一种集中监测系统中的设备健康状态预测方法及系统与流程

1.本发明属于设备检修的技术领域，特别涉及一种集中监测系统中的设备健康状态预测方法及系统。


背景技术：

2.随着国民经济的高速发展，铁路电气设备使用规模日益扩大，列车运行安全对铁路电气设备的可靠性的要求也越来越高。铁路电气设备作为铁路运营的载体，其正常运行是铁路运输优质运行的基本保障。然而，设备从开始使用到最终报废的时间是有限的，设备异常及故障是影响其安全运行及寿命的主要原因。在设备正常使用期内，通过一定的方式合理安排检修，可以有效的减少意外故障，延长设备的使用寿命，进而保证铁路运行安全、稳定、经济。为了提高信号设备维修管理水平，确保铁路信号设备安全。通过集中监测系统，监测各个电气设备的工作状态，为实现电气设备的透明化监督、远程监测、远程诊断，督导消除故障隐患、压缩故障延时，提高集中监测系统的效益，为电气设备的状态维修提供据。目前，已有的关于电气设备健康状态预测，是基于健康指数的推算方法，一般是通过长运行状况进行记录，对所得数据进行统计分析而得到的。
3.相关技术中，设备健康状态判据的形成和完善工作不充分：科学的判据应当建立在有关技术标准和大量的数据、事实、经验之上，往往需要根据工程实际进行多次的调整和完善，才能得到比较准确、合理的结果，而目前的预测方法输入的设备状态参数单一。因此，需要一种设备健康状态预测方法，以解决单状态参数包含设备运行趋势信息不完整性的问题。


技术实现要素：

4.针对上述问题，本发明公开了一种集中监测系统中的设备健康状态预测方法及系，包含以下技术方案。
5.第一方面，本发明公开了一种集中监测系统中的设备健康状态预测方法，所述方法包括，收集特征数据并进行预处理；筛选出所述特征数据中的影响设备性能的特征参数；通过参数融合将多种特征参数融合为设备健康指数；根据所述设备健康指数构建预测模型；根据所述预测模型进行设备健康状态的预测。
6.更进一步地，所述收集特征数据并进行预处理具体包括，从中心数据库中的设备运行参数表中收集特征数据；对特征参数的数据集进行遍历，记录其中的最大值和最小值；对该项特征数据进行归一化处理。
7.更进一步地，所述对特征数据进行归一化处理通过下式实现，其中，为归一化处理后的值，为遍历的特征数据值，为特征数据集中的最大值， 为特征数据集中的最小值。
8.更进一步地，所述设备健康指数为单一的性能指标，所述通过参数融合将多种特征参数融合为设备健康指数具体通过下式得到，最后可得到一组时间序列，即长度为n的设备健康指数的观测序列：；其中，为特征降维后的p个特征参数的权重值，为进行离差标准化后的参数值；为特征值。
9.更进一步地，所述构建预测模型具体包括，获取参数值，使得概率在处达到最大值，所述参数值通过下式进行约束，进行迭代计算直到的值不变时停止迭代；更新模型至，重新进行迭代直到，获得最优模型并停止迭代；其中，为预先规定的收敛条件，a和b分别为状态转移概率矩阵以及观测状态的状态转移矩阵。
10.更进一步地，所述根据预测模型进行设备健康状态的预测具体包括，通过迭代得到最优模型参数；计算得到设备的健康指数观测序列在时刻t时，处于状态的概率；计算出时间序列中t时刻设备处于不同健康状态的概率；获取不同健康状态的概率中的最大概率对应的状态，作为在t时刻设备的运行健康状态；计算出在某一时刻指数值最接近的多个健康指数之间的差值，对未来节点的健康指数间差值进行预测，计算出未来设备健康状态的预测值。
11.更进一步地，所述计算得到设备的健康指数观测序列在时刻t时，处于状态的概率，具体包括，将所述最优模型参数代入到下式，
其中，其中，是给定模型参数在时刻t 1，且设备处于状态的概率；是给定模型参数在t时刻，且设备处于状态，输出观测值为的概率；为t时刻的状态为，t 1时刻状态为的概率；表示t到t 1时刻的hmm的状态转移概率；是给定模型参数在t时刻，且设备处于状态的概率；为t 1时刻观察状态在隐藏状态下生成的概率；是给定模型参数在t 1时刻，且设备处于状态，输出观测值为的概率。
12.更进一步地，所述计算出时间序列中t时刻设备处于不同健康状态的概率，具体通过下式计算，其中，为设备的健康指数观测序列在时刻t处于状态的概率；所述计算出在某一时刻指数值最接近的多个健康指数之间的差值，通过下式计算，所述对未来节点的健康指数间差值进行预测，计算出未来设备健康状态的预测值，通过下式进行计算，其中，1≤i≤n表示与时刻t的健康指数第i相近的历史指数，表示健康指数差所占的比重；n表示加权的次数，也即时序长度t，表示时刻t的指数似然值，表示与第i相近的历史健康指数似然值。
