动设备健康度评估方法、装置、设备及存储介质与流程

1.本发明涉及大数据分析技术领域，尤其涉及一种动设备健康度评估方法、装置、设备及存储介质。


背景技术：

2.工业企业动设备数量众多、但仅有极少部分动设备配备在线状态监测系统，但缺乏大数据算法支撑，无法实时掌握设备健康状态，在预测未来运行状态和故障发展趋势方面存在不足，无法有效支撑起设备管策略优化和精益管理。此外，各种监测数据资源躺存，大数据智能统计分析等先进技术未得到充分运用，对设备性能分析、故障预警、健康度分析、后评估等都缺少数据支撑。
3.上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。


技术实现要素：

4.本发明的主要目的在于提供一种动设备健康度评估方法、装置、设备及存储介质，旨在解决现有技术无法准确预测分析动设备的健康度的技术问题。
5.为实现上述目的，本发明提供了一种动设备健康度评估方法，所述方法包括以下步骤：
6.获取动设备的历史运行状态数据；
7.根据所述历史运行状态数据建立动设备健康度评估模型；
8.将所述动设备的当前运行状态数据输入至所述动设备健康度评估模型进行预测，得到预测结果；
9.根据所述预测结果对所述动设备进行健康度评估。
10.可选地，所述根据所述历史状态数据建立动设备健康度评估模型，包括：
11.根据所述历史状态数据确定第一预设模型的第一模型参数和第二预设模型的第二模型参数；
12.将所述历史状态数据划分为训练数据集和测试数据集；
13.根据所述训练数据集和所述第一模型参数训练所述第一预设模型，得到第一健康度模型；
14.根据所述训练数据集和所述第二模型参数训练所述第二预设模型，得到第二健康度模型；
15.根据所述第一健康度模型、所述第二健康度模型和所述测试数据集确定动设备健康度评估模型。
16.可选地，所述根据所述第一健康度模型、所述第二健康度模型和所述测试数据集确定动设备健康度评估模型，包括：
17.根据所述测试数据集分别检验所述第一健康度模型和所述第二健康度模型，得到
检验结果；
18.根据所述检验结果选择所述第一健康度模型或所述第二健康度模型作为动设备健康度评估模型。
19.可选地，所述将所述动设备的当前运行状态数据输入至所述动设备健康度评估模型进行预测，得到预测结果，包括：
20.根据所述当前运行状态数据确定当前测点数据；
21.将所述当前测点数据输入至所述动设备健康度评估模型，得到所述动设备健康度评估模型基于所述当前测点数据模型输出的测点回归函数；
22.根据所述测点回归函数确定预测结果。
23.可选地，所述根据所述测点回归函数确定预测结果，包括：
24.根据所述测点回归函数确定初始预测时刻的初始预测结果；
25.根据所述初始预测结果和所述动设备健康度评估模型确定目标预测时刻的目标预测结果；
26.根据所述初始预测结果和所述目标预测结果确定预测结果。
27.可选地，所述根据所述初始预测结果和所述目标预测结果确定预测结果，包括：
28.判断当前预测迭代次数是否达到目标迭代次数；
29.当所述当前预测迭代次数达到目标迭代次数，停止预测，并将根据所述初始预测结果和所述目标预测结果确定预测结果。
30.可选地，所述根据所述预测结果对所述动设备进行健康度评估，包括：
31.根据所述预测结果与预设状态数据确定数据偏离值；
32.根据所述数据偏离值确定所述动设备的健康度；
33.当所述健康度大于预设健康度时，认定所述动设备运行正常；
34.当所述健康度小于预设健康度时，认定所述动设备存在潜在风险，并进行预测。
35.此外，为实现上述目的，本发明还提出一种动设备健康度评估装置，所述动设备健康度评估装置包括：
36.获取模块，用于获取动设备的历史运行状态数据；
37.建立模块，用于根据所述历史运行状态数据建立动设备健康度评估模型；
38.预测模块，用于将所述动设备的当前运行状态数据输入至所述动设备健康度评估模型进行预测，得到预测结果；
39.评估模块，用于根据所述预测结果对所述动设备进行健康度评估。
40.此外，为实现上述目的，本发明还提出一种动设备健康度评估设备，所述动设备健康度评估设备包括：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动设备健康度评估程序，所述动设备健康度评估程序配置为实现如上文所述的动设备健康度评估方法的步骤。
