机电装备故障预诊与健康管理方法及系统与流程

本发明涉及设备的故障预测与健康管理领域，且特别涉及一种机电装备故障预诊与健康管理方法及系统。

背景技术：

随着中国社会经济的高速发展，各种机电装备的性能不断提高，向着高速化、重载化、智能化的方向不断发展，系统组成复杂性也不断增加，使机电装备的可靠性、维修性等问题日渐突出。目前对机电装备的维修多停留在离线定期检修阶段，这种方法实时性较差，维修效率较低，会造成“该修没修、不该修却修”的维修不足和维修过度的缺点。国内外相关单位在机电装备基于状态维修和预测性维修方面做了大量研究工作，提出了许多机电装备故障预测和诊断方法并搭建了相关机电装备监控系统。

然而，现有的这些故障预测和诊断方法多是针对单台设备在单一或恒定工况下进行的。而目前机电装备面临的问题是需要对多台设备在多工况下的健康状态进行监测、比较和预测，传统的故障预测和诊断方法存在一定的局限性。进一步的，已有的机电装备监控方法和系统在数据采集时只注重采集设备的状态数据，而对许多重要的信息如设备使用时的工况数据、环境参数、维护保养记录及绩效类数据没有有效同步记录，造成这些数据的调用和相互对照变得十分困难，并且在对运行状态数据进行采集时往往采用固定的和无差别的采集策略，造成消耗大部分时间采集许多无用的信息。更进一步的，已有的机电装备监控方法和系统只能根据分析计算结果给出报警、维修指导建议等信息，但是没有基于这些监测信息进行决策优化和系统重配置。

此外，由于对多台设备在多工况下的健康状态监测和预测需要存储和处理大量的数据，单纯依靠提高计算机的硬件配置来实现数据的实时处理变得越来越难，并且目前的大数据计算方法存在的问题之一是需要人工来配置处理数据的计算服务器节点数量，费时费力。并且在很多机电装备监控系统在分析过程中多依赖专家经验，存在着大量手动分析、肉眼观察、参数试凑等缺陷。

技术实现要素：

本发明为了克服现有的机电装备无法实现多台设备多工况下的健康状态监控以及预测的问题，提供一种适用于多设备多工况的机电装备故障预诊与健康管理方法及系统。

为了实现上述目的，本发明提供一种机电装备故障预诊与健康管理方法，该方法包括：

数据获取，获取机电装备的数据信息；

自诊断，对某一台机电装备在不同运行模式和健康状态下的历史数据信息进行特征提取和模型建立，再利用建立的模型将当前状态获取的数据信息与历史数据信息进行比较，自动识别该台机电装备的当前健康状态；

健康状态预测，根据自诊断后获得的该台机电装备的当前健康状态和历史健康状态预测该台机电装备未来健康状态的变化；

集群分析，根据单台机电装备的当前健康状态对机电装备集群中的多台机电装备的数据信息进行聚类和分析比较，得到多台机电装备的健康状态等级和风险分布。

于本发明一实施例中，数据信息为机电装备的全生命周期信息，全生命周期信息包括运行状态数据。

于本发明一实施例中，在自诊断和健康状态预测过程中采用上层定制工具和底层调用工具对某一台机电装备的数据信息进行特征提取、模型建立以及健康状态识别，上层定制工具根据该台机电装备的数据信息自动调用底层调用工具中每一工具库的数据分析模型。

于本发明一实施例中，上层定制工具调用底层调用工具内每一工具库的数据分析模型的步骤包括：

上层定制工具分别将机电装备的运行状态数据和其余全生命周期信息的重要度等级进行定制；

根据机电装备的运行状态数据和其余全生命周期信息的重要度等级进行计算，获得底层调用工具中每一工具库内每一数据分析模型的权重；

选取每一工具库内权重最大的数据分析模型对该台机电装备的数据信息进行分析。

于本发明一实施例中，底层调用工具内包含特征提取工具库、状态评估工具库、故障诊断工具库、故障及寿命预测工具库。

于本发明一实施例中，在获取机电装备的数据信息时根据事件信息、活动目标和设备状态自动产生符合信息分析需求的数据采样控制信号来进行数据采集。

于本发明一实施例中，在自诊断、健康状态预测和集群分析过程中，根据获取到的数据信息的量自动配置计算服务器的节点数量。

于本发明一实施例中，机电装备故障预诊与健康管理方法还包括根据得到的多台机电装备的健康状态等级对机电装备控制模型的自重构，自重构包括对单台机电装备的控制模型的调整和/或对机电装备集群的控制模型的调整。

