一种基于工况势场与健康守恒约束的设备跨工况劣化评估方法与流程

本技术涉及预测性维护，更具体地说，本技术涉及一种基于工况势场与健康守恒约束的设备跨工况劣化评估方法。

背景技术：

1、随着风电机组、航空发动机、轨道交通装备及工业机器人等机电设备向大型化和连续运行方向发展，通常利用振动、温度、扭矩、油液状态等监测数据，对设备部件的退化状态和剩余寿命进行评估。上述设备在实际运行过程中，其载荷、转速、功率、环境温度及控制参数会随生产任务、外部环境和控制指令持续变化，监测特征因而同时受到设备健康状态和运行工况的共同影响。

2、现有设备劣化评估方法通常采用固定阈值、单一工况模型，或者预先将运行工况划分为多个工况区间，并在不同工况区间内分别设置特征基准或评估模型。对于工况相对稳定且历史样本覆盖充分的设备，上述方法能够在一定程度上减小工况差异对监测特征的影响。但是，实际设备的多个工况参数通常同时且连续变化，相邻工况之间不存在明确的物理分界。将连续工况离散划分后，相邻时刻的数据可能因处于不同分区而调用不同的特征基准或评估模型，使处理后的健康状态表征在分区交界处产生与设备实际退化无关的跳变。对于历史样本未充分覆盖的工况组合，还可能无法获得与当前工况相匹配的有效基准。

3、此外，监测特征不仅与当前时刻的工况取值有关，还可能受到工况到达过程的影响。例如，设备由低载荷快速升至高载荷时产生的振动响应，与设备长期稳定运行于相同高载荷时的振动响应并不完全相同。急加速、快速加载、启停机或控制参数突变可能在监测信号中形成持续若干采样周期的峰值或偏移。现有按照当前工况点进行归一化或基准扣除的处理方式，通常将到达同一工况点的数据按照相同基准处理，因而难以消除由工况变化过程引起的瞬态响应。

4、经过上述处理后形成的健康状态序列仍可能同时包含工况分区切换造成的基准偏移、工况瞬态变化造成的短时尖峰以及设备真实退化造成的持续变化。若直接将该序列输入劣化评估模型，短时间内出现并随工况恢复而消失的特征变化可能被识别为设备状态突变；相反，缓慢积累的真实退化变化也可能被不同工况下反复出现的特征偏移覆盖。由此，后续评估结果的不稳定并非仅由评估模型本身造成，而与其输入的健康状态序列尚未充分排除工况影响有关。

5、例如，齿轮箱轴承在低载荷稳定运行时，其振动均方根值处于正常波动范围；当机组快速提高功率时，即使轴承未发生新的机械损伤，振动均方根值和啮合频率边带能量也可能短时升高，并在功率稳定后逐渐回落。若按照升高后的数值直接进行退化判断，容易将该可恢复变化识别为轴承损伤；若轴承同时存在逐渐发展的疲劳剥落，真实退化形成的缓慢变化又可能被不同载荷下的幅值起伏所掩盖。

6、因此，现有技术需要解决的技术问题是：在设备处于多维连续变工况及工况瞬态变化的情况下，如何从受工况影响的原始监测特征中形成时间演化稳定、能够保留持续退化信息且能够在不同工况之间进行比较的健康状态序列，以降低工况变化被误识别为设备退化以及真实退化被工况波动掩盖的风险。

技术实现思路

1、为了克服现有技术中工况变化对设备监测特征产生持续扰动，导致工况影响与真实退化难以分离、工况瞬态过程容易被误判为设备状态突变、不同工况下健康状态缺乏统一比较基准以及劣化评估结果跨工况泛化能力不足的问题，本技术提供一种基于工况势场与健康守恒约束的设备跨工况劣化评估方法。

2、本技术通过构建表征工况对监测特征的扰动强度和作用方向的工况势场，并结合当前工况的变化轨迹确定工况势场梯度，从原始监测特征中分离静态工况扰动和瞬态工况扰动；进一步利用设备健康状态在相邻时刻连续演化的特性，对工况扰动分离后的健康状态进行动态修正，并将不同工况下的健康状态映射至统一健康参考空间，从而形成能够用于设备退化状态识别、劣化趋势判断和剩余寿命预测的跨工况健康状态序列。

