一种基于HSMM的联合多步向前设备健康预测方法技术

本发明专利技术涉及设备的健康预测方法技术领域，具体为一种基于HSMM的联合多步向前设备健康预测方法，包括步骤一：信息采集；步骤二：数据范围确定；步骤三：数据模型；步骤四：数据筛选；步骤五：周期数据；步骤六：数据分析；步骤七：图标模型建立；步骤八：故障判定，有益效果为：通过在健康运行状态下进行多组数据的单一采集，从而确定采集数据的范围，通过筛选得到单一的数据值，进而大大提高数据采集的准确性，同时提高对设备监测的效率；通过设置HSMM模型，实现对采集的数据进行精确的分析，进而得出更为准确的状态分布和驻留分布的数据，使得预测更加准确，同时利用数据追溯模块，及时追溯至故障位置对应的采集传感器，从而便于及时维修和处理。

【技术实现步骤摘要】
一种基于HSMM的联合多步向前设备健康预测方法
本专利技术涉及设备的健康预测方法
，具体为一种基于HSMM的联合多步向前设备健康预测方法。
技术介绍
HSMM是隐半马尔可夫模型的缩写，是一种扩展模型。隐半马尔可夫模型是在已定义的隐马尔可夫模型的结构上加入时间组成部分,克服了因马尔可夫链的假设造成HMM建模所具有的局限性,在解决现实问题中HSMM提供更好的建模能力和分析能力，改进了模式分类能力,提高了模式分类的精度。传统的设备健康预测是通过大数据的分析进行预测的，这样的预测误差范围较大，且无法预测故障的准确位置，同时对于联合多步向前设备来说，内部存在多组驱动位置，在数据采集时，极容易造成相邻位置之间的数据采集干扰，进而造成数据采集误差增大。为此提供一种基于HSMM的联合多步向前设备健康预测方法，以解决多组驱动位置之间数据采集的相互干扰问题和故障预测位置确定问题。
技术实现思路
本专利技术的目的在于提供一种基于HSMM的联合多步向前设备健康预测方法，以解决上述
技术介绍
中提出的问题。>为实现上述目的，本本文档来自技高网...

【技术保护点】
1.一种基于HSMM的联合多步向前设备健康预测方法，其特征在于：该健康预测方法包括以下步骤：/n步骤一：信息采集，通过声音、振动、温度等可表达联合多步向前设备使用寿命的数据传感器实现信息数据的采集，对于联合多步向前设备中多个不同位置的磨损驱动位置分别安装对应位置的数据采集传感器；/n步骤二：数据范围确定，通过单一运行联合多步向前设备中的各驱动位置上的驱动装置，从而得到对应位置不同传感器采集的数据，经过多次数据模拟，得到健康运行的多组数据；/n步骤三：数据模型，通过控制主机对步骤二中采集的多组数据进行分析，得到对应位置上数据采集传感器采集设备健康运行的各项数据波动范围，然后通过数据波动的范围确定...

【技术特征摘要】
1.一种基于HSMM的联合多步向前设备健康预测方法，其特征在于：该健康预测方法包括以下步骤：
步骤一：信息采集，通过声音、振动、温度等可表达联合多步向前设备使用寿命的数据传感器实现信息数据的采集，对于联合多步向前设备中多个不同位置的磨损驱动位置分别安装对应位置的数据采集传感器；
步骤二：数据范围确定，通过单一运行联合多步向前设备中的各驱动位置上的驱动装置，从而得到对应位置不同传感器采集的数据，经过多次数据模拟，得到健康运行的多组数据；
步骤三：数据模型，通过控制主机对步骤二中采集的多组数据进行分析，得到对应位置上数据采集传感器采集设备健康运行的各项数据波动范围，然后通过数据波动的范围确定数据筛选的标准；
步骤四：数据筛选，在正常运行时，通过不同位置对应的数据采集传感器实现对各项数据的采集，由于各驱动位置均位于同一机箱内，数据采集传感器会采集与驱动位置数量相同组数的数据，通过步骤三中确定的数据筛选范围对一组数据进行对比筛选，得到单一符合数据筛选范围的数据；
步骤五：周期数据，通过不同驱动位置的运行周期的时长作为周期数据的打包时间，通过数据采集传感器对驱动位置实现实时数据采集，将步骤四中筛选的多组不同时间的实时数据按打包周期时间进行排列，得到多组周期数据；
步骤六：数据分析，将步骤五中得到的周期数据分别代入训练HSMM，通过设置最大类别数目，观测概率分布，状态驻留概率分布，运行吉布斯采样循环，得到包括状态转移概率矩阵，观察值...

【专利技术属性】
技术研发人员：宗一，侯会斌，汤文亮，张荣峰，乐昱，黄梓峰，
申请(专利权)人：南昌龙行港口集团有限公司，
类型：发明
国别省市：江西;36