一种基于数据驱动的设备动态可靠性评估方法

摘要

本发明涉及一种基于数据驱动的设备动态可靠性评估方法，属于可靠性评估领域，该方法包括以下步骤：对设备运行状态的监测数据实时进行特征值提取，利用设备特征自检模块对设备特征自动分类识别，根据设备实时状态偏移度和基准可靠度做出量化的动态可靠性评估结果。本发明针对机电设备关键传动部件难以准确评估失效趋势的情况，以数据驱动的方式，构建了设备特征自检模块和动态可靠性评估模型，在设备可靠性与设备历史数据及当前监测数据之间建立起了关系，能够量化表征设备的可靠性状态变化，实现设备动态可靠性准确评估，具有提前发现设备故障隐患、减少事故发生的效果，经济效益和社会效益显著。

说明书

技术领域

本发明属于可靠性评估技术领域，尤其涉及一种基于数据驱动的设备动态可靠性评估方法。

背景技术

随着现代科学技术的迅速发展，船舶机电设备日益朝着复杂化、高速化、重载化、高级化等高度自动化的方向发展，造成船舶机电设备日益复杂，零件数目显著增加，零部件之间的联系更加紧密。“退化”是指能够引起设备性能发生变化的一种物理或化学过程，这一变化随着时间逐渐发展，最终导致设备失效。一旦某一部分发生故障，都会造成巨大的经济损失和人员伤亡事故的发生，船舶机电设备正常状态所花的维修费用和停机损失，在成本中所占的比例越来越大，设备故障或事故引起的损失不断增加，设备可靠性评估受到了越来越多的关注。同时，设备任务剖面和运行状态逐渐变得个性化、多样化，使设备动态可靠性评估的重要性日益突出。

但是传统的可靠性评估理论，如失效模式及影响与危害度分析(Failure Mode，Effect and Criticality Analysis，FMECA)、可靠性框图模型(Reliability BlockDiagram，RBD)、故障树分析(Fault Tree Analysis，FTA)等，都是从静态的角度去研究系统的，无法建立起可靠性与历史观测数据及当前实时监测数据之间的联系，难以准确估计出运行状态变化中系统的可靠性。而从动态角度评估的方法，如回归分析法、马尔可夫过程分析法和时间序列分析法等，都是通过建立在大量的先验分布假设的基础上的，精度和适应性不高，应用场景受限制。

发明内容

为解决现有方法的不足，针对船舶机电设备轴承、齿轮等关键传动部件难以评估实时可靠性的问题，本发明提出了一种基于数据驱动的设备动态可靠性评估方法，通过构建神经元网络对故障设备在故障发生前后的历史监测数据的特征值进行自动学习训练，用训练后的模块实时监测正常设备运行数据的特征值偏移量，实现了对设备的动态可靠性评估。

