一种基于统计过程控制的故障预测算法制造技术

本发明专利技术公开的属于人工智能技术领域，具体为一种基于统计过程控制的故障预测算法，包括控制图，所述控制图采用均值与极差控制图，利用样本统计量检验总体均值μ和标准差σ是否发生显著变化的过程，在数据为连续值时：若抽样得到的样本均值为x，样本大小为n，使得公式：成立，则认为当显著性水平为α时，总体均值μ未发生显著变化，即设备属于稳定状态，本发明专利技术提供一种故障预测算法，预知系统健康状态衰减，实现设备故障提前预测，实现预防性维修，减少重大市政工程、石油石化施工、电力设施的事故，减少安全事故发生概率。概率。概率。

【技术实现步骤摘要】
一种基于统计过程控制的故障预测算法


[0001]本专利技术涉及人工智能
，具体为一种基于统计过程控制的故障预测算法。

技术介绍

[0002]市政工程、电力设施、石油石化等重大基础设施施工过程中，通常会用到较多的系统，系统出现故障时，轻则延长施工时间，重则产生较大的安全事故。
[0003]现有故障诊断技术均是系统故障发生后依据数据分析，实现故障的定位及原因诊断，无法实现故障发生前的提前预判。

技术实现思路

[0004]本专利技术的目的在于提供一种基于统计过程控制的故障预测算法，以解决上述
技术介绍
中提出的现有故障诊断技术均是系统故障发生后依据数据分析，实现故障的定位及原因诊断，无法实现故障发生前的提前预判的问题。
[0005]为实现上述目的，本专利技术提供如下技术方案：一种基于统计过程控制的故障预测算法，包括控制图，所述控制图采用均值与极差控制图，利用样本统计量检验总体均值μ和标准差σ是否发生显著变化的过程，在数据为连续值时：
[0006]若抽样得到的样本均值为x，样本大小为n，使得公式：
[0007]成立，则认为当显著性水平为α时，总体均值μ未发生显著变化，即设备属于稳定状态，其中上控制线、中心线和下控制线分别为UCL、CL、LCL；
[0008]其中：
[0009]CL＝u；
[0010][0011]依据休哈特控制图的特征值排列非随机则判断为异常，控制界限内特征点排列非随机，具体有以下的判断准则：
[0012](1)、连续7个特征值点或者更多特征值点在中心线的同一侧；
[0013](2)、连续11个特征值点中至少有10个特征值点在中心线的同一侧；连续14个特征值点中至少有12个特征值点在中心线的同一侧；连续17个特征值点中至少有14个特征值点在中心线的同一侧；连续20个特征值点中至少有16个特征值点在中心线的同一侧；
[0014](3)、连续7个特征值点或更多个特征值点呈上升或下降趋势；
[0015](4)、特征值点屡屡接近控制界限，属于下列情况之一时，则可判定特征值点排列非随机：
[0016]连续3点中至少有2点落在2倍标准差2s与3倍标准差3s控制界限之内；
[0017]连续7点中至少有3点落在2倍标准差2s与3倍标准差3s控制界限之内；
[0018]连续13点中至少有4点落在2倍标准差2s与3倍标准差3s控制界限之内；
[0019](5)、特征值点距离中心线在1倍标准差1s以内，连续15点集中在中心线附近；
[0020](6)、特征值点呈周期性变化；
[0021]过程能力指数的过程中心m把规范T分成两个区间(LSL，m)和(m，USL)，其与3s比值称作为单侧过程能力；
[0022]单侧下限过程能力指数：Cpl＝(m－LSL)/3s；
[0023]单侧上限过程能力指数：Cpu＝(USL－m)/3s；
[0024]其中：USL为上控制限，LSL为下控制限，实际过程能力指数Cpk，取Cpl和Cpu的最小值，即：Cpk＝min(Cpl，Cpu)。
[0025]优选的，当Cpk>1.67时，表明过程能力过高，可以放宽对质量特性的波动上下限制；
[0026]当1.33<Cpk<1.67时，表明过程能力充足，是一种理想状态；
[0027]当1.00<Cpk<1.33时，表明过程能力尚可，应该注意控制，防止发生较大波动；
[0028]当Cpk<1.00时，过程能力不足，应分析原因并采取必要的措施。
[0029]优选的，通过Cpk指数判断机器人系统运行状态是否达到健康状态临界值，并由Cpk值分析，预测系统的故障点和发生故障的原因，根据Cpk指数调用相应的专用机器人系统维修专家知识库采取必要的维护和维修措施，对系统进行适当维修。
