一种设备健康画像方法与流程

1.本技术属于设备状态监测技术领域，具体而言涉及一种设备健康画像方法。


背景技术：

2.传统工业设备运维采用计划性检修方案，计划性检修不考虑机器的实际运行状态，因此存在着完好状态下的机器被停机检修(过维护)，而在故障边缘的机器却被忽略(欠维护)的问题。随着信息技术和人工智能技术发展，基于运行状态在线监测和人工智能故障诊断方法的预测性维护方案开始得到研究和推广应用，但是人工智能故障诊断方案在工业场景的应用落地面临很多问题。
3.现代流程工业中的大型机组往往由很多设备组合而成，而每一台设备由很多组件组合而成，不同组件不同设备协同作业机组才能健康运行，常见的运行状态监测往往只针对某个组件或设备，无法评估展示设备或机组的整体健康；甚至有些状态监测只是传感器安装位置附近的区域，而无法真正和设备或者待测设备中关键组件绑定，最后只能给出该区域内设备状态一个模糊的整体评价。


技术实现要素：

4.本技术旨在至少一定程度上解决上述技术问题，基于发明人注意到，由于通常工业设备故障样本极度稀缺，因此基于监督学习的故障识别模型无法建立或者模型性能不稳定；利用无监督学习的异常检测方法，通常只能根据模型打分和预先设定的阈值，给出是否异常的二值判断，无法给设备运维人员提供可以用来辅助运维决策的更丰富更直观的设备健康信息。
5.有鉴于此，本公开提出了一种设备健康画像方法，针对现有技术存在设备健康评估局部和整体不兼顾、传感器信息和组件或设备状态未真正绑定、健康指标单一、展示方式单一等问题。
6.本公开的实施例提出的设备健康画像方法，包括：
7.步骤1、获取待测设备的多种相关数据，对不同相关数据进行组合并处理，得到多种维度数据；
8.步骤2、利用权重评价模型，得到所述多种维度数据中各维度数据相应的权重系数；
9.步骤3、根据所述多种维度数据的维度类别和相应权重系数，确定待测设备中关键组件的健康雷达图。
10.可选地，所述待测设备的多种相关数据，包括：
11.(a)获取设备台账数据；
12.(b)设备安装环境数据；
13.(c)设备检修记录数据；
14.(d)设备状态监测数据；
15.(e)设备产生控制参数等；
16.(f)设备生产性能数据。
17.可选地，所述步骤1中，对不同相关数据进行组合并处理，得到多种维度数据，其特征在于，所述维度数据为多种维度数据中的浴盆曲线维度的指示值，包括：
18.(1)分别从设备台账数据、设备安装环境数据、设备检修记录数据中获得每个关键组件不同厂商产品在不同环境下的故障、寿命，利用如下函数表达式，制作失效概率浴盆曲线，利用失效概率浴盆曲线，得到不同待测设备中关键组件的寿命阶段，利用不同的颜色标识关键待测设备中关键组件或渲染设备的建筑信息模型；
19.(2)重复上述步骤(1)，遍历待测设备中的所有关键组件，利用不同颜色，标识出每个关键组件目前所处的寿命阶段，用颜色渲染设备的建筑信息模型；
20.(3)根据关键组件的浴盆寿命，得出设备的浴盆曲线，进而计算得到浴盆曲线维度的指示值。
21.可选地，所述步骤1中，对不同相关数据进行组合并处理，得到多种维度数据，其特征在于，所述维度数据为多种维度数据中的异常检测维度的指示值，包括：
22.(1)采集待测设备的正常运行状态下的运行状态监测数据；
23.(2)采用特征提取方法，对所述状态监测数据进行预处理后，得到一个固定长度的样本向量vector；
24.(3)重复步骤(1)和步骤(2)，得到多个样本向量vector，多个样本向量vector组成一个正常数据训练样本集；
25.(4)将所述正常数据训练样本集输入一个自监督学习深度神经网络，对自监督学习深度神经网络进行训练，得到一个深度神经网络模型model；
26.(5)将高维度的样本向量vector输入步骤(4)的深度神经网络模型model，输出得到低维度的特征向量feats，根据特征向量feats，建立高斯混合模型gmm；
27.(6)采用特征提取方法，对待检测设备的运行状态监测数据vector预处理，得到高维度vector；
