一种基于数据驱动的设备动态可靠性评估方法技术

本发明专利技术涉及一种基于数据驱动的设备动态可靠性评估方法，属于可靠性评估领域，该方法包括以下步骤：对设备运行状态的监测数据实时进行特征值提取，利用设备特征自检模块对设备特征自动分类识别，根据设备实时状态偏移度和基准可靠度做出量化的动态可靠性评估结果。本发明专利技术针对机电设备关键传动部件难以准确评估失效趋势的情况，以数据驱动的方式，构建了设备特征自检模块和动态可靠性评估模型，在设备可靠性与设备历史数据及当前监测数据之间建立起了关系，能够量化表征设备的可靠性状态变化，实现设备动态可靠性准确评估，具有提前发现设备故障隐患、减少事故发生的效果，经济效益和社会效益显著。益和社会效益显著。益和社会效益显著。

【技术实现步骤摘要】
一种基于数据驱动的设备动态可靠性评估方法


[0001]本专利技术属于可靠性评估
，尤其涉及一种基于数据驱动的设备动态可靠性评估方法。

技术介绍

[0002]随着现代科学技术的迅速发展，船舶机电设备日益朝着复杂化、高速化、重载化、高级化等高度自动化的方向发展，造成船舶机电设备日益复杂，零件数目显著增加，零部件之间的联系更加紧密。“退化”是指能够引起设备性能发生变化的一种物理或化学过程，这一变化随着时间逐渐发展，最终导致设备失效。一旦某一部分发生故障，都会造成巨大的经济损失和人员伤亡事故的发生，船舶机电设备正常状态所花的维修费用和停机损失，在成本中所占的比例越来越大，设备故障或事故引起的损失不断增加，设备可靠性评估受到了越来越多的关注。同时，设备任务剖面和运行状态逐渐变得个性化、多样化，使设备动态可靠性评估的重要性日益突出。
[0003]但是传统的可靠性评估理论，如失效模式及影响与危害度分析(Failure Mode，Effect and Criticality Analysis，FMECA)、可靠性框图模型(Reliability Block Diagram，RBD)、故障树分析(Fault Tree Analysis，FTA)等，都是从静态的角度去研究系统的，无法建立起可靠性与历史观测数据及当前实时监测数据之间的联系，难以准确估计出运行状态变化中系统的可靠性。而从动态角度评估的方法，如回归分析法、马尔可夫过程分析法和时间序列分析法等，都是通过建立在大量的先验分布假设的基础上的，精度和适应性不高，应用场景受限制。