一种基于数据驱动的设备动态可靠性评估方法，包括以下步骤：

对设备运行状态的监测数据实时进行特征值提取，得到实时数据样本；

利用设备特征自检模块对所述实时数据样本自动分类识别，并计算得到待评估设备的实时状态偏移度；

根据待评估设备的所述实时状态偏移度和基准可靠度得到所述待评估设备的实时可靠度；

基于待评估设备的所述实时可靠度做出量化的动态可靠性评估结果。

进一步地，每个实时数据样本x(t)包含m种特征值：

式中，m为数据样本维度；L

进一步地，所述设备特征自检模块是一种神经元网络模块，包含输入层、输出层和权值层，经过初始化和学习训练后，用于识别设备运行时的状态特征；其中，

所述输入层的神经元输入节点数量为m；

所述输出层的神经元输出节点数量为h，每个输出节点代表一种设备状态类别；

所述输入节点与输出节点之间为全连接，输出节点之间为全连接；

所述权值层，为输入层神经元节点与输出层神经元节点之间全连接的权值矩阵w(t)：

其中，w(t)为一个m×h的权值矩阵，代表t时刻设备特征自检模块的状态；w

进一步地，所述设备特征自检模块的学习训练，是对所述权值矩阵w(t)进行自动优化的过程，所述学习训练包括：

执行一次学习训练过程：某时刻t从历史数据样本集X中随机提取一个数据样本x

在未满足学习结束条件时，重复执行所述一次学习训练过程；

当满足学习结束条件时，所述设备特征自检模块结束学习训练；

所述学习结束条件，包括训练次数达到最大训练长度和学习率趋于0，满足其中之一即满足学习结束条件。

进一步地，所述历史数据样本集X为：

选取P个与被监测设备的部件同类型的故障失效部件，k为失效部件序号，从第k个失效部件的历史数据样本x

进一步地，所述对数据样本自动分类识别，包括：

将数据样本x(t)输入到所述设备特征自检模块的输入层，得到m

计算数据样本x(t)与所述设备特征自检模块的各个输出节点输出值的欧氏距离为||x(t)-m

进一步地，所述权值自动学习的方法为：

按照所述设备特征自检模块输出节点的顺序，依次调整与第j个输出节点相连的权值，从而实现权值矩阵w(t)的自动学习；其中，

对与所述获胜节点C连接的权值加强兴奋，获胜节点权值学习公式是：

w

对与非获胜节连接的权值进行抑制，非优胜节点权值学习公式是：

w

其中，w

通过上述步骤将w(t)矩阵中的权值计算完毕后，权值矩阵更新为w(t+1)，完成了一次权值自动学习过程。

进一步地，所述基准可靠度为：

式中，R

进一步地，所述状态偏移度为：

式中，a为状态偏移度；MQE为状态偏移量，代表了设备实时特征与经验特征的状态偏移程度；μ为状态偏移量MQE的均值；σ为状态偏移量MQE的标准差；

所述状态偏移量MQE:

MQE＝||y-w

其中，通过对设备运行状态的监测数据实时进行特征值提取，得到实时数据样本y，输入所述设备特征自检模块，得到所述实时数据样本y的胜利节点J，与J相连的网络层权值矩阵为w

进一步地，所述根据待评估设备的所述实时状态偏移度和基准可靠度得到所述待评估设备的实时可靠度，包括：

基于所述实时数据样本y与故障特征均值样本

若

若

其中，||y||为y的范数；

进一步地，所述基于待评估设备的所述实时可靠度做出量化的动态可靠性评估结果，包括：

对所述设备的实时可靠度设置一个经验阈值Q，当所述实时可靠度小于所述可靠度阈值时，评估设备进入失效的趋势，需要及时检查设备，替换受损零件；否则，评估设备处于正常运行状态。

本发明有益效果如下：

本发明克服了现有可靠性评估技术的缺陷，在没有普适的设备失效模型和难以准确预测失效时间的情况下，以数据驱动的方式，在设备可靠性与设备历史数据及当前监测数据之间建立起了关系，采用数据样本对神经元网络进行设备特征的学习训练，根据网络输出的状态偏移度及同类型设备的总体可靠度，建立了基于数据驱动的设备动态可靠性评估模型，较现有可靠性定性评估方法，具有动态、量化评估的优势。通过对设备的实时监测数据进行分析，基于设备特征自检模块得到的状态偏移度指标，能够量化表征设备的可靠性状态变化，在设备的全寿命周期内实现动态可靠性定量准确评估，提前发现设备故障隐患，减少事故发生，经济效益和社会效益显著。

附图说明

附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。

图1为本发明实施例工作流程图；

图2为本发明实施例设备特征自检模块训练流程；

图3实时动态可靠度趋势图。

具体实施方式

下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。

一种基于数据驱动的设备动态可靠性评估方法，结合实施例工作流程图图1所示，其包括离线的预先处理步骤和在线的实时评估步骤。

其中的离线的预先处理步骤包含以下步骤S1-S5。

具体的：

步骤S1：构建历史数据样本集

船舶机电设备运行时，数据采集系统通过对设备轴承、齿轮等关键传动部件进行信号监测、采集得到原始数据，然后对原始数据进行特征值提取。

所述特征值是从部件的振动信号的时域与频域特征中提取的某种特征值，如均方根值、峭度值、方差值等，选择m种特征值L

选取P个与被监测目标同类型的故障失效部件，从第k个失效部件的历史数据样本x

步骤S2：构建设备特征自检模块

SOM网络(Self-Organizing Feature Map，自组织特征映射网络)是一种竞争学习型神经元网络，网络通过自组织方式用大量样本数据来调整其连接权值，最后使得网络输出结果能够反映样本数据的分布情况，具有对样本进行分类的效果。