[0030]与现有技术相比，本专利技术的有益效果是：
[0031]1)本专利技术提供一种故障预测算法，预知系统健康状态衰减，实现设备故障提前预测，实现预防性维修，减少重大市政工程、石油石化施工、电力设施的事故，减少安全事故发生概率；
[0032]2)本专利技术算法基于统计学的规律，对采集设备数据虽在限定范围内，但呈现不稳定趋势时，建立不稳定数据判断法则，建立设备状态能力指数，实现故障提前预测。
附图说明
[0033]图1为本专利技术系统健康水平随时间退化示意图；
[0034]图2为本专利技术控制图。
具体实施方式
[0035]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0036]在本专利技术的描述中，需要说明的是，术语“上”、“下”、“内”、“外”、“顶/底端”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0037]在本专利技术的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“设置有”、“套设/接”、“连接”等，应做广义理解，例如“连接”，可以是固定连接，也可以是可拆
卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本专利技术中的具体含义。
[0038]实施例：
[0039]请参阅图1
‑
2，本专利技术提供一种技术方案：
[0040]设备或者系统健康状态存在如图1所示的退化过程，在系统失效前，存在着逐步退化的过程，通过分析设备数据并运用本专利技术专利算法，实现设备健康状态不稳定监测，量化设备健康状态，为运维提供科学决策依据；
[0041]一种基于统计过程控制的故障预测算法，包括控制图，通过将统计过程控制理论(SPC)和计算机技术相结合，运用休哈特的过程控制理论来实时判断设备是否处于稳定可靠状态，根据控制图上的特征点，分析对象系统特性的趋势，虽然数据处于稳定范围内，但通过分析数据之间的分布关系，判断设备处于健康状态的哪一阶段，提示维护人员进行预防性维修，确保系统稳定运行，所述控制图采用均值与极差控制图，利用样本统计量检验总体均值μ和标准差σ是否发生显著变化的过程，在数据为连续值时：
[0042]若抽样得到的样本均值为x，样本大小为n，使得公式：
[0043]成立，则认为当显著性水平为α时，总体均值μ未发生显著变化，即设备属于稳定状态，其中上控制线、中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于统计过程控制的故障预测算法，包括控制图，其特征在于：所述控制图采用均值与极差控制图，利用样本统计量检验总体均值μ和标准差σ是否发生显著变化的过程，在数据为连续值时：若抽样得到的样本均值为x，样本大小为n，使得公式：成立，则认为当显著性水平为α时，总体均值μ未发生显著变化，即设备属于稳定状态，其中上控制线、中心线和下控制线分别为UCL、CL、LCL；其中：CL＝u；依据休哈特控制图的特征值排列非随机则判断为异常，控制界限内特征点排列非随机，具体有以下的判断准则：(1)、连续7个特征值点或者更多特征值点在中心线的同一侧；(2)、连续11个特征值点中至少有10个特征值点在中心线的同一侧；连续14个特征值点中至少有12个特征值点在中心线的同一侧；连续17个特征值点中至少有14个特征值点在中心线的同一侧；连续20个特征值点中至少有16个特征值点在中心线的同一侧；(3)、连续7个特征值点或更多个特征值点呈上升或下降趋势；(4)、特征值点屡屡接近控制界限，属于下列情况之一时，则可判定特征值点排列非随机：连续3点中至少有2点落在2倍标准差2s与3倍标准差3s控制界限之内；连续7点中至少有3点落在2倍标准差2s与3倍标准差3s控制界限之内；连续13点中至少有4点落在2倍标准差2s与3倍标准差3s控制界限之内；(5)、特征值点距离中心线在1倍标准差1...

【专利技术属性】
技术研发人员：刘林，王瑞芳，黄超，郭伟，
申请(专利权)人：苏州森合知库机器人科技有限公司，
类型：发明
国别省市：