户外固定大型机械设备的运行状态实时评估方法及系统技术方案

本发明专利技术提出了一种户外固定大型机械设备的运行状态实时评估方法及系统。本发明专利技术通过按照时间窗口或事件窗口对收集到的设备监控数据进行分割；通过采用矩阵转置乘以矩阵本身的方式对设备监控数据进行压缩获得特征数据，大大降低了需要的存储空间；对历史数据矩阵建立了评估模型的高效求解方法，对当前数据矩阵建立了可实时更新的模型求解方法；通过变量选入和剔除规则确定评估模型，并借助构建的数据库存储最终评估模型矩阵。由最相关的若干个历史数据矩阵、当前数据矩阵对应的最终评估模型矩阵，可以方便得到设备待评估变量的综合评估正常运行状态区间，从而完成设备运行状态的评估，本发明专利技术所需运算量小、计算精度高。计算精度高。计算精度高。

【技术实现步骤摘要】
户外固定大型机械设备的运行状态实时评估方法及系统


[0001]本专利技术属于机械设备状态监测领域，具体涉及一种安装在户外固定位置、服役环境呈周期性变化的机械设备的运行状态实时评估方法及系统。

技术介绍

[0002]户外固定大型机械设备广泛应用于采矿、页岩气开采、化工、电力等领域，大多数工作环境恶劣，承受周期性变化的环境温度、湿度，盐雾腐蚀和风沙吹蚀、以及风、波浪和冰载荷等交变载荷作用，这些机械设备的材料损伤和老化无时无刻不在发生，如何更加准确地了解设备运行状态是否正常，以便更好地制定运维策略一直以来都是工程界亟待解决的问题。考虑到这些大型机械设备大多分布在远离城市中心、人口密度较低的偏远地区，人工检测费时费力，不仅成本高，而且往往不能及时发现设备运行过程中出现的早期问题。随着传感器技术的发展和网络基础设施的不断完善，人们转而研究如何充分利用这类机械设备上收集到的大量监控数据来评估设备运行状态，及时报告设备的潜在故障，发展了基于统计理论、模糊数学、神经网络等理论的评估方法。在众多评估方法中，基于多元线性回归理论得到的评估模型由于其评估模型求解容易本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种户外固定大型机械设备的运行状态实时评估方法，其特征在于，包括以下步骤：1)获取户外固定大型机械设备的历史监控数据；对历史监控数据剔除其中的无效数据，得到有效历史监控数据，有效历史监控数据的维度为s；2)按照时间窗口或者事件窗口对有效历史监控数据进行分割；若有效历史监控数据能被完整分割，则得到与时间窗口或者事件窗口对应的W个分割后的历史监控数据矩阵，记第i个历史监控数据矩阵为Data
i
，i＝1，2，
…
，W；对各历史监控数据矩阵分别进行标准化处理，得到对应的标准化历史监控数据矩阵D
i
，执行步骤3)；若有效历史监控数据不能被完整分割，则将不能被完整分割的有效历史监控数据组成临时监控数据矩阵Data
temp
，执行步骤4)；3)对各标准化历史监控数据矩阵D
i
进行压缩处理，得到对应的历史特征监控数据矩阵，记为C
i
，C
i
对应的数据覆盖的时间范围为(t
i
‑1，t
i
)，执行步骤6)；4)判断临时监控数据矩阵Data
temp
中的数据量是否满足参与参评数据量阈值要求，若数据量满足参评数据量阈值要求，则判断临时监控数据矩阵Data
temp
参与评估过程，执行步骤5)；若数据量不满足参评数据量阈值要求，则临时监控数据矩阵Data
temp
中的数据暂不参与评估过程，执行步骤7)；5)将临时监控数据矩阵Data
temp
中的各元素分别进行标准化处理，得到标准化临时监控数据矩阵D
temp
；对标准化临时监控数据矩阵D
temp
进行压缩处理，得到临时特征监控数据矩阵C
temp
，C
temp
对应的数据覆盖的时间范围为(t
W
，t
W+
)，数据采样点数和维度分别为n
temp
、(s+1)，t
W+
∈(t
W
，t
W+1
