一种基于机器学习的设备健康状态检测方法与流程

1.本发明涉及工业设备检测技术领域，尤其涉及一种基于机器学习的设备健康状态检测方法。


背景技术：

2.对于工业型企业而言，工业设备的安全稳定运行至关重要，因为这不仅关系到企业的生产，还关系到工作人员的安全问题。
3.当前，工业设备的各种状态主要是通过开关量来表达的。开关量，指非连续性信号的采集和输出，包括遥控采集和遥控输出，它有1和0两种状态，这是数字电路中的开关性质，而电力上是指电路的开和关或者说是触点的接通和断开。“开”和“关”是电器最基本、最典型的功能。一般开关量装置通过内部继电器实现开关量的输出。目前对工业设备进行健康状态分析时，通常需要采集工业设备的状态相关的若干开关量后，再对工业设备的健康状态进行分析。这样的技术方案，在实际操作中当检测设备的工作状态时，设备的状态显示需要大量的开关信号以及人工反复操作，存在很大的局限性和不便性。
4.因此，怎样才能在保证准确的基础上，便捷的对工业设备的状态进行检测，成为目前亟待解决的问题。


技术实现要素：

5.针对上述现有技术的不足，本发明提供了一种基于机器学习的设备健康状态检测方法，可以在保证准确的基础上，便捷的对工业设备的状态进行检测。
6.为了解决上述技术问题，本发明采用了如下的技术方案：一种基于机器学习的设备健康状态检测方法，包括以下步骤：s1、获取工业设备的全生命周期的历史数据；所述历史数据包括振动数据；s2、分析工业设备的设备状态与振动数据，得到振动数据与各设备状态之间的关系；所述设备状态包括运行状态、停机状态和离线状态；s3、根据振动数据与各设备状态之间的关系，筛选出历史数据中的运行状态数据并进行预处理，得到运行状态的建模数据；s4、对运行状态的建模数据进行时域频率的特征提取，并对提取的特征进行处理得到运行状态的健康参照数据；s5、采集工业设备的实时数据，并根据振动数据与各设备状态之间的关系筛选出实时运行数据，再对实时运行数据进行关键特征提取，并结合运行状态的健康参照数据对工业设备进行健康状态分析。
7.优选地，s2中，所述振动数据与各运行状态之间的关系包括：若振动数据为空且持续时间超过x秒则为离线状态；若振动数据大于运行阈值则为运行状态；若振动数据小于等于阈值则为停机状态。
8.优选地，所述运行阈值的获取过程包括：将运行状态的振动数据和停机状态的振
动数据分别打上对应的标签后，通过svm支持向量机将两组不同的数据区分开来，并将得到的中线值作为运行阈值。
9.优选地，s3中，预处理包括：采用卡尔曼滤波进行滤波后，按照预设的精度要求对数据进行筛选修正。
10.优选地，s4中，提取的特征包括峰值、峭度因子和信息熵。
11.优选地，s4中，所述健康参照数据包括均值μ和方差σ。
12.优选地，s4中，所述健康参照数据的获取过程包括：将提取的特征用pca降维得到关键特征矩阵后，计算关键矩阵特征的均值中心点，得到运行状态的均值μ；再根据关键矩阵特征中个点与均值中心点的欧式距离，计算运行状态的方差σ。
13.优选地，s5中，所述结合对应状态的参照数据进行健康状态判断包括：将实施数据的关键特征用pca降维得到对应的位置点数值后，计算该位置点数值与均值μ的距离值d；再将d与方差σ比较，并按照预设的状态标准，得到工业设备的健康状态。
14.优选地，所述健康状态包括健康、亚健康及不健康。
15.优选地，预设的状态标准包括：若d＜2σ，则工业设备的健康状态为健康；若2σ＜d＜3σ，则工业设备的健康状态为亚健康；若d＞3σ，则工业设备的健康状态为不健康。
16.本发明与现有技术相比，具有如下有益效果：1、本发明不需要外界开关信号，只需要振动信号既可以判断设备的运行状态和健康状态，与现有技术相比，不需要工作人员对大量的开关进行反复操作，极大的提升了便捷性。
17.2、本发明中的状态阈值是通过机器学习训练求得，不同的设备阈值不同，可避免重复性的人工干预；并且，由于参与训练的数据来自设备本身，可以有效去除工况的影响和数据分布不一致的问题；可以保证对工业设备的健康状态检测的准确性。
18.3、使用本发明，只需要能够采集到振动数据的工业设备，都可以对其健康状态进行准确的检测，适用范围广。
19.4、本发明不需要专家经验知识，不需要人工干预，即使是那些缺乏对应标准的工业设备或缺少专家经验的工业设备，同样能够准确的对其健康状态进行检测。与现有技术相比，极大的提升了适用性。解决了标准缺乏的工业设备的状态判断难的问题。
20.5、本发明的检测结果包括了健康、亚健康及不健康三种状态，与发现故障后再由工作人员进行检修相比，本发明能够让工作人员即使了解工业设备的当前健康状态，并且可以根据工业设备的成本、在生产中的重要性等因素，选择是否在亚健康时及时进行检修，制定检修方案时可以更加的灵活以适应实际需求。
附图说明
21.为了使发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：图1为实施例中的流程图；图2为实施例中的运行状态分类示意图。
具体实施方式
22.下面通过具体实施方式进一步详细的说明：实施例：如图1所示，本实施例中公开了一种基于机器学习的设备健康状态检测方法，包括以下步骤：s1、采集工业设备的全生命周期的历史数据；所述历史数据包括振动数据。
