一种面向多工况运行条件的装备健康评估方法

1.本发明涉及健康评估技术领域，特别涉及一种面向多工况运行条件的装备健 康评估方法。


背景技术：

2.现代工业不断发展，航空航天器、大型电气设备等复杂装备系统对性能的要 求日益提高，其可靠性与安全性也日显重要。作为健康管理的主要活动之一，健 康评估通过分析传感器监测数据来评估系统的健康状态，从而为维修决策提供支 持，保证系统的平稳运行。基于数据驱动的方法是目前应用较为广泛的健康评估 方法，由于该方法不需要构建精确的物理模型和获取大量的先验信息，且近年来 获取设备运行数据的方式越来越完善，因此数据驱动的健康评估方法应用前景十 分广阔。
3.在现有的基于数据驱动健康评估方法中，如“一种配电设备健康状态评估方 法及系统cn201811510608.3”利用层次分析法建立故障度评判矩阵，并通过模 糊评判法和加权隶属度原则得到设备健康状态评分，该方法所用的主观赋权法不 能充分体现评价指标的数据信息。“一种航天器结构振动试验健康状态评估的改 进方法cn201910596085.7”根据振动监测传感器采集振动曲线，并计算得出振 动传递函数曲线，对比曲线判断航天器是否存在健康隐患，该种方法未能充分利 用航天器传感器监测参数存在的时序性特征。同时，上述现有技术均针对单工况 运行下的系统进行健康评估，忽略了大型复杂设备运行工况频繁变化的问题。对 于复杂运行工况下的大型设备，其监测数据是多维时序数据，上述现有方法的不 足对健康评估的精度存在影响。


技术实现要素：

4.根据本发明实施例提供的方案解决的技术问题是无法实现大型复杂设备在 运行过程中往往存在多种工况的健康评估。
5.根据本发明实施例提供的一种面向多工况运行条件的装备健康评估方法，其 特征在于，包括：
6.将获取的原始装备参数划分为n个工况参数和m个性能参数，并通过对不 同工况下的m个性能参数进行衰退敏感的筛选处理，得到衰退敏感性能参数；
7.通过将所述n个工况参数划分为n个工况，得到每个工作循环对应的工况 标签；
8.获取训练集和待测装备的测试集，并将所述训练集和所述待测装备的测试 集作为待测样本集，同时从所述训练集中确定健康集，并根据所述工况标签将所 述健康集划分为n个不同工况下的子健康集；
9.通过滑动窗口计算n个不同工况下所述待测样本集与所述子健康集的mmd 距离值，并利用所述n个不同工况下的mmd距离值构建用于表征装备性能衰退状 态的健康评估指标；
10.通过对所述用于表征装备性能衰退状态的健康评估指标进行合并，得到合 并工
况后的退化曲线图；
11.其中，所述m，n，n均为正整数。
12.优选地，所述通过对不同工况下的m个性能参数进行衰退敏感的筛选处理， 得到衰退敏感性能参数包括：
13.根据性能参数变化趋势，选择一次函数和二次函数对性能参数进行函数拟 合，得到拟合后的性能参数；
14.根据所述拟合后的性能参数构建评价指标，并通过对比各个性能参数的评 价指标，筛选出不同工况下衰退趋势明显且变化趋势一致的性能参数。
15.优选地，所述评价指标包括：
16.最高次项系数：直线斜率k(y＝kx+b)和二次曲线a值(y＝ax2+bx+c)， 选择变化趋势较大的参数作为评估参数；
17.参数与拟合线绝对值的方差：表征参数分布距离拟合线的离散程度，设定 方差小于0.045的参数可作为评估参数；
18.拟合线上下阈值内点数的百分比：设定拟合直线上下0.2、拟合曲线上下 0.15作为阈值，计算阈值范围内的参数百分比，设定范围内点数占75％以上的参 数可作为评估参数。
19.优选地，在得到衰退敏感性能参数之后，还包括：
20.对所述衰退敏感性能参数进行归一化和平滑降噪处理，同时对所述工况参 数进行归一化处理，以便提高参数的总体质量。
21.优选地，所述将所述n个工况参数划分为n个工况包括：
22.根据装备的运行工况的种类数量n，采用k
‑
means聚类方法将归一化处理 后的工况参数划分为n种工况。