28.(7)将高维度vector输入步骤(4)的深度神经网络模型model中，计算得到低维度的特征向量feats；
29.(8)将所述特征向量fc输入步骤(5)的高斯混合模型gmm中，得到待测设备的异常打分分值；
30.(9)根据计算得到的待测设备中关键组件的异常打分分值，用颜色渲染设备的建筑信息模型，利用曲线图显示健康度历史数据，并显示异常检测维度的异常指示值。
31.可选地，所述步骤1中，对不同相关数据进行组合并处理，得到多种维度数据，其特征在于，所述维度数据为故障维度的故障指示值，包括：
32.(1)采用特征提取方法，对设备故障时段的状态监测数据datafault进行处理，得到一个固定长度的样本向量vectorfault；
33.(2)将所述vectorfault输入一个自监督学习深度神经网络，对自监督学习深度神经网络进行训练，得到一个深度神经网络模型modelfault；
34.(3)将待测设备的测试vectorfault输入所述深度神经网络模型modelfault，输出得到低维度的特征向量featsfault；
35.(4)根据所述特征向量feats，建立高斯混合模型gmm_fault；
36.(5)采用特征提取方法，对待检测设备的运行状态监测数据dcfault进行处理，得到高维度vcfault；
37.(6)将步骤(5)的高维度vcfault输入步骤(2)的深度神经网络模型modelfault中，输出得到低维度的特征向量fcfault；
38.(7)将步骤(6)的特征向量fcfault输入步骤(4)的高斯混合模型gmm_fault中，输出得到待测数据的异常打分分值；
39.(8)将计算得到的待测设备中关键组件的健康度指标用颜色渲染设备的建筑信息模型，利用曲线图显示健康度历史数据，并显示故障维度的故障指示值。
40.可选地，对不同相关数据进行组合并处理，得到多种维度数据，其特征在于，所述维度数据为专家维度的专家评分指示值，包括：
41.(1)利用计算专家机理，分析待测设备中关键组件的特征量，特征量包括声音传感器信号的强度、峰峰值、方差、偏度、峭度、声音频谱和声音包络谱，振动传感器信号的有效值、峰峰值、方差、偏度、峭度、振动频谱、振动包络谱、摆度强度、轴心轨迹和短时傅里叶谱；
42.(2)利用曲线图，显示声音传感器信号的强度、峰峰值、方差、偏度、峭度，振动传感器信号的有效值、峰峰值、方差、偏度、峭度、摆度强度的时间序列曲线；
43.(3)利用曲线图，显示声音频谱、声音包络谱、振动频谱、振动包络谱、摆度强度、轴心轨迹曲线；
44.(4)利用热力图，显示振动传感器信号和声音传感器信号的短时傅里叶谱；
45.(5)将曲线图、热力图用颜色渲染设备的建筑信息模型(bim)，利用曲线图显示健康度历史数据，并显示专家维度的专家评分指示值。
46.可选地，所述步骤1中，对不同相关数据进行组合并处理，得到多种维度数据，其特征在于，所述维度数据为待测设备的生产维度的指示值，包括：
47.(1)获取设备产生控制参数，包括通过人工设置控制设备运行工况的参数，生产性能数据；
48.(2)计算产品产出率和废品率，对能源消耗量进行分级；
49.(3)利用不同颜色标识出设备产出率、废品率、能耗，渲染设备的建筑信息模型，利用曲线图展示产出率、废品率、能耗的历史曲线；
50.(4)利用不同颜色标识出待测设备中关键组件的生产性能级别的负荷百分比，渲染设备的建筑信息模型，将负荷百分比*100得到专家维度的专家评分指示值。
51.可选地，所述步骤(2)中，利用权重评价模型，得到所述多种维度数据中各维度数据相应的权重系数，包括：
52.(1)对待测设备的多个维度的分值进行加权平均，得到待测设备中关键组件的总体健康度分值sc为；
[0053][0054]
其中，sc为待测设备中关键组件的总体健康度分值，n为维度数，ω为每一维度的权重，ω的取值根据具体设备确定；
[0055]
(2)根据所述总体健康度分值sc，得到待测设备中关键组件备的健康度雷达图。
[0056]
