The invention discloses a method of evaluating the health degree of equipment based on the self-adaptive working condition based on the classified regression model, including obtaining the running state data of the key parts of the equipment, the working condition information data and the design parameter data, processing the running state data, obtaining the state feature database, and matching the working condition information data to get the working condition. The information database, the state feature data and the working condition parameter data, the working condition recognition model and the working condition adaptive compensation model are established, and the characteristic data of the desensitization of the working conditions are obtained by the classification recognition and the regression adaptive compensation processing based on the model, and the health index of each component is calculated based on the working condition desensitization characteristic data. The health degree of the equipment was calculated and evaluated based on the health degree index of each component, and the remaining service life of the equipment was predicted based on the overall health degree, the working condition information data and the design parameter data. The invention can effectively adapt to the multi working mode of the equipment, improve the accuracy of the equipment health evaluation and the prediction of the remaining service life.
【技术实现步骤摘要】
基于分类回归模式的工况自适应的设备健康度评估方法
本专利技术涉及设备的健康管理及寿命预测领域,尤其涉及了一种基于分类回归模式的工况自适应的设备健康度评估方法。
技术介绍
近年来,随着制造业自动化程度的不断提高和对柔性化生产的迫切需求,设备如工业机器人的结构、功能、作业任务、运行环境等愈加多样复杂,因而对设备本身稳定性、可靠性等方面的性能要求也越来越高。传统的事后维护和定期维护模式未能有效监控和利用设备本身所反映出的状态信息,在客观性、及时性、针对性、解释性等方面有诸多欠缺。因而,在智能制造的大背景下,如何借助不断改进的先进智能感知手段,有效地在复杂的工况模式下准确监测、评估设备的健康状态并能及时做出精准、可行的预测性维护措施就显得至关重要。预测性维护与健康管理(PHM)技术通过监测生产线上设备及其部件的运行状态,结合有效的健康度评估方法,一方面能准确感知设备自身的性能状态,为“视情维修”提供可靠的指标依据,有效解决传统模式中维修不足和维修过度的问题;另一方面,可基于健康度等指标预知状态超前管理、避免故障停机、保障生产系统的稳定运行,进而实现生产线上降本、增效、稳质的价值创造目标。在这一技术当中,设备健康度的评估起到了承上启下的关键作用,所以其评估方法的有效性、准确性和可靠性乃是重中之重。然而,在复杂的工业背景下,设备的应用领域广泛,所涉及的作业任务也各不相同,导致其常工作在复杂多变的工况环境下。变化的工况如作业类型、运行速度、负载等信息会耦合在设备的运行状态参数中,掩盖其真实的性能状态和变化规律。传统的设备健康度评估方法没有考虑设备的运行工况数据,无法准确 ...
【技术保护点】
1.一种基于分类回归模式的工况自适应的设备健康度评估方法,其特征在于包括以下步骤:获取设备各关键部件的运行状态数据、工况信息数据及设备相关设计参数数据,对所述运行状态数据进行处理,得到状态特征数据库,通过给状态特征数据库匹配相应的工况信息数据,得到工况信息数据库;根据状态特征数据库中的特征数据和工况信息数据库中的工况参数数据,建立工况识别模型和工况自适应补偿模型;基于工况识别模型和工况自适应补偿模型,通过分类回归模式依次进行工况的分类识别和工况的回归自适应补偿处理,得到工况脱敏的特征数据;对所述工况脱敏的特征数据进行标准化处理,并结合距离法得到各关键部件健康度指数;根据各关键部件健康度指数和预设的各关键部件健康度阈值计算设备整机健康度,并对设备健康状态进行整体评估,得到整机健康度;根据所述整机健康度、工况信息数据及设计参数数据对设备的剩余使用寿命进行预测。
【技术特征摘要】
1.一种基于分类回归模式的工况自适应的设备健康度评估方法,其特征在于包括以下步骤:获取设备各关键部件的运行状态数据、工况信息数据及设备相关设计参数数据,对所述运行状态数据进行处理,得到状态特征数据库,通过给状态特征数据库匹配相应的工况信息数据,得到工况信息数据库;根据状态特征数据库中的特征数据和工况信息数据库中的工况参数数据,建立工况识别模型和工况自适应补偿模型;基于工况识别模型和工况自适应补偿模型,通过分类回归模式依次进行工况的分类识别和工况的回归自适应补偿处理,得到工况脱敏的特征数据;对所述工况脱敏的特征数据进行标准化处理,并结合距离法得到各关键部件健康度指数;根据各关键部件健康度指数和预设的各关键部件健康度阈值计算设备整机健康度,并对设备健康状态进行整体评估,得到整机健康度;根据所述整机健康度、工况信息数据及设计参数数据对设备的剩余使用寿命进行预测。2.根据权利要求1所述的基于分类回归模式的工况自适应的设备健康度评估方法,其特征在于,所述对所述运行状态数据进行处理是指对所述运行状态进行特征提取和特征选择;所述特征提取包括信号时域和频域的基本特征提取以及经信号经变换、分解处理后的二次特征提取;所述特征选择是指,将有明确表征意义或倾向的特征,结合其物理意义或者需求进行选择,得到需要的状态特征数据;若需选择无明确表征意义或倾向的特征,则结合主成分分析方法降维进行筛选,得到需要的状态特征数据。3.根据权利要求2所述的基于分类回归模式的工况自适应的设备健康度评估方法,其特征在于,所述根据状态特征数据库中的特征数据和工况信息数据库中的工况参数数据,建立工况识别模型和工况自适应补偿模型的具体步骤包括:对工况信息数据库中的工况参数数据,在不同的工况参数维度组合建立工况字典;将工况字典中的工况参数组合分解到独立的工况参数维度下,基于关键特征构建工况权重字典;通过回归算法建立工况字典中各工况参数维度下的工况参数相对于特征数据的回归模型,将此模型作为工况参数预测模型;对于状态特征数据库中的状态特征数据,通过回归算法建立各个状态特征相对于工况参数融合特征的回归模型,将此模型作为工况参数补偿模型。4.根据权利要求3所述的基于分类回归模式的工况自适应的设备健康度评估方法,其特征在于,所述工况参数融合特征,是通过各工况参数维度下的基本工况参数进行多项式特征组合得到工况参数融合特征。5.根据权利要求4所述的基于分类回归模式的工况自适应的设备健康度评估方法,其特征在于,所述基于工况识别模型和工况自适应补偿模型,通过分类回归模式依次进行工况的分类识别和工况的回归自适应补偿处理,得到工况脱敏的特征数据具体步骤包括:将设备的特征数据作为所述工况参数预测模型的输入,通过计算得到设备的工况参数预测值;将工况参数预测值与所述的工况权重字典中对应维度的权重相乘得到加权的工况参数预测值;将加权的工况...
【专利技术属性】
技术研发人员:张开桓,蔡一彪,吴芳基,
申请(专利权)人:杭州安脉盛智能技术有限公司,
类型:发明
国别省市:浙江,33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。