23.优选地，所述训练集是指由p个从健康到故障的包含衰退敏感性能参数的 时间序列；所述待测装备的测试集是指由q个在失效前结束的的包含衰退敏感性 能参数的时间序列。
24.优选地，所述从所述训练集中确定健康集包括：选取所述训练集的初始健 康状态作为健康集。
25.优选地，在通过滑动窗口计算n个不同工况下所述待测样本集与所述子健 康集的mmd距离值之后，还包括：
26.对所述mmd距离值进行分工况归一化处理。
27.优选地，所述通过对所述用于表征装备性能衰退状态的健康评估指标进行 合并，得到合并工况后的退化曲线图包括：
28.将不同工况下的健康评估指标与滑动时间窗口对应的工作循环相对应，并 按照时间顺序对其进行合并，得到合并了多个工况的健康指标序列；
29.通过对合并了多个工况的健康指标序列进行可视化处理，得到合并工况后 的退化曲线图。
30.优选地，还包括：
31.运用局部加权回归方法对所述合并工况后的退化曲线图进行平滑处理，以 便更直观地观察装备的健康状态变化趋势。
32.根据本发明实施例提供的方案，基于mmd(maximum mean discrepancy，最 大均值差异)距离度量的多工况下健康评估方法，涉及装备的参数筛选和数据预 处理、装备的工况划分以及多工况下健康指标的构建等方法过程。该方法的具体 流程包括筛选工况参数和对衰退敏感的性能参数，对数据进行平滑降噪处理；通 过聚类方法对装备的运行工况进行划分，得到对应循环的工况标签；滑动时间窗 口计算不同工况下待测样本集与健康集的mmd距离，利用距离值构建表征装备性 能衰退状态的评估指标；对不同工况的健康指标进行合并，描述装备的退化过程， 体现多工况下健康评估的思想。本方法充分利用了装备运行工况复杂、运行数据 时序性强的特征，系统地建立了适用于多种运行工况的健康评估模型，进一步提 高了健康评估的精度和适用性。
附图说明
33.此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分， 本发明的示意性实施例及其说明用于理解本发明，并不构成对本发明的不当限定。 在附图中：
34.图1是本发明实施例提供的一种面向多工况运行条件的装备健康评估方法 的流程图；
35.图2是本发明实施例提供的面向多工况运行条件的装备健康评估方法的流 程图；
36.图3是本发明实施例提供的mmd方法构建多工况下健康指标示意图；
37.图4是本发明实施例提供的工况一下参数变化趋势图；
38.图5是本发明实施例提供的不进行函数拟合的参数图；
39.图6是本发明实施例提供的直线拟合参数筛选图；
40.图7是本发明实施例提供的二次曲线拟合参数筛选图；
41.图8是本发明实施例提供的2号发动机参数4的数据预处理示意图；
42.图9是本发明实施例提供的为32号测试发动机不同工况下的cv值集合示意 图；
43.图10是本发明实施例提供的220号训练发动机和32号测试发动机的可视化 曲线图。
具体实施方式
44.以下结合附图对本发明的优选实施例进行详细说明，应当理解，以下所说明 的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
45.图1是本发明实施例提供的一种面向多工况运行条件的装备健康评估方法 的流程图，如图1所示，包括：
46.步骤s101：将获取的原始装备参数划分为n个工况参数和m个性能参数， 并通过对不同工况下的m个性能参数进行衰退敏感的筛选处理，得到衰退敏感性 能参数；
47.步骤s102：通过将所述n个工况参数划分为n个工况，得到每个工作循环 对应的工况标签；
48.步骤s103：获取训练集和待测装备的测试集，并将所述训练集和所述待测 装备的测试集作为待测样本集，同时从所述训练集中确定健康集，并根据所述工 况标签将所述健康集划分为n个不同工况下的子健康集；
49.步骤s104：通过滑动窗口计算n个不同工况下所述待测样本集与所述子健 康集的
