一种用于健康监测的大数据处理平台及其设计方法与流程

本发明公开了一种用于健康监测的大数据处理平台及其设计方法，属于故障预测与健康管理领域。

背景技术：

随着科学技术的进步和国民经济的发展，设备的状态评估和退化趋势分析技术越来越得到重视。由于现代设备的自动化和精密化程度不断提高，设备也变得越来越复杂，当设备中某个部件发生故障时，往往会影响到整个设备的性能。这样不仅造成经济损失，而且会带来安全隐患，影响设备的正常运行。

目前在各类设备的维护管理中，不仅要求在设备执行任务过程中保证万无一失，而且要求能够实时提供系统的健康状态，准确快速地进行故障诊断与定位，预测故障和剩余寿命，为维修人员提供辅助决策支持，从而减少维护和修理的停机时间，提高设备的任务完好性和综合保障性。故障监控和故障诊断技术在此背景下应运而生，以实现设备的视情维修，提高设备的使用寿命。

故障监控和故障诊断技术在近些年中，涌现出许多理论和方法。但随着大数据时代的到来，在海量数据场景下传统的故障监控技术已不再适用，经典的故障诊断方法在大数据的情况下准确度并不高。目前，着重于大数据场景下的设备健康监测与评估技术是近几年才发展起来的新技术，其理论和技术均不成熟，需要设备健康监测技术与大数据方法进行紧密结合，制定用于大数据场景下的健康监测技术。

技术实现要素：

本发明的目的是，提供一种用于健康监测的大数据处理平台，通过大数据处理平台中可分析设备指标之间关联性与指标重要度，对设备的质量水平及健康状态进行评估，对产品发生的故障进行故障诊断，通过对设备进行健康监测有助于及时开展设备的维护工作。

本发明提供一种用于健康监测的大数据处理平台，该大数据处理平台是由数据导入模块、健康状态评估模块、关联性分析模块、故障诊断模块和报表生成模块构成；

其中，所述“数据导入模块”用于导入需要分析的设备数据信息；该“数据导入模块”的结构有：数据导入单元、数据预处理单元和数据显示单元；该数据导入单元结构为数据导入接口，它用于导入待分析的设备数据；该数据预处理单元具体为缺失值填补，用于对导入的数据进行数据清洗；数据显示单元的结构由显示窗口构成，它用于将数据以可视化方式显示在数据窗格中；

其中，所述“健康状态评估模块”用于分析设备使用过程中的退化状态，评估设备所处的健康状态；该“健康状态评估模块”的结构包括：数据接收单元、健康评估单元、评估准则单元；该数据接收单元作为接口用于接收数据导入模块中处理后的数据；该健康评估单元其结构具体为健康评估模型，它用于训练大数据模型对数据进行健康评估；该评估准则单元其结构具体为设备健康度量方法，结合评估模型度量设备健康度，其具体作法见该平台设计方法；

其中，所述“关联性分析模块”用于分析设备数据中各类指标与设备健康的关联性；该“关联性分析模块”的结构包括：数据接收单元、指标关联性分析单元、指标重要度分析单元；该数据接收单元作为接口用于接收数据导入模块中处理后的数据；该指标关联性分析单元的结构为关联性评价函数，它用于分析指标与目标之间的关联性，分析指标重要度；该指标重要度分析单元的结构为归一化函数，它用于分析各指标的相对重要程度；关联性分析模块通过比较不同指标对设备健康影响的重要度，重要度最高的指标在设备维护中需要重点观察；

其中，所述“故障诊断模块”用于对设备进行故障诊断，判断设备是否故障；该“故障诊断模块”的结构包括：数据接收单元、大数据处理单元、模型优化单元和故障诊断单元；该数据接收单元作为接口用于接收数据导入模块中处理后的数据；该大数据处理单元具体为大数据方法，用于训练大数据故障诊断模型进行故障诊断，其具体作法见该平台设计方法；该模型优化单元具体为大数据模型优化方法，用于优化训练的大数据故障诊断模型，其具体作法见该平台设计方法；该故障诊断单元具体为诊断结果评价函数，它用于结合故障诊断模型进行诊断决策；

