一种基于使用与维修影响的旋转机械设备健康状态综合评估方法
【技术领域】
[0001] 本发明涉及旋转机械设备的智能维护（IM)技术领域。更具体地，涉及一种基于使 用与维修影响的旋转机械设备健康状态综合评估方法。
【背景技术】
[0002] 目前，在缩减维修费用、缩短维修停机时间及提高装备可用度等需求的牵引下，在 传感器数据采集、数据传输，计算机运算，模式识别，人工智能等技术飞速发展的驱动下，设 备维修策略从被动的修复性维修FAF (Fail and Fix)、盲目的定期预防维修，向基于状态的 维修W及预测维修方向发展，W实现设备主动维护模式PAP (Predict and Prevent)。相关 研究表明99%的机械故障尤其是旋转机械故障都能由可测的信号参数表征其发展过程，当 前的问题和挑战是，如何将设备状态监测数据W及役龄、工况、维修活动等使用和维修因素 综合转换成直观有效的健康状态信息，W综合评估和实时监测设备综合健康度，从而更好 地支撑设备健康管理和维修辅助决策。
[0003] 申请号为201210413081.9的中国专利公开了一种基于费希尔判别分析与马氏 距离的旋转机械健康评估与故障诊断方法，该发明基于小波包分解提取能量特征向量，构 建判别分析函数并进行健康状态评估，对旋转机械设备进行故障检测和故障诊断。送种通 过传感器获得状态监测数据进行性能状态评估的方法，评估结果可W被称之为"固有健康 度"。该方法没有综合考虑如役龄、工况及维修活动等技术因素的影响。因此，不能全面表 征反映设备的综合健康水平，在工程应用中具有一定的局限性。
【发明内容】
[0004] 本发明要解决的技术问题是提供一种基于使用和维修影响的旋转机械设备健康 状态综合评估方法，该方法解决了进行旋转机械健康状态评估时，现有方法依赖于由各类 传感器获得的状态监测数据，没有综合考虑役龄、工况、维修活动等使用和维修因素的影响 送一问题。
[0005] 为解决上述技术问题，本发明采用下述技术方案：
[0006] -种基于使用与维修影响的旋转机械设备健康状态综合评估方法，包括W下步 骤：
[0007] 采集旋转机械设备在工作状态下的监测数据；
[0008] 采集旋转机械设备的役龄、工况和维修活动数据；
[0009] 利用所采集的监测数据，基于小波包分解（WPD)与自组织映射网络（SOM)评估旋 转机械设备的固有健康度；
[0010] 在所得到的固有健康度基础上，利用所采集的役龄和工况数据，构建比例退化模 型仰M);
[0011] 在所构建的比例退化模型的基础上，基于所采集的维修活动数据构建比例健康恢 复模型（PHR);
[0012] 根据最近一次维修活动后瞬间恢复的综合健康度，减去最近一次维修活动后随时 间变化综合健康度的退化，获得综合健康度。
[0013] 优选地，所述基于使用与维修影响的旋转机械设备健康状态综合评估方法，具体 包括W下步骤：
[0014] 步骤一、分析健康状态影响因素；设备健康状态的演化受各种不同因素的综合影 响，如图2所示。其中，第一技术状态因素是指在设备研制过程中确定了的设备自身运行因 素，可W由传感器状态监测数据表征指示。步骤一的目的是分析影响因素，包括两方面，一 是传感器状态监测数据，二是技术状态因素，如役龄、维修活动、工况。其中传感器状态监测 数据可W包括振动、压力、温度等，本案例主要针对的是振动数据。
[0015] 第二技术状态因素是指设备服役运行过程随外界条件例如时间等客观影响因素 的变化而变化的状态因素，例如役龄，维修活动，工况（包括运行状况和环境状况）。
[0016] 役龄是指设备的内在过程，在送个过程中设备逐渐发生退化，并且在每个连续的 役龄阶段将使设备更接近失效或者故障停机。总体上来说，役龄就是设备已投入使用的累 积时间，役龄反映一个设备的状态退化或者老化程度。
[0017] 工况，主要包含两个方面；运行状况和环境状况。运行状况指的是设备的运行模 式，例如是连续工作还是间断工作，W及是满载荷还是部分载荷，运行状况也跟设备遭受的 应力条件有关。环境条件是指设备运行所处的环境参数，包括温度、湿度和福射等，工作过 程中设备经常暴露在不同的环境状况下。
[0018] 维修活动，维修之后设备健康状态会W不同的速率退化，并且不同的维修项目、不 同的维修时机，W及不同的维修人员都将产生不同的维修效果，从而导致设备维修后健康 状态恢复程度不同。
[0019] 步骤二、综合健康度概念定义；界定"固有健康度"和"综合健康度"的概念定义。 固有健康度定义为在标准工况下，由传感器获取的状态监测数据评估度量出的设备健康水 平，送是从标准工况的角度来考虑的。
[0020] 综合健康度定义为在固有健康度评估基础上，考虑设备役龄，变化的工况及维修 活动等非技术状态因素影响综合评估度量出的设备健康水平，送是从考虑设备自身因素、 变工况及其它客观因素影响的角度考虑的。
[0021] 步骤H、固有健康度评估；针对旋转机械设备，利用其退化状态监测数据，基于自 组织映射网络（SOM)评估固有健康度。具体流程如下：
[0022] (1)自组织映射网络的初始化
[0023] 设定自组织映射网络的一些基本参数，例如最大训练长度及自组织映射网络中总 的神经元的个数。网络中总的神经元的个数n = d*d可根据样本量k按经验公式设定：
[0024] 读=I扣斬
[0025] 随机对n个输入神经元到输出神经元的连接权值赋予较小的权值，其中，k为训练 样本数量。
[0026] 似确定最佳匹配单元
[0027] 在设备正常状态下获取传感器数据，利用小波包分解提取能量特征，构成训练特 征数据集，从训练数据集中选取一个样本X，计算样本与每个输出节点之间的欧氏距离，选 出与样本X距离最近的输出节点，送个节点称为该输入样本的最佳匹配单元度MU)，记为 m。，并给出其邻接神经元集合：
[0028] I支…傑扣mix-'巧詩 |1)：
[002引 做权值的学习
[0030] 根据事先定义的邻域函数确定处于最佳匹配单元邻域内的节点，调整BMU及邻域 内节点的权值：
[00；31] Wi(t+1) = Wi(t) + a (t)hci(t) (x(t)-Wi(t)) 〇)
[003引其中，Wi(t)代表第t步的i节点的权值；a W为第t步的学习率，为随时间逐渐 下降的[01]区间上的函数；h"(t)为邻域函数；
[0033] (4)是否达到预先设定的要求
[0034] 如果未达到最大训练长度，则返回步骤似继续训练，否则训练结束。
[00对 （5)应用SOM的健康表征
[0036] 计算实时能量特征数据D与BMU之间的距离，即最小量化误差（Minimum Qu曰ntiz曰tion Error, MQE)：
[0037] M犯=I Id-IIIbmuM 做
[0038] 式中，D为输入的测试样本向量，该向量由传感器状态监测数据通过小波包分解得 到，HleMU为最佳匹配单元BMU的权重。
[0039] 对MQE进行归一化：
[0040] CY 边 i-arcia 地^斗）
[0041] 式中，a是一个尺度参数，它是由正常基准状态下的M犯和设定基准CV确定的，它 能够自适应地调节CV的变化。CV就是设备的固有健康度，对于实时监测评估的固有健康度 可标示为hi (t)。
[0042] 步骤四、考虑役龄、工况影响；构建比例退化模型（Propcxrtio