mmd距离值，并利用所述n个不同工况下的mmd距离值构建用于表征装备 性能衰退状态的健康评估指标；
50.步骤s105：通过对所述用于表征装备性能衰退状态的健康评估指标进行合 并，得到合并工况后的退化曲线图；
51.其中，所述m，n，n均为正整数。
52.其中，所述通过对不同工况下的m个性能参数进行衰退敏感的筛选处理， 得到衰退敏感性能参数包括：根据性能参数变化趋势，选择一次函数和二次函数 对性能参数进行函数拟合，得到拟合后的性能参数；根据所述拟合后的性能参数 构建评价指标，并通过对比各个性能参数的评价指标，筛选出不同工况下衰退趋 势明显且变化趋势一致的性能参数。
53.具体地说，所述评价指标包括：
54.最高次项系数：直线斜率k(y＝kx+b)和二次曲线a值(y＝ax2+bx+c)， 选择变化趋势较大的参数作为评估参数；
55.参数与拟合线绝对值的方差：表征参数分布距离拟合线的离散程度，设定 方差小于0.045的参数可作为评估参数；
56.拟合线上下阈值内点数的百分比：设定拟合直线上下0.2、拟合曲线上下 0.15作为阈值，计算阈值范围内的参数百分比，设定范围内点数占75％以上的参 数可作为评估参数。
57.本发明在得到衰退敏感性能参数之后，还包括：对所述衰退敏感性能参数 进行归一化和平滑降噪处理，同时对所述工况参数进行归一化处理，以便提高参 数的总体质量。
58.其中，所述将所述n个工况参数划分为n个工况包括：根据装备的运行工 况的种类数量n，采用k
‑
means聚类方法将归一化处理后的工况参数划分为n种 工况。
59.具体地说，所述训练集是指由p个从健康到故障的包含衰退敏感性能参数 的时间序列；所述待测装备的测试集是指由q个在失效前结束的包含衰退敏感性 能参数的时间序列。其中，所述从所述训练集中确定健康集包括：选取所述训练 集的初始健康状态作为健康集。
60.本发明在通过滑动窗口计算n个不同工况下所述待测样本集与所述子健康 集的mmd距离值之后，还包括：对所述mmd距离值进行分工况归一化处理。
61.其中，所述通过对所述用于表征装备性能衰退状态的健康评估指标进行合 并，得到合并工况后的退化曲线图包括：
62.将不同工况下的健康评估指标与滑动时间窗口对应的工作循环相对应，并 按照时间顺序对其进行合并，得到合并了多个工况的健康指标序列；
63.通过对合并了多个工况的健康指标序列进行可视化处理，得到合并工况后 的退化曲线图。
64.本发明还包括：运用局部加权回归方法对所述合并工况后的退化曲线图进 行平滑处理，以便更直观地观察装备的健康状态变化趋势。
65.本发明对传感器监测数据进行参数筛选和数据预处理，利用聚类算法对设备 的工况进行划分。之后，以训练集的健康状态确定健康集，以训练集和测试集的 全部数据作为待测样本集，通过滑动窗口计算不同工况下待测样本集与健康集的 mmd距离值序列，并
运用距离值构建健康指标，最后按照飞行循环对分工况健康 指标进行合并，得到合并工况后的退化曲线。其流程框架如图2所示，具体方法 流程与步骤见下：
66.步骤1：参数筛选与数据预处理
67.步骤1.1参数筛选
68.本发明需要足够的装备性能监测数据样本，数据需要具备以下特点：
69.装备参数在多种运行工况下获得；
70.装备参数在每次工作循环中连续采集获得，即参数为不间断的时序数据；
71.采集的参数能够表征装备的退化趋势，即设备的性能监测参数为非恒定值参 数。
72.航空航天器、大型电气设备等复杂装备系统内部结构复杂、监测参数众多， 为了研究设备在多工况下的退化情况，需要将参数划分为工况参数和性能参数。 由于不同性能监测参数在表征发动机健康状态的能力上也不尽相同，在不同工况 下，会出现不随时间变化、随时间变化不明显或不同工况下衰退趋势不一致的参 数数据。因此，为了确保健康评估的精度，需要进行基于衰退敏感的性能参数筛 选。在性能参数筛选过程中，根据参数变化趋势，选择一次函数、二次函数等曲 线对其进行函数拟合，为了定量评价拟合情况，构建三个评价指标：
