基于群体数据和自编码器的设备健康评估方法及系统

1.本发明涉及设备异常检测技术领域，具体地，涉及一种基于群体数据和自编码器的设备健康评估方法及系统。


背景技术：

2.设备的性能会随着使用时间的增长而慢慢衰退，因此，对设备的健康状况进行预测对于设备故障的预防以及提高设备的可靠性都是十分有必要的。
3.目前，通常是设备发生故障后，才会安排工作人员去维修。但是由于无法提前得知故障类型，导致故障维修时间长，效率低，且设备在发生故障后无法再继续使用，在设备维修期间会造成较大损失。
4.设备健康评估目前的主要方法有健康因子法，历史数据法和退化模型法等。对于不同的设备，其健康因子也不尽相同，并且健康因子的构建也和工况，设备型号等信息密切相关，目前绝大部分的设备都是不具有适用性很强的健康因子来描述设备的健康状况。
5.历史数据法针对同类型、同工况、同型号的设备来说比较适用，在有大量相关历史数据的前提下，可以根据当前设备的工作状态及其历史状态去历史数据库中选择最相近的历史设备曲线进行拟合，得到当前设备的健康评估曲线，其特点是需要大量的数据且难以适应设备工作环境的变化。然而很多设备缺乏足够的历史数据并且在实际生产过程中，故障数据的量相对来说是非常罕见的。
6.退化模型法是在有大量的历史数据的前提下，通过多种信号的时频域特征进行分析融合形成能够表示系统性能变化的退化指标，以这样的退化指标作为该种设备的健康因子进行健康状态的评估，其特点是不一定能够找到合适的退化量指标且需要一定数据的支撑，但比单纯使用健康因子的适用范围要更广。
7.现有的设备评估方法存在很多局限性，例如对原始信号的质量有较高的要求，包括较高的采样频率和信噪比，这在复杂的工况下难以实现。现有方法的诊断结果均在实验室环境中验证，与使用现场数据得出来的结论差距较大，算法不能够覆盖可能遇到的大部分工况。例如对于长期处于噪声较大的工作环境的电机来说，振动信号的信噪比低，分析起来十分困难，并且由于工作环境恶劣，难以在合适位置加装相应的传感器。


