一种设备健康画像方法与流程

技术特征：
1.一种设备健康画像方法，其特征在于，包括：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；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；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。2.根据权利要求1所述的设备健康画像方法，其特征在于，所述待测设备的多种相关数据，包括：(a)获取设备台账数据；(b)设备安装环境数据；(c)设备检修记录数据；(d)设备状态监测数据；(e)设备产生控制参数；(f)设备生产性能数据。3.根据权利要求1所述的设备健康画像方法，所述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：(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；(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；(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。4.根据权利要求1所述的设备健康画像方法，所述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：(1)采集待测设备的正常运行状态下的运行状态监测数据；(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；(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；(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；(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；(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；(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；(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；(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。5.根据权利要求1所述的设备健康画像方法，所述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：(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；(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；(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；(4)根据所述特征向量feats，建立高斯混合模型gmm_fault；(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；(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；(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；(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。6.根据权利要求1所述的设备健康画像方法，所述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：(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；(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；(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；(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；(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。7.根据权利要求1所述的设备健康画像方法，所述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：(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；(2)计算产品产出率和废品率，对能源消耗量进行分级；
(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；(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。8.根据权利要求1所述的待测设备中关键组件健康画像方法，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：(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；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；(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。

技术总结
本申请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。本公开方法首先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；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；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。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。优化运维决策。优化运维决策。


技术研发人员：刘加 卢回忆 刘豪睿 曹宏 刘德广
受保护的技术使用者：北京华控智加科技有限公司
技术研发日：2021.09.24
技术公布日：2022/2/7