于本发明一实施例中，采用可视化的方式将单台机电装备的当前健康状态和/或健康状态预测和/或多台机电装备的健康状态等级推送至客户端。

本发明另一方面还提供一种机电装备故障预诊与健康管理系统，该系统包括数据获取模块、自诊断模块、健康状态预测模块和集群分析模块。数据获取模块获取机电装备的数据信息。自诊断模块对某一台机电装备在不同运行模式和健康状态下的历史数据信息进行特征提取和模型建立，再利用建立的模型将当前状态获取的数据信息与历史数据信息进行比较，自动识别该台机电装备的当前健康状态。健康状态预测模块根据自诊断后获得的该台机电装备的当前健康状态和历史健康状态预测该台机电装备未来健康状态的变化。集群分析模块根据单台机电装备的当前健康状态对机电装备集群中的多台机电装备的数据信息进行聚类和分析比较，得到多台机电装备的健康状态等级和风险分布。

综上所述，本发明提供的机电装备故障预诊与健康管理方法及系统，在自诊断过程中通过机电装备在不同运行模式和健康状态下的历史数据进行建模，利用建立的模型将当前状态获取的数据信息与历史数据信息进行比较，自动识别该台机电装备的当前健康状态，进而进行健康状态预测和集群分析。通过健康状态预测可以获得机电装备未来的健康状态以及变化趋势，集群分析是对机电装备集群中的多台设备的数据信息进行聚类和分析比较。

本发明通过自诊断的方法建立了单台机电装备在不同时间的健康状态样本，每一个健康状态样本中包含了该台机电装备的工况状态和健康状态。集群分析对相似工况的机电装备进行聚类分析，对在相同时间和相同运行条件下的不同机电装备的健康状态参数进行比较，可以迅速定位出机电装备集群中的设备差异性以及哪一个设备处于异常的运行状态，实现机电装备健康的分析并制定出维修优先级的顺序，实现机电装备的健康管理。

为让本发明的上述和其它目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合附图，作详细说明如下。

附图说明

图1所示为本发明一实施例提供的机电装备故障预诊与健康管理方法的流程图。

图2所示为本发明一实施例给出的自诊断和健康状态预测过程中上层定制工具调用底层调用工具的结构示意图。

图3所示为本发明一实施例提供的机电装备故障预诊与健康管理方法中计算节点数量自动配置的流程图。

图4所示为本发明一实施例提供的机电装备故障预诊与健康管理系统的结构示意图。

图5所示为利用健康值监控机电装备的性能衰退的曲线图。

图6所示为利用健康雷达图监控单台机电装备内各个关键部件或机电装备集群中的各个设备的衰退分布示意图。

图7所示为利用健康地图进行识别故障模式的示意图。

具体实施方式

如图1所示，本实施例提供的机电装备故障预诊与健康管理方法包括：数据获取，获取机电装备的数据信息(步骤s1)。自诊断，对某一台机电装备在不同运行模式和健康状态下的历史数据进行特征提取和模型建立，再利用建立的模型将当前状态获取的数据信息与历史数据信息进行比较，自动识别该台机电装备的当前健康状态(步骤s2)。健康状态预测，根据自诊断后获得的该台机电装备的当前健康状态和历史健康状态预测该台机电装备未来健康状态的变化(步骤s3)。集群分析，根据单台机电装备的健康状态样本对机电装备集群中的多台机电装备的数据信息进行聚类和分析比较，得到多台机电装备的健康状态等级和风险分布(步骤s4)。

该方法始于步骤s1，在该步骤中，数据信息为全生命周期信息，全生命周期信息包括运行状态数据和工况数据、环境参数、应用场景、维护保养记录、绩效类数据等其余全生命周期信息。

