【技术实现步骤摘要】
本专利技术涉及设备健康管理，尤其涉及一种基于多变量相关特征网络的设备健康状态评估方法。
技术介绍
1、随着科学技术的发展，各种设备在现代社会中得到广泛应用。由于需要实现的功能越来越多样化，设备也逐渐变得精密化和复杂化。这种复杂性的增加使得这些设备的失效可能性提高，一旦发生故障，往往会导致巨大的经济损失。因此，对设备的运行状态进行精确评估变得日益重要。
2、现有技术中，无监督健康状态评估方法通常侧重于监测数据背后的隐藏特征，通常包括自编码器模型。由于设备的复杂内部结构和动态操作环境，没有任何一个特征能够充分封装所有的退化信息，因此实际中往往存在多个监测变量，同时这些监测变量间还存在着动态的关联关系，这使得利用传统的自编码器模型对设备进行健康状态评估变得非常困难，即使能够进行评估，得到结果也不尽理想。
3、因此，亟需一种考虑多变量相关的健康状态评估技术方案。
技术实现思路
1、鉴于上述的分析，本专利技术实施例旨在提供一种基于多变量相关特征网络的设备健康状态评估方法，用以解决现有技术中监测变量多、样本量少且缺乏对应标签使得设备健康评估困难的问题。
2、本专利技术实施例提供了一种基于多变量相关特征网络的设备健康状态评估方法，所述设备健康状态评估方法包括：
3、获取待评估设备的待评估运行数据，待评估运行数据包括第一数量的待评估运行监测数据组，相邻的两个待评估运行监测数据组的时间间隔相同；
4、根据待评估运行数据对预先构建的待评估嵌套
5、基于预先完成的设备的健康状态评估曲线分析待评估运行数据的健康状态评估值，评估待评估设备的待评估运行数据所对应的健康状态。
6、基于上述方法的进一步改进，通过下述步骤构建待评估嵌套自编码器模型：
7、对待评估运行监测数据组所包括的待评估监测变量按照待评估组件类型进行划分，确定待评估组件类型的数量；
8、根据待评估组件类型的数量构建待评估嵌套自编码器模型；待评估嵌套自编码器模型包括一个系统自编码器和待评估组件类型的数量的子自编码器，子自编码器和系统自编码器均包括特征提取模块、隐藏空间和特征缩减模块；
9、将训练完成的系统自编码器的参数作为待评估运行数据的参数矩阵。
10、基于上述方法的进一步改进，所述根据待评估运行数据对预先构建的待评估嵌套自编码器模型进行训练，包括：
11、对待评估运行数据进行预处理，将第一数量的待评估运行监测数据组划分成第二数量的训练样本；
12、从第二数量的训练样本中随机抽取构成训练集和验证集，利用训练集和验证集中的训练样本对待评估嵌套自编码器模型进行训练。
13、基于上述方法的进一步改进，所述利用训练集和验证集中的训练样本对待评估嵌套自编码器模型进行训练，包括：
14、将训练样本中同一待评估组件类型的待评估特征提取变量输入至待评估嵌套自编码器模型对应的子自编码器的特征提取模块，特征提取模块用于对待评估特征提取变量进行编码，得到该待评估组件类型下的特征值并保存至隐藏空间；特征缩减模块用于接收该待评估组件类型下的特征值并进行解码，得到该待评估组件类型下的预测值；
15、将训练样本中同一待评估组件类型的待评估对比验证变量输入至待评估嵌套自编码器模型对应的子自编码器的特征缩减模块，特征缩减模块还用于比较该待评估组件类型下的预测值和待评估对比验证变量，根据比较结果确定是否进行反向传播。
16、基于上述方法的进一步改进，所述利用训练集和验证集中的训练样本对待评估嵌套自编码器模型进行训练，还包括：
17、在待评估嵌套自编码器模型的系统自编码器中，系统自编码器的特征提取模块接收所有子自编码器的所有待评估组件类型的特征值，将所有待评估组件类型的特征值合并，得到该训练样本的特征值，保存至隐藏空间；特征缩减模块对该训练样本的特征值进行解码，得到该训练样本的预测值；
18、在待评估嵌套自编码器模型的系统自编码器中，系统自编码器的特征缩减模块接收该训练样本的所有待评估组件类型的待评估特征提取变量，作为该训练样本的真实值；特征缩减模块接收隐藏空间的该训练样本的预测值，并与该训练样本的真实值进行比较，根据比较结果确定是否进行反向传播。
19、基于上述方法的进一步改进，所述对待评估运行数据进行预处理，将第一数量的待评估运行监测数据组划分成第二数量的训练样本，包括：