3、本技术提供一种基于工况势场与健康守恒约束的设备跨工况劣化评估方法，包括：

4、采集设备多源监测数据及多源工况参数，对所述多源监测数据和所述多源工况参数进行时间同步与标准化，并基于所述多源工况参数构建高维工况空间；

5、根据历史运行数据建立监测特征与所述高维工况空间中工况变量的非线性映射关系，得到表征工况对所述监测特征的扰动强度和作用方向的工况势场；

6、根据当前工况在所述工况势场中的位置和变化轨迹，计算工况势场梯度；依据所述工况势场和所述工况势场梯度确定原始监测特征中的工况扰动贡献量，从所述原始监测特征中分离所述工况扰动贡献量，得到初步健康状态分量；

7、以相邻时刻健康状态连续演化为约束，对所述初步健康状态分量进行动态修正，得到最优健康状态表征；

8、将所述最优健康状态表征映射至统一健康参考空间，形成跨工况健康状态序列；

9、基于所述跨工况健康状态序列构建设备劣化评估模型，输出设备退化状态、劣化趋势及剩余寿命预测结果。

10、在一种可能的实施方式中，所述工况势场通过以下方式构建：以经健康状态确认的历史运行数据中的多维工况变量为输入，以对应的监测特征值或特征分布统计量为输出，分别训练对应各监测特征的可微非线性回归模型；将每一所述可微非线性回归模型确定为对应监测特征在所述高维工况空间内的标量场，以所述标量场的场值表征静态扰动强度，以所述标量场对相应工况变量的偏导数符号表征监测特征的增减方向，并以所述偏导数绝对值表征变化敏感度；按照监测特征的固定顺序将多个所述标量场组合为矢量场，得到所述工况势场。

11、通过上述实施方式，能够以连续场的形式描述多维工况变量对各监测特征的影响关系，避免将连续变化的运行工况机械划分为若干固定工况区间，减少工况分区边界处产生的特征跳变和评估偏差。

12、在一种可能的实施方式中，所述工况势场梯度通过以下方式获得：根据当前时刻的工况向量、前一时刻的工况向量及采样时间间隔确定工况变量变化率；确定所述工况势场在当前工况向量处的雅可比矩阵；将所述雅可比矩阵与所述工况变量变化率组合，得到所述工况势场沿当前工况变化轨迹的时间变化率，并将所述时间变化率作为所述工况势场梯度。

13、通过上述实施方式，不仅能够识别当前工况位置对监测特征产生的静态影响，还能够反映工况变化速率和变化方向对监测特征产生的瞬态影响，从而降低急加速、突加载、启停或控制参数快速变化造成的监测特征尖峰被误判为设备退化的风险。

14、在一种可能的实施方式中，确定所述初步健康状态分量，包括：根据当前时刻的工况向量确定静态工况扰动期望值；根据所述工况势场梯度、采样时间间隔和无量纲的瞬态补偿系数确定瞬态扰动补偿量；将所述静态工况扰动期望值与所述瞬态扰动补偿量组合为所述工况扰动贡献量，并从所述原始监测特征中减去所述工况扰动贡献量，得到相对于健康基线的所述初步健康状态分量。

15、通过上述实施方式，能够在同一处理链路中同时分离当前工况引起的静态扰动和工况变化过程引起的瞬态扰动，使所述初步健康状态分量更多地表征设备自身健康状态变化，而不是表征运行工况变化。

16、在一种可能的实施方式中，所述动态修正包括：构建包括健康守恒约束项和数据保真项的健康守恒能量函数，所述健康守恒约束项用于约束相邻时刻健康状态的变化，所述数据保真项用于限制待求解健康状态相对于所述初步健康状态分量的偏离；根据正定的状态转移协方差矩阵和正定的观测噪声协方差矩阵对所述健康守恒能量函数进行求解，得到使所述健康守恒能量函数最小的最优健康状态表征。

17、所述健康守恒用于表征设备健康状态在选定的短时间尺度内连续演化，而非表征设备健康状态在长期运行过程中保持不变。通过健康守恒约束项抑制仅在单个或少量处理周期内出现的异常跳变，并通过数据保真项保留连续多个处理周期内保持一致变化方向的真实退化信息，从而兼顾瞬态扰动抑制和持续劣化趋势保留。

18、在一种可能的实施方式中，形成所述跨工况健康状态序列，包括：将工况邻域内的历史样本数量占比达到预设频次条件，且所述工况邻域内各工况变量的方差或变异系数不高于预设波动阈值的工况点确定为标准参考工况；根据健康基线阶段各工况下的最优健康状态表征，确定用于输出不同工况对应健康基线值的健康基线函数；将当前工况和所述标准参考工况分别输入所述健康基线函数，得到当前工况对应的健康基线值和所述标准参考工况对应的健康基线值；从各时刻的最优健康状态表征中减去当前工况对应的健康基线值，再加上所述标准参考工况对应的健康基线值，得到所述跨工况健康状态序列。