于本实施例中，采用分布式嵌入式数据采集系统采集机电装备的运行状态数据，运行状态数据可以从安装的传感器和机电装备控制器中获得。然而，本发明对此不作任何限定。于其它实施例中，可采用其它类型的数据采集设备采集机电装备的运行状态数据。所述运行状态数据包括机电装备的输出电压、输出电流、输出功率等信号值。

在进行机电装备的运行状态数据采集时，固定的和无差别的采集策略所采集到的大量数据中仅仅只有小部分的数据是有用的，采集所消耗的资源很多但数据的利用率却很低。于本实施例中，设置在采集机电装备的数据信息时根据事件信息、活动目标和设备状态自动产生符合信息分析需求的数据采样控制信号来进行数据采集。具体而言，在数据采集时设置采集条件，当该采集条件被触发时，系统产生数据采集控制信号进行数据采集。如当机电装备的输出电流的有效值波动超过20％时启动数据采集；或者当某一报警信号被触发时开启数据采集。该设置可大大有效减少无用数据的采集和传输，提高数据的可利用性。

机电装备的其余全生命周期信息包括机电装备运行过程中的工况数据、环境参数、应用场景、维护保养记录、绩效类数据等信息。工况数据指机电装备的负载、转速、运行模式等工作条件，此类数据可从控制器中获得。环境参数指所有可能影响机电装备性能和运行状态的环境信息，包括但不限于以下信息：温度、风速、天气状态等。环境参数信息能够便于分析机电装备运行受环境影响的规律，将机电装备状态和环境变化所引起的性能变化区分开来。机电装备维护保养记录包括机电装备全生命周期内的所有点检、维护、维修和保养更换记录，这些数据作为机电装备状态更新的参照，与机电装备的状态数据相互对照，可作为机电装备状态的更新节点来更新装备的健康预测模型，这些数据可从erp、eam、bom等系统中接入获取。机电装备绩效类数据指与机电装备运行相关的绩效及对机电装备运行状态进行判断的指标类数据，通过对机电装备绩效指标的分析可给不同时间段的状态数据贴上健康、亚健康或是故障的标签，便于定义机电装备的健康度。

当获得运行状态数据和其余全生命周期信息后，在自诊断过程中采用上层定制工具和底层调用工具对对某一台机电装备在不同运行模式和健康状态下的数据进行特征提取、模型建立以及健康状态识别，上层定制工具根据该台机电装备的数据信息自动调用底层调用工具中每一工具库的数据分析模型。以下将结合图2进行详细介绍自诊断的过程。

在上层定制工具中，对机电装备的运行状态数据和其余全生命周期信息的重要度等级进行配置。如图2所示，于本实施例中，运行状态数据中选择信号特征进行重要度等级配置，而其余全生命周期信息中选择应用场景进行配置，并从1至5代表重要度等级的依次增加。然而，本发明对此不作任何限定。于其它实施例中，可采用其它运行状态数据和其它全生命周期信息中的一个或多个进行重要度等级配置。在图2的信号特征的重要度等级配置中，所分析的信号富含高频信号和非平稳信号，因此赋予高频信号和非平稳信号较高的重要度等级，而赋予平稳信号和低频信号的重要度等级较低。而在应用场景中不充足的系统知识是系统的重要属性，故赋予较高的重要度等级，而高动态系统和充足的系统知识以及低成本则不是很重要，故赋予较低的重要度等级。

通过上层定制工具中运行状态数据和其余全生命周期信息的重要度等级来计算得到底层调用工具中每一工具库内每一数据分析模型的权重。如图2所示，底层调用工具包括特征提取、状态评估、故障诊断和故障及寿命预测四个工具库，每一工具库内包含了四个数据分析模型。然而，本发明对此不作任何限定。计算方法采用加权算术平均的方法，以特征提取中时频信号分析的权重计算为例说明，上层定制工具中信号特性和应用场景中的各项子内容对时频信号分析的影响权重分别为0.05、0.06、0.07、0.05、0.05、0.05、0.06、0.05，则时频信号分析的权重计算为：