其中，所述“报表生成模块”用于输出以上模块的结果与数据；该“报表生成模块”的结构包括：健康评估报表生成、关联性分析报表生成和故障诊断报表生成；系统后台可将各模块分析结果生成word报表并保存；其中健康评估报表生成包含设备运行数据、设备运行健康度变化曲线以及当前设备的健康状态结果；关联性分析报表生成包含设备运行数据、各指标与健康度的关联性系数以及各指标重要度结果；故障诊断报表生成包含设备运行数据、故障诊断模型准确度以及故障诊断结果；该生成的报表可为设备维护人员提供参考。

本发明还提供一种用于健康监测的大数据处理平台的设计方法，包括以下步骤：

步骤1、利用数据导入模块对设备运行数据进行数据导入；

步骤2、通过健康状态评估模块分析设备使用过程中的退化状态，评估设备所处的健康状态；

步骤3、通过关联性分析模块分析设备数据中各类指标与设备健康状态的关联性，分析指标权重与重要程度；

步骤4、通过故障诊断模块对设备进行故障诊断，判断设备是否故障；

步骤5、通过报表生成模块输出以上模块的结果与数据；

进一步地，所述步骤1具体过程为：

步骤1.1首先通过数据导入单元导入待分析的设备数据，导入设备的历史数据信息用于训练平台内的大数据处理模型，之后导入设备的实时状态数据即可对设备的健康状态进行实时监测与分析；

步骤1.2利用数据预处理单元对导入的数据进行数据清洗，填补缺失值；

步骤1.3通过数据显示单元的可视化方式显示数据窗格中；

进一步地，所述步骤2具体过程为：

步骤2.1、通过数据接收单元接收预处理后的设备正常状态下的数据；

步骤2.2、初始化健康评估单元内的大数据处理模型，方法模型具体为自组织特征映射网络，模型中的最小量化误差可对很好的实现健康状态的表示；

步骤2.3、将数据带入健康评估单元对单元内的模型进行训练，对训练完成后的模型进行保存，用以进行健康评估；

步骤2.4、通过数据接收单元接收设备的实时状态数据，将实时状态数据带入模型中，计算最小量化误差用以表示输入数据偏离正常状态程度；

步骤2.5、通过评估准则单元，将指标误差表征为设备健康状态，其评估准则有：

其中cv表示设备健康度置信值(confidencevalue,cv)，mqe为指标最小量化误差，c为可调整的尺度参数。设备健康度在(0,1)之间，0表示故障状态，1表示健康状态；

步骤2.6、可视化设备运行过程中的健康度曲线，通过该曲线可以直观的了解系统或者设备的健康状态；

进一步地，所述步骤3具体过程为：

步骤3.1、通过数据接收单元接收健康评估后的数据；

步骤3.2、利用指标关联性分析单元进行指标与设备健康度的关联性分析，关联性分析主要计算公式有：

其中ρxy为关联性评价指标pearson相关系数，x表示设备指标，y表示设备健康状态，cov(x,y)为两变量的协方差，var(x)与var(y)分别表示变量的方差；

步骤3.3、利用指标重要度分析单元对关联性评价指标进行归一化处理，处理后的值为指标重要度，相关性越高则其指标重要程度越大，在健康监测过程中需要重点关注。

进一步地，所述步骤4具体过程为：

步骤4.1、通过数据接收单元接收预处理后的设备历史数据，数据中包含健康状态数据与故障状态数据；

步骤4.2、利用以上数据训练大数据处理单元中的深度信念网络模型；深度信念网络作为强大的大数据处理方法，可从海量数据中提取特征，学习出的故障诊断模型具有极高的准确度；