)，执行步骤6)；6)由用户在s个监控变量中指定一个待评估监控变量，逐一考察其余监控变量作为待选入监控变量时选入操作的F统计量，设定选入操作阈值和剔除操作阈值和剔除操作阈值构建一个用于求解待评估变量和其他监控变量的线性相关的预测模型，该预测模型的表达式为其中，x是预测模型中的已入选监控变量向量，由已选入监控变量的指标向量确定，β是由与预测模型选入变量对应的系数构成的系数矩阵；对每个历史特征监控数据矩阵或临时特征监控数据矩阵分别构建评估模型矩阵，对评估模型矩阵进行消去变换，计算得到将某一监控变量作为待评估变量并将其选入预测模型时，对应的选入操作的F统计量大小，或计算得到将某一监控变量作为待剔除变量并将其从预测模型中剔除时，对应的剔除操作的F统计量大小；通过若干次选入和剔除操作，当没有任何监控变量可以从预测模型中剔除且预测模型中再没有任何监控变量可以选入预测模型时，得到针对各历史特征监控数据矩阵或临时特征监控数据矩阵待评估变量的最终评估模型矩阵，并由最终评估模型矩阵确定预测模型，执行步骤7)；7)等待并接收实时有效设备监控数据data0·
＝[A
01 A
02
ꢀ…ꢀ
A
0s
]
T
，其中待评估监控变量对应的数据为对实时有效设备监控数据data0·
进行标准化处理，得到标准化实时监控数据d0·
＝[D
01 D
02
ꢀ…ꢀ
D
0s
]
T
，其中有效实时监控数据中待评估变量对应的数据为若临时监控数据矩阵Data
temp
不参与评估过程，则由至少一个与当前时刻设备承受的工况最为接近的历史特征监控数据矩阵对应的最终评估模型经过拟合得到设备运行状态评估区间；若临时监控数据矩阵Data
temp
参与评估过程，则由与当前时刻设备承受的工况最为
接近的0个或至少1个历史特征监控数据矩阵以及临时特征监控数据矩阵拟合得到设备运行状态评估区间[a，b]；若有效实时监控数据中待评估监控变量对应的数据落入设备运行状态评估区间[a，b]，则待评估监控变量的评估结果为正常，若有效实时监控数据中待评估监控变量对应的数据未落入设备运行状态评估区间[a，b]，则为故障状态并进行预警；然后进入步骤8)；8)更新采样点数n
temp
＝n
temp
+1；利用新收到的经过标准化后的实时监控数据向量更新临时特征监控数据矩阵C
temp
，并判断更新后的临时特征监控数据矩阵C
temp
是否能被步骤2)中的时间窗口或者事件窗口完整分割，若能被完整分割，则更新W＝W+1，并记更新后的临时特征监控数据矩阵C
temp
为C
W
，更新t
W
＝t
W+
，进入步骤2)；若不能被完整分割，则执行步骤5)。2.根据权利要求1所述的运行状态实时评估方法，其特征在于，步骤3)中对各标准化历史监控数据矩阵D
i
进行压缩处理是采用的转置乘以的方式构造相应的一个历史特征监控数据矩阵C
i
，历史特征监控数据矩阵C
i
的结构如下：的结构如下：其中，为由常数1列向量和标准化历史监控数据矩阵D
i
组成的第i个历史构造矩阵，维度为n
i
×
(s+1)；常数1向量为1＝[1 1
ꢀ…ꢀ
1]
T
，共n
i
维；为历史构造矩阵中第l行、第列的元素，为历史构造矩阵中第l行、第列的元素；为历史特征监控数据矩阵C
i
中第行、第列的元素，反映了标准化历史监控数据矩阵D
i
或历史监控数据矩阵Data
i
中第j个和第k个监控变量的交叉统计特征，个和第k个监控变量的交叉统计特征，3.根据权利要求2所述的运行状态实时评估方法，其特征在于，步骤5)中，对标准化临时监控数据矩阵D
temp
进行压缩处理是采用的转置乘以的方式构造相应的一个临时特征监控数据矩阵C
temp
，临时特征监控数据矩阵C
temp
的结构如下：
其中，为由常数1列向量和标准化临时监控数据矩阵D
temp
组成的临时构造矩阵，维度为n
temp
×
(s+1)，n
temp
≥s+1；常数1列向量为1＝[1 1
ꢀ…ꢀ
1]
T
，共n
temp
维；为临时构造矩阵中第行、第列的元素，为构造矩阵中第行、第列的元素；为历史特征监控数据矩阵C
temp
中第行、第列的元素，反映了标准化临时监控数据矩阵D
temp
