设备的健康趋势预测方法、系统、计算机设备及存储介质与流程

1.本发明涉及健康预测领域，具体涉及设备的健康趋势预测方法、系统、计算机设备及存储介质。


背景技术：

2.随着我国电力工业建设的突飞猛进，各种能源设备、综合能源系统被广泛应用，为保障综合能源系统的稳定性、可靠性，对能源设备的运行状态也提出了更高的要求。能源设备的健康状况直接影响综合能源系统的安全稳定运行。
3.目前使用综合能源系统的公司有独立的运行检修班组，周期性的巡视能源设备的使用情况，记录各项参数数据，结合设备检修周期的问题，采取计划检修和故障临时维修的方式来对设备进行检修。大量的能源设备由于长期工作、环境变化、频繁起停等原因，可能会损伤能源设备的健康度，甚至出现在未到定期维护时间时，能源设备出现故障，这种现象可能会导致整个综合能源系统出现问题，现有的对能源设备健康趋势预测的方法不能基于不同的健康等级灵活的选择模型进行预测，导致预测精度较低。


技术实现要素：

4.本技术提供设备的健康趋势预测方法、系统、计算机设备及存储介质，以至少解决相关技术中对待测设备的健康趋势预测的准确度较低的技术问题。
5.本技术第一方面实施例提出一种设备的健康趋势预测方法，所述方法包括：
6.获取待测设备预设时段内的振动数据；
7.利用经验模态分解法对所述振动数据进行特征提取获取所述数据的能量熵矩阵；
8.基于所述能量熵矩阵确定待测设备预设时段对应的健康指标值，并确定所述指标值所属的健康等级；
9.将所述健康指标值代入预先建立的健康趋势预测模型中，预测所述待测设备的故障时刻；
10.基于所述故障时刻确定待测设备的健康趋势；
11.其中，所述健康等级包括：正常等级、轻微退化等级、严重退化等级和故障等级；
12.所述健康趋势包括：剩余使用寿命。
13.本技术第二方面实施例提出一种设备的健康趋势预测系统，所述系统包括：
14.第一获取模块，用于获取待测设备预设时段内的振动数据；
15.第二获取模块，用于利用经验模态分解法对所述振动数据进行特征提取获取所述数据的能量熵矩阵；
16.第一确定模块，用于基于所述能量熵矩阵确定待测设备预设时段对应的健康指标值，并确定所述指标值所属的健康等级；
17.预测模块，用于将所述健康指标值代入预先建立的健康趋势预测模型中，预测所述待测设备的故障时刻；
18.第二确定模块，用于基于所述故障时刻确定待测设备的健康趋势；
19.其中，所述健康等级包括：正常等级、轻微退化等级、严重退化等级和故障等级；
20.所述健康趋势包括：剩余使用寿命。
21.本技术第三方面实施例提出一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时，实现如本技术第一方面的预测方法。
22.本技术第四方面实施例提出一种非临时性计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如本技术第一方面的预测方法。
23.本技术的实施例提供的技术方案至少带来以下有益效果：
24.本发明提供的设备的健康趋势预测方法、系统、计算机设备及存储介质中，获取待测设备预设时段内的振动数据，利用经验模态分解法对所述振动数据进行特征提取获取所述数据的能量熵矩阵，基于所述能量熵矩阵确定待测设备预设时段对应的健康指标值，并确定所述指标值所属的健康等级，将所述健康指标值代入预先建立的健康趋势预测模型中，预测所述待测设备的故障时刻，基于所述故障时刻确定待测设备的健康趋势。本发明提供的设备的健康趋势预测方法，通过模态分解确定的健康指标值和确定健康等级，进而选择健康趋势预测模型中对应的子模型进行待测设备的健康趋势预测，提高了对数据、综合模型、设备复杂条件的适应性，使得待测设备的健康趋势预测更加准确。
25.本技术附加的方面以及优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到。
附图说明
26.本技术上述的和/或附加的方面以及优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
27.图1是根据本技术一个实施例提供的设备的健康趋势预测方法的流程图；
28.图2是根据本技术一个实施例提供的回归曲线对应的算法图；
29.图3是根据本技术一个实施例提供的设备的健康趋势预测系统的结构图。
具体实施方式
30.下面详细描述本技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本技术，而不能理解为对本技术的限制。
