基于故障模式发生概率的动设备运行状态模糊评价及预测方法与流程

技术特征：

1.基于故障模式发生概率的动设备运行状态模糊评价方法，其特征在于,包括：

S1.确定产品集合及其故障模式集合：动设备包含的l个零部件构成零部件集合Z，获取l个零部件的所有故障模式，构成各零部件的故障模式集合F；

S2.确定各故障模式对应的特征量集合：计算第k个零部件的m个故障模式各自所对应的状态特征量，构成第k个零部件的第j个故障模式所对应的n个状态特征量所构成的集合Y_j，得到m个故障模式的状态特征量空间Y^m；

S3.计算特征量劣化度：计算出状态特征量空间Y^m中第i个状态特征量在t时刻的相对劣化度b_i(t)，即该状态特征量的故障发生概率p(Y_j)，计算得到m个故障模式所对应的状态特征量全劣化概率空间p^m；

S4.计算故障模式发生概率：计算故障模式集合F中第j个故障模式的综合发生概率P(F_j)，得到第k个零部件的m个故障模式发生概率集合P_j；

S5.计算故障模式发生概率隶属度：将故障模式发生概率集合P_j中的m个故障模式发生概率分别带入零部件运行状态隶属度函数，计算出第k个零部件所包括的m个故障模式的隶属度矩阵R_k；

S6.零部件运行状态的模糊评价：构建第k个零部件所包含的m个故障模式的权重矩阵B_k，计算得到第i个产品的隶属于运行状态的隶属度向量D_k，根据最大隶属原则确定第k个零部件所处的状态，生成动设备包含的l个零部件的运行状态隶属度空间C_l；

S7.动设备运行状态的模糊评价：定义动设备所包含的l个零部件的权向量为W_l，结合动设备包含的l个零部件的运行状态隶属度空间C_l，得到动设备的状态评语为S，根据最大隶属原则得到该动设备所处的状态。

2.根据权利要求1所述的基于故障模式发生概率的动设备运行状态模糊评价方法，其特征在于,所述步骤S1包括：

S11.将动设备划分为l个零部件，所述l个零部件构成零部件集合Z＝{z₁,z₂,…,z_l}；

S12.对各零部件进行故障风险识别，获取各零部件的所有故障模式，构成各零部件的故障模式集合F＝{F₁,F₂,…,F_m}。

3.根据权利要求2所述的基于故障模式发生概率的动设备运行状态模糊评价方法，其特征在于,所述步骤S12中，采用FMECA方法对各零部件进行风险识别，计算出各零部件的所有故障模式的风险等效值及排序，选出各零部件的关键故障模式，构成各零部件的故障模式集合F＝{F₁,F₂,…,F_m}。

4.根据权利要求2所述的基于故障模式发生概率的动设备运行状态模糊评价方法，其特征在于,所述步骤S11中，将动设备划分为多个零部件，计算各零部件的重要度，选出重要度大于阈值的l个零部件，所述l个零部件构成零部件集合Z＝{z₁,z₂,…,z_l}。

5.根据权利要求4所述的基于故障模式发生概率的动设备运行状态模糊评价方法，其特征在于,计算零部件的重要度的方法为：

S111.建立设备的重要度的评价指标；

S112.建立各评价指标的评分标准；

S113.多个评价者分别采用层次分析法确定出各评价指标的初始权重值及优序关系，得到各评价指标的多种初始权重值及优序关系；

S114.采用模糊Borda序值法对各评价指标的多种初始权重值进行处理，得到各评价指标的Borda值；

S115.根据各评价指标的Borda值生成各评价指标的最终权重值及优序关系；

S116.根据各评价指标的最终权重值及优序关系计算设备的重要度。

6.根据权利要求1所述的基于故障模式发生概率的动设备运行状态模糊评价方法，其特征在于,所述步骤S3中，故障发生概率p(Y_j)的计算公式为：

p(Y_j)＝b_i(t)＝F[Y_i(t),Y_i0,Y_i*]

式中，j＝1,2,…,n；F[·]为第i个状态特征量的相对劣化度函数；Y_i(t)为第i个状态特征量在t时刻的状态值；Y_i0为第i个状态特征量的正常值；Y_i*为由于第i个状态特征量造成的故障或停机的阈值。

7.根据权利要求1所述的基于故障模式发生概率的动设备运行状态模糊评价方法，其特征在于,所述步骤S4中，故障模式集合F中第j个故障模式的综合发生概率P(F_j)的计算公式为：

$P\left(F_j\right)=\[\begin{array}{cccc}p\left(Y_1\right),& p\left(Y_2\right),& \mathrm{...},& p\left(Y_n\right)\end{array}\]\left[\begin{array}{c}{\mathrm{\ω}}_1\\ {\mathrm{\ω}}_2\\ \mathrm{...}\\ {\mathrm{\ω}}_n\end{array}\right];$

