盾构机主轴承密封性能健康评估方法与系统与流程

技术特征：

1.一种盾构机主轴承密封性能健康评估方法，其特征在于，包含以下步骤：

数据采集处理步骤：获取并处理盾构机在运行过程中的原始状态变量，得到状态变量数据集；

特征处理步骤：对状态变量数据集进行特征处理，获得低维特征评估向量；

健康评估步骤：根据低维特征评估向量对主轴承密封性能健康状况进行相应的状态评估与性能预测。

2.根据权利要求1所述的盾构机主轴承密封性能健康评估方法，其特征在于，所述数据采集处理步骤包含以下步骤：

数据采集步骤：获取盾构机在运行过程中的原始状态变量；

数据存储步骤：将原始状态变量存储在盾构机状态检测数据库中；

数据预处理步骤：填补、检测或剔除相应的原始状态变量，获得经过预处理的状态变量数据集。

3.根据权利要求1所述的盾构机主轴承密封性能健康评估方法，其特征在于，所述特征处理步骤包含以下步骤：

特征选取步骤：从状态变量数据集中提取出与主轴密封性能相关的第一特征向量；

特征降维步骤：对第一特征向量进行降维处理，得到低维空间显著特征；

特征向量获取步骤：根据低维空间显著特征获取低维特征评估向量。

4.根据权利要求3所述的盾构机主轴承密封性能健康评估方法，其特征在于，特征选取步骤包含以下步骤：

步骤S1：计算第j环对应的状态变量数据集中第i个状态变量X^ij的均值、最大值、峭度以及标准差，得到第j环中第i个状态变量X^ij的子特征向量F^ij：

式中：为状态变量X^ij的均值；

为状态变量X^ij的最大值；

为状态变量X^ij的峭度；

为状态变量X^ij的标准差；

步骤S2：将每一环中所有状态变量的子特征向量按行进行组合，得到第j环的初始环特征向量F^j：

式中：n为状态变量数据集的状态变量个数；

步骤S3：将发生主轴密封故障的所有初始环特征向量按列进行组合，获得高维特征向量F：

步骤S4：使用随机森林模型对F进行特征重要性分析，得到权重环特征向量，提取出前m个权重环特征向量作为第一特征向量f：

f＝[f1,f2,…,fm]

式中：fm为第m个权重环特征向量。

5.根据权利要求4所述的盾构机主轴承密封性能健康评估方法，其特征在于，特征降维步骤中，对f同时进行主成分分析、拉普拉斯特征值映射、局部线性嵌入、多维尺度变换，并分别获得对应的低维空间显著特征f′1、f′2、f′3、f′4；

特征向量获取步骤中，所述低维特征评估向量f′为：

f′＝[f′1,f′2,f′3,f′4]。

6.一种盾构机主轴承密封性能健康评估系统，其特征在于，包含以下模块：

数据采集处理模块：获取并处理盾构机在运行过程中的原始状态变量，得到状态变量数据集；

特征处理模块：对状态变量数据集进行特征处理，获得低维特征评估向量；

健康评估模块：根据低维特征评估向量对主轴承密封性能健康状况进行相应的状态评估与性能预测。

7.根据权利要求6所述的盾构机主轴承密封性能健康评估系统，其特征在于，所述数据采集处理模块包含以下模块：

数据采集模块：获取盾构机在运行过程中的原始状态变量；

数据存储模块：将原始状态变量存储在盾构机状态检测数据库中；

数据预处理模块：填补、检测或剔除相应的原始状态变量，获得经过预处理的状态变量数据集。

8.根据权利要求6所述的盾构机主轴承密封性能健康评估系统，其特征在于，所述特征处理模块包含以下模块：

特征选取模块：从状态变量数据集中提取出与主轴密封性能相关的第一特征向量；

特征降维模块：对第一特征向量进行降维处理，得到低维空间显著特征；

特征向量获取模块：根据低维空间显著特征获取低维特征评估向量。

9.根据权利要求8所述的盾构机主轴承密封性能健康评估系统，其特征在于，特征选取模块包含以下模块：

模块M1：计算第j环对应的状态变量数据集中第i个状态变量X^ij的均值、最大值、峭度以及标准差，得到第j环中第i个状态变量X^ij的子特征向量F^ij：

式中：为状态变量X^ij的均值；

为状态变量X^ij的最大值；

为状态变量X^ij的峭度；

为状态变量X^ij的标准差；

模块M2：将每一环中所有状态变量的子特征向量按行进行组合，得到第j环的初始环特征向量F^j：

式中：n为状态变量数据集的状态变量个数；

模块M3：将发生主轴密封故障的所有初始环特征向量按列进行组合，获得高维特征向量F：

模块M4：使用随机森林模型对F进行特征重要性分析，得到权重环特征向量，提取出前m个权重环特征向量作为第一特征向量f：

f＝[f1,f2,…,fm]

式中：fm为第m个权重环特征向量。

10.根据权利要求9所述的盾构机主轴承密封性能健康评估系统，其特征在于，特征降维模块中，对f同时进行主成分分析、拉普拉斯特征值映射、局部线性嵌入、多维尺度变换，并分别获得对应的低维空间显著特征f＇1、f＇2、f′3、f＇4；

特征向量获取模块中，所述低维特征评估向量f′为：

f′＝[f′1,f′2,f′3,f′4]。