13.另一方面，本发明公开了一种集中监测系统中的设备健康状态预测系统，所述系统包括，预处理模块，用于收集特征数据并进行预处理；筛选模块，用于筛选出所述特征数据中的影响设备性能的特征参数；融合模块，用于通过参数融合将多种特征参数融合为设备健康指数；构建模块，用于根据所述设备健康指数构建预测模型；预测模块，用于根据所述预测模型进行设备健康状态的预测。
14.更进一步地，所述预处理模块收集特征数据并进行预处理具体包括，从中心数据库中的设备运行参数表中收集特征数据；对特征参数的数据集进行遍历，记录其中的最大值和最小值；对该项特征数据进行归一化处理。
15.更进一步地，所述预处理模块对特征数据进行归一化处理通过下式实现，其中，为归一化处理后的值，为遍历的特征数据值，为特征数据集中的最大值， 为特征数据集中的最小值。
16.更进一步地，所述设备健康指数为单一的性能指标，所述融合模块通过参数融合将多种特征参数融合为设备健康指数具体通过下式得到，其中，为特征降维后的p个特征参数的权重值，为进行离差标准化后的参数值，最后可得到一组时间序列，即长度为n的设备健康指数的观测序列：；为特征值。
17.更进一步地，所述构建模块构建预测模型具体包括，获取参数值，使得在处达到最大值，所述参数值通过下式进行约束，进行迭代计算直到的值不变时停止迭代；更新模型重新进行迭代直到，获得最优模型并停止迭代；其中，为预先规定的收敛条件，a和b分别为状态转移概率矩阵以及观测状态的状态转移矩阵。
18.更进一步地，所述预测模块根据预测模型进行设备健康状态的预测具体包括，通过迭代得到最优模型参数；计算得到设备的健康指数观测序列在时刻t时，处于状态的概率；计算出时间序列中t时刻设备处于不同健康状态的概率；获取不同健康状态的概率中的最大概率对应的状态，作为在t时刻设备的运行健康状态；计算出在某一时刻指数值最接近的多个健康指数之间的差值，对未来节点的健康指数间差值进行预测，计算出未来设备健康状态的预测值；
所述计算得到设备的健康指数观测序列在时刻t时，处于状态的概率，具体包括，将所述最优模型参数代入到下式，其中，；是给定模型参数在时刻t 1，且设备处于状态的概率；是给定模型参数在t时刻，且设备处于状态，输出观测值为的概率；为t时刻的状态为，t 1时刻状态为的概率；表示t到t 1时刻的hmm的状态转移概率；是给定模型参数在t时刻，且设备处于状态的概率；为t 1时刻观察状态在隐藏状态下生成的概率；是给定模型参数在t 1时刻，且设备处于状态，输出观测值为的概率；所述计算出时间序列中t时刻设备处于不同健康状态的概率，具体通过下式计算，其中，为设备的健康指数观测序列在t时刻处于状态的概率；所述计算出在某一时刻指数值最接近的多个健康指数之间的差值，通过下式计算，所述对未来节点的健康指数间差值进行预测，计算出未来设备健康状态的预测值，通过下式进行计算，其中，1≤i≤n表示与时刻t的健康指数第i相近的历史指数，表示健康指数差所占的比重；n表示加权的次数，也即时序长度t，表示时刻t的指数似然值，表示与第i相近的历史健康指数似然值。
19.本发明至少具有如下优点，本发明在集中监测系统中监测的电气设备的健康状态预测中，通过对现有设备健康状态预测方法进行改进，将多种传感器参数融合为表征设备性能状态的健康指数，并将得到的时序健康指数作为观测序列输入hmm模型，用于评估指数对应的健康状态，最后进行状态概率最优路径计算，找到最佳的状态概率序列，实现对设备健康指的拟合预测，进而通
过公式计算得到设备健康状态的预测值。
20.本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。
附图说明
21.为了更清楚地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一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，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。
22.图1示出了本技术实施例中设备健康状态预测方法流程图。
具体实施方式