本公开实施例提出的设备健康画像方法，利用人工智能大数据挖掘和多维信息可视化技术解决当前设备状态监测系统存在的设备健康评估局部和整体不兼顾、传感器信息和组件或设备状态未真正绑定、健康指标单一、展示方式单一的问题。所述方法获取设备台账数据、设备安装环境数据、设备检修记录数据、设备状态监测数据、设备产生控制参数、设备生产性能数据。利用深度神经网络提取设备状态监测数据中蕴含的和设备各个组件健康度相关的细微特征；利用物理机理分析提取设备状态监测数据中蕴含的和设备各个组件健康度相关的数据指标；利用统计学习方法建立设备各个组件的剩余寿命模型。利用计算机可视化技术将各组件剩余寿命通过散点图、曲线图、直方图、热力图等方式显示；与bim结合，不同健康等级可利用不同颜色渲染三维模型的组件和整体设备进行三维可视化展示。
[0057]
本公开附加的方面和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，或通过本发明的实践了解到。
附图说明
[0058]
为了更清楚的说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显然，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0059]
图1是根据本公开的一个实施例示出的失效概率浴盆曲线的示意图。
[0060]
图2是根据本公开的一个实施例示出的健康度雷达图。
具体实施方式
[0061]
下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0062]
本公开的一个实施例提出的设备健康画像方法，可以包括如下步骤：
[0063]
在步骤1中，获取待测设备的多种相关数据，对不同相关数据进行组合并处理，得到多种维度数据。
[0064]
在一个实施例中，所述待测设备的多种相关数据，包括：
[0065]
(a)获取设备台账数据(ed1),包括设备和组件的生产厂商、出厂批次、上线服役时间等；
[0066]
(b)设备安装环境数据(ed2)，包括设备安装区域的温度、湿度等；
[0067]
(c)设备检修记录数据(ed3)，包括设备巡检记录和各级别检修记录，具体包括故障发现的时间、维修的时间、维修内容、组件更换、磨损组件的磨损度测量等；
[0068]
(d)设备状态监测数据(ed4)，包括振动、温度、压力、电流、电压等监测传感器记录的数据；
[0069]
(e)设备产生控制参数(ed5)包括可以通过人工设置控制设备运行工况的参数，如输入电流、原料输入量等；
[0070]
(f)设备生产性能数据(ed6)包括产品产出量、废料产出量、能源消耗量等。
[0071]
在一个实施例中，所述维度数据为多种维度数据中的浴盆曲线维度的指示值，根据待测设备的原始数据经过组合得到适合制作浴盆曲线维度的数据，并得到浴盆曲线维度的指示值，并建立待测设备的建筑信息模型建筑信息模型(bim是以三维数字技术为基础，集成了建筑工程项目各种相关信息的工程数据模型，是对该工程项目相关信息的详尽表达，包括：
[0072]
(1)分别从设备台账数据(ed1)、设备安装环境数据(ed2)、设备检修记录数据(ed3)中获得每个关键组件不同厂商产品在不同环境下的故障、寿命，利用如下函数表达式，，制作失效概率浴盆曲线，利用失效概率浴盆曲线，得到不同待测设备中关键组件的寿命阶段，利用不同的颜色标识关键待测设备中关键组件或渲染设备的建筑信息模型(bim)；
[0073]
浴盆曲线函数表达式为：
[0074]
λ(t)＝γβ(t/α)
β-1
exp((t/α)
β
)，
[0075]
其中：α、β、γ均为分布函数中的参数，数值类型为有理分数；
[0076]
(2)重复上述步骤(1)，遍历待测设备中的所有关键组件，利用不同颜色，标识出每个关键组件目前所处的寿命阶段，用颜色渲染设备的建筑信息模型(bim)；
[0077]
(3)根据关键组件的浴盆寿命，得出设备的浴盆曲线，进而计算得到浴盆曲线维度的指示值：
[0078]
sc1＝a*|t-t
total
