一种基于聚类算法的群控设备健康监测方法、设备及介质与流程

1.本技术涉及机器资源管理、运维和预测性维护领域，具体涉及一种基于聚类算法的群控设备健康监测方法、设备及介质。


背景技术：

2.群控设备指的是批量部署的设备，在健康度~时间曲线中遵循基本一致的衰减特性。在健康监测的过程中，若对每台设备进行独立的健康监测，会造成软硬件和算力资源的浪费，并且，在无法明确设备健康度演化规律与健康阈值的情况下，难以直接从数值上判断设备健康与否。


技术实现要素：

3.为了解决上述问题，本技术提出了一种基于聚类算法的群控设备健康监测方法，包括：采集指定时刻下群控设备的特征参数；根据所述特征参数，通过健康度评价模型得到所述群控设备的设备健康度，以生成健康度样本集；通过聚类算法对所述健康度样本集进行聚类分析，得到对应的簇以及噪声点；若所述簇内的样本点对应的第一设备运行正常，且所述噪声点对应的第二设备运行异常，则确定所述第一设备在所述指定时刻下的健康度均值；根据不同时刻下的健康度均值，生成健康度变化曲线，并根据所述健康度变化曲线对所述群控设备进行健康监测。
4.在一个示例中，通过聚类算法对所述健康度样本集进行聚类分析，得到对应的簇以及噪声点，具体包括：根据所述群控设备的设备参数，对所述聚类算法的算法参数进行初始化设置，所述设备参数包括群控设备的数量、指定特征参数的稳定性、设备运行寿命，所述算法参数包括扫描半径、最小包含点数；通过初始化设置的聚类算法进行多轮聚类分析，并在每轮聚类分析过程中对所述算法参数进行调节，直至所有样本点之间密度可连，从而完成所述算法参数的修正并确定此时对应的指定算法参数，所述密度可连包括直接密度可达、密度可达、密度相连；通过应用所述指定算法参数的聚类算法，对所述健康度样本集进行聚类分析，得到对应的簇以及噪声点。
5.在一个示例中，在每轮聚类分析过程中对所述算法参数进行调节，直至所有样本点之间密度可连，具体包括：根据所述群控设备的设备参数，对所述聚类算法的算法参数进行设置，并在每轮聚类分析过程中，增大所述扫描半径且减小所述最小包含点数，直至所有样本点之间密度可连，其中，在每轮聚类分析过程中，所述扫描半径的增大数值和所述最小包含点数的减小
数值，与所述设备运行寿命呈正相关。
6.在一个示例中，每轮聚类分析的过程具体包括：在所述健康度样本集中选取未被处理过的指定样本点；根据所述扫描半径确定对应的邻域，并判断所述邻域内的样本点的数量是否不小于所述最小包含点数；若是，则寻找得到密度可连的其他样本点，并形成对应的簇；若否，则跳出当前循环，并寻找下一个指定样本点。
7.在一个示例中，根据不同时刻下的健康度均值，生成健康度变化曲线，具体包括：针对所述群控设备中同型号的设备，根据不同时刻下的健康度均值，通过公式拟合得到第一健康度变化曲线，其中，t为时刻，为t时刻下的健康度均值，为拟合函数；针对所述群控设备中非同型号的设备，根据不同时刻下的健康度均值，通过公式拟合得到第二健康度变化曲线，其中，t为时刻，为t时刻下的健康度均值，为拟合函数，、a分别为水平方向、正交方向上对应的幅值，、a基于和t之间的对应关系求解得到。
8.在一个示例中，通过公式拟合得到第二健康度变化曲线之前，所述方法还包括：确定公式，其中，、b分别为水平方向、正交方向上的相位；选取投入使用起始的设备，并在确定其健康度为100%时，确认=0、b=0，得到公式。
9.在一个示例中，根据所述健康度变化曲线对所述群控设备进行健康监测，具体包括：根据所述健康度变化曲线，确定对应的变化趋势和指定坐标点；根据所述变化趋势和所述指定坐标点将所述健康度变化曲线划分为多个阶段，所述多个阶段包括磨合阶段、正常衰减阶段、快速衰减阶段；针对所述群控设备中，除了用于生成所述健康度变化曲线的其他设备，确定该其他设备对应的设备运行寿命，并根据所述设备运行寿命对应的时刻，在所述健康度变化曲线中确定所述其他设备的所处阶段，并根据所述所处阶段对应的监测策略对所述群控设备进行监测。
10.在一个示例中，根据所述变化趋势和所述指定坐标点将所述健康度变化曲线划分为多个阶段，具体包括：根据所述变化趋势，确定性能拐点，并根据所述性能拐点和所述指定坐标点中的报废点，得到所述健康度变化曲线中的快速衰减阶段；