或临时监控数据矩阵Data
temp
中第j个和第k个监控变量的交叉统计特征，4.根据权利要求3所述的运行状态实时评估方法，其特征在于，步骤6)包括以下步骤：61)由用户选定待评估监控变量指标id_y＝k
*
，k
*
代表s个监控变量中任意一个监控变量的指标；62)针对特征监控数据矩阵C
p
，对应的已选入监控变量指标向量id_x
p
，初始化id_x
p
＝(0)，即当前没有任何监控变量对应的指标选入时，此时已选入监控变量指标向量id_x
p
中只有0元素；设当前已选入监控变量指标向量id_x
p
中已选入监控变量指标的个数为r
p
，r
p
等于已选入监控变量指标向量id_x
p
中元素个数
‑
1；角标p代表特征监控数据矩阵的序号，p取i时，是针对能够被步骤2)中的时间窗口或者事件窗口完整分割的第i个历史特征监控数据矩阵C
i
，p取temp时，是针对不能够被步骤2)中的时间窗口或者事件窗口完整分割的临时特征监控数据矩阵C
temp
；63)判断在剩余的未入选监控变量中，是否存在监控变量可以选入预测模型：在所有未入选的监控变量中，逐一将各监控变量作为待入选变量，计算将其选入预测模型时，对应的选入操作的F统计量，若最大F统计量大于或等于选入操作的F统计量阈值则将最大F统计量对应的监控变量作为已选入监控变量，并将该已选入监控变量在特征监控数据矩阵C
p
中的指标存入已选入监控变量指标向量id_x
p
，执行步骤64)；若最大F统计量小于选入操作F统计量阈值则进入步骤65)；64)判断已选入监控变量指标向量id_x
p
对应的已选入变量中是否存在可剔除的监控变量：对已选入监控变量指标向量id_x
p
中的各已选入监控变量，分别将各已选入监控变量作为待剔除变量，计算待剔除变量的剔除操作的F统计量，若剔除操作的最小F统计量小于剔除操作阈值则将该剔除操作的最小F统计量对应的监控变量指标从已选入变量指标向量id_x
p
中剔除，其中，α
out
为由用户设定的剔除操作的显著性水平；对剩余的已选入监控变量指标向量id_x
p
中对应的监控变量，继续重复上述操作，判断是否仍存在可剔除的监控变量，直至id_x
p
中没有可剔除的监控变量对应的指标，则进入步骤65)；65)返回步骤63)，继续判断未选入的所有监控变量中是否存在可选入变量，直至预测模型中既没有可选入的监控变量、也没有可剔除的监控变量，进入步骤66)；66)结束变量的选入和剔除，记此时的最终评估模型矩阵为此时，评估模型为其中x为所有已选入监控变量组成的向量，为待评估监控变量y的预测模型评估值；判断是否有还未求解最终评估模型矩阵的历史特征监控数据矩阵或临时
特征监控数据矩阵，若还有未求解得到最终评估模型矩阵的历史特征监控数据矩阵，则更新p＝i+1，若还有未求解得到最终评估模型矩阵的临时特征监控数据矩阵，则更新p取temp，再次执行步骤62)；否则此时所有特征监控数据矩阵均已求解得到其最终评估模型矩阵，则执行步骤7)。5.根据权利要求4所述的运行状态实时评估方法，其特征在于，步骤63)具体包括以下步骤：631)对s
‑
r
p
‑
1个未入选选入操作初始评估模型矩阵的监控变量，遍历计算将各监控变量作为待选入监控变量时的选入操作的F统计量，并确定选入操作的最大F统计量，记为maxF
in
，其对应的监控变量的指标记为id_maxF
in
；632)继续步骤631)，遍历计算所有未入选变量的选入操作的F统计量，更新maxF
in
为所有未入选变量中选入操作的F统计量的最大值，并将该最大值对应的监控变量指标替换当前id_maxF
in
中的数值，直至所有未选入变量均已求解其选入操作的F统计量；633)判断maxF
in
和选入操作阈值的大小关系，若则当前待入选监控变量的选入操作满足判断准则，将id_maxF
in
对应的监控变量指标选入预测模型中，执行步...

【专利技术属性】
技术研发人员：刘应华，王震宇，吕嘉乐，
申请(专利权)人：清华大学，
类型：发明
国别省市：