技术实现要素：

8.针对现有技术中的缺陷，本发明的目的是提供一种基于群体数据和自编码器的设备健康评估方法及系统。
9.根据本发明提供的一种基于群体数据和自编码器的设备健康评估方法，包括：
10.数据采集步骤：获取同一工况下多个相同设备的运行状态信号；
11.数据差异性分析步骤：对所有信号进行预处理，计算信号间的差异性并生成差异性矩阵,将多时刻多时间跨度的差异性矩阵拼接成张量；
12.模型训练步骤：利用差异性矩阵拼接成的张量作为训练数据，训练多尺度自编码
器以最小化重构误差，生成机器学习模型；
13.健康评估步骤：将经过处理的设备运行数据输入多尺度自编码器，通过重构误差反映数据偏离正常状态的程度，根据数据异常程度评估设备健康状况。
14.优选地，所述运行状态信号包括设备的基本控制信号、反馈信号和采集信号。
15.优选地，对运行状态信号预处理包括：对所有信号进行异常值处理，再对所有信号进行归一化处理。
16.优选地，所述信息间的差异性计算过程为：计算两两信号的差信号，再计算差信号的均方根。
17.优选地，所述多尺度自编码器包括编码器、解码器以及特征融合，张量数据经过编码器提取时域特征和卷积特征生成特征向量，特征向量与编码过程中的数据融合经过解码器生成重构输出数据，以最小化重构误差为损失函数进行训练。
18.优选地，所述编码器和解码器采用多层卷积神经网络；所述特征融合采用时序神经网络和循环长短时记忆神经网络。
19.优选地，所述健康评估步骤中，通过设置阈值或者卷积神经网络对数据的异常程度进行判断。
20.根据本发明提供的一种基于群体数据和自编码的设备健康评估系统，包括：
21.数据采集模块：获取同一工况下多个相同设备的运行状态信号；
22.数据差异性分析模块：对所有信号进行预处理，计算信号间的差异性并生成差异性矩阵,将多时刻多时间跨度的差异性矩阵拼接成张量；
23.模型训练模块：利用差异性矩阵拼接成的张量作为训练数据，训练多尺度自编码器以最小化重构误差，生成机器学习模型；
24.健康评估模块：将经过处理的设备运行数据输入多尺度自编码器，通过重构误差反映数据偏离正常状态的程度，根据数据异常程度评估设备健康状况。
25.根据本发明提供的一种存储有计算机程序的计算机可读存储介质，所述计算机程序被处理器执行时实现上述的基于群体数据和自编码器的设备健康评估方法的步骤。
26.根据本发明提供的一种设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被处理器执行时实现上述的基于群体数据和自编码器的设备健康评估方法的步骤。
27.与现有技术相比，本发明具有如下的有益效果：
28.1、本发明通过群体数据之间的差异性判断个体数据的异常，从而反映出设备的健康状况，避免了高频信号的采集和复杂工况的控制。
29.2、本发明采用多尺度的自编码器算法，在实际使用中异常故障数据缺失的条件下，基于历史健康数据，完成设备的异常检测和健康评估，并且有着较高的准确率。
附图说明
30.通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
31.图1为本发明实施例中差异性矩阵的构建方式流程图；
32.图2为本发明实施例中多尺度自编码器的模型框架图；
33.图3为本发明实施例中实际测试中异常检测结果图；
34.图4为本发明实施例中主驱动电机组性能变化曲线图。
具体实施方式
35.下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
36.本发明提出了一种基于群体数据和自编码器的设备健康评估方法，包括：
37.数据采集步骤：获取同一工况下多个相同设备的运行状态信号。可以是同一设备中相同作用，相同工况下的多个元器件，例如盾构机中作为核心动力元件的主驱动电机，通常主驱动电机的数量为8-14个不等。运行状态信号可以是设备的基本控制信号、反馈信号和采集信号以及其他与设备工作状态相关的电路信号。
38.在一种具体的实施方式中，通过plc采集良好运行状态的主驱动电机电流信号，采样频率1hz。
39.在另一种具体的实施方式中，通过plc采集良好运行状态的主驱动电机转速信号，采样频率1hz。
40.在其他具体的实施方式中，采样频率不限于1hz。
41.数据差异性分析步骤：参照图1所示，对所有信号进行预处理，对所有信号进行异常值处理，例如剔除全部为零的数据段，删除明显异常的数据和筛选工作状态数据等。
42.再对所有信号进行归一化处理，以保证针对不同工况不同幅值的信号在之后的计算中结果数量级不会太大。
43.计算两两信号间的差异性并生成差异性矩阵,n个信号需要计算n(n-1)/2次差异性，差异性的计算方式可以是计算其差信号的均方根，还可以是差信号的绝对值均值，差信号和原始信号的内积，原始信号之间的内积等。差异性矩阵的维度为设备的个数。最后将多时刻多时间跨度的差异性矩阵拼接成张量。
44.模型训练步骤：利用差异性矩阵拼接成的张量作为训练数据，训练多尺度自编码器以最小化重构误差，生成机器学习模型。机器学习模型如图2所示，包括编码器、解码器以及特征融合，张量数据经过编码器提取时域特征和卷积特征生成特征向量，特征向量与编码过程中的数据融合经过解码器生成重构输出数据，该模型训练时以最小化重构误差为损失函数进行训练，训练数据来源于设备良好运转时的健康数据。编码器和解码器的结构为多层卷积神经网络，特征融合使用到的时时序神经网络和循环长短时记忆神经网络。
45.健康评估步骤：将设备运行数据经过处理后生成的张量输入多尺度自编码器，通过重构误差反映数据偏离正常状态的程度，异常结果实例图如图3所示，设置阈值或通过简单的卷积神经网络判断该时刻的异常程度，对设备的健康情况进行评估，根据评估结果及时进行预警。设备的性能状况变化曲线如图4所示。
46.本发明还提供一种基于群体数据和自编码的设备健康评估系统，所述基于群体数据和自编码的设备健康评估系统可以通过执行所述基于群体数据和自编码的设备健康评估方法的流程步骤予以实现，即本领域技术人员可以将所述基于群体数据和自编码的设备
健康评估方法理解为所述基于群体数据和自编码的设备健康评估系统的优选实施方式。
47.本发明还提供一种基于群体数据和自编码的设备健康评估系统，包括：
48.数据采集模块：获取同一工况下多个相同设备的运行状态信号；
49.数据差异性分析模块：对所有信号进行预处理，计算信号间的差异性并生成差异性矩阵,将多时刻多时间跨度的差异性矩阵拼接成张量；
50.模型训练模块：利用差异性矩阵拼接成的张量作为训练数据，训练多尺度自编码器以最小化重构误差，生成机器学习模型；
51.健康评估模块：将经过处理的设备运行数据输入多尺度自编码器，通过重构误差反映数据偏离正常状态的程度，根据数据异常程度评估设备健康状况。
52.本发明还提供了一种存储有计算机程序的计算机可读存储介质，可以是移动硬盘，u盘等，所述计算机程序被处理器执行时实现上述的基于群体数据和自编码器的设备健康评估方法的步骤。
53.本发明还提供了一种设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被处理器执行时实现上述的基于群体数据和自编码器的设备健康评估方法的步骤。
54.本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
55.在本技术的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本技术的限制。
56.以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本技术的实施例和实施例中的特征可以任意相互组合。