23.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地说明，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
24.本技术实施例公开了一种集中监测系统中的设备健康状态预测系统，其包括，预处理模块，用于收集特征数据并进行预处理筛选模块，用于筛选出所述特征数据中的影响设备性能的特征参数；融合模块，用于通过参数融合将多种特征参数融合为设备健康指数；构建模块，用于根据所述设备健康指数构建预测模型；预测模块，用于根据所述预测模型进行设备健康状态的预测。
25.本技术公开了一种集中监测系统中的设备健康状态预测方法，下面将结合图1对本方法进行说明，本包括以下的步骤，s1、收集特征数据并进行预处理。
26.本方法中使用的数据来自中心数据库，首先需要对中心数据库中特征值数据进行预处理，根据查阅相关生产资料和以往数据经验选出出相关性较大的前几种特征数据，之后再利用 relieff算法、pca 方法来做进一步特征提取，融合成健康指数形式。具体为：首先利用 relieff 算法对多参数连续值回归分析，通过特征权重筛选，得到与设备状态相关性较大的参数类型；再基于主成分分析法(pca)对已筛选参数进行数据降维与特征提取，并通过权重融合得到表征设备运行状态的健康指数。
27.进行特征数据收集和预处理具体包括，s11、选取特征数据。
28.结合相关实际设备的具体使用情况，从以下三方面来考虑影响设备使用寿命的因素，用于之后设备的特征参数权重计算参考。
29.（1）设备自身的因素：包括设备的厂商，价格，设备类别型号等因素。
30.（2）设备的工作环境：设备工作位置等因素。
31.（3）设备生命周期流转记录：入账时间，设备闲置时间，使用时间，设备调拨过程等因素。
32.s12、对特征参数的数据集进行遍历，记录其中的最大值和最小值。
33.预测模型部分的数据主要来自于的中心数据库中的设备运行参数表，据标准化的设计体现在对原始数据的线性变换，使原始数据的结果值映射到[0
ꢀ‑ꢀ
1]之间。架设某一类特征参数集的特征数据有m项，通过对该特征参数的m项数据进行遍历，记录其中的最大值和最小值。
[0034]
s13、对该项特征数据进行归一化处理。
[0035]
使用max-min作为标准化基数来对该项特征数据进行归一化处理，其中，对特征数据进行归一化处理通过下式实现，在式中，为归一化处理后的值，为遍历的特征数据值，为特征数据集中最大值， 为特征数据集中的最小值。
[0036]
s2、筛选出所述特征数据中的影响设备性能的特征参数。
[0037]
假定所研究的设备历史特征数据中共记录了m组特征参数类型，每组有n个时间节点状态数据。具体来说是指设备在使用中采样时间的状态监测值是由m维特征监测参数所构成，即，而且每一维的特征参数都为数量为n的时间序列。
[0038]
通过对目标数据集 为连续值的数据采用relieff算法来筛选影响设备性能特征参数（退化参数），其中该类特征参数的权重值越大。表示该参数对于设备健康状态下降过程的相关性影响越大，反之，相关性越小。
[0039]
s3、通过参数融合将多种特征参数融合为设备健康指数。
[0040]
本步骤中的设备健康指数是单一的性能指标，通过参数融合将多种特征参数融合为设备健康指数，具体通过下式得到，其中，为特征降维后的p个特征参数的权重值，为进行离差标准化后的参数值，最后可得到一组时间序列，即长度为n的设备健康指数的观测序列：，为特征值。
[0041]
s4、根据设备健康数据构建预测模型。
[0042]
在本实施例中构建的预测模型为hmm模型，隐马尔科夫模型（hidden markov model）属于一种动态随机模型，它的算法前身是马尔可夫链，其主要被用来描述双重不可见的随机过程。构建模型包括有以下几个步骤。
[0043]
s41、首先对设备运行状态进行分级。参照现实世界中人的身体老化过程的定义方式，将不同设备状态下降过程的运行状况统一划分为 5 个等级，分别为健康、良好、亚健
康、异常和故障。分别对应hmm模型的5中隐藏状态，通过后续步骤的预测模型的训练与状态进行评估。
[0044]
s42、根据上一节中数据预处理和特征融合后得到数据长度为n的设备健康指数的数据序列：，来寻找能使得数据序列对应的状态概率最大的hmm。此步骤通过寻找参数值的方式来实现。
[0045]
具体为获取获取参数值，使得在处达到最大值，所述参数值通过下式进行约束，进行迭代计算直到的值不变时停止迭代。
