【技术实现步骤摘要】
本专利技术属于物联网智能监测，尤其涉及一种融合专家经验和ai算法的旋转类设备健康评估方法。
技术介绍
1、在设备维护领域，在制造业企业中，存在大量的电机、泵机、压缩机、减速机等旋转类设备，常常会发生各种不同情况的异常或故障而影响到整台设备的正常工作运转，出现重大的财产损失，基于数据驱动的智能预测性维护策略，预知设备故障，及时的进行设备维修，显得极其重要。
2、当前，关于旋转类设备健康评估方法大多数基于数据驱动模型得到的。使用该方法进行健康设备评估，需要采集海量数据训练模型。这样的操作存在以下问题：
3、1、数据大量采集和大量标注难度大；工业现场，数据的大量采集存在成本高、通讯不稳定、存储空间限制等问题，且大量标注花费的人力成本高。
4、2、模型泛化性能不好，无法适用不同个体；工业现场环境复杂，同一种设备在不同工况下会有不同的特点，数据预处理和特征工程无法做到消除工矿的影响，模型的泛化能力差。
5、因此，怎样才能在保证健康评估准确性的基础上，减少花费的成本，同时提升模型的泛化能力，成为目前亟待解决的问题。
技术实现思路
1、针对上述现有技术的不足，本专利技术提供了一种融合专家经验和ai算法的旋转类设备健康评估方法，可以在保证健康评估准确性的基础上，减少花费的成本，同时提升模型的泛化能力。
2、为了解决上述技术问题，本专利技术采用了如下的技术方案：
3、一种融合专家经验和ai算法的旋转类设备健康评估方法，包括以下步
4、s1、获取旋转设备的运行数据，并由专家对设备健康状况做出评估并给出标注，将标注数据作为训练数据；
5、s2、对s1获取的运行数据进行预处理，得到设备的状态参数；
6、s3、对状态参数进行分析处理，得到设备的状态矩阵；
7、s4、基于s3得到的状态矩阵，使用训练数据进行模型训练，得到初始的状态评估模型；
8、s5、获取设备的实时数据并进行相应处理后，由健康评估模型进行实时健康评估；
9、s6、当实时健康评估的结果为存在异常或实际发生异常时，由专家进行实时评估并给出标注，得到新的评估数据；将新的评估数据放入训练数据中，并返回s4再次对状态评估模型进行训练，得到更新后的状态评估模型。
10、本专利技术与现有技术相比，具有如下有益效果：
11、1、使用本方法，不需要海量的数据来进行数据训练，只需要单台设备在某个时段内的运行数据，即可完成状态评估模型的初始训练。与现有技术相比，需要的训练数据量很小。训练的数据来自同一设备，克服了设备工矿差异和数据分布不同带来的影响。
12、2、完成初始训练并投入使用后，本方法可以通过持续的优化训练来保证模型对健康评估的准确性。由于不同设备的初始训练效果并不相同，这样的设置，通过使用时间的持续，可以保证各设备的健康评估模型均拥有较高的识别准确性。
13、3、本方法中，实际使用时，当实时健康评估的结果为存在异常或实际发生异常时，会由专家进行实时评估并给出标注得到新的评估数据。换个说法，本方法在不同阶段的训练数据中分别加入了专家的经验，通过不断验证优化的思路，可以保证对模型准确性提升的有效性。
14、4、本方法中，所有的训练数据均来自同一设备，有效的克服了设备工矿差异和数据分布不同带来的影响。由于具体使用时可持续提升精确性，所有的旋转类设备均可以使用本方法的模型。本方法不仅实现了一机一模型，还有效的提升了模型的泛化能力。
15、综上，本方法可以在保证健康评估准确性的基础上，减少花费的成本，同时提升模型的泛化能力。
16、优选地，s3中，对状态参数进行分析处理的过程包括：
17、s301、将各时刻的状态参数组成向量的形式，作为对应时刻的状态向量；
18、s302、对各时刻的状态向量进行无监督学习，采用k-means算法聚类，得到设备运行的各种运行状态；
19、s303、获取s302聚类结果中的各类别中心，组成设备的状态矩阵。
20、这样，可以准确、快速的得到设备的状态矩阵，保证后续操作的有效性。
21、优选地，s302中，所述运行状态包括空载运行、满载运行。
22、这样，通过对各种运行状态的识别，可以保证后续健康评估的针对性与准确性。
23、优选地，s4包括：
24、s401、计算训练数据中各时刻数据的残差，得到相应的残差序列；
