一种仪表的故障预测装置的制造方法
【技术领域】
[0001]本发明涉及一种仪表的故障预测装置，特别是一种精密仪表的故障预测装置。
【背景技术】
[0002]随着半导体技术、现代制造技术、通信技术、网络技术和软件技术的飞速发展，现代仪表的功能越来越强大，智能性和集成度也越来越高。当今世界已进入信息时代，测量技术是信息技术的源头和基础。仪表作为信息行业的重要组成部分，在现代工业生产中，仪表发挥着“四两拨千斤”的作用，它们承担着对大量的设备进行测量的任务。由于现代工业中仪表长时间的工作，导致仪表的使用性能逐渐下降，若仪表突然发生故障，其结果不仅会导致关键设备因故障而不能继续运行，往往会涉及整个系统设备的运行，可能导致巨大的经济损失，因此考虑到整体设备运行的稳定性和安全性，对仪表提前预测它的性能状态是很有必要的。
【发明内容】
[0003]本发明的目的在于克服现有技术中存在的不足，提供一种仪表的故障预测装置，该装置能够实现对仪表故障的预测，预防仪表的突然故障带来的损失。
[0004]为了实现上述目的，本发明提供一种仪表的故障预测装置，该装置包括:A/D采集模块、信号处理模块、存储模块、故障预测模块、显示模块、报警模块。故障预测模块包含基于PCA特征提取、基于SOM聚类、基于马尔可夫模型的状态转移概率计算、基于蒙特卡洛的RUL预测。为实现仪表的故障预测，具体步骤如下:
[0005]a)在相同工作环境下定期采集正在工作的两个同型号的仪表的输出信号，通过A/D采集模块把仪表输出的模拟信号转变为数字信号；
[0006]b)通过信号处理模块处理经过A/D采集模块传送的数字量信号，计算两个同型号仪表的输出差值；
[0007]c)对差值进行归一化处理，将数据规整到[0，1]范围内，提高后续预测的精确性；
[0008]d)对归一化后的数据进行时域分析，提取均值、方差、均方根值、峰值、峭度作为时域特征值，并把特征值发送至存储模块中；
[0009]e)故障预测模块(4)基于PCA(主元分析法)对步骤d)中获得的特征向量进行降维，通过构造一组新的潜隐变量来降低特征向量的维数，从新的映射空间抽取主要变化信息，进行特征向量的提取;再对降维之后的特征向量采用SOM(自组织特征映射神经网络)进行聚类，对具有相似性的数据进行自组织分类，设置多个全寿命下不同劣化状态数，将聚类后的状态利用交叉验证思想，得到仪表从健康到故障所经历的最佳劣化状态数;将最优状态数下的状态分类结果采用马尔可夫过程对劣化过程进行建模，计算状态转移概率，构成状态转移矩阵；用已经训练好的马尔可夫模型，采用马氏距离法识别出当前特征序列的状态，根据计算得到的状态转移矩阵采用蒙特卡罗仿真方法对未来劣化状态进行RUL预测，得到当前仪表的剩余使用寿命，将预测结果发送给显示模块(5);
[0010]f)报警模块实现当预测结果超出预先设定的标准阈值时，做出报警提示，表示这两个仪表将有一个损坏，或两个都损坏。
[0011]本发明两个同型号的仪表为输出是单一信号的电压输出型仪表，输出电压范围为O?1V或O?5V。
[0012]本发明的优点在于，利用两个同型号的仪表的差值的变化来预测仪表的剩余使用寿命，根据预测结果提前更换仪表，防止仪表的突然故障给设备带来的损失。
【附图说明】
[0013]图1是本发明的结构框图
【具体实施方式】
[0014]如图1所示，本发明包括六个模块，A/D采集模块1、信号处理模块2、存储模块3、故障预测模块4、显示模块5、报警模块6。故障预测模块包括以下几个部分:基于PCA特征提取7、基于SOM聚类8、基于马尔可夫模型的状态转移概率计算9、基于蒙特卡洛的RUL预测10。本发明采用两个AOSONG公司的AQ3010Y电压型温湿度变送器，A/D采集模块I采用ADC0809，信号处理模块2采用高性能DSP2812，存储模块3和故障预测模块4采用研华工控机IPC-510，显示模块5采用联想品牌显示器，研华工控机运行Windows XP系统，存储模块3、故障预测模块4和显示模块5采用Matlab和Labview编程实现。具体步骤为:
[0015]a)通过ADC0809，每周同一时间段相同环境下采集两个温湿度变送器输出的电压信号，由ADC0809将采集到的模拟量转变为可分析处理的数字量，以备后续数据处理；
[0016]b)通过DSP2812处理ADC0809传送的数字量信号，计算两个温湿度变送器的输出差值；
[0017]c)为消除数据间数量级差别，避免因为输入数据数量级差别较大而造成后续故障预测误差较大，将由DSP2812计算所得到的差值进行归一化处理，使得所有数据规整到[0，I]的范围内，提尚后续预测的精确性；
