d(p,q)≤distk(p)}；计算p的局部离群点因子LOFk(p)：上式中，|Nk(p)|为N(k)(p)的元素个数，lrdk(o)、lrdk(p)分别为特征点o、p的局部可达密度，reachdistk(p←o)＝max{distk(o),d(p,o)}表示特征点o到p的可达距离，reachdistk(o←p)＝max{distk(p),d(p,o)}表示特征点p到o的可达距离；设定阈值LOF1和LOF2，当LOFk(p)大于LOF1时，该特征点为故障数据，当LOFk(p)大于LOF2且小于LOF1时，该特征点为噪声数据。3.根据权利要求1所述机械设备健康状态评估方法，其特征在于：步骤(6)的具体过程如下：设wi＝[wi1,wi2,...,win]为自组织映射神经网络的第i个神经元的权值，W＝[W1,W2,...,Wn]为零部件的主观权值，n为输入特征向量的维数，步骤如下：(a)初始化网络权值；(b)分别输入健康状态数据的特征向量和失效状态数据的特征向量；(c)计算映射层权值向量与输入特征向量的距离：2CN107941537A权利要求书2/2页上式中，m为神经元个数，xi表示第i个输入特征向量，t表示时刻，j＝1,2,…,n；(d)获得距离值dj最小所对应的神经元及其邻域；(e)修正权值向量：Δwij＝wij(t+1)-wij(t)＝η(t)hi,j(t)[xi(t)-wij(t)]上式中，表示高斯函数，dij为神经元i与j之间的距离，σ(t)为邻域半径；(f)重复步骤(b)-(e)，直至训练结束，得到分别对应健康状态数据和失效状态数据的两个神经网络模型。4.根据权利要求3所述机械设备健康状态评估方法，其特征在于：步骤(7)中所述速率影响因子计算公式如下：fj＝2-Ej,