25、s402、指定滑动窗口n，计算残差序列的标准差；
26、s403、选取n个时刻的残差和标准差训练模型，得到初始的状态评估模型。
27、这样，可以保证初始的状态评估模型的有效性，保证状态评估模型在一开始就具有相对可靠的准确性。
28、优选地，s5中，对设备的实时数据进行相应处理时，处理的过程包括：计算实时数据的状态向量后，计算状态向量的残差值，再计算残差序列的当前滑动标准差；之后，由健康评估模型通过当前滑动标准差进行实时的健康评估。
29、这样的设置，对实时数据进行处理后，可快速进行相应的健康评估，同时保证评估结果的有效性。
30、优选地，s2中，所述状态参数包括时域状态参数、频域状态参数、时频域状态参数。
31、这样，可以保证后续得到的各时刻的状态向量的有效性。
32、优选地，s2中，所述预处理包括异常值的剔除、缺失值的填充、时序信号滤波处理。
33、这样，可以保证得到的状态参数的有效性，从而保证后续得到状态矩阵时分析处理的有效性。
34、优选地，s6中，当评估结果为正常但实际发生异常时，还构建仿真评估数据，并将仿真评估数据放入训练数据中；其中，构建仿真评估数据的过程包括：根据实际的异常程度与异常类型进行异常评级，得到异常综合等级；之后，基于异常综合等级构建对应数量的仿真评估数据，且仿真评估数据的标注中，异常触发时的异常程度低于实际发生时的异常程度。
35、这样，本方法可以在保证评估有效性的同时，提升对难以发现的异常的识别能力，进一步保证设备监测的有效性。
本文档来自技高网...【技术保护点】
1.一种融合专家经验和AI算法的旋转类设备健康评估方法，其特征在于，包括以下步骤：
2.如权利要求1所述的融合专家经验和AI算法的旋转类设备健康评估方法，其特征在于：S3中，对状态参数进行分析处理的过程包括：
3.如权利要求2所述的融合专家经验和AI算法的旋转类设备健康评估方法，其特征在于：S302中，所述运行状态包括空载运行、满载运行。
4.如权利要求3所述的融合专家经验和AI算法的旋转类设备健康评估方法，其特征在于：S4包括：
5.如权利要求4所述的融合专家经验和AI算法的旋转类设备健康评估方法，其特征在于：S5中，对设备的实时数据进行相应处理时，处理的过程包括：计算实时数据的状态向量后，计算状态向量的残差值，再计算残差序列的当前滑动标准差；之后，由健康评估模型通过当前滑动标准差进行实时的健康评估。
6.如权利要求1所述的融合专家经验和AI算法的旋转类设备健康评估方法，其特征在于：S2中，所述状态参数包括时域状态参数、频域状态参数、时频域状态参数。
7.如权利要求1所述的融合专家经验和AI算法的旋转类设备
8.如权利要求1所述的融合专家经验和AI算法的旋转类设备健康评估方法，其特征在于：S6中，当评估结果为正常但实际发生异常时，还构建仿真评估数据，并将仿真评估数据放入训练数据中；其中，构建仿真评估数据的过程包括：根据实际的异常程度与异常类型进行异常评级，得到异常综合等级；之后，基于异常综合等级构建对应数量的仿真评估数据，且仿真评估数据的标注中，异常触发时的异常程度低于实际发生时的异常程度。
...【技术特征摘要】
1.一种融合专家经验和ai算法的旋转类设备健康评估方法，其特征在于，包括以下步骤：
2.如权利要求1所述的融合专家经验和ai算法的旋转类设备健康评估方法，其特征在于：s3中，对状态参数进行分析处理的过程包括：
3.如权利要求2所述的融合专家经验和ai算法的旋转类设备健康评估方法，其特征在于：s302中，所述运行状态包括空载运行、满载运行。
4.如权利要求3所述的融合专家经验和ai算法的旋转类设备健康评估方法，其特征在于：s4包括：
5.如权利要求4所述的融合专家经验和ai算法的旋转类设备健康评估方法，其特征在于：s5中，对设备的实时数据进行相应处理时，处理的过程包括：计算实时数据的状态向量后，计算状态向量的残差值，再计算残差序列的当前滑动标准差；之后，由健康评估模型通过当前滑动标准差进行实...
【专利技术属性】
技术研发人员：江虹锋，陈历林，姜仁杰，卢仁谦，张芷馨，
申请(专利权)人：重庆忽米网络科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。