[0018]d)对归一化后的数据进行时域分析，提取均值、方差、均方根值、峰值、峭度作为时域特征值，并把特征值发送至存储模块中；
[0019]e)采用PCA(主元分析法)对步骤d)中获得的特征向量进行降维，求出协方差矩阵，计算协方差矩阵的特征向量和特征值，按照特征值由大到小排列，忽略较小的特征值构成模式矢量，将得到降维后的数据作为新的特征向量;取15组全寿命样本下提取的特征向量用SOM(自组织特征映射神经网络)进行聚类，每一输出神经元计算输入的特征向量和权重向量W之间的距离，利用竞争学习规则，不断调整使得在稳定时，每一领域的节点对某种输入的特征向量具有类似的输出，从而将这15组全寿命样本下提取的特征向量聚类成不同的劣化状态数，对于每组取定的劣化状态数采用10折交叉验证方法进行交叉验证，把15组全寿命下的特征向量均分为10组，将每组分别做一次验证集，取剩下的9组用来训练，这样会得到10个模型，用这10个模型最终的验证集的分类准确率最高的劣化状态数作为最佳聚类数;将最优状态数下的状态分类结果采用马尔可夫模型对劣化过程进行建模，计算状态转移概率，构成状态转移矩阵；用已经训练好的马尔可夫模型，采用马氏距离法识别出当前特征序列的状态，蒙特卡罗仿真建立在MATLAB平台的基础上，利用MATLAB产生随机数命令产生在(0，1)上均匀分布的随机数，根据随机数在不同状态转移概率的区间，决定劣化状态是否跳变，实现对劣化状态的预测，得到当前仪表的剩余使用寿命，最终将预测结果发送给显示模块；
[0020]f)报警模块实现当预测结果超出预先设定的标准阈值时，做出报警提示，表示这两个仪表将有一个损坏，或两个都损坏。
[0021]经过以上步骤，最终实现了对仪表的故障预测。
【主权项】
1.一种仪表的故障预测装置，包括:A/D采集模块(I)、信号处理模块(2)、存储模块(3)、故障预测模块(4)、显示模块(5)、报警模块(6)，其特征在于，为准确预测故障的发生，本发明执行如下步骤: a)定期采集在相同工作环境下工作的两个同型号仪表的输出信号，通过A/D采集模块(I)把仪表输出的模拟信号转变为数字信号； b)通过信号处理模块(2)处理经过A/D采集模块(I)传送的数字量信号，计算两个同型号仪表的输出差值； c)对差值进行归一化处理，将数据规整到[0，1]范围内，提高后续预测的精确性； d)对归一化后的数据进行时域分析，提取均值、方差、均方根值、峰值、峭度作为时域特征值，并把特征值发送至存储模块(3)中； e)故障预测模块(4)基于PCA(主元分析法)对步骤d)中获得的特征向量进行降维，通过构造一组新的潜隐变量来降低特征向量的维数，从新的映射空间抽取主要变化信息，进行特征向量的提取;再对降维之后的特征向量采用SOM(自组织特征映射神经网络)进行聚类，对具有相似性的数据进行自组织分类，设置多个全寿命下不同劣化状态数，将聚类后的状态利用交叉验证思想，得到仪表从健康到故障所经历的最佳劣化状态数;将最优状态数下的状态分类结果采用马尔可夫过程对劣化过程进行建模，计算状态转移概率，构成状态转移矩阵；用已经训练好的马尔可夫模型，采用马氏距离法识别出当前特征序列的状态，根据计算得到的状态转移矩阵采用蒙特卡罗仿真方法对未来劣化状态进行RUL预测，得到当前仪表的剩余使用寿命，将预测结果发送给显示模块(5); f)报警模块(6)实现当预测结果超出预先设定的标准阈值时，做出报警提示，表示这两个仪表将有一个损坏，或两个都损坏。2.根据权利要求1所述的一种仪表的预测装置，其特征在于:两个同型号的仪表为输出是单一信号的电压输出型仪表，输出电压范围为O?1V或O?5V。
【专利摘要】一种仪表的故障预测装置，包括A/D采集模块，信号处理模块、存储模块、故障预测模块和报警模块。定期采集在相同工作环境下工作的两个同型号仪表的输出信号，A/D采集模块将仪表输出的模拟信号转换为数字信号；通过信号处理模块计算输出差值；将差值数据进行归一化处理并提取时域特征值，发送至存储模块；故障预测模块对特征值序列进行特征降维、聚类分析、交叉验证、状态转移概率计算、状态识别和剩余使用寿命预测，实现仪表的故障预测；显示模块显示得到预测结果；报警模块实现当预测结果超出预先设定的标准阈值时，做出报警提示，表示这两个仪表将有一个损坏，或两个都损坏。本发明可根据两个同型号仪表的输出信号的差值预测仪表的剩余使用寿命。
【IPC分类】G01D18/00
【公开号】CN105675038
【申请号】CN201610024841
【发明人】潘静, 王凌, 陈锡爱, 许宏, 王斌锐
【申请人】中国计量学院
【公开日】2016年6月15日
【申请日】2016年1月5日