/2|*100，
[0079]
其中，t为关键组件的服务日期，t
total
为关键组件的服务寿命，a为调整系数，a的取值范围为[0,1]。
[0080]
在一个实施例中，所述步骤1中，对不同相关数据进行组合并处理，得到多种维度数据，其特征在于，所述维度数据为多种维度数据中的异常检测维度的指示值，包括：
[0081]
对于没有故障样本的待测设备中关键组件采用全正常数据建立正常状态模型，利用异常监测方法进行健康评估；
[0082]
(1)采集待测设备的正常运行状态下的运行状态监测数据(ed4)；
[0083]
(2)采用特征提取方法，对所述状态监测数据(ed4)进行预处理后，得到一个固定长度的样本向量vector；
[0084]
(3)重复步骤(1)和步骤(2)，得到多个样本向量vector，多个样本向量vector组成一个正常数据训练样本集；
[0085]
(4)将所述正常数据训练样本集输入一个自监督学习深度神经网络，对自监督学习深度神经网络进行训练，得到一个深度神经网络模型model；
[0086]
将大量正常运行的状态数据(ed4)进行处理后，将训练样本集中的vector输入一个自监督学习的深度神经网络，如堆叠自编码器模型、深度置信网络模型进行训练；通过自监督学习训练得到一个深度神经网络模型model；该模型可以将高维度的vector降维到一个低维度的固定长度的特征向量feats；
[0087]
(5)将高维度的样本向量vector输入步骤(4)的深度神经网络模型model，输出得到低维度的特征向量feats，根据特征向量feats，建立高斯混合模型gmm；
[0088]
(6)采用特征提取方法，对待检测设备的运行状态监测数据vector预处理，得到高维度vector；
[0089]
(7)将高维度vector输入步骤(4)的深度神经网络模型model中，计算得到低维度
的特征向量feats；
[0090]
(8)将所述特征向量fc输入步骤(5)的高斯混合模型gmm中，得到待测设备的异常打分分值；分值越高说明待测数据和训练数据集中的数据相似度越高，状态越正常，相应的健康度也越高；反之亦然。
[0091]
(9)根据计算得到的待测设备中关键组件的异常打分分值，用颜色渲染设备的建筑信息模型(bim)，利用曲线图显示健康度历史数据，并显示异常检测维度的异常指示值。
[0092]
在一个实施例中，所述维度数据为故障维度的故障指示值，利用待测设备故障样本，建立该设备的故障指纹，得到故障维度的故障指示值。包括：
[0093]
对于已经积累一定数据故障样本的待测设备中关键组件故障类型，建立该设备该故障的故障指纹，用于对该设备该故障的故障识别和预测；
[0094]
(1)采用特征提取方法，对设备故障时段的状态监测数据datafault进行处理，得到一个固定长度的样本向量vectorfault；
[0095]
(2)将所述vectorfault输入一个自监督学习深度神经网络，如堆叠自编码器模型、深度置信网络模型等等，对自监督学习深度神经网络进行训练，得到一个深度神经网络模型modelfault；
[0096]
将训练样本集中的vectorfault输入一个自监督学习的深度神经网络，如堆叠自编码器模型、深度置信网络模型进行训练；通过自监督学习训练得到一个深度神经网络模型modelfault；该模型可以将高维的vectorfault降维到一个低维度的固定长度的特征向量featsfault；
[0097]
(3)将待测设备的测试vectorfault输入所述深度神经网络模型modelfault，输出得到低维度的特征向量featsfault；
[0098]
(4)根据所述特征向量feats，建立高斯混合模型gmm_fault；
[0099]
(5)采用特征提取方法，对待检测设备的运行状态监测数据dcfault进行处理，得到高维度vcfault；
[0100]
(6)将步骤(5)的高维度vcfault输入步骤(2)的深度神经网络模型modelfault中，输出得到低维度的特征向量fcfault；