确定预先得到的所述群控设备在使用过程中的磨合期时长，所述磨合期时长基于专家经验、设备使用手册、历史设备使用记录中的至少一种得到；在所述磨合期时长对应的坐标点两侧的预设范围内，确定所述两侧的预设范围组合得到的范围的子段变化趋势，所述预设范围与所述群控设备中的设备类型数量呈正相关；根据所述子段变化趋势中变化趋势不稳定的范围，划分为磨合阶段和正产衰减阶段，其中，变化趋势不稳定指的是，子段变化趋势中的最高值与最低值之间的差值高于预设阈值，或，出现极值点的数量高于预设数量。
11.另一方面，本技术还提出了一种基于聚类算法的群控设备健康监测设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：采集指定时刻下群控设备的特征参数；根据所述特征参数，通过健康度评价模型得到所述群控设备的设备健康度，以生成健康度样本集；通过聚类算法对所述健康度样本集进行聚类分析，得到对应的簇以及噪声点；若所述簇内的样本点对应的第一设备运行正常，且所述噪声点对应的第二设备运行异常，则确定所述第一设备在所述指定时刻下的健康度均值；根据不同时刻下的健康度均值，生成健康度变化曲线，并根据所述健康度变化曲线对所述群控设备进行健康监测。
12.另一方面，本技术还提出了一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：采集指定时刻下群控设备的特征参数；根据所述特征参数，通过健康度评价模型得到所述群控设备的设备健康度，以生成健康度样本集；通过聚类算法对所述健康度样本集进行聚类分析，得到对应的簇以及噪声点；若所述簇内的样本点对应的第一设备运行正常，且所述噪声点对应的第二设备运行异常，则确定所述第一设备在所述指定时刻下的健康度均值；根据不同时刻下的健康度均值，生成健康度变化曲线，并根据所述健康度变化曲线对所述群控设备进行健康监测。
13.通过本技术提出基于聚类算法的群控设备健康监测方法能够带来如下有益效果：利用智能物联数采终端采集设备关键特征参数，提取关键特征并求解设备健康度，通过聚类算法识别噪声点，发现设备异常，实现设备的状态监控和健康评估，同时，剔除噪声点后，计算剩余样本在该时间点的设备健康度均值，积累设备投入使用全生命周期的健康度均值数据，拟合健康度均值~时间的健康度变化曲线，用于直接定量指导同型号设备或间接定量指导相似型号设备的故障诊断与健康管理，利用其量化设备的性能衰减程度、精准故障预测和剩余寿命评估，并服务于维修决策和健康管理，无需对每台设备进行实时监控，降低了算力需求。
附图说明
14.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：图1为本技术实施例中基于聚类算法的群控设备健康监测方法的流程示意图；图2为本技术实施例中一种场景下，基于聚类算法的群控设备健康监测方法的示意图；图3为本技术实施例中一种场景下，对初始化设置的示意图；图4为本技术实施例中一种场景下，健康度变化曲线的示意图；图5为本技术实施例中基于聚类算法的群控设备健康监测设备的示意图。
具体实施方式
15.为使本技术的目的、技术方案和优点更加清楚，下面将结合本技术具体实施例及相应的附图对本技术技术方案进行清楚、完整地描述。显然，所描述的实施例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。
16.以下结合附图，详细说明本技术各实施例提供的技术方案。
17.如图1所示，本技术实施例提供基于聚类算法的群控设备健康监测方法，包括：s101：采集指定时刻下群控设备的特征参数。
18.为方便描述，在此可以将指定时刻称作t时刻。群控设备中包括多个设备，该多个设备通常为相同型号或者相似型号的设备，以便于通过控制中心进行集体控制。群控设备的特征参数可以通过控制中心进行采集得到，特征参数可以包括工作频率、运行时间等参数。
19.s102：根据所述特征参数，通过健康度评价模型得到所述群控设备的设备健康度，以生成健康度样本集。
20.通过健康度评价模型将特征参数进行特征提取与数据处理，从而得到设备健康度，并将该设备健康度作为群控设备的标签，作为一个健康度样本，从而生成健康度样本集。