技术特征：
1.一种基于群体数据和自编码器的设备健康评估方法，其特征在于，包括：数据采集步骤：获取同一工况下多个相同设备的运行状态信号；数据差异性分析步骤：对所有信号进行预处理，计算信号间的差异性并生成差异性矩阵,将多时刻多时间跨度的差异性矩阵拼接成张量；模型训练步骤：利用差异性矩阵拼接成的张量作为训练数据，训练多尺度自编码器以最小化重构误差，生成机器学习模型；健康评估步骤：将经过处理的设备运行数据输入多尺度自编码器，通过重构误差反映数据偏离正常状态的程度，根据数据异常程度评估设备健康状况。2.根据权利要求1所述的基于群体数据和自编码器的设备健康评估方法，其特征在于：所述运行状态信号包括设备的基本控制信号、反馈信号和采集信号。3.根据权利要求1所述的基于群体数据和自编码器的设备健康评估方法，其特征在于，对运行状态信号预处理包括：对所有信号进行异常值处理，再对所有信号进行归一化处理。4.根据权利要求1所述的基于群体数据和自编码的设备健康评估方法，其特征在于：所述信息间的差异性计算过程为：计算两两信号的差信号，再计算差信号的均方根。5.根据权利要求1所述的基于群体数据和自编码的设备健康评估方法，其特征在于：所述多尺度自编码器包括编码器、解码器以及特征融合，张量数据经过编码器提取时域特征和卷积特征生成特征向量，特征向量与编码过程中的数据融合经过解码器生成重构输出数据，以最小化重构误差为损失函数进行训练。6.根据权利要求4所述的基于群体数据和自编码的设备健康评估方法，其特征在于：所述编码器和解码器采用多层卷积神经网络，所述特征融合采用时序神经网络和循环长短时记忆神经网络。7.根据权利要求1所述的基于群体数据和自编码的设备健康评估方法，其特征在于：所述健康评估步骤中，通过设置阈值或者卷积神经网络对数据的异常程度进行判断。8.一种基于群体数据和自编码的设备健康评估系统，其特征在于，包括：数据采集模块：获取同一工况下多个相同设备的运行状态信号；数据差异性分析模块：对所有信号进行预处理，计算信号间的差异性并生成差异性矩阵,将多时刻多时间跨度的差异性矩阵拼接成张量；模型训练模块：利用差异性矩阵拼接成的张量作为训练数据，训练多尺度自编码器以最小化重构误差，生成机器学习模型；健康评估模块：将经过处理的设备运行数据输入多尺度自编码器，通过重构误差反映数据偏离正常状态的程度，根据数据异常程度评估设备健康状况。9.一种存储有计算机程序的计算机可读存储介质，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的基于群体数据和自编码器的设备健康评估方法的步骤。10.一种设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的基于群体数据和自编码器的设备健康评估方法的步骤。

技术总结
本发明提供了一种基于群体数据和自编码器的设备健康评估方法及系统，包括：获取同一工况下多个相同设备的运行状态信号；对所有信号进行预处理，计算信号间的差异性并生成差异性矩阵,将多时刻多时间跨度的差异性矩阵拼接成张量；利用差异性矩阵拼接成的张量作为训练数据，训练多尺度自编码器以最小化重构误差，生成机器学习模型；将经过处理的设备运行数据输入多尺度自编码器，通过重构误差反映数据偏离正常状态的程度，根据数据异常程度评估设备健康状况。本发明通过群体数据之间的差异性判断个体数据的异常，从而反映出设备的健康状况，避免了高频信号的采集和复杂工况的控制。避免了高频信号的采集和复杂工况的控制。避免了高频信号的采集和复杂工况的控制。


技术研发人员：唐宇翔 陶建峰 孙浩 董畅 伏星辰 覃程锦 刘成良
受保护的技术使用者：上海交通大学
技术研发日：2023.02.06
技术公布日：2023/7/12