步骤4.3、利用模型优化单元中的蚁狮优化方法对深度信念网络模型中的连接权值和节点偏置情况进行优化，优化模型结构提供准确度；

步骤4.4、将训练好的模型保存至故障诊断单元，导入实时设备运行数据，对设备进行故障诊断，判断设备是否处于故障状态。

进一步地，所述步骤5具体过程为：

步骤5.1、选择处理完的健康状态评估模块、关联性分析模块或故障诊断模块；

步骤5.2、选择输出报表的文件名和文件路径；

步骤5.3、导入数据的健康状态评估结果、关联性结果以及故障诊断结果输出到相应的word文件中，形成健康监测报告。

本发明一种用于健康监测的大数据处理平台及其设计方法，具有如下优点与积极效果如下：

1、不同于传统的设备维护方式，用于健康监测的大数据处理平台结合设备数据对设备的健康状态进行了综合的评价，在导入历史运行数据后，可实时导入数据分析设备所处的健康状态，解决了大数据场景下设备的实时健康监测问题，可为设备进行实时的维护工作。

2、平台引入深度置信网络等大数据处理方法，该方法可以对海量的数据进行处理，同时引入群体智能方法中的蚁狮优化方法对模型进行优化，减小了故障诊断过程中的错误率，大大提高了模型的准确度，相比于一般的数据处理方法，解决了大数据场景下设备诊断模型准确率不高的问题，在实际应用中更加高效。

附图说明：

图1为用于健康监测的大数据处理平台模块框图。

图2为数据导入模块过程实施结构图。

图3为健康状态评估模块过程实施结构图。

图4为不同轴承健康状态评估曲线。

图5为关联性分析模块过程实施结构图。

图6为输出指标重要度图。

图7为故障诊断模块过程实施结构图。

图8为迭代次数变化时故障诊断准确率变化曲线。

图9为报表生成模块过程实施结构图。

具体实施方式：

本发明提供一种用于健康监测的大数据处理平台，该大数据处理平台是由数据导入模块、健康状态评估模块、关联性分析模块、故障诊断模块和报表生成模块构成，平台模块框图如图1所示；

其中，所述“数据导入模块”用于导入需要分析的设备数据信息；该“数据导入模块”的结构有：数据导入单元、数据预处理单元和数据显示单元；该数据导入单元结构为数据导入接口，它用于导入待分析的设备数据；该数据预处理单元具体为缺失值填补，用于对导入的数据进行数据清洗；数据显示单元的结构由显示窗口构成，它用于将数据以可视化方式显示在数据窗格中；

其中，所述“健康状态评估模块”用于分析设备使用过程中的退化状态，评估设备所处的健康状态；该“健康状态评估模块”的结构包括：数据接收单元、健康评估单元、评估准则单元；该数据接收单元作为接口用于接收数据导入模块中处理后的数据；该健康评估单元其结构具体为健康评估模型，它用于训练大数据模型对数据进行健康评估；该评估准则单元其结构具体为设备健康度量方法，结合评估模型度量设备健康度。

其中，所述“关联性分析模块”用于分析设备数据中各类指标与设备健康的关联性；该“关联性分析模块”的结构包括：数据接收单元、指标关联性分析单元、指标重要度分析单元；该数据接收单元作为接口用于接收数据导入模块中处理后的数据；该指标关联性分析单元的结构为关联性评价函数，它用于分析指标与目标之间的关联性，分析指标重要度；该指标重要度分析单元的结构归一化函数，它用于分析各指标的相对重要程度；关联性分析模块通过比较不同指标对设备健康影响的重要度，重要度最高的指标在设备维护中需要重点观察。

其中，所述“故障诊断模块”用于对设备进行故障诊断，判断设备是否故障；该“故障诊断模块”的结构包括：数据接收单元、大数据处理单元、模型优化单元和故障诊断单元；该数据接收单元作为接口用于接收数据导入模块中处理后的数据；该大数据处理单元具体为大数据方法，用于训练大数据故障诊断模型进行故障诊断；该模型优化单元中具体为大数据模型优化方法，用于优化训练的大数据故障诊断模型；该故障诊断单元具体为诊断结果评价函数，它用于结合故障诊断模型进行诊断决策。

其中，所述“报表生成模块”用于输出以上模块的结果与数据；该“报表生成模块”的结构包括：健康评估报表生成、关联性分析报表生成和故障诊断报表生成；系统后台可将各模块分析结果生成word报表并保存。其中健康评估报表生成包含设备运行数据、设备运行健康度变化曲线以及当前设备的健康状态结果；关联性分析报表生成包含设备运行数据、各指标与健康度的关联性系数以及各指标重要度结果；故障诊断报表生成包含设备运行数据、故障诊断模型准确度以及故障诊断结果；该生成的报表可为设备维护人员提供参考。