21.健康度评价模型可以基于专家经验、深度学习等工具实现，比如，健康度评价模型中，预先为每个特征参数赋予相应的权重（该权重可以基于专家经验进行人工设置），并获取每个特征参数在设备健康时对应的标准值，将特征参数在指定时刻下的指定值与标准值进行相除，得到该设备在每个特征参数下的健康度，再结合每个特征参数对应的权重，即可得到该设备的设备健康度。
22.s103：通过聚类算法对所述健康度样本集进行聚类分析，得到对应的簇以及噪声点。
23.聚类算法以dbscan算法为例，其可以对健康度样本集进行聚类分析，从而密度相连对象的最大集合（称作一个簇）及噪声点。当然，其他能够实现本技术中聚类功能的聚类算法（比如，optics算法、denclue算法等）也可以应用在本技术所述的方案中，在此不再赘述。
24.具体地，如图2所示，根据群控设备的设备参数，对聚类算法的算法参数进行初始
化设置。其中，设备参数用于提现设备的状态，比如，设备参数可以包括群控设备的数量、指定特征参数的稳定性、设备运行寿命。当聚类算法为dbscan算法时，算法参数可以包括扫描半径e、最小包含点数mompts，用于识别核心对象时进行e邻域设置，算法参数取决于群控设备的数量、设备指定特征参数的稳定性（该指定特征参数通常为预设的关键参数），可通过优化调试获得，同时，随着设备投入使用时长增大，健康度有所衰减，二者也需微调修正。
25.如图3所示，在初始化设置之后对算法参数的进行修正，通过初始化设置的聚类算法进行多轮聚类分析，并在每轮聚类分析过程中对算法参数进行调节，直至所有样本点之间密度可连，从而完成修正，并确定此时对应的指定算法参数，其中，密度可连包括直接密度可达、密度可达、密度相连。
26.进一步地，在设备运行初期，设备均健康状态优秀，无异常发生，理论上所有样本点密度可连，此时选取健康度样本集，先设定较小的e和较大的minpts，然后在每轮聚类分析过程中，增大扫描半径e且减小最小包含点数minpts，直至所有样本点之间密度可连，其中，在每轮聚类分析过程中，扫描半径e的增大数值和最小包含点数minpts的减小数值，与设备运行寿命呈正相关，在设备使用初期，设备之间的健康度差距较小，需要采用更保守的数值调整过程，来找到最合适的扫描半径e和最小包含点数minpts。而随着设备运行寿命的增加，设备健康度之间的差异也就越大，此时在每轮聚类分析过程中，采取更开放的数值调整过程，可以减少聚类分析的轮数，降低算力的投入。在通过上述的数值调整过程，确定了扫描半径e和最小包含点数minpts后，随着后续的设备投入使用时长增加，其对应的设备健康度也会出现衰减，此时，扫描半径e和e邻域内的最小包含点数minpts也相应微调修正（比如，增加扫描半径、减小最小包含点数），避免出现误识别。需要说明的是，此处的微调修正能确定对应的趋势，但是具体增加和减少的数值，可以通过大数据统计或者再进行聚类分析来确定。
27.在得到指定算法参数后，通过应用指定算法参数的聚类算法，对健康度样本集进行聚类分析，得到对应的簇以及噪声点。
28.另外，每轮聚类分析的过程具体包括：在健康度样本集中选取未被处理过的指定样本点。根据扫描半径e确定对应的邻域e，并判断e邻域内的样本点的数量是否不小于最小包含点数。若是，则寻找得到密度可连的其他样本点，并形成对应的簇，若否，则跳出当前循环，并寻找下一个指定样本点，直至所有样本点都被处理完毕。
29.s104：若所述簇内的样本点对应的第一设备运行正常，且所述噪声点对应的第二设备运行异常，则确定所述第一设备在所述指定时刻下的健康度均值。
30.如图2所示，得到对应的簇以及噪声点，对其进行验证，若是密度可连样本点对应的第一设备均运行正常，噪声点对应的第二设备均运行异常，则说明本次聚类结果优秀，可以继续相应的计算，得到第一设备在指定时刻下的健康度均值。其中，第一设备和第二设备指的分别是运行正常和运行异常的两类设备，其数量在不同阶段会产生相应的变化，通常来说，在投入使用起始，第一设备的数量会远高于第二设备，而随着设备运行寿命的增加，第一设备的数量会逐渐降低，第二设备的数量会逐渐增加。
31.s105：根据不同时刻下的健康度均值，生成健康度变化曲线，并根据所述健康度变化曲线对所述群控设备进行健康监测。
32.具体地，针对群控设备中同型号的设备，根据不同时刻下的健康度均值，通过公式
