本发明专利技术公开了一种基于历史振动及相关监测数据建立的设备劣化分析模型，涉及设备数据模型分析技术领域，包括对采集的离线数据进行相关性处理，得到工况特征参数和监测特征参数，然后将工况特征参数与监测特征参数分别作为输入和输出，得到健康模型，获取到实际运行数据，并将其代入健康模型中，得到健康标准值，之后将健康标准值与实测值结合并处理，得到目标设备劣化度与时间的关系即劣化度序列，之后对劣化度序列进行分解，并将分解后的劣化度序列利用神经网络模型建立劣化度趋势预测模型，得到目标设备的劣化度预测曲线，从而提高对目标设备劣化度分析的准确性。
【技术实现步骤摘要】
本专利技术属于设备数据模型分析，具体是一种基于历史振动及相关监测数据建立的设备劣化分析模型。
技术介绍
1、专利公开号为cn114357858a的专利技术公开了一种基于多任务学习模型的设备劣化分析方法及系统，分析方法包括：将目标设备中每一个组件的运行状态信息和环境参数信息输入对应的组件劣化分析子模型，获取每一个组件劣化分析子模型的输出值；将每一个组件劣化分析子模型的输出值和目标设备的运行异常特征输入所述设备劣化分析子模型中，获取设备劣化分析子模型输出的目标设备的预测结果。本专利技术采用多任务劣化分析模型，通过分隔再整合的模型结构，协同训练设备整体和设备各组件的劣化模型，将设备的各个组件和设备整体协同进行分析，得到设备的劣化程度，提高了对设备的劣化分析精度；增加环境参数数据和设备异常记录作为外部数据参与模型训练，使模型的预测更严谨。
2、而针对上述专利技术来说，其中对设备劣化分析时存在以下缺点，其一，数据来源单一，通常为仅依赖于设备的传感器数据或历史维护数据，其二，数据分析不全面，一般为只关注设备单方面指标，而未考虑其他指标对设备整体性能的影响，其三，模型假设过于简化，未考虑设备性能变化的复杂性和非线性，其四，模型分析时缺乏实时性，无法及时预测故障和性能下降，可能导致生产停滞和质量下降。
技术实现思路
1、本专利技术旨在至少解决现有技术中存在的技术问题之一；为此，本专利技术提出了一种基于历史振动及相关监测数据建立的设备劣化分析模型，用于解决上述所提出的技术问题。
<
p>2、为实现上述目的，根据本专利技术的第一方面的实施例提出一种基于历史振动及相关监测数据建立的设备劣化分析模型，该分析模型具体包括以下步骤：3、步骤一：先对目标设备的离线数据进行采集，目标设备指使用本模型进行劣化分析的设备，离线数据指目标设备的历史运行数据，之后对目标设备的离线数据进行相关性处理，得到相关系数，同时将相关系数与关联标准值进行比较，得到工况特征参数和监测特征参数；
4、步骤二：根据工况特征参数和监测特征参数建立基准模型，同时将所有历史运行数据放入基准模型中进行训练，得到健康模型；
5、步骤三：将实时运行数据代入健康模型中，得到健康标准值，同时将健康标准值与实测的监测特征参数进行结合，得到劣化度；
6、步骤四：获取到劣化度与时间的关系，将其标记为劣化度序列，先将劣化度进行分解，之后利用神经网络模型对分解后的劣化度序列建立劣化度趋势预测模型。
7、作为本专利技术的进一步方案，相关性处理为采用皮尔逊相关系数法，得到两组数据间的相关系数。
8、作为本专利技术的进一步方案，将相关系数与关联标准值进行比较的具体过程为：
9、当任意一组数据与其他数据之间的相关系数都大于关联标准值时，将对应的数据标记为工况特征参数，当任一组数据与其他数据之间的相关系数小于关联标准值时，将对应的数据标记为监测特征参数，其中关联标准值为阈值。
10、作为本专利技术的进一步方案，健康模型的获取方法为：
11、s1：将采集的工况特征参数作为基准模型的输入，将监测特征参数作为基准模型的输出，同时将工况特征参数分别标记为pa、pb、pc、……，将监测特征参数标记为f，之后利用历史运行数据，构建基准模型，从而得到工况特征参数与监测特征参数之间的映射关系；