41.此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有动设备健康度评估程序，所述动设备健康度评估程序被处理器执行时实现如上文所述的动设备健康度评估方法的步骤。
42.本发明通过获取动设备的历史运行状态数据；根据所述历史运行状态数据建立动设备健康度评估模型；将所述动设备的当前运行状态数据输入至所述动设备健康度评估模
型进行预测，得到预测结果；根据所述预测结果对所述动设备进行健康度评估。通过上述方式，能够准确预测动设备的运行状态，并对动设备的健康度进行评估，从而及时发现预警动设备的故障，实现对动设备的高效管理。
附图说明
43.图1是本发明实施例方案涉及的硬件运行环境的动设备健康度评估设备的结构示意图；
44.图2为本发明动设备健康度评估方法第一实施例的流程示意图；
45.图3为本发明动设备健康度评估方法一实施例的测点示意图；
46.图4为本发明动设备健康度评估方法一实施例的整体流程示意图；
47.图5为本发明动设备健康度评估装置第一实施例的结构框图。
48.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
49.应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
50.参照图1，图1为本发明实施例方案涉及的硬件运行环境的动设备健康度评估设备结构示意图。
51.如图1所示，该动设备健康度评估设备可以包括：处理器1001，例如中央处理器(central processing unit，cpu)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(wireless-fidelity，wi-fi)接口)。存储器1005可以是高速的随机存取存储器(random access memory，ram)存储器，也可以是稳定的非易失性存储器(non-volatile memory，nvm)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
52.本领域技术人员可以理解，图1中示出的结构并不构成对动设备健康度评估设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
53.如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及动设备健康度评估程序。
54.在图1所示的动设备健康度评估设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明动设备健康度评估设备中的处理器1001、存储器1005可以设置在动设备健康度评估设备中，所述动设备健康度评估设备通过处理器1001调用存储器1005中存储的动设备健康度评估程序，并执行本发明实施例提供的动设备健康度评估方法。
55.本发明实施例提供了一种动设备健康度评估方法，参照图2，图2为本发明一种动设备健康度评估方法第一实施例的流程示意图。
56.本实施例中，所述动设备健康度评估方法包括以下步骤：
57.步骤s10：获取动设备的历史运行状态数据。
58.需要说明的是，本实施例的执行主体为动设备健康度评估设备，此设备可以为电
脑、服务器等具备运算功能的设备，本实施例不加以限制。
59.可以理解的是，动设备是指由驱动机带动的转动设备(亦即有能源消耗的设备)，如泵、压缩机、风机等，其能源可以是电动力、气动力、蒸汽动力等。监测动设备在运行过程中的运行状态数据能够有效判断动设备是否处于正常状态。
60.应理解的是，历史运行状态数据为一段时间内累积的运行状态数据，可以为一周内的运行状态数据、一月内的运行状态数据，本实施例不加以限制。运行状态数据包括在线状态监测数据、离线状态监测数据以及工艺量数据。在线状态监测数据是指动设备处于在线状态下所监测到的数据，离线状态数据是指动设备处于离线状态下所监测到数据。在线状态监测数据包括动设备在线时监测到的振动速度、加速度、位移、转速等(包括生成频谱图所用的波形数据)等，离线状态监测数据包括动设备离线时监测到的振动速度、加速度、位移、转速等(包括生成频谱图所用的波形数据)等，工艺量数据包括电机的三相电流及电压、轴承表面温度、绕组温度；机组的流量、出入口压力、介质温度、冷却系统参数、轴承表面温度；相关联上下游系统参数。