31.本技术提出的设备的健康趋势预测方法、系统、计算机设备及存储介质中，获取待测设备预设时段内的振动数据，利用经验模态分解法对所述振动数据进行特征提取获取所述数据的能量熵矩阵，基于所述能量熵矩阵确定待测设备预设时段对应的健康指标值，并确定所述指标值所属的健康等级，将所述健康指标值代入预先建立的健康趋势预测模型中，预测所述待测设备的故障时刻，基于所述故障时刻确定待测设备的健康趋势。本发明提供的设备的健康趋势预测方法，通过模态分解确定的健康指标值和确定健康等级，进而选择健康趋势预测模型中对应的子模型进行待测设备的健康趋势预测，提高了对数据、综合模型、设备复杂条件的适应性，使得待测设备的健康趋势预测更加准确。
32.实施例1
33.图1为本公开实施例提供的一种设备的健康趋势预测方法的流程图，如图1所示，所述方法包括：
34.步骤1：获取待测设备预设时段内的振动数据；
35.需要说明的是，获取所述数据后需要判断获取的数据是否有缺失，异常值等现象出现，若有，则利用最小二乘，多项式回归等方法进行数值的插补和去除异常值，并通过提前设定的阈值，判断收集数据是否有超出阈值，从而直接判断设备参数是否有故障，如判断有故障，直接报修，如判断没有故障，则进行设备的健康趋势预测。
36.步骤2：利用经验模态分解法对所述振动数据进行特征提取获取所述数据的能量熵矩阵；
37.在本公开实施例中，利用经验模态分解法对所述振动数据进行特征提取，获取所述振动数据对应的各个固有模态的能量；
38.基于所述各个固有模态的能量确定所述振动数据对应的能量熵矩阵。
39.示例的，首先，将步骤1处理后的数据信号进行经验模态分解可将信号分解成剩余部分和不同频率波段部分；其中，所述分解公式如下所示：
[0040][0041]
式中，x(t)为原始信号，ci(t)为t时刻的第i个固有模态，rn(t)为t时刻对应的n模态的剩余方程，n为分解后的固有模态总数。
[0042]
然后，在本公开实施例中，选取n个固有模态中的前m个模态，并分别计算前m个固有模态的能量，公式如下所示：
[0043][0044]
式中，ei为第i个固有模态的能量。
[0045]
随后，分别计算前m个固有模态对应的能量熵，公式如下所示：
[0046][0047]
式中，h
enm
(t)为t时刻第m个固有模态对应的能量熵，pi＝ei/e,pi为第i个固有模态的能量和在整个能量e中所占的百分比，e为分解后的固有模态的能量和。
[0048]
最后，将前m个固有模态对应的能量熵由固有模态从小到大的顺序排列构成能量熵矩阵t，其中，t＝[h
en1
(t),h
en2
(t),...,h
enm
(t)]。
[0049]
步骤3：基于所述能量熵矩阵确定待测设备预设时段对应的健康指标值，并确定所述指标值所属的健康等级；
[0050]
需要说明的是，确定所述指标值所属的健康等级，包括：
[0051]
步骤3-1:基于待测设备历史时段内的振动数据确定待测设备对应的最短距离的权重矩阵；
[0052]
步骤3-2:利用所述能量熵矩阵和待测设备对应的最短距离的权重矩阵确定所述数据对应的最小量化误差；
[0053]
示例的，利用公式mqe＝||t-d||确定最小量化误差mqe，d为待测设备对应的最短距离的权重矩阵。
[0054]
步骤3-3:基于所述最小量化误差确定待测设备预设时段对应的健康指标值。
[0055]
示例的，利用公式cv为设备预设时段对应的健康指标值，u为从mqe获得的正常状态下的比例参数，常数，可由现场设备实验或经验获得。
[0056]
需要说明的是，若所述健康指标值落于预设的正常等级指标值范围内，则所述健康指标值对应的正常等级；
[0057]
若所述健康指标值落于预设的轻微退化等级指标值范围内，则所述健康指标值对应的轻微退化等级；
[0058]
若所述健康指标值落于预设的严重退化等级指标值范围内，则所述健康指标值对应的严重退化等级；
[0059]
若所述健康指标值落于预设的故障等级指标值范围内，则所述健康指标值对应的故障等级。
[0060]
示例的，所述正常等级指标值范围为0.8《cv《1，轻微退化等级指标值范围为0.65《cv《0.8，严重退化等级指标值范围为0.6《cv《0.65，故障等级指标值范围为cv《0.6。
[0061]
需要说明的是，待测设备对应的最短距离的权重矩阵的获取过程包括：
[0062]
步骤f1:获取待测设备历史时段内的振动数据对应的能量熵矩阵；
[0063]
步骤f2：以所述能量熵矩阵为自组织映射神经网络模型的输入，以基于获取的待测设备历史时段内的振动信号数据划分的第一聚类类型和第二聚类类型为输出，训练所述自组织映射神经网络模型，获取自组织映射神经网络模型中与能量熵矩阵中各向量间距离最短距离的的权重向量；