[0046]
s43、通过迭代计算，得到新的模型参数，对应更新模型，重新进行迭代计算直到，获得最优模型并停止迭代。其中，为预先规定的收敛条件，在不满足收敛条件时会重复进行之前的训练步骤直至满足收敛，a和b分别为状态转移概率矩阵以及观测状态的状态转移矩阵。
[0047]
s5、根据预测模型进行设备健康状态的预测。
[0048]
对设备健康状态的预测具体包括有以下的步骤，s51、通过迭代计算，最终得到最优估计参数，通过之前步骤中数据预处理和特征融合后生成的单一健康指数序列作为模型的观测序列，输入最终迭代后的最优模型参数。
[0049]
s52、计算获取设备的健康指数观测序列在时刻t时，处于状态的概率，将最优模型参数代入到下式，关于上式，首先定义代表前向概率变量，代表后向概率变量，代表概率变量，是给定模型参数在时刻t 1，且设备处于状态的概率；是给定模型参数在t时刻，且设备处于状态，输出观测值为的概率；为t时刻的状态为，t 1时刻状态为的概率；表示t到t 1时刻的hmm的状态转移概率；是给定模型参数在t时刻，且设备处于状态的概率；为t 1时刻观察状态在隐藏状态下生成的概率；是给定模型参数在t 1时刻，且设备处于状态，输出观测值为的概率。
[0050]
给定观测序列，具体表达式如下其中；是给定模型参数在时刻，且设备处于状态的概率；是给定模型在时刻，设备处于状态，输出观测值为的概率；是给定模型在时刻，设备处于状态下的概率。
[0051]
上述公式中参数具体计算如下： （1）
ꢀꢀꢀꢀꢀ
（2）
ꢀꢀꢀꢀꢀ
（3）在整个观测序列和给定模型情况下，在时刻t处于状态，t 1时刻处于状态的概率为有：（4）其中状态概率公式推导为：
ꢀꢀ
（5）最后计算得到的概率公式为：
ꢀꢀꢀ
（6）最大期望算法(expectation-maximization algorithm，em) 中计算出最优的模型参数的过程。
[0052]
给定观测序列和初始模型参数情况前提下，设定在t时刻的状态为，t 1时刻状态为的概率为，有：
ꢀꢀꢀꢀ
（8）根据前向-后向算法中的前向后向变量定义，有：（9）公式计算变换可得（10）最后可推导出在t时刻处于状态的概率为：
（11）是给定模型参数在t 1时刻，且设备处于状态的概率。
[0053]
是给定模型参数在t时刻，且设备处于状态，输出观测值为的概率。
[0054]
为t时刻的状态为，t 1时刻状态为的概率。
[0055]
s53、计算得到时间序列中t时刻设备处于不同健康状态的概率，具体通过下式实现，其中，为设备的健康指数观测序列在t时刻处于状态的概率。
[0056]
通过上式计算得到时间序列中t时刻设备处于不同健康状态的概率，此时计算所得的最大概率对应的状态即为在t时刻设备的运行健康状态。当使用设备状态曲线来表征不同i时刻下的运行健康状态，即可描述一段时间内设备的状态变化趋势。
[0057]
s54、计算出在某一时刻指数值最接近的多个健康指数之间的差值，对未来节点的健康指数间差值进行预测，计算出未来设备健康状态的预测值。
[0058]
利用维特比算法（viterbi）算法用动态规划（dynamicprogramming，dp）来求取hmm的预测问题，通过dp来算出状态概率的最优路径，从而找到满足输入的观测序列的最优隐藏状态序列，即模型的最终预测结果。通过计算出在某一时刻指数值最接近的多个健康指数之间的差值，通过下式来进行计算，然后利用加权平均法对未来节点的健康指数间差值进行预测，进而计算出未来设备健康状态的预测值，通过下式来进行计算，其中，1≤i≤n表示与时刻t的健康指数第i相近的历史指数，表示健康指数差所占的比重；n表示加权的次数，也即时序长度t，表示时刻t的指数似然值，表示与第i相近的历史健康指数似然值。
[0059]
本发明通过上述的技术方案，通过对现有设备健康状态预测方法进行改进，将多种传感器参数融合为表征设备性能状态的健康指数，并将得到的设备健康指数作为观测序列输入hmm模型，用于评估指数对应的健康状态，最后进行状态概率最优路径计算，找到最佳的状态概率序列，实现对设备健康指的拟合预测，进而通过公式计算得到设备健康状态的预测值。解决了单状态参数包含设备运行趋势信息不完整性问题，适用性更强，保证了设备健康状态变化预测的连续性。
[0060]
尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。