73.(1)最高次项系数：判断参数变化趋势的程度。
74.(2)参数与拟合线绝对值的方差：表征参数分布距离拟合线的离散程度， 方差越小，参数变化越稳定。
75.(3)拟合线上下阈值内点数的百分比：表示参数变化的波动性，百分比越 高，则参数变化波动较小，收拢性更好。
76.根据设备的数据情况设置具体的指标数值要求，并通过对比各参数的评价指 标，筛选出衰退趋势明显且变化趋势一致的性能参数。
77.步骤1.2数据归一化
78.采用最大最小值归一化的方法将工况参数和衰退敏感的性能参数标准化至 [0,1]范围内，去除量纲影响，使得后续健康评估工作更加合理。
[0079]
步骤1.3数据降噪
[0080]
由于航空航天器、大型电气设备等复杂装备系统运行环境复杂，采集到的数 据存在随机噪声干扰，利用局部加权回归方法对数据进行平滑降噪处理，提高数 据的总体质量。
[0081]
步骤2：工况划分
[0082]
假设设备有q种运行工况，采用k
‑
means聚类方法将处理后的工况参数划分 为q种工况，并输出每个工作循环对应的工况标签。
[0083]
步骤3：健康集与待测样本集的构建
[0084]
假设训练集(历史数据)是由p个从健康到故障的包含k个衰退敏感性能参 数的时间序列，每个样本记为测试集(实时数据)是由q 个在失效前结束的的
包含k个衰退敏感性能参数的时间序列，每个样本记为选取训练集的初始健康状态作为健康集，记为 由于要考虑工况的影响，需要根据聚类得出的工况标签与 工作循环相对应，并将训练样本的健康集划分为多个工况下的健康集。待测样本 集为全部训练集和测试集的样本数据。
[0085]
步骤4：健康指标度量
[0086]
步骤4.1滑窗计算待测样本集与健康集的mmd距离
[0087]
如图中所示，采用窗口长度为l，步长为1的滑动窗口对多维待测样本集进 行分割，每个待测样本集的时间窗记为{ω1,ω2,...,ω
l(ti)
‑
l+1
}，每个时间窗对应的 待测样本集数据为其中，l(ti)为该待测样本集时间序 列长度。若时间窗口最后一个工作循环t
i+l
‑1对应的工况为k，则度量该时间窗内 所有属于工况k的多维待测样本集数据与该工况下健康集之间的mmd距离，该距 离值表示时间窗内最后一个工作循环的健康状态，二者距离越小，则装备该工作 循环下的状态与健康状态差异越小。从第一个时间窗口开始，滑动时间窗生成训 练集样本和测试集样本的不同工况下对应循环的一维距离序列。
[0088]
步骤4.2归一化mmd距离
[0089]
由于后续需要对不同工况下的健康指标进行合并，因此要对距离序列进行分 工况归一化，每个工况下的归一化标准相同。在第k个工况下，所有距离序列中 最大的距离值为最小的距离值为标准距离值计算公式为 得到训练集样本和测试集样本的不同工况下的标准化距离值 序列。
[0090]
步骤4.3构建健康指标
[0091]
健康指标用cv值衡量，设备的cv值随退化过程逐步递减，后期cv值越小， 代表其退化越明显。由于mmd算法度量的距离值代表设备在该时刻状态下与完全 健康状态间的差异性度量，cv值表示为其中，表示分工况 归一化后的距离值，cv
i
表示该工况下对应时刻的健康指标。最终可以得到所有 训练集和测试集样本不同工况下的cv值集合，如图3所示。
[0092]
步骤5：多工况下设备健康状态表征
[0093]
步骤5.1合并工况
[0094]
将不同工况下的cv指标与滑动时间窗口对应的工作循环相对应，并按照时 间顺序对其进行合并，得到合并了多个工况的健康指标序列，记为 cv＝{cv1,cv2,...,cv
l(ti)
‑
l+1
}该序列表征设备在合并多种工况下的健康状态变化 情况。
[0095]
步骤5.2生成退化曲线
[0096]
对健康指数序列进行可视化，以飞行循环作为横坐标，健康指标作为纵坐标 绘制cv曲线图，并运用局部加权回归方法对曲线进行平滑保证退化单调性，最 终得到设备的退化曲线图，更为直观地观察设备的健康状态变化趋势。