[0064]
步骤f3：获取由所述各权重向量构成的待测设备对应的最短距离的权重矩阵。
[0065]
步骤4：将所述健康指标值代入预先建立的健康趋势预测模型中，预测所述待测设备的故障时刻；
[0066]
在本公开实施例中，所述预先建立的健康趋势预测模型包括：
[0067]
正常等级子模型、轻微退化等级子模型、严重退化子模型和故障等级子模型；
[0068]
其中，所述正常等级子模型是基于历史时段内所述等级对应的健康指标值和预先设置的正常等级阈值构建的；
[0069]
所述轻微退化子模型是基于历史时段内所述等级对应的健康指标值的回归曲线对小波神经网络算法进行训练构建的；
[0070]
所述严重退化等级子模型是基于历史时段内所述等级对应的健康指标值的回归曲线对高斯回归算法进行训练构建的；
[0071]
所述故障等级子模型是基于历史时段内所述等级对应的健康指标值和预先设置的故障等级阈值构建的；
[0072]
需要说明的是，所述各子模型并不受限制，可以根据设备的种类不同，性质不同，建立不同的子模型。
[0073]
示例的，图2为回归曲线对应的算法图，如图2所示，以健康指标值cv为纵坐标，以时间为横坐标，对各健康指标值cv做回归就得到待测设备的健康指标变化的曲线；其中，图
2中两条虚线分别代表正常等级即图中的阶段1与轻微退化等级即阶段2的界限，轻微退化等级即阶段2与严重退化等级即阶段3的界限。在阶段1变换到阶段2时，同时变换回归算法，将所述算法变换为小波神经网络(wnn)算法，所述变换开始点为图中箭头所指示的阶段1与阶段2的界限处，在阶段2变换到阶段3时，同时变换回归算法，将所述小波神经网络(wnn)算法变换为高斯回归(gpr)算法，所述变换开始点为图中箭头所指示的阶段2与阶段3的界限处，粗实线为根据经验得到的故障阈值，根据经验与数据特点，在时间到s1，s2边界时，使用wnn算法对s2中的数据进行回归，以此类推，对s3内的数据使用高斯回归，最终通过高斯回归来预测设备/部件的剩余使用寿命时间，其中图中阶段1展示了正常等级对应的曲线探测、阶段2展示了轻微退化等级对应的回归曲线、阶段3展示了严重退化等级对应的回归曲线及95％置信区间。
[0074]
需要说明的是，若健康指标值为两预设等级指标值范围的临界点时，适应性改变其对应的回归算法。
[0075]
在本公开实施例中，所述健康趋势预测模型基于健康指标值对应的健康等级进行自适应选择所述子模型，预测所述待测设备的故障时刻。
[0076]
步骤5：基于所述故障时刻确定待测设备的健康趋势；
[0077]
在本公开实施例中，利用预测的待测设备的故障时刻减去待测设备已使用的时间，得到待测设备的剩余使用寿命。
[0078]
需要说明的是，所述健康等级包括：正常等级、轻微退化等级、严重退化等级和故障等级；这里的分级并不受限制，可以根据设备的种类不同，性质不同，分成不同的等级，所述健康趋势包括：剩余使用寿命。
[0079]
在本公开实施例中，为使预先训练的健康趋势预测模型即目标模型即在全局都有有效结果，在联合学习框架下对模型进行训练。
[0080]
具体的，从服务器下载待训练的目标模型，基于各设备上传的参数数据对所述模型更新得到更新后的目标模型。
[0081]
每种设备收到服务器相应的目标预测模型的反馈之后，通过分别下载所对应的更新后的目标预测模型，更新自身目前状态的设备模型。
[0082]
示例的，服务器a将各健康等级对应的健康指标值构成的数据集分给三台设备，设备a1、设备a2和设备a3，例如，上述设备利用分发到自身设备的数据集b1、数据集b2和数据集b3分别训练各自模型，待各自模型训练好之后，设备a1、设备a2和设备a3分别将需要更新的参数c1、参数c2和参数c3分别通过加密梯度上传给服务器a，服务器a聚合各设备的更新模型参数c1、参数c2和参数c3，并将参数c1、参数c2和参数c3分别更新至相应的预测模型，分别得到目标预测模型b1、b2和b3，并把更新后的目标预测模型b1、b2和b3反馈至相应设备，设备a1、设备a2和设备a3分别从服务器a上下载相应的目标预测模型。
[0083]
综上所述，本发明提供的设备的健康趋势预测方法，通过模态分解确定的健康指标值和确定健康等级，进而选择健康趋势预测模型中对应的子模型进行待测设备的健康趋势预测，提高了对数据、综合模型、设备复杂条件的适应性，使得待测设备的健康趋势预测更加准确。
[0084]
实施例2
[0085]