23.s2、分析工业设备的设备状态与振动数据，得到振动数据与各设备状态之间的关系；所述设备状态包括运行状态（即running状态）、停机状态（即stop状态）和离线状态。
24.振动数据与各运行状态之间的关系包括：若振动数据为空且持续时间超过x秒则为离线状态；若振动数据大于运行阈值则为运行状态；若振动数据小于等于阈值则为停机状态。本实施例中x的数值为30，在其他实施例中，本领域技术人员可依据检测的工业设备的具体类型及型号具体设置，在此不再赘述。
25.由于工业设备停机时，传感器采集得到的振动加速度值非常小且比较稳定，其标准差很小，而设备运行时其标准差比较大，因此可通过加速度标准差来判断设备的运行状态。基于上述原理，具体实施时，运行阈值的获取过程包括：将运行状态的振动数据和停机状态的数据分别打上对应的标签后，通过svm支持向量机将两组不同的数据区分开来，并将得到的中线值作为运行阈值。如图2所示，中线对应的数值为中线值，中线的下方的数据点为停机状态，中线上方的数据点为运行状态。
26.s3、根据振动数据与各设备状态之间的关系，筛选出历史数据中的运行状态数据并进行预处理，得到运行状态的建模数据。具体实施时，预处理包括：采用卡尔曼滤波进行滤波后，按照预设的精度要求对数据进行筛选修正。通过预处理，可以对存在明显错误的数据进行筛选修正，保证建模数据的有效性。
27.s4、对运行状态的建模数据进行时域频率的特征提取，并对提取的特征进行处理得到运行状态的健康参照数据； 其中，提取的特征包括峰值、峭度因子和信息熵；健康参照数据包括均值μ和方差σ。具体实施时，健康参照数据的获取过程包括：将提取的特征用pca降维得到关键特征矩阵后，计算关键矩阵特征的均值中心点，得到运行状态的均值μ；再根据关键矩阵特征中个点与均值中心点的欧式距离，计算运行状态的方差σ。
28.历史数据经过中间过程计算（即s3、s4步骤中的处理），最后在坐标上反应的是一个点，历史数据的各个点就可以形成一个圈，类似于椭圆形或者其他形状。圈的中心点就是均值μ，通过各个点与中心点的欧式距离计算可以得到方差σ。
29.s5、采集工业设备的实时数据，并根据振动数据与各设备状态之间的关系筛选出实时运行数据，再对实时运行数据进行关键特征提取，并结合运行状态的健康参照数据对工业设备进行健康状态分析。其中，结合对应状态的参照数据进行健康状态判断包括：将实施数据的关键特征用pca降维得到对应的位置点数值后，计算该位置点数值与均值μ的距离值d；再将d与方差σ比较，并按照预设的状态标准，得到工业设备的健康状态。换个说法，距离值d就是运行状态的实时振动数据代入中间过程（即s5步骤中的处理）得到在圈的某个位置点后，计算该位置点与中心点的距离d。
30.健康状态包括健康、亚健康及不健康。状态标准包括：若d＜2σ，则装置的健康状态为健康；若d＜2σ，则工业设备的健康状态为健康；若2σ＜d＜3σ，则工业设备的健康状态为
亚健康；若d＞3σ，则工业设备的健康状态为不健康。具体实施时，为了工作人员更加准确的了解装置的具体健康状态，可以设置健康分数换算式，通过d与方差σ的关系，换算具体的健康分数，这样，不仅可以分析出装置的当前健康状态，还可以了解当前健康状态的具体程度。
31.需要说明的是，在实际操作中，为了保证检测的实时性和智能化，可以将本方法中处理过程交给模型来分析处理，通过历史数据来对模型进行训练，再通过模型来分析当前运行数据对应的健康状态。模型的具体架构，本领域技术人员可依据个人对各类模型的熟悉程度自己选择，只要能满足上述要求即可，在此不再赘述。为了保证机器学习的有效性，在获取历史数据时，应选择足够使模型达到预设精度的历史数据量。
32.本发明不需要外界开关信号，只需要振动信号既可以判断设备的运行状态和健康状态，与现有技术相比，不需要工作人员对大量的开关进行反复操作，极大的提升了便捷性。并且，本发明中的状态阈值是通过机器学习训练求得，不同的设备阈值不同，可避免重复性的人工干预；由于参与训练的数据来自设备本身，还可以有效去除工况的影响和数据分布不一致的问题；可以保证对工业设备的健康状态检测的准确性。除此，使用本发明，只需要能够采集到振动数据的工业设备，都可以对其健康状态进行准确的检测，适用范围广。本发明也不需要专家经验知识、不需要人工干预，即使是那些缺乏对应标准的工业设备或缺少专家经验的工业设备，同样能够准确的对其健康状态进行检测。与现有技术相比，极大的提升了适用性。解决了标准缺乏的工业设备的状态判断难的问题。
33.另一方面，本发明的检测结果包括了健康、亚健康及不健康三种状态，与发现故障后再由工作人员进行检修相比，本发明能够让工作人员即使了解工业设备的当前健康状态，并且可以根据工业设备的成本、在生产中的重要性等因素，选择是否在亚健康时及时进行检修，制定检修方案时可以更加的灵活以适应实际需求。
34.最后需要说明的是，以上实施例仅用以说明本发明的技术方案而非限制技术方案，本领域的普通技术人员应当理解，那些对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，均应涵盖在本发明的权利要求范围当中。