19、通过上述实施方式，能够将不同载荷、转速、功率、环境参数或控制状态下形成的最优健康状态表征转换至同一健康参考空间，使不同时刻、不同工况下的健康状态具有统一的比较基准，减少健康状态随工况切换而发生的基线漂移。

20、在一种可能的实施方式中，所述设备劣化评估模型以所述跨工况健康状态序列的时间窗口为输入，输出设备当前健康指数、设备所属的离散劣化阶段、健康指数的变化率及趋势方向，以及具有概率分布的剩余寿命预测结果；所述设备劣化评估模型采用深度学习序列模型、概率统计模型或物理信息驱动模型中的至少一种，并利用设备历史运行至失效的全寿命数据进行训练。

21、通过使所述设备劣化评估模型读取经工况势场解耦、健康守恒约束优化和统一健康参考空间映射后形成的跨工况健康状态序列，能够降低原始工况差异对设备退化状态识别及剩余寿命预测的干扰。

22、在一种可能的实施方式中，当工况扰动解释残差连续超过根据健康基线数据设置的反馈阈值，或所述跨工况健康状态序列与已知退化模板的距离超过根据模板内距离分布设置的模板阈值时，将对应数据放入待确认样本池；将经确认无故障且属于新工况的待确认样本用于所述工况势场的增量学习或重训练，将经确认存在退化的待确认样本用于所述设备劣化评估模型的更新；利用不参与更新的健康基线验证集和已标注退化验证集，对更新前后的所述工况势场和所述设备劣化评估模型进行验证，并在更新结果满足预设验收指标时投入使用。

23、在一种可能的实施方式中，所述反馈阈值根据健康基线验证数据中的工况扰动解释残差分布以及预设误触发控制条件确定；预设连续处理周期数根据设备监测数据的采样周期、劣化反馈响应要求和健康基线验证数据的连续触发结果确定；所述模板阈值根据同类已知退化模板之间的模板距离分布以及预设模板匹配条件确定。

24、在一种可能的实施方式中，依据同时段的告警记录、工作票、油液或振动复测结果及检修结果，将所述待确认样本划分为无故障新工况样本、退化样本和不确定样本；将所述无故障新工况样本加入健康基线训练集，用于所述工况势场的增量学习或重训练；将所述退化样本用于所述设备劣化评估模型的更新且不加入所述健康基线训练集；将所述不确定样本保留于所述待确认样本池。

25、利用不参与更新的健康基线验证集和已标注退化验证集，计算更新前后的工况扰动解释残差中位数、劣化趋势识别正确率和剩余寿命平均绝对误差；当更新后的工况扰动解释残差中位数和剩余寿命平均绝对误差均不大于更新前对应数值，且更新后的劣化趋势识别正确率不低于更新前对应数值时，投入使用更新后的所述工况势场和所述设备劣化评估模型，否则继续使用更新前的所述工况势场和所述设备劣化评估模型。

26、与相关技术相比，本技术具有如下有益效果：

27、本技术通过对多源监测数据和多源工况参数进行时间同步与标准化，并基于所述多源工况参数构建高维工况空间，根据健康状态下的历史运行数据建立各监测特征与连续工况变量之间的非线性映射关系，使各监测特征在连续工况空间内具有与当前工况对应的扰动基准，从而减少离散工况分区边界切换造成的特征基准跳变；进一步通过根据当前工况在工况势场中的位置确定静态工况扰动，并根据当前工况的变化轨迹及当前工况处的工况势场梯度确定瞬态扰动补偿量，使工况扰动贡献量同时反映当前工况取值和工况变化过程对监测特征产生的影响，并通过从原始监测特征中分离所述工况扰动贡献量，降低快速加载、急加速、启停机或控制参数突变形成的短时响应被误认为设备退化的风险；通过以相邻时刻健康状态连续演化为约束对初步健康状态分量进行动态修正，并限制修正结果相对于所述初步健康状态分量的偏离，使随工况恢复而消失的非物理跳变受到抑制，同时保留连续多个时刻保持同方向变化的真实退化信息；最后，通过将最优健康状态表征映射至统一健康参考空间，降低不同工况下健康基线差异对状态比较的影响，形成兼顾工况扰动分离、时间演化稳定性和跨工况可比性的健康状态序列，从而为设备退化状态、劣化趋势及剩余寿命预测提供工况影响较低且基准一致的序列输入。