(0.05×1+0.06×5+0.07×5+0.05×1+0.05×1+0.05×1+0.06×5+0.05×1)/8＝0.15。然而，本发明对计算方法不作任何限定。于本实施例中，经过计算后得到特征提取这一工具库内，时频信号分析的权重是0.15，小波包分解的权重是0.25，自回归模型的权重是0.09，傅里叶变换的权重是0.13；在状态评估工具库内，统计回归的权重是0.09，特征映射的权重是0.07，统计模型识别的权重是0.12，隐马尔可夫模型的权重是0.08；在故障诊断工具库内，支持向量机的权重是0.09，隐马尔可夫模型的权重是0.08，贝叶斯置信网络的权重是0.06，自适应共振理论ⅱ的权重是0.12。

当获得每一数据库内各数据分析模型的权重后选取每一工具库内权重最大的数据分析模型对机电装备的数据信息进行分析。于本实施例中，采用小波包分解这一模型对获取到的机电装备在不同运行模式和健康状态下的历史数据信息进行特征提取，根据提取的特征采用统计模式识别对机电装备的当前状态进行评估，之后再结合历史数据信息采用自适应共振理论ⅱ进行故障诊断，得到该台机电装备的当前健康状态。

于本实施例中，当获得该台机电装备的当前健康状态后执行步骤s3，采用故障及寿命预测模型对该台机电装备的未来健康状态进行预测。于本实施例中，在健康状态预测时同样采用上层定制工具调用底层调用工具内每一工具库的数据分析模型的方式来获得故障及寿命预测模型。于本实施例中，故障及寿命预测模型包括四个模型，分别是自回归滑动平均、递归神经网络预测、模糊逻辑预测以及支持向量机。在经过步骤s2中的逻辑计算后得到，回归滑动平均的权重是0.13，递归神经网络预测的权重是0.15，模糊逻辑预测的权重是0.12，支持向量机的权重是0.09。选取权重最大的递归神经网络预测对机电装备的故障及寿命进行预测，实现单台机电装备的健康状态的预测。

在自诊断和健康状态预测中，通过上层定制工具自动获取底层调用工具中每一工具库内的最适合的数据分析模型来对该台机电装备的数据信息进行分析，数据的分析不依赖于专家经验，无需手动分析和肉眼观察，大大提高了机电装备健康状态预诊的精确性。通过自诊断的方式建立了单台机电装备在不同时间下的健康状态样本，每个健康状态样本中包含了机电装备的工况状态和健康状态。

在自诊断的基础上，执行步骤s4，集群分析对机电装备集群中相似工况的机电装备进行聚类和分析比较，对在相同时间和相同运行条件下的不同机电装备的健康状态参数进行比较，可以迅速定位出机电装备集群中的设备差异性以及哪一个设备处于异常的运行状态，从而得到多台机电装备的健康状态等级，最终制定出维修优先级的顺序，实现多台机电装备在多工况下的健康状态的诊断。

在自诊断、健康状态预测和集群分析的过程中会涉及到很多数据的计算，为提高自诊断和集群分析的计算速度，在计算过程中，系统根据获取到的数据信息的量自动配置计算服务器的节点数量。具体的配置过程如图3所示，当当前计算服务器的计算时间大于或等于要求的计算时间时，增大计算服务器的节点数量。该设置在满足用户计算效率的同时不仅减少了计算资源的浪费，同时还避免了传统的人工调节计算节点费时费力的缺点。

于本实施例中，机电装备故障预诊与健康管理方法还包括步骤s5：根据得到的多台机电装备的健康状态等级对机电装备控制模型的自重构。自重构包括对单台机电装备的控制模型的调整和/或对机电装备集群的控制模型的调整。当对单台机电装备的控制模型进行调整时，将获得的该台机电装备的健康状态和/或维修指导意见发送至该台机电装备的控制器中，控制器根据健康状态和/或维修指导意见调整该台机电装备中相应的运行参数，以延长该台机电装备的使用寿命。当对机电装备集群的控制模型进行调整时，将集群分析后获得的多台机电装备的健康状态和/或维修指导意见发送至机电装备集群的控制器中，控制器重新调整机电装备集群的控制模型使集群中健康机电装备的运行负载提高，而出现健康衰退的机电装备的负载降低，以保证整个机电装备集群的输出能力。然而，本发明对机电集群的具体控制方式不作任何限定。