本发明还提供一种用于健康监测的大数据处理平台的设计方法。下面通过仿真实施，以机械设备中轴承数据为例，结合附图对本发明进行进一步说明，步骤如下：

1、利用数据导入模块对设备运行数据进行数据导入；

2、通过健康状态评估模块分析设备使用过程中的退化状态，评估设备所处的健康状态；

3、通过关联性分析模块分析设备数据中各类指标与健康状态的关联性，分析指标权重与重要程度；

4、通过故障诊断模块对设备进行故障诊断，判断设备是否故障；

5、通过报表生成模块输出以上模块的结果与数据。

进一步地，所述步骤1具体过程如图2所示，内容如下：

1、首先通过数据导入单元导入轴承数据，其中部分导入的数据信息用于训练平台内的大数据处理模型，其他部分导入数据作为实时数据对进行仿真分析；

2、利用数据预处理单元对导入的数据进行数据清洗，填补缺失值；

3、通过数据显示单元的可视化方式显示数据窗格中。

进一步地，所述步骤2具体过程如图3所示，内容如下：

1、通过数据接收单元接收预处理后的轴承正常状态下的数据；

2、初始化健康评估单元内的大数据处理模型，方法模型具体为自组织特征映射网络。

3、将数据带入健康评估单元对单元内的模型进行训练，对训练完成后的模型进行保存，用以进行健康评估。

4、通过数据接收单元接收设备的实时状态数据，将实时状态数据带入模型中，计算最小量化误差用以表示输入数据偏离正常状态程度。

5、通过评估准则单元，将指标误差表征为设备健康状态，其评估准则有：

其中cv表示设备健康度置信值，mqe为指标最小量化误差，c为可调整的尺度参数，在仿真中取c＝1。设备健康度在(0,1)之间，0表示故障状态，1表示健康状态。

6、可视化健康度曲线，通过该曲线可以直观的了解系统或者设备的健康状态。图4表示轴承的健康状态随时间变化的曲线图，曲线的纵坐标表示轴承的健康状态，通过设定阈值可将轴承分为正常和故障两个状态，通过该曲线可以直观的了解系统或者设备的健康状态。

进一步地，所述步骤3具体过程如图5所示，内容如下：

1、通过数据接收单元接收健康评估后的数据；

2、利用指标关联性分析单元进行指标与设备健康度的关联性分析，关联性

分析主要计算公式有：

其中ρxy为关联性评价指标pearson相关系数，x表示设备指标，y表示设备健康状态，cov(x,y)为两变量的协方差，var(x)与var(y)分别表示变量的方差。

3、利用指标重要度分析单元对关联性评价指标进行归一化处理，处理后的值为指标重要度，相关性越高则其指标重要程度越大，在健康监测过程中需要重点关注，输出指标重要度如图6所示。

进一步地，所述步骤4具体仿真过程如图7所示，内容如下：

1、通过数据接收单元接收预处理后的轴承数据，数据中包含健康状态数据与故障状态数据，将数据分析训练数据与测试数据进行仿真；

2、利用以上数据训练大数据处理单元中的深度信念网络模型。

3、利用模型优化单元中的蚁狮优化方法对深度信念网络模型中的连接权值和节点偏置情况等参数进行优化，优化模型结构提供准确度。

4、将训练好的模型保存至故障诊断单元，导入测试数据，对设备进行故障诊断，判断设备是否处于故障状态，分析模型故障诊断准确度。图8为仿真过程中迭代次数变化时，模型故障诊断准确度变化情况，诊断模型准确度在大数据方法下随着迭代次数增加逐渐增高。

进一步地，所述步骤5具体过程如图9所示，内容如下：

1、选择处理完的健康状态评估模块、关联性分析模块或故障诊断模块；

2、选择输出报表的文件名和文件路径；

3、导入数据的健康状态评估结果、关联性分析结果、以及故障诊断结果输出到相应的word文件中，形成健康监测报告。