61.同样的，历史运行状态数据还可以包括动设备巡检过程中的吸气阀温度、排气阀温度、机泵出口压力、泵轴承温度等数据。
62.需要说明的是，获取动设备的运行状态数据可以通过使用传感器采集振动、压力、流量等各类数据，并和厂商提供开放数据接口进行对接，从而得到运行状态数据。
63.在具体实现中，由于得到的初始数据是较为杂乱的，因此需要对初始数据按照一定规则处理，规则例如数据的及时性、准确性、完整性、标准性、唯一性等，从而将初始数据按照时序分为工艺量数据、在线状态监测数据、离线状态监测数据三类。
64.步骤s20：根据所述历史运行状态数据建立动设备健康度评估模型。
65.进一步地，所述根据所述历史状态数据建立动设备健康度评估模型，包括：根据所述历史状态数据确定第一预设模型的第一模型参数和第二预设模型的第二模型参数；将所述历史状态数据划分为训练数据集和测试数据集；根据所述训练数据集和所述第一模型参数训练所述第一预设模型，得到第一健康度模型；根据所述训练数据集和所述第二模型参数训练所述第二预设模型，得到第二健康度模型；根据所述第一健康度模型、所述第二健康度模型和所述测试数据集确定动设备健康度评估模型。
66.在建立模型前，需要对历史运行状态数据进行预处理，基于动设备的开停机或运行频率清除历史运行状态数据中的处于停机时的数据，然后基于动设备的维修记录将历史运行状态数据基于维修记录的维修时间切割为多个数据集，最后通过拉伊达法、箱型图法将数据集中的离群值去除。
67.在本实施例中，第一预设模型可为差分整合移动平均自回归模型(autoregressive integrated moving average model，arima)，又称整合移动平均自回归模型(移动也可称作滑动)，是时间序列预测分析方法之一。arima(p，d，q)中，ar是“自回归”，p为自回归项数；ma为“滑动平均”，q为滑动平均项数，d为使之成为平稳序列所做的差分次数(阶数)。而在本实施例中，d为二阶调优参数、p为使用bic准则自动寻优结果、q为使用bic准则自动寻优结果，p、d、q即为第一模型参数。
68.在具体实现中，第二预设模型可为lstm模型，lstm可以避免长期依赖性的问题。第二模型参数包括非驱动端水平位移峰峰值：1h_pp、非驱动端垂直位移峰峰值：1v_pp、驱动
端水平位移峰峰值：2h_pp、驱动端垂直位移峰峰值：2v_pp、轴位移峰值1：1a1_p、轴位移峰值2：1a2_p。
69.在确定模型参数后，需要对模型进行训练，首先将预处理得到的数据切分为训练数据集和测试数据集，然后基于训练数据集对确定模型的模型进行训练，从而得到第一健康度模型和第二健康度模型，其中第一健康度模型为训练后的arima模型，第二健康度模型为训练后的lstm模型。
70.进一步地，所述根据所述第一健康度模型、所述第二健康度模型和所述测试数据集确定动设备健康度评估模型，包括：根据所述测试数据集分别检验所述第一健康度模型和所述第二健康度模型，得到检验结果；根据所述检验结果选择所述第一健康度模型或所述第二健康度模型作为动设备健康度评估模型。
71.应理解的是，在对模型训练完成后，需要对模型进行测试，使用测试数据集分别对第一健康度模型、第二健康度模型进行测试，得到检验结果。通过检验结果可以比较判断第一健康度模型、第二健康度模型的预测效果，将预测效果较好的健康度模型作为最终的动设备健康度评估模型。例如，第一健康度模型的预测效果好于第二健康度模型，则将第一健康度模型作为动设备健康度评估模型。
72.步骤s30：将所述动设备的当前运行状态数据输入至所述动设备健康度评估模型进行预测，得到预测结果。
73.进一步地，所述将所述动设备的当前运行状态数据输入至所述动设备健康度评估模型进行预测，得到预测结果，包括：根据所述当前运行状态数据确定当前测点数据；将所述当前测点数据输入至所述动设备健康度评估模型，得到所述动设备健康度评估模型基于所述当前测点数据模型输出的测点回归函数；根据所述测点回归函数确定预测结果。