20、将第一数量的待评估运行监测数据组按照待评估工况进行划分，确定每种待评估工况下每个待评估监测变量的平均值和标准差；每个待评估运行监测数据组包括第三数量的待评估监测变量的数据；
21、基于所有待评估工况下所有待评估监测变量的平均值和标准差，对第一数量的待评估运行监测数据组进行标准差标准化和归一化更新，得到更新后的第一数量的待评估运行监测数据组；
22、基于预设滑动时间窗对更新后的第一数量的待评估运行监测数据组进行数据分割，得到第二数量的训练样本。
23、基于上述方法的进一步改进，所述基于预设滑动时间窗对更新后的第一数量的待评估运行监测数据组进行数据分割，得到第二数量的训练样本，包括：
24、
25、其中，t表示第一数量，ws表示预设滑动时间窗的大小，ss表示预设滑动时间窗的步长，floor[]表示向下取整；
26、对于每个训练样本所包括的待评估运行监测数据组按照待评估组件类型进行划分，同时在每种待评估组件类型中确定待评估特征提取变量和待评估对比验证变量。
27、基于上述方法的进一步改进，所述根据待评估运行数据的参数矩阵构建待评估运行数据的隐特征图，包括：
28、根据待评估组件类型确定隐特征图的节点，待评估组件类型与节点一一对应；
29、根据待评估预设阈值对待评估运行数据的参数矩阵进行二值化处理，根据二值化处理的结果对节点进行连线，得到待评估运行数据的隐特征图。
30、基于上述方法的进一步改进，所述基于待评估运行数据的隐特征图确定待评估运行数据的健康状态评估值，包括：
31、根据待评估运行数据的隐特征图，确定待评估运行数据的平均路径长度、聚类系数和网络结构熵；
32、根据下述公式确定待评估运行数据的健康状态评估值：
33、
34、其中，di'表示待评估运行数据的平均路径长度、聚类系数和网络结构熵中任意一个值，hi表示待评估运行数据的健康状态评估值。
35、基于上述方法的进一步改进，通过下述步骤完成设备的健康状态评估曲线：
36、获取设备的运行监测总数据，按照时间顺序将运行监测总本文档来自技高网...
【技术保护点】
1.一种基于多变量相关特征网络的设备健康状态评估方法，其特征在于，所述设备健康状态评估方法包括：
2.根据权利要求1所述的设备健康状态评估方法，其特征在于，通过下述步骤构建待评估嵌套自编码器模型：
3.根据权利要求2所述的设备健康状态评估方法，其特征在于，所述根据待评估运行数据对预先构建的待评估嵌套自编码器模型进行训练，包括：
4.根据权利要求3所述的设备健康状态评估方法，其特征在于，所述利用训练集和验证集中的训练样本对待评估嵌套自编码器模型进行训练，包括：
5.根据权利要求4所述的设备健康状态评估方法，其特征在于，所述利用训练集和验证集中的训练样本对待评估嵌套自编码器模型进行训练，还包括：
6.根据权利要求3所述的设备健康状态评估方法，其特征在于，所述对待评估运行数据进行预处理，将第一数量的待评估运行监测数据组划分成第二数量的训练样本，包括：
7.根据权利要求6所述的设备健康状态评估方法，其特征在于，所述基于预设滑动时间窗对更新后的第一数量的待评估运行监测数据组进行数据分割，得到第二数量的训练样本，包括：<...
【技术特征摘要】
1.一种基于多变量相关特征网络的设备健康状态评估方法，其特征在于，所述设备健康状态评估方法包括：
2.根据权利要求1所述的设备健康状态评估方法，其特征在于，通过下述步骤构建待评估嵌套自编码器模型：
3.根据权利要求2所述的设备健康状态评估方法，其特征在于，所述根据待评估运行数据对预先构建的待评估嵌套自编码器模型进行训练，包括：
4.根据权利要求3所述的设备健康状态评估方法，其特征在于，所述利用训练集和验证集中的训练样本对待评估嵌套自编码器模型进行训练，包括：
5.根据权利要求4所述的设备健康状态评估方法，其特征在于，所述利用训练集和验证集中的训练样本对待评估嵌套自编码器模型进行训练，还包括：
6.根据权利要求3所述的设备健康状态...
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。