为便于用户或生产厂家实时掌握机电装备的当前健康状态和/或未来健康状态，并可根据维修指导建议对机电装备进行预测性维修和排程，提高机电装备的运行寿命，降低无故障停机时间，于本实施例中，健康状态预测或集群分析后获得的数据一方面进行永久性保存，如采用mongodb、hbase等nosql数据库进行保存；另一方面，通过应用服务器将集群分析后的数据实时呈现给用户客户端，用户客户端可采用web客户端、手机app及ar/vr等中的一种或几种的结合进行呈现。于其它实施例中，应用服务器也可直接调用nosql数据库内的数据呈现给用户客户端。

在将诊断分析、健康状态预测或集群分析后的数据呈现给用户客户端时，不同层级的机电装备健康状态采用不同的可视化呈现方式进行展现，使用户便于理解和决策。如对于机电装备的关键部件或单个机电装备的健康衰退评估可以用健康度来表达，所述的健康度是一个0～1之间的无量纲，0代表衰退到不可接受的状态，1代表健康状态，如图5所示。对于机电装备中各个关键部件的衰退分布情况或机电装备集群的风险分布情况，可以采用雷达图(如图6所示)来识别，所述的雷达图上的每一个轴代表一个机电装备中的各个关键部件或机电装备集群中的各个设备，如图6中的j1至j6所示，每个轴都是0～1之间的健康度值，可以帮助用户迅速定位机电装备或集群中的薄弱环节，并制定相应的维护优先级排序。对于机电装备中各个关键部件的故障模式可以采用健康地图(如图7所示)来识别，健康地图是一个由许多节点组成的网格图，上面每一个区域分别对应一种故障模式，根据健康特征的相似性将机电装备当前的状态投射在健康地图上，该区域的标签就表示对象当前的健康模式。

与上述机电装备故障预诊与健康管理方法相对应的，本实施例还提供一种机电装备故障预诊与健康管理系统，该系统包括数据获取模块10、自诊断模块20、健康状态预测模块30和集群分析模块40。数据获取模块10获取机电装备的数据信息。自诊断模块20对某一台机电装备在不同运行模式和健康状态下的历史数据信息进行特征提取和模型建立，再利用该模型与当前状态获取的数据信息进行比较，自动识别该台机电装备的当前健康状态。健康状态预测模块根据自诊断后获得的该台机电装备的当前健康状态和历史健康状态预测该台机电装备未来健康状态的变化。集群分析模块30根据单台机电装备的健康状态对机电装备集群中的多台机电装备的数据信息进行聚类和分析比较，得到多台机电装备的健康状态等级和风险分布。

于本实施例中，数据获取模块10包括分布式嵌入式数据采集系统11和边缘设备12，分布式嵌入式数据采集系统11采集机电装备的运行状态数据并将运行状态数据传输至边缘设备12。边缘设备12同步获取机电装备运行过程中的工况数据、环境参数、维护保养记录、绩效类数据等机电装备的其余全生命周期信息。所述边缘设备12根据应用场合的不同可以是分布式车载主机(如列车、电动车)、本地服务器(风机、机器人)等。

边缘设备12一方面通过wi-fi、蜂窝网络、卫星等方式将机电装备的数据信息传输至数据中转模块100，另一方面其自身对这些信息进行信号处理得到机电装备的特征数据和监测指标，将特征数据通过wi-fi、蜂窝网络、卫星等方式传输至数据中转模块100，将监测指标传输至边缘设备附近的用户客户端200对机电装备的运行状态进行监测警报。数据中转模块100是对原始数据进行汇聚、清洗、整理等操作，可采用高吞吐量的分布式发布订阅消息系统进行处理，如kafka系统。数据汇聚是将不同来源的数据收集到云端；数据清洗是将冗余的、无价值的数据进行合并或删除等操作；数据整理是对清洗后的数据按照一定的规则如时间排序、数据类型排序等进行排序整理操作以方便后续数据的存储和分析。