拟合得到第一健康度变化曲线，其中，t为时刻，为t时刻下的健康度均值，为拟合函数，以matlab为例，其中包含的拟合函数可以包括，线性拟合函数regress()、多项式曲线拟合函数polyfit()、多项式曲线求值函数polyval()、多项式曲线拟合的评价和置信区间函数polyconf()、稳健回归函数robust()等，在选取拟合函数时，可以基于最终取值，选取其中误差最小作为最终选取的拟合函数。可为同型号设备的故障诊断与健康管理提供定量指导。一方面，可以掌握设备的性能衰减程度，另一方面，可以进行设备健康评估，并为剩余寿命内的维修策略提供支撑。
33.针对群控设备中非同型号的设备（在群控设备中，虽然是非同型号的设备，但是也是相似型号的设备），根据不同时刻下的健康度均值，通过公式拟合得到第二健康度变化曲线，其中，t为时刻，为t时刻下的健康度均值，为拟合函数，、a分别为水平方向、正交方向上对应的幅值，、a基于和t之间的对应关系求解得到。
34.进一步地，该公式的推断过程可以包括：首先确定公式为初始公式，其中，、b分别为水平方向、正交方向上的相位。在群控设备投入使用起始，即t=0时，健康度通常为为100%，此时无相位变化，故而此时b=0，θ=0，从而得到公式，再输入2组“t”对应的数据，可求解a和ω，进而为相似型号设备的故障诊断与健康管理提供定量指导。
35.利用智能物联数采终端采集设备关键特征参数，提取关键特征并求解设备健康度，通过聚类算法识别噪声点，发现设备异常，实现设备的状态监控和健康评估，同时，剔除噪声点后，计算剩余样本在该时间点的设备健康度均值，积累设备投入使用全生命周期的健康度均值数据，拟合健康度均值~时间的健康度变化曲线，用于直接定量指导同型号设备或间接定量指导相似型号设备的故障诊断与健康管理，利用其量化设备的性能衰减程度、精准故障预测和剩余寿命评估，并服务于维修决策和健康管理，无需对每台设备进行实时监控，降低了算力需求。
36.在一个实施例中，如图4所示，提供了一种场景下的健康度变化曲线的示例图，在生成健康度变化曲线时，可以根据健康度变化曲线，确定对应的变化趋势和指定坐标点。其中，变化趋势可以通过求微分得到，指定坐标点可以基于横坐标（时间）、纵坐标（健康度）得到。
37.根据变化趋势和指定坐标点将健康度变化曲线划分为多个阶段，如图4所示，这多个阶段包括磨合阶段、正常衰减阶段、快速衰减阶段。其中，磨合阶段指的是新设备刚运行，需要进行磨合，在磨合阶段中，设备的运行参数、健康度通常不太稳定（图4中所示出的曲线仅是一种示例性的描述，并不代表普遍或实际状况）。
38.在生成健康度变化曲线时，由于群控设备的数量往往较多，通常只会采取其中少部分群控设备的特征参数，来用于生成健康度变化曲线，或者，群控设备中有新增设备时，该部分新增设备也并未用于健康度变化曲线。此时，确定除了用于生成所述健康度变化曲线的其他设备的设备运行寿命，并确定其对应的时刻，然后根据该设备运行寿命对应的时
刻，确定其所处阶段，以设备运行寿命为为例，其处于正常衰减阶段，根据所处阶段对应的监测策略对群控设备进行监测，对于磨合阶段和快速衰减阶段，需要进行高频率的监控，而在正常衰减阶段则可以进行低频率监测甚至不监测。
39.进一步地，在阶段划分过程中，可以根据变化趋势，确定性能拐点（比如，前后趋势差距大于预设阈值，作为性能拐点），并根据性能拐点和指定坐标点中的报废点，将两者之间的范围作为健康度变化曲线中的快速衰减阶段。
40.不同类型的设备的磨合期可能不同，基于此，确定预先得到的磨合期时长。该磨合期时长可以基于专家经验、设备使用手册、历史设备使用记录等得到。比如，根据专家经验可以得到某种类型的设备，进行磨合时通常所需的时长，或者，在一些设备的使用说明书上也会描述该设备的磨合时长，或者，针对同类型的设备，确定其历史使用记录中的磨合期时长，然后求均值得到磨合期时长。当然，也可以根据其中的多种方式得到后，再求均值得到最终的磨合期时长。由于群控设备中可能具有多个相似的设备类型，不同类型的设备的磨合期也不同，基于此，在磨合期时长对应的坐标点两侧的预设范围内，确定两侧的预设范围组合得到的范围对应的子段变化趋势，其中，预设范围与群控设备中的设备类型数量呈正相关，设备类型数量越多，需要判定的范围越大。
