一种基于LSTM-VAE的动设备健康状况评估方法技术

本发明专利技术公开了一种基于LSTM

【技术实现步骤摘要】
一种基于LSTM
‑
VAE的动设备健康状况评估方法


[0001]本专利技术涉及一种动设备健康状况评估方法，尤其涉及一种复杂工况下基于LSTM
‑
VAE的动设备健康状况评估方法。

技术介绍

[0002]动设备是工业生产中常见的机器设备之一，是指由驱动机带动的转动设备(亦即有能源消耗的设备)，如泵、发电机、压缩机、风机等，其能源可以是电动力、气动力、蒸汽动力等。
[0003]动设备可靠性研究对提高其使用寿命和防止事故发生具有重要意义。随着机电类大型动设备系统集成化、信息化程度的提高，其故障诊断与后勤保障的难度增大。为保障这些系统连续稳定的运行，不影响任务的正常执行，减少资源浪费，提高设备保养和维修效率，需随时掌握设备的健康状况，并根据系统健康做出适当的维修维护决策，以提高工作效能。
[0004]动设备健康状况评价的核心认为是对动设备的综合性能进行定量评估和安全等级划分，直观地展现动设备的健康水平。健康状况评估基于状态监测数据，对系统性能退化状态进行建模，从而构建一维健康度曲线，以表征性能退化或偏离程度。
[0005]目前，较为广泛应用的健康状态评估方法是基于原始监测数据，在领域专家或经验知识指导下，经过简单统计分析或者特征提取，直接构造出具有一定物料意义的健康值。但由于人工参与了特征工程，造成了建模方法难以具备通用性，且如果设备在复杂工况下运行时，建模难度会倍增，并进而导致评估不精准。