于本实施例中，自诊断模块20、健康状态预测模块30和集群分析模块40集成在大数据计算平台300内。大数据计算平台是基于hadoop的map/reduce离线数据处理架构或者基于spark的实时分布式处理计算架构。然而，本发明对此不作任何限定。

自诊断和健康状态预测过程中采用上层定制工具和底层调用工具对某一台机电装备的当前数据信息与历史数据信息进行比较，上层定制工具根据该台机电装备的数据信息自动调用底层调用工具中每一工具库的数据分析模型。具体的步骤为：上层定制工具分别将机电装备的运行状态数据和其余全生命周期信息的重要度等级进行定制。根据机电装备的运行状态数据和其余全生命周期信息的重要度等级获得底层调用工具中每一工具库内每一数据分析模型的权重。选取每一工具库内权重最大的数据分析模型对该台机电装备的数据信息进行分析。

在自诊断完成后，健康状态预测模块利用故障与寿命预测模型并根据获得的机电装备的当前健康状态来预测机电装备未来健康状态的变化。

进一步的，在自诊断完成后，集群分析模块对机电装备集群中相似工况的机电装备进行聚类和分析比较，对在相同时间和相同运行条件下的不同机电装备的健康状态参数进行比较，可以迅速定位出机电装备集群中的设备差异性以及哪一个设备处于异常的运行状态，从而得到多台机电装备的健康状态等级，最终制定出维修优先级的顺序，实现多台机电装备在多工况下的健康状态的诊断。

于本实施例中，机电装备故障预诊与健康管理系统还包括存储模块50。于本实施例中，存储模块50包括分布式文件存储系统51、基于内存的数据库52、nosql数据库53。分布式文件存储系统51能够实现海量数据的存储和管理，能够实现多台机电装备全生命周期内的运行信息存储，采用基于hadoop的分布式文件存储系统hdfs。基于内存的数据库52采用memcached、redis等数据存储方式，能够大大缩短数据抵达用户客户端的时间，提高实时性。nosql数据库53用于对机电装备健康状态数据进行永久存储，采用mongodb、hbase等nosql数据库实现对数据的存储和操作。然而，本发明对此不作任何限定。于其它实施例中，可采用其它结构的数据存储模块。

于本实施例中，为方便用户或生产厂家实时掌握机电装备的健康状态，机电装备故障预诊与健康管理系统还包括应用服务器60。应用服务器60获取大数据计算平台300中自诊断、健康状态预测或集群分析的数据或者调用存储模块50内存储的数据，并通过数据传输协议将这些数据推送至用户客户端200。在用户客户端200可采用web客户端、手机app及ar/vr等中的一种或几种的结合进行呈现。

于本实施例中，机电装备故障预诊与健康管理系统还包括自重构模块70。自重构模块70根据得到的多台机电装备的健康状态等级对机电装备控制模型的自重构。自重构包括对单台机电装备的控制模型的调整和对机电装备集群的控制模型的调整，自重构可延长单台机电装备的使用寿命或提高机电装备集群的输出能力。

综上所述，本发明提供的机电装备故障预诊与健康管理方法及系统，在自诊断过程中通过机电装备在不同运行模式和健康状态下的历史数据进行建模，利用建立的模型将当前状态获取的数据信息与历史数据信息进行比较，自动识别该台机电装备的当前健康状态，进而进行健康状态预测和集群分析。通过健康状态预测可以获得机电装备未来的健康状态以及变化趋势，集群分析是对机电装备集群中的多台设备的数据信息进行聚类和分析比较。

本发明通过自诊断的方法建立了单台机电装备在不同时间的健康状态样本，每一个健康状态样本中包含了该台机电装备的工况状态和健康状态。集群分析对相似工况的机电装备进行聚类和分析比较，对在相同时间和相同运行条件下的不同机电装备的健康状态参数进行比较，可以迅速定位出机电装备集群中的设备差异性以及哪一个设备处于异常的运行状态，实现机电装备健康的分析并制定出维修优先级的顺序，实现机电装备的健康管理。

虽然本发明已由较佳实施例揭露如上，然而并非用以限定本发明，任何熟知此技艺者，在不脱离本发明的精神和范围内，可作些许的更动与润饰，因此本发明的保护范围当视权利要求书所要求保护的范围为准。