12、s2：同时将离散数据中所有的历史运行数据放入基准模型中进行健康模型训练，从而得到工况特征参数与监测特征参数之间的健康模型，并将健康模型表示为f(t)＝f(pa(t)，pb(t)，pc(t))，其中t表示为运行时间。
13、作为本专利技术的进一步方案，劣化度的获取方法为：
14、st1：先获取到工况特征参数的实测值，将工况特征参数的实测值放入健康模型中，得到当前工况状态下期望健康监测特征参数，同时将当期工况状态下期望健康监测特征参数标记为健康标准值f(t)；
15、st2：获取到当前状态下实测的监测特征参数，并将实测的监测特征参数标记为实测值v(t)，将当前状态下的健康标准值f(t)与实测值v(t)采用公式得到目标设备的劣化度d(t)。
16、作为本专利技术的进一步方案，劣化度趋势预测模型的获取方法为：
17、ste1：先将劣化度序列按照其非线性信号中不同的频率和振幅，将其分解为若干个成分；
18、ste2：之后利用神经网络模型对分解后的劣化度序列建立劣化趋势预测模型，并对其进行训练；
19、ste3：利用训练好的劣化趋势训练模型对目标设备实时的状态下的劣化度序列进行预测，从而得到劣化度预测曲线。
20、作为本专利技术的进一步方案，劣化度类型具体包括目标设备的性能下降、磨损和故障。
21、与现有技术相比，本专利技术的有益效果是：通过将设备运行数据进行相关性处理，分别得到特征参数，采用多维度数据，避免单一数据来源，同时将特征参数建立健康模型，并将实时监测参数放入模型中进行训练，使数据基于多时空分析，构建劣化趋势的神经网络模型，从过去和现在已知情况出发，判断目标设备的劣化趋势，使分析预测结果更加准确，同时依据目标设备运维相关标准与专家经验，根据不同状态量的劣化程度以及对应的标准，建立融合权重的劣化分析基础模型，对目标设备的劣化程度进行划分，从而得到目标设备的实时运行状态，提高对目标设备运行状态监控的准确度，防止目标设备突发意外故障，对生产造成影响。
本文档来自技高网...
【技术保护点】
1.一种基于历史振动及相关监测数据建立的设备劣化分析模型，其特征在于，包括：
2.根据权利要求1所述的一种基于历史振动及相关监测数据建立的设备劣化分析模型，其特征在于，相关性处理为采用皮尔逊相关系数法，得到两组数据间的相关系数。
3.根据权利要求1所述的一种基于历史振动及相关监测数据建立的设备劣化分析模型，其特征在于，将相关系数与关联标准值进行比较的具体过程为：
4.根据权利要求1所述的一种基于历史振动及相关监测数据建立的设备劣化分析模型，其特征在于，健康模型的获取方法为：
5.根据权利要求1所述的一种基于历史振动及相关监测数据建立的设备劣化分析模型，其特征在于，劣化度的获取方法为：
6.根据权利要求1所述的一种基于历史振动及相关监测数据建立的设备劣化分析模型，其特征在于，劣化度趋势预测模型的获取方法为：
7.根据权利要求1所述的一种基于历史振动及相关监测数据建立的设备劣化分析模型，其特征在于，劣化度类型具体包括目标设备的性能下降、磨损和故障。
【技术特征摘要】
1.一种基于历史振动及相关监测数据建立的设备劣化分析模型，其特征在于，包括：
2.根据权利要求1所述的一种基于历史振动及相关监测数据建立的设备劣化分析模型，其特征在于，相关性处理为采用皮尔逊相关系数法，得到两组数据间的相关系数。
3.根据权利要求1所述的一种基于历史振动及相关监测数据建立的设备劣化分析模型，其特征在于，将相关系数与关联标准值进行比较的具体过程为：
4.根据权利要求1所述的一种基于历史振动及相关监测数据建立的设...
【专利技术属性】
技术研发人员：常仁凯，王武，杨希，张超群，刘茹，何云俊，舒贵峰，
申请(专利权)人：中水三立数据技术股份有限公司，
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。