技术实现思路

[0006]为了解决上述技术所存在的不足之处，本专利技术提供了一种基于LSTM
‑
VAE的动设备健康状况评估方法。
[0007]为了解决以上技术问题，本专利技术采用的技术方案是：一种基于LSTM
‑
VAE的动设备健康状况评估方法，包括以下步骤：
[0008]步骤1.收集、整理动设备传感器历史监测数据，选取工况指标数据；
[0009]步骤2.设计基于k
‑
means聚类的工况识别方法对设备运行工况进行划分；
[0010]步骤3.对传感器历史监测数据按工况类别分组进行预处理、标准化，将各工况标准化结果集重组，构成标准化后重组的监测数据集Q0以及健康状态训练集
[0011]步骤4.将由时间序列构成的数据集Q0、分别拆分为封装着子序列的窗口序列；
[0012]步骤5.设计健康度计算模型，并计算历史监测数据健康度；
[0013]步骤6.设计线性回归模型，使监测数据直接映射到健康度；
[0014]步骤7.复杂工况下，基于LSTM
‑
VAE的动设备健康状况评估建模方法在线进行动设备健康状况评估。
[0015]进一步地，步骤1中，工况指标数据的获取方法为：
[0016]步骤1.1对动设备传感器历史监测数据按标签进行排序；
[0017]步骤1.2统一动设备传感器历史监测数据中各监测指标的量纲；
[0018]步骤1.3对整理好的监测数据进行探索性分析；
[0019]步骤1.4把与设备性能退化无关的指标删除，保留剩余指标，得到重组历史监测数据X0；
[0020]步骤1.5从重组历史监测数据X0中标记出能够反映动设备运行工况的数据，即工况指标数据。
[0021]进一步地，步骤2中，工况划分的具体过程为：
[0022]步骤2.1将标记为工况指标的数据从重组的历史监测数据X0中剥离出来，构成工况监测数据集G0；
[0023]步骤2.2使用k
‑
means聚类模型对工况进行识别，具体步骤为：
[0024]构建不同类别数量k
‑
means聚类模型，使用工况监测数据集G0分别训练这些模型；计算出所有k
‑
means聚类对象的轮廓系数；
[0025]步骤2.3依据轮廓系数筛选出最优的工况识别聚类模型，使用该最优模型对重组的历史监测数据X0的工况进行划分。
[0026]进一步地，步骤3中，重组的监测数据集Q0、健康状态训练集的获取方法为：
[0027]步骤3.1依据步骤2.3的工况划分情况进行分组预处理，得重组历史监测数据标识为X0′
；
[0028]步骤3.2使用z
‑
score方法将重组历史监测数据X0′
的各指标分别实施标准化处理，构成标准化后重组的监测数据集Q0；
[0029]步骤3.3过滤标准化后重组的监测数据集Q0，过滤条件是保留动设备健康状态下运行时段的监测数据，并将其另存为健康状态训练集
[0030]进一步地，步骤4的处理过程为：
[0031]采取滑动时间窗法，从标准化后重组的监测数据集Q0中提取封装着子序列的窗口序列，构成子序列窗口数据集W0；
[0032]采取滑动时间窗法，从健康状态训练集中提取封装着子序列的窗口序列，构成健康状态子序列窗口数据集
[0033]进一步地，步骤5中，历史监测数据健康度的获取过程为：
[0034]步骤5.1使用健康状态子序列窗口数据集以无监督方式对LSTM
‑
VAE模型进行训练；
[0035]步骤5.2将子序列窗口数据集W0载入训练好的LSTM
‑
VAE模型中，模型解码器按时间窗口重构子序列窗口数据集W0′
；
[0036]步骤5.3由重构的子序列窗口数据集W0′
与子序列窗口数据集W0计算重构误差E0，对其取平均，得到平均重构误差序列
[0037]步骤5.4将平均重构误差序列映射为百分制，即动设备的历史监测数据健康度
H0。
[0038]进一步地，平均重构误差的获取过程为：
[0039]设窗口滑动到时刻t时，截取到子序列窗口w，记为w＝[w1,w2,...,w
l
]，其中，l为时间窗口的长度,L为传感器序列长度，w作为输入，动设备t时刻子序列窗口w的重构误差为：
[0040]e＝||w
‑
w
′
||＝[e1,e2,
…
,e
l
][0041]重构的子序列窗口数据集W0′
与子序列窗口数据集W0的平均重构误差为：
[0042][0043]平均重构误差序列的映射通过构建映射函数h(x)，将重构误差映射到0到100的区间内，如下式所示；
[0044][0045]其中，h(x)为健康度映射函数，x是重构误差，p表示重构误差的分界值。
[0046]进一步地，步骤6中，标准化后重组的监测数据集Q0，记为Q0＝[q1,q1,
…
,q
t
,
…
,q
L
]，其中，q
t
∈R
m
是设备在t时刻的m个指标构成的向量值；Q0利用滑动时间窗法考虑多个时刻的监测数据，利用LSTM
‑
V本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于LSTM
‑
VAE的动设备健康状况评估方法，其特征在于：包括以下步骤：步骤1.收集、整理动设备传感器历史监测数据，选取工况指标数据；步骤2.设计基于k
‑
means聚类的工况识别方法对设备运行工况进行划分；步骤3.对传感器历史监测数据按工况类别分组进行预处理、标准化，将各工况标准化结果集重组，构成标准化后重组的监测数据集Q0以及健康状态训练集步骤4.将由时间序列构成的数据集Q0、分别拆分为封装着子序列的窗口序列；步骤5.设计健康度计算模型，并计算历史监测数据健康度；步骤6.设计线性回归模型，使监测数据直接映射到健康度；步骤7.复杂工况下，基于LSTM
‑
VAE的动设备健康状况评估建模方法在线进行动设备健康状况评估。2.根据权利要求1所述的基于LSTM
‑
VAE的动设备健康状况评估方法，其特征在于：步骤1中，工况指标数据的获取方法为：步骤1.1对动设备传感器历史监测数据按标签进行排序；步骤1.2统一动设备传感器历史监测数据中各监测指标的量纲；步骤1.3对整理好的监测数据进行探索性分析；步骤1.4把与设备性能退化无关的指标删除，保留剩余指标，得到重组历史监测数据X0；步骤1.5从重组历史监测数据X0中标记出能够反映动设备运行工况的数据，即工况指标数据。3.根据权利要求2所述的基于LSTM
‑
VAE的动设备健康状况评估方法，其特征在于：步骤2中，工况划分的具体过程为：步骤2.1将标记为工况指标的数据从重组的历史监测数据X0中剥离出来，构成工况监测数据集G0；步骤2.2使用k
‑
means聚类模型对工况进行识别，具体步骤为：构建不同类别数量k
‑
means聚类模型，使用工况监测数据集G0分别训练这些模型；计算出所有k
‑
means聚类对象的轮廓系数；步骤2.3依据轮廓系数筛选出最优的工况识别聚类模型，使用该最优模型对重组的历史监测数据X0的工况进行划分。4.根据权利要求3所述的基于LSTM
‑
VAE的动设备健康状况评估方法，其特征在于：步骤3中，重组的监测数据集Q0、健康状态训练集的获取方法为：步骤3.1依据步骤2.3的工况划分情况进行分组预处理，得重组历史监测数据标识为X
′0；步骤3.2使用z
‑
score方法将重组历史监测数据X
′0的各指标分别实施标准化处理，构成标准化后重组的监测数据集Q0；步骤3.3过滤标准化后重组的监测数据集Q0，过滤条件是保留动设备健康状态下运行时段的监测数据，并将其另存为健康状态训练集5.根据权利要求4所述的基于LSTM
‑
VAE的动设备健康状况评估方法，其特征在于：步骤4的处理过程为：
采取滑动时间窗法，从标准化后重组的监测数据集Q0中提取封装着子序列的窗口序列，构成子序列窗口数据集W0；采取滑动时间窗法，从健康状态训练集中提取封装着子序列的窗口序列，构成健康状态子序列窗口数据集6.根据权利要求5所述的基于LSTM
‑
VAE的动设备健康状况评估方法，其特征在于：步骤5中，历史监测数据健康度的获取过程为：步骤5.1使用健康状态子序列窗口数据集以无监督方式对LSTM
‑
VAE模型进行训练；步骤5.2将子序列窗口数据集W0载入训练好的LSTM
‑
VAE模型中，模型解码器按时间窗口重构子序列窗口数据集W0′
；步骤5.3由重构的子序列窗口数据集W0′
与子序列窗口数据集W0计算重构误差E0，对其取平均，得到平均重构误差序列步骤5.4将平均重构误差序列映射为百分制，即动设备的历史监测数据健康度H0。7.根据权利要求6所述的基于LSTM
‑
VAE的动设备健康状况评估方法，其特征在于：平均重构误差的获取过程为：设窗口滑动到时刻t时，截取到子序列窗口w，记为w＝[w1,w2,...,w
l
]，其中，l为时间窗口的长度,L为传感器序列长度，w作为输入，动...

【专利技术属性】
技术研发人员：李郭敏，张力翔，
申请(专利权)人：未必然数据科技北京有限公司，
类型：发明
国别省市：