74.需要说明的是，当前运行状态数据是实时监测动设备时的数据，当前运行状态数据中包含了当前测点数据，如图3所示，当前测点数据包括动设备的泵非驱动端轴向振动、泵非驱动端径向振动、泵出口压力、泵出口流量、泵入口压力、泵驱动端轴向振动、电机驱动端径向振动、电机非驱动端径向振动。
75.将当前测点数据输入至动设备健康度评估模型，得到所述动设备健康度评估模型基于所述当前测点数据模型输出的测点回归函数，测点回归函数可以表现出测点未来的数据。
76.进一步地，所述根据所述测点回归函数确定预测结果，包括：根据所述测点回归函数确定初始预测时刻的初始预测结果；根据所述初始预测结果和所述动设备健康度评估模型确定目标预测时刻的目标预测结果；根据所述初始预测结果和所述目标预测结果确定预测结果。
77.需要说明的是，为了能够预测更长时间的动设备运行状体，设当前时刻为t，基于测点回归函数确定t 1时刻的动设备运行状态(即初始预测结果)，然后将初始预测结果输入至动设备健康度评估模型，从而可以得到基于初始预测结果的测点回归函数，从而基于初始预测结果的测点回归函数确定t 2时刻的动设备运行状态(即目标预测结果)。
78.进一步地，所述根据所述初始预测结果和所述目标预测结果确定预测结果，包括：判断当前预测迭代次数是否达到目标迭代次数；当所述当前预测迭代次数达到目标迭代次数，停止预测，并将根据所述初始预测结果和所述目标预测结果确定预测结果。
79.可以理解的是，由于预测的动设备的状态距离当前的时间越长，则越不准确，则用户可以设置预测迭代次数，将一次预测结果输入至动设备健康度评估模型得到时间更后的预测结果为一次预测迭代次数。
80.在当前预测迭代次数达到目标迭代次数时则停止迭代，并基于时序展示预测结果，当未到时，则继续迭代。
81.步骤s40：根据所述预测结果对所述动设备进行健康度评估。
82.进一步的，所述根据所述预测结果对所述动设备进行健康度评估，包括：根据所述预测结果与预设状态数据确定数据偏离值；根据所述数据偏离值确定所述动设备的健康度；当所述健康度大于预设健康度时，认定所述动设备运行正常；当所述健康度小于预设健康度时，认定所述动设备存在潜在风险，并进行预测。
83.需要说明的是，预设状态数据为动设备正常运行时的数据，将预测结果与预设状态数据进行计算得到数据偏离值，数据偏离值越大，则健康度与低，数据偏离值越小，则健康度越高，如果健康度指标不满足设定值(如80％)，系统根据评估算法自动生成诊断报告，诊断报告中包括监测预警类模型触发的预警信息，包括故障原因、诊断结论等信息，依据故障诊断结论，搜索相关处置措施，并向现场工程师实时推送。
84.如图4所示为本是实施例的整体流程图，提取动设备运行状体的历史数据，并对历史数据进行预处理，使用预处理后的数据对多个模型进行训练，对比模型效果后确定最终使用的模型，然后基于此模型以及动设备当前的运行状态预测动设备之后的运行状态。在训练模型时，每隔预设天数训练以一次，预设天数可以为15天，本实施例不加以限制。
85.需要说明的是，在展示预测结果以及动设备的运行参数时，从多维度多图形展示设备运行参数趋势图、正态分布图，进行多参数对比分析；整合能够实现页面集成的机组、机泵状态监控系统，提供动设备状态监测系统的集中展示，包括振动趋势图、频谱图、轴心轨迹图、轴心位置图、单棒值图、波形频谱图、全息谱图、极坐标图、多频谱图等，为振动故障诊断提供分析工具；通过不同设备类型的专业效率计算公式，计算出设备的运行效率并且绘制趋势图，根据设备运行效率进行排序。绘制离心式压缩机的特性曲线，在曲线中标示出实际工况点与喘振线；绘制离心泵的特性曲线，展示实际流量值与最佳流量值的偏差，提供性能优化方向；根据不同类型设备的运行指标、生产能力、运行效率等设定权重，对设备进行科学评估给出健康分数，判定设备运行的健康情况，展示设备健康指数趋势图和分析说明。
86.本实施例通过获取动设备的历史运行状态数据；根据所述历史运行状态数据建立动设备健康度评估模型；将所述动设备的当前运行状态数据输入至所述动设备健康度评估模型进行预测，得到预测结果；根据所述预测结果对所述动设备进行健康度评估。通过上述方式，能够准确预测动设备的运行状态，并对动设备的健康度进行评估，从而及时发现预警动设备的故障，实现对动设备的高效管理。
87.此外，本发明实施例还提出一种存储介质，所述存储介质上存储有动设备健康度评估程序，所述动设备健康度评估程序被处理器执行时实现如上文所述的动设备健康度评估方法的步骤。