式中：n为故障模式集合F中第j个故障模式对应的状态特征量个数，ω＝[ω₁,ω₂,…ω_n]^T为状态特征量集对应的权重向量，其中ω_i∈[0,1]，且满足

8.根据权利要求1所述的基于故障模式发生概率的动设备运行状态模糊评价方法，其特征在于,所述步骤S5中，将零部件的运行状态划分为良好状态、较好状态、一般状态、拟故障状态四种运行状态，运用模糊集理论将四种运行状态视为四个模糊子集S＝{s₁,s₂,s₃,s₄}；

对于模糊子集s₁＝良好状态，故障模式发生概率p_i的值在[0,0.2]时属于良好状态，在[0.2,0.4]时属于良好状态或较好状态，在[0.4,1]时不属于良好状态，则零部件运行状态隶属度函数的计算公式为

$r_{s_1}\left(P_i\right)=\left\{\begin{array}{c}1,P_i\<0.2\\ \frac{1}{2}-\frac{1}{2}sin\[\frac{\mathrm{\π}}{0.2}(P_i-0.3)\],0.2\<P_i\≤0.4\\ 0,P_i\>0.4\end{array}\right.$

对于模糊子集s₂＝较好状态，故障模式发生概率p_i的值在[0,0.2]时不属于较好状态，在[0.2,0.4]时属于良好状态或较好状态，在[0.4,0.7]时属于较好状态或一般状态，在[0.7,1]时不属于较好状态，则零部件运行状态隶属度函数的计算公式为

$r_{s_1}\left(P_i\right)=\left\{\begin{array}{c}0,P_i\<0.2\\ \frac{1}{2}+\frac{1}{2}sin\[\frac{\mathrm{\π}}{0.2}(P_i-0.3)\],0.2\<P_i\≤0.4\\ \frac{1}{2}-\frac{1}{2}\sin \[\frac{\mathrm{\π}}{0.3}(P_i-0.55)\],0.4\<P_i\≤0.7\\ 0,P_i\>0.7\end{array}\right.$

对于模糊子集s₃＝一般状态，故障模式发生概率p_i的值在[0,0.4]时不属于一般状态，在[0.4,0.7]时属于一般状态或较好状态，在[0.7,0.9]时属于拟故障状态或一般状态，在[0.9,1]时不属于一般状态，则零部件运行状态隶属度函数的计算公式为

$r_{s_1}\left(P_i\right)=\left\{\begin{array}{c}0,P_i\<0.4\\ \frac{1}{2}+\frac{1}{2}sin\[\frac{\mathrm{\π}}{0.3}(P_i-0.55)\],0.4\<P_i\≤0.7\\ \frac{1}{2}-\frac{1}{2}sin\[\frac{\mathrm{\π}}{0.2}(P_i-0.8)\],0.7\<P_i\≤0.9\\ 0,P_i\>0.9\end{array}\right.$

对于模糊子集s₄＝拟故障状态，故障模式发生概率p_i的值在[0,0.7]时不属于拟故障状态，在[0.7,0.9]时属于拟故障状态或一般状态，在[0.9,1]时属于拟故障状态，则零部件运行状态隶属度函数的计算公式为

$r_{s_1}\left(P_i\right)=\left\{\begin{array}{c}0,P_i\<0.7\\ \frac{1}{2}+\frac{1}{2}sin\[\frac{\mathrm{\π}}{0.2}(P_i-0.8)\],0.7\<P_i\≤0.9\\ 1,P_i\>0.9\end{array}\right..$

9.基于故障模式发生概率的动设备运行状态模糊预测方法，其特征在于，包括：

SS1.确定设备的故障模式及其对应的状态特征量:获取动设备包含的设备的故障模式，计算各故障模式对应的状态特征量；

SS2.确定状态特征量的时间序列样本数据：定期采集每个状态特征量的多个时间序列值，并对各状态特征量的时间序列值进行处理，计算得到一定时间内状态特征量的相对劣化度；

SS3.确定训练样本集：根据各状态特征量的相对劣化度建立训练样本集；

SS4.学习训练LS-SVR预测模型：以LS-SVM作为预测器，利用LS-SVR方法建立状态特征量的预测模型；

SS5.LS-SVR预测模型有效性验证：验证LS-SVR预测模型是否满足要求，若LS-SVR预测模型满足要求，则执行SS6；

SS6.状态特征量预测：根据LS-SVR预测模型计算各状态特征量的预测值；

SS7.根据各状态特征量的预测值对动设备的运行状态进行评价。

10.根据权利要求9所述的基于故障模式发生概率的动设备运行状态模糊预测方法，其特征在于,所述预测方法还包括：

SS8.估计动设备的剩余寿命：基于第j'步的状态特征量的预测值，完成一部预测则判断其值是否达到其状态特征量阈值：若未达到其状态特征量阈值，则进行状态特征量的第j'+1步预测，并再次进行判断其值是否达到设定的状态特征量阈值，直到第j'+k'步预测达到其状态特征量阈值，则动设备的剩余寿命的估计值为(j'+k')τ，其中τ为采集每个状态特征量的相邻两个时间序列值的时间间隔。