41.根据子段变化趋势中变化趋势不稳定的范围，划分为磨合阶段和正产衰减阶段，其中，变化趋势不稳定指的是，子段变化趋势中的最高值与最低值之间的差值高于预设阈值，或，出现极值点的数量高于预设数量。由于在磨合期中，设备很容易由于零件不匹配、设置参数不标准等，导致健康度的变化趋势并不规律，容易产生忽高忽低的状态，因此，通过变化趋势是否稳定来对专家经验的磨合期时长进行修正，从而完成阶段的划分。
42.如图5所示，本技术实施例还提供了一种基于聚类算法的群控设备健康监测设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：采集指定时刻下群控设备的特征参数；根据所述特征参数，通过健康度评价模型得到所述群控设备的设备健康度，以生成健康度样本集；通过聚类算法对所述健康度样本集进行聚类分析，得到对应的簇以及噪声点；若所述簇内的样本点对应的第一设备运行正常，且所述噪声点对应的第二设备运行异常，则确定所述第一设备在所述指定时刻下的健康度均值；根据不同时刻下的健康度均值，生成健康度变化曲线，并根据所述健康度变化曲线对所述群控设备进行健康监测。
43.本技术实施例还提供了一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：采集指定时刻下群控设备的特征参数；根据所述特征参数，通过健康度评价模型得到所述群控设备的设备健康度，以生成健康度样本集；
通过聚类算法对所述健康度样本集进行聚类分析，得到对应的簇以及噪声点；若所述簇内的样本点对应的第一设备运行正常，且所述噪声点对应的第二设备运行异常，则确定所述第一设备在所述指定时刻下的健康度均值；根据不同时刻下的健康度均值，生成健康度变化曲线，并根据所述健康度变化曲线对所述群控设备进行健康监测。
44.本技术中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备和介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
45.本技术实施例提供的设备和介质与方法是一一对应的，因此，设备和介质也具有与其对应的方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述设备和介质的有益技术效果。
46.本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、cd-rom、光学存储器等）上实施的计算机程序产品的形式。
47.本技术是参照根据本技术实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
48.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
49.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
50.在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
51.内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram) 和/或非易失性内存等形式，如只读存储器(rom) 或闪存(flashram)。内存是计算机可读介质的示例。
52.计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动
态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd) 或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
53.还需要说明的是，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、商品或者设备不仅包括那些要素，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、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
54.以上所述仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。