图3为本公开实施例提供的一种设备的健康趋势预测系统的结构图，如图3所示，
所述系统包括：
[0086]
第一获取模块，用于获取待测设备预设时段内的振动数据；
[0087]
第二获取模块，用于利用经验模态分解法对所述振动数据进行特征提取获取所述数据的能量熵矩阵；
[0088]
第一确定模块，用于基于所述能量熵矩阵确定待测设备预设时段对应的健康指标值，并确定所述指标值所属的健康等级；
[0089]
预测模块，用于将所述健康指标值代入预先建立的健康趋势预测模型中，预测所述待测设备的故障时刻；
[0090]
第二确定模块，用于基于所述故障时刻确定待测设备的健康趋势；
[0091]
其中，所述健康等级包括：正常等级、轻微退化等级、严重退化等级和故障等级；
[0092]
所述健康趋势包括：剩余使用寿命。
[0093]
在本公开实施例中，所述第二获取模块，包括：
[0094]
获取单元，用于利用经验模态分解法对所述振动数据进行特征提取，获取所述振动数据对应的各个固有模态的能量；
[0095]
确定单元，用于基于所述各个固有模态的能量确定所述振动数据对应的能量熵矩阵。
[0096]
具体的，所述基于所述能量熵矩阵确定待测设备预设时段对应的健康指标值，包括：
[0097]
基于待测设备历史时段内的振动数据确定待测设备对应的最短权重矩阵；
[0098]
利用所述能量熵矩阵和待测设备对应的最短权重矩阵确定所述数据对应的最小量化误差；
[0099]
基于所述最小量化误差确定待测设备预设时段对应的健康指标值。
[0100]
进一步的，所述基于待测设备历史时段内的振动数据确定待测设备对应的最短距离权重矩阵，包括：
[0101]
获取待测设备历史时段内的振动数据对应的能量熵矩阵；
[0102]
以所述能量熵矩阵为自组织映射神经网络模型的输入，以基于获取的待测设备历史时段内的振动信号数据划分的第一聚类类型和第二聚类类型为输出，训练所述自组织映射神经网络模型，获取自组织映射神经网络模型中与能量熵矩阵中各向量间距离最短的权重向量；
[0103]
获取由所述各权重向量构成的待测设备对应的最短权重矩阵。
[0104]
在本公开实施例中，所述预先建立的健康趋势预测模型包括：
[0105]
正常等级子模型、轻微退化等级子模型、严重退化子模型和故障等级子模型；
[0106]
其中，所述正常等级子模型是基于历史时段内所述等级对应的健康指标值和预先设置的正常等级阈值构建的；
[0107]
所述轻微退化子模型是基于历史时段内所述等级对应的健康指标值的回归曲线对小波神经网络算法进行训练构建的；
[0108]
所述严重退化等级子模型是基于历史时段内所述等级对应的健康指标值的回归曲线对高斯回归算法进行训练构建的；
[0109]
所述故障等级子模型是基于历史时段内所述等级对应的健康指标值和预先设置
的故障等级阈值构建的。
[0110]
需要说明的是，所述健康趋势预测模型基于健康指标值对应的健康等级进行自适应选择所述子模型，预测所述待测设备的故障时刻。
[0111]
综上所述，本发明提供的设备的健康趋势预测系统，通过模态分解确定的健康指标值和确定健康等级，进而选择健康趋势预测模型中对应的子模型进行待测设备的健康趋势预测，提高了对数据、综合模型、设备复杂条件的适应性，使得待测设备的健康趋势预测更加准确。
[0112]
实施例3
[0113]
为了实现上述实施例，本公开还提出一种计算机设备。
[0114]
本实施例提供的计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时，实现实施例1中的方法。
[0115]
实施例4
[0116]
为了实现上述实施例，本公开还提出一种非临时性计算机可读存储介质。
[0117]
本实施例提供的计算机设备，其上存储有计算机程序，计算机程序被处理器执行时实现实施例1中的方法。
[0118]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0119]
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本技术的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本技术的实施例所属技术领域的技术人员所理解。
[0120]
尽管上面已经示出和描述了本技术的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本技术的限制，本领域的普通技术人员在本技术的范围内可以对上述实施例进行变化、修改、替换和变型。