[0101]
(7)将步骤(6)的特征向量fcfault输入步骤(4)的高斯混合模型gmm_fault中，输出得到待测数据的异常打分分值，分值越高说明待测数据和训练数据集中的数据相似度越高，状态越正常，相应的健康度也越高；反之亦然。
[0102]
将(4.7)计算得到的待测设备中关键组件的健康度指标用颜色渲染设备的建筑信息模型(bim)，利用曲线图显示健康度历史数据，并显示故障维度的故障指示值。
[0103]
在一个实施例中，所述维度数据为专家维度的专家评分指示值，利用专家分析机理制作故障监测特征，得到专家维度的专家评分指示值，得到曲线图、热力图等显示特征的形态和随时间的变化趋势。包括：
[0104]
(1)利用计算专家机理，分析待测设备中关键组件的特征量，特征量包括声音传感器信号的强度、峰峰值、方差、偏度、峭度、声音频谱和声音包络谱，振动传感器信号的有效值、峰峰值、方差、偏度、峭度、振动频谱、振动包络谱、摆度强度、轴心轨迹和短时傅里叶谱；
[0105]
(2)利用曲线图，显示声音传感器信号的强度、峰峰值、方差、偏度、峭度，振动传感器信号的有效值、峰峰值、方差、偏度、峭度、摆度强度的时间序列曲线；
[0106]
(3)利用曲线图，显示声音频谱、声音包络谱、振动频谱、振动包络谱、摆度强度、轴心轨迹曲线；
[0107]
(4)利用热力图，显示振动传感器信号和声音传感器信号的短时傅里叶谱；
[0108]
(5)将曲线图、热力图用颜色渲染设备的建筑信息模型(bim)，利用曲线图显示健康度历史数据，并显示专家维度的专家评分指示值。
[0109]
在一个实施例，所述维度数据为待测设备的生产维度的指示值，包括：
[0110]
(1)获取设备产生控制参数(ed5)，包括通过人工设置控制设备运行工况的参数，例如输入电流、原料输入量等；生产性能数据(ed6)，包括产品产出量、废料产出量、能源消耗量等数据；
[0111]
(2)计算产品产出率和废品率，对能源消耗量进行分级；以高产出率，低废品率，低能耗作为评估指标，对设备产生性能分级。
[0112]
(3)利用不同颜色标识出设备产出率、废品率、能耗，渲染设备的建筑信息模型(bim)，利用曲线图展示产出率、废品率、能耗的历史曲线；
[0113]
(4)利用不同颜色标识出待测设备中关键组件的生产性能级别的负荷百分比，渲染设备的建筑信息模型(bim)。将负荷百分比*100得到专家维度的专家评分指示值。
[0114]
在步骤2中，利用权重评价模型，得到所述多种维度数据中各维度数据相应的权重系数，对待测设备的多个维度的分值进行加权平均，得到待测设备中关键组件的总体健康度分值sc为；
[0115][0116]
其中，sc为待测设备中关键组件的总体健康度分值，n为维度数，sc
1-scn分别为浴盆指示、异常指示、故障指示、专家打分、生产性能等的分值，ω为每一维度的权重，ω的取值根据具体设备确定。
[0117]
在步骤3中，根据所述总体健康度分值sc，得到待测设备中关键组件备的健康度雷达图。
·
[0118]
根据本公开的一个实施例，得到了浴盆指示、异常指示、故障指示、专家评分和生产性能等5个维度(或侧面)在设备整体健康度上的影响。其健康雷达图如图2所示，健康度雷达图上每个维度的值越小，即越接近中心点，则表示该维度对设备整体健康度造成负面影响越大。雷达图中黑色部分，体现的是设备的健康程度，表示设备健康度的定性描述。黑色部分面积越大，则说明设备越健康。
[0119]
本方法采用的多维度健康评估方向相比单维度方法评价更全面，能有效降低传统方法利用单一指标报警漏报和虚报高的问题；采用丰富的可视化技术展示多维度健康信息辅助运维监盘人员迅速准确抓住关键信息，全面把握设备的整体和局部健康状态，优化运维决策。
[0120]
以上所述是本公开的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本公开原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本公开的保护范围。