技术实现思路

[0004]为解决现有方法的不足，针对船舶机电设备轴承、齿轮等关键传动部件难以评估实时可靠性的问题，本专利技术提出了一种基于数据驱动的设备动态可靠性评估方法，通过构建神经元网络对故障设备在故障发生前后的历史监测数据的特征值进行自动学习训练，用训练后的模块实时监测正常设备运行数据的特征值偏移量，实现了对设备的动态可靠性评估。
[0005]一种基于数据驱动的设备动态可靠性评估方法，包括以下步骤：
[0006]对设备运行状态的监测数据实时进行特征值提取，得到实时数据样本；
[0007]利用设备特征自检模块对所述实时数据样本自动分类识别，并计算得到待评估设备的实时状态偏移度；
[0008]根据待评估设备的所述实时状态偏移度和基准可靠度得到所述待评估设备的实时可靠度；
[0009]基于待评估设备的所述实时可靠度做出量化的动态可靠性评估结果。
[0010]进一步地，每个实时数据样本x(t)包含m种特征值：
[0011][0012]式中，m为数据样本维度；L1(t)～L
m
(t)分别是t时刻从设备的振动信号的时域与频域特征中提取的m种不同的特征值。
[0013]进一步地，所述设备特征自检模块是一种神经元网络模块，包含输入层、输出层和权值层，经过初始化和学习训练后，用于识别设备运行时的状态特征；其中，
[0014]所述输入层的神经元输入节点数量为m；
[0015]所述输出层的神经元输出节点数量为h，每个输出节点代表一种设备状态类别；
[0016]所述输入节点与输出节点之间为全连接，输出节点之间为全连接；
[0017]所述权值层，为输入层神经元节点与输出层神经元节点之间全连接的权值矩阵w(t)：
[0018][0019]其中，w(t)为一个m
×
h的权值矩阵，代表t时刻设备特征自检模块的状态；w
mh
(t)为t时刻第m个输入节点与第h个输出节点之间的连接权值；初始时，对w(t)矩阵内各项赋予一个初始值，所述初始值为一个较小的随机值。
[0020]进一步地，所述设备特征自检模块的学习训练，是对所述权值矩阵w(t)进行自动优化的过程，所述学习训练包括：
[0021]执行一次学习训练过程：某时刻t从历史数据样本集X中随机提取一个数据样本x
k
(t)，输入到所述设备特征自检模块中，由设备特征自检模块对x
k
(t)进行数据样本自动分类识别和权值自动学习；
[0022]在未满足学习结束条件时，重复执行所述一次学习训练过程；
[0023]当满足学习结束条件时，所述设备特征自检模块结束学习训练；
[0024]所述学习结束条件，包括训练次数达到最大训练长度和学习率趋于0，满足其中之一即满足学习结束条件。
[0025]进一步地，所述历史数据样本集X为：
[0026]选取P个与被监测设备的部件同类型的故障失效部件，k为失效部件序号，从第k个失效部件的历史数据样本x
k
(t)中按时间顺序抽取一定量的正常状态下的数据样本、故障状态下的数据样本和部件k实际失效时间T
k
；将从所述P个故障失效部件抽取的正常数据样本和故障数据样本组成一个训练样本集X，作为训练设备特征自检模块的学习训练数据。
[0027]进一步地，所述对数据样本自动分类识别，包括：
[0028]将数据样本x(t)输入到所述设备特征自检模块的输入层，得到m
j
，m
j
为所述设备特征自检模块的第j个输出节点的输出值；
[0029]计算数据样本x(t)与所述设备特征自检模块的各个输出节点输出值的欧氏距离为||x(t)-m
j
||，找到其中欧氏距离最小的那一个输出节点作为获胜节点C，所述数据样本x(t)被所述设备特征自检模块自动分为C类设备状态类别。
[0030]进一步地，所述权值自动学习的方法为：
[0031]按照所述设备特征自检模块输出节点的顺序，依次调整与第j个输出节点相连的权值，从而实现权值矩阵w(t)的自动学习；其中，
[0032]对与所述获胜节点C连接的权值加强兴奋，获胜节点权值学习公式是：
[0033]w
ij
(t+1)＝w
ij
(t)+α(t)[x
i
(t)-w
ij
(t)]，式中j＝C；
[0034]对与非获胜节连接的权值进行抑制，非优胜节点权值学习公式是：
[0035]w
ij
(t+1)＝w
ij
(t)-α(t)[x
i
(t)-w
ij
(t)]，式中j≠C；
[0036]其中，w
ij
(t)代表t时刻输入节点i与输出节点j之间的权值；α(t)为t时刻的学习率，与时间t成反比关系，为随时间逐渐下降的[0，1]区间上的函数，通常为或x
i
(t)为所述数据样本x(t)第i维数据的值；
[0037]通过上述步骤将w(t)矩阵中的权值计算完毕后，权值矩阵更新为w(t+1)，完成了一次权值自动学习过程。
[0038]进一步地，所述基准可靠度为：
[0039][0040]式中，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数据驱动的设备动态可靠性评估方法，其特征在于，包括以下步骤：对设备运行状态的监测数据实时进行特征值提取，得到实时数据样本；利用设备特征自检模块对所述实时数据样本自动分类识别，并计算得到待评估设备的实时状态偏移度；根据待评估设备的所述实时状态偏移度和基准可靠度得到所述待评估设备的实时可靠度；基于待评估设备的所述实时可靠度做出量化的动态可靠性评估结果。2.根据权利要求1所述的一种基于数据驱动的设备动态可靠性评估方法，其特征在于，每个实时数据样本x(t)包含m种特征值：式中，m为数据样本维度；L1(t)～L
m
(t)分别是t时刻从设备的振动信号的时域与频域特征中提取的m种不同的特征值。3.根据权利要求2所述的一种基于数据驱动的设备动态可靠性评估方法，其特征在于，所述设备特征自检模块是一种神经元网络模块，包含输入层、输出层和权值层，经过初始化和学习训练后，用于识别设备运行时的状态特征；其中，所述输入层的神经元输入节点数量为m；所述输出层的神经元输出节点数量为h，每个输出节点代表一种设备状态类别；所述输入节点与输出节点之间为全连接，输出节点之间为全连接；所述权值层，为输入层神经元节点与输出层神经元节点之间全连接的权值矩阵w(t)：其中，w(t)为一个m
×
h的权值矩阵，代表t时刻设备特征自检模块的状态；w
mh
(t)为t时刻第m个输入节点与第h个输出节点之间的连接权值；初始时，对w(t)矩阵内各项赋予一个初始值，所述初始值为一个较小的随机值。4.根据权利要求3所述的一种基于数据驱动的设备动态可靠性评估方法，其特征在于，所述设备特征自检模块的学习训练，是对所述权值矩阵w(t)进行自动优化的过程，所述学习训练包括：执行一次学习训练过程：某时刻t从历史数据样本集X中随机提取一个数据样本x
k
(t)，输入到所述设备特征自检模块中，由设备特征自检模块对x
k
(t)进行数据样本自动分类识别和权值自动学习；在未满足学习结束条件时，重复执行所述一次学习训练过程；当满足学习结束条件时，所述设备特征自检模块结束学习训练；
所述学习结束条件，包括训练次数达到最大训练长度和学习率趋于0，满足其中之一即满足学习结束条件。5.根据权利要求4所述的一种基于数据驱动的设备动态可靠性评估方法，其特征在于，所述历史数据样本集X为：选取P个与被监测设备的部件同类型的故障失效部件，k为失效部件序号，从第k个失效部件的历史数据样本x
k
(t)中按时间顺序抽取一定量的正常状态下的数据样本、故障状态下的数据样本和部件k实际失效时间T
k
；将从所述P个故障失效部件抽取的正常数据样本和故障数据样本组成一个训练样本集X，作为训练设备特征自检模块的学习训练数据。6.根据权利要求4所述的一种基于数据驱动的设备动态可靠性评估方法，其特征在于，所述对数据样本自动分类识别，包括：将数据样本x(t)输入到所述设备特征自检模块的输入层，得到m
j
，m
j
为所述设备特征自检模块的第j个输出节点的输出值；计算数据样本x(t)与所述设备特征自检模块的各个输出节点输出值的欧氏距离为||x(t)-...

【专利技术属性】
技术研发人员：张成伟，张玉峰，田甜，许萌萌，栾天宇，刘子杰，
申请(专利权)人：中国船舶工业系统工程研究院，
类型：发明
国别省市：