88.由于本存储介质采用了上述所有实施例的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。
89.参照图5，图5为本发明动设备健康度评估装置第一实施例的结构框图。
90.如图5所示，本发明实施例提出的动设备健康度评估装置包括：
91.获取模块10，用于获取动设备的历史运行状态数据；
92.建立模块20，用于根据所述历史运行状态数据建立动设备健康度评估模型；
93.预测模块30，用于将所述动设备的当前运行状态数据输入至所述动设备健康度评估模型进行预测，得到预测结果；
94.评估模块40，用于根据所述预测结果对所述动设备进行健康度评估。
95.在一实施例中，所述建立模块20，还用于根据所述历史状态数据确定第一预设模型的第一模型参数和第二预设模型的第二模型参数；将所述历史状态数据划分为训练数据集和测试数据集；根据所述训练数据集和所述第一模型参数训练所述第一预设模型，得到第一健康度模型；根据所述训练数据集和所述第二模型参数训练所述第二预设模型，得到第二健康度模型；根据所述第一健康度模型、所述第二健康度模型和所述测试数据集确定动设备健康度评估模型。
96.在一实施例中，所述建立模块20，还用于根据所述测试数据集分别检验所述第一健康度模型和所述第二健康度模型，得到检验结果；根据所述检验结果选择所述第一健康度模型或所述第二健康度模型作为动设备健康度评估模型。
97.在一实施例中，所述预测模块30，还用于根据所述当前运行状态数据确定当前测点数据；将所述当前测点数据输入至所述动设备健康度评估模型，得到所述动设备健康度评估模型基于所述当前测点数据模型输出的测点回归函数；根据所述测点回归函数确定预测结果。
98.在一实施例中，所述预测模块30，还用于根据所述测点回归函数确定初始预测时刻的初始预测结果；根据所述初始预测结果和所述动设备健康度评估模型确定目标预测时刻的目标预测结果；根据所述初始预测结果和所述目标预测结果确定预测结果。
99.在一实施例中，所述预测模块30，还用于判断当前预测迭代次数是否达到目标迭代次数；当所述当前预测迭代次数达到目标迭代次数，停止预测，并将根据所述初始预测结果和所述目标预测结果确定预测结果。
100.在一实施例中，所述预测模块30，还用于根据所述预测结果与预设状态数据确定数据偏离值；根据所述数据偏离值确定所述动设备的健康度；当所述健康度大于预设健康度时，认定所述动设备运行正常；当所述健康度小于预设健康度时，认定所述动设备存在潜在风险，并进行预测。
101.应当理解的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。
102.本实施例通过获取动设备的历史运行状态数据；根据所述历史运行状态数据建立动设备健康度评估模型；将所述动设备的当前运行状态数据输入至所述动设备健康度评估模型进行预测，得到预测结果；根据所述预测结果对所述动设备进行健康度评估。通过上述方式，能够准确预测动设备的运行状态，并对动设备的健康度进行评估，从而及时发现预警动设备的故障，实现对动设备的高效管理。
103.需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者
全部来实现本实施例方案的目的，此处不做限制。
104.另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的动设备健康度评估方法，此处不再赘述。
105.此外，需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
106.上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
107.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器(read only memory，rom)/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
108.以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。