[0097]
实例分析
[0098]
选择2008年phm国际会议中的data challenge的发动机数据集进行实例分 析，该数据包含6种运行工况下的150台训练发动机和260台测试发动机的测试 数据。
[0099]
步骤1：将原始飞行数据划分为3个工况参数和21个气路参数。
[0100]
如图4所示，首先7个排除不随时间变化的恒定值参数，之后对剩余14个 参数进行基于函数拟合的衰退敏感气路参数筛选，具体拟合方案如下：
[0101]
(1)在不同工况下变化趋势不同的参数不进行拟合，如图5所示，是13 号训练发动机的参数9在6种不同工况下的变化趋势图，由图可知，该参数在不 同工况下具有相反的变化趋势，对于面向设备的多工况不具有研究意义，因此排 除该类参数。
[0102]
(2)参数在不同工况下与时间呈一次函数，用一次函数拟合。如图6所示,11 号训练发动机的参数2在6种不同工况下的变化趋势及拟合直线图，由图可知， 该参数变化趋势基本符合一次函数情况，因此根据一次函数拟合情况对其进行筛 选。
[0103]
(3)参数在不同工况下与时间呈二次函数，用二次曲线拟合。图7是11号 训练发动机的参数11在6种不同工况下的变化趋势及拟合曲线图，由图7可知， 该参数变化趋势基本符合二次函数情况，因此根据二次函数拟合情况对其进行筛 选。
[0104]
构建三个评价指标，具体指标要求如下：
[0105]
(1)最高次项系数：直线斜率k(y＝kx+b)和二次曲线a值(y＝ax2+bx+c)， 选择变化趋势较大的参数作为评估参数。
[0106]
(2)参数与拟合线绝对值的方差：表征参数分布距离拟合线的离散程度， 设定方差小于0.045的参数可作为评估参数。
[0107]
(3)拟合线上下阈值内点数的百分比：设定拟合直线上下0.2、拟合曲线 上下0.15作为阈值，计算阈值范围内的参数百分比，设定范围内点数占75％以 上的参数可作为评估参数。
[0108]
通过计算评价指标，排除4个在不同工况下变化趋势不同而不进行拟合的参 数，以及3个不符合指标要求的气路参数，最终筛选出7个对衰退敏感的气路参 数。进一步对工况参数和筛选后的气路参数归一化，并对气路参数进行平滑降噪 处理，图8是2号发动机参数4的数据预处理过程。
[0109]
步骤2：采用k
‑
means聚类方法将工况参数划分为6个类别，得出发动机每 个飞行循环对应的工况标签。
[0110]
步骤3：根据分段线性rul目标函数，并结合发动机的退化情况，选择去除 训练发动机后130个循环的数据样本作为健康集，并根据聚类得出的工况标签将 其划分为6个不同工况下的健康集。以全部训练发动机和测试发动机运行数据作 为待测样本集。
[0111]
步骤4：设定滑动窗口长度l＝20，步长为1，度量属于时间窗末循环工况的 待测样本集与该工况下健康集的mmd距离，并对距离结果进行分工况归一化，按 照公式计算距离值对应的健康指标。以117号测试发动机为例，生成各工况下对 应循环的cv值，图9为32号测试发动机不同工况下的cv值集合。
[0112]
步骤5：将6个工况下的健康指标按照飞行循环合并，得到表征发动机健康 状态的cv值序列，可视化如图10所示。由图10可看出，由于训练发动机是从 健康到故障的全寿命实例，因此220号训练发动机的健康状态随运行时间的增加 而不断退化，健康指标下降趋势明显；由于测试发动机在失效前结束的不完整实 例，因此32号测试发动机的衰退趋势并不明显，健康指数总体呈下降趋势。分 析结果可知，能够很好地对多种工况运行下的发动机健康状态进行评估。
[0113]
根据本发明实施例提供的方案，能够很好地对多种工况运行下的发动机健康 状态进行评估。
[0114]
尽管上文对本发明进行了详细说明，但是本发明不限于此，本技术领域技术 人员可以根据本发明的原理进行各种修改。因此，凡按照本发明原理所作的修改， 都应当理解为落入本发明的保护范围。