基于SOM神经元网络理论构建一种设备特征自检模块，包含：输入层、输出层和权值层；所述输入层的神经元输入节点数量为m，m即所述数据样本的特征维度；所述输出层的神经元输出节点数量为h，每个输出节点代表一种设备状态类别，至少包含设备正常和设备故障两个类别。所述输入节点与输出节点之间为全连接，输出节点之间为全连接。

所述权值层，为输入层神经元节点与输出层神经元节点之间全连接的权值矩阵w(t)：

其中，w(t)为一个m×h的权值矩阵，代表t时刻设备特征自检模块的状态；w

此时设备特征自检模块初步构建完成。

步骤S3：训练设备特征自检模块

步骤S3-1：数据样本自动分类

某时刻t从训练数据集中随机提取一个数据样本x(t)，输入到所述设备特征自检模块中，其中，第j个输出节点的输出值为m

计算所述数据样本x(t)与各个输出节点输出值的欧氏距离||x(t)-m

其中，m

经过计算和比较，数据样本x(t)得到其最佳匹配单元C，即该随机数据样本被所述设备特征自检模块自动分为C类。

步骤S3-2：权值自动学习

按照所述设备特征自检模块输出节点的顺序，依次调整与第j个输出节点相连的权值，从而实现权值矩阵w(t)的自动学习；其中，

对与所述获胜节点C连接的权值加强兴奋，获胜节点权值学习公式是：

w

对与非获胜节连接的权值进行抑制，非优胜节点权值学习公式是：

w

其中，w

通过上述步骤将w(t)矩阵中的权值计算完毕后，权值矩阵更新为w(t+1)，完成了一次权值训练学习过程。

步骤S3-3：学习结束条件

所述模块的训练过程可以看作是不断对神经元网络节点之间的权值不断进行修正的过程。

重复步骤S3-1和S3-2，直到训练次数满足以下条件之一则训练完成：

1、定义最大训练长度作为训练结束的条件，所述最大训练长度通常设置为10000，当训练次数最大训练长度，则训练完成；

2、当学习率α(t)随时间的增加而趋向0时，即α(t)→0，可认为权值学习达到最优，则训练完成。

如图2所述为本实施例设备特征自检模块的训练流程图。

至此，设备特征自检模块构建完成。

步骤S4：构建基准可靠度公式

设备的传动部件，如轴承、齿轮、轴系等，其失效分布模式采用失效分布概率密度函数f(t)表示：

式中，s为失效分布的概率密度函数中的形状参数，改变s会改变曲线形状，反映的是传动部件失效率的变化情况；u为传动部件失效分布的概率密度函数中的尺度参数，改变u影响的是传动部件失效分布的概率密度函数的缩放横坐标比例，对曲线的形状不会产生影响；t为运行时间。

步骤S1中所述P个与被评估传动部件同类型的失效部件，令T等于其中第k个失效部件的实际失效时间，可以根据失效分布概率密度函数f(t)计算出s的实际值S

式中，k＝1～P,P、e、U

在线实时评估步骤包括如下步骤S6-S9。

具体的：

步骤S6：获取实时数据样本y

对设备运行状态的监测数据实时进行如步骤S1所述的特征值提取，得到实时数据样本y。

步骤S7：计算实时状态偏移度a

将实时数据样本y输入训练好的设备特征自检模块，执行步骤S3-1，得到所述实时数据样本y的胜利节点J，与节点J相连的网络层权值矩阵为w

计算实时数据样本y的实时状态偏移量MQE:

MQE＝||y-w

MQE代表了设备实时特征与经验特征的状态偏移量。

采用标准分数归一化方法，对MQE进行归一化处理，即通过线性变换使结果映射到[0,1]区间之间，可得到设备在每一时刻对应的实时状态偏移度a。归一化过程可用下式来表示：

式中，a为实时状态偏移度；MQE为实时状态偏移量；μ为状态偏移量MQE的均值；σ为状态偏移量MQE的标准差。

步骤S8：计算实时可靠度R(t)

将所述实时数据样本y与故障特征均值样本

实时动态可靠度R(t)的计算方法为：

若

若

其中t为被评估传动部件的累积运行时间；||y||为y的范数；

需要说明的是，当m＝1时，||y||＝y；

步骤S9：可靠性评估

对设备的实时可靠度设置一个经验阈值Q，当所述实时可靠度R(t)≥Q时，评估设备进入失效的趋势，需要及时检查设备，替换受损零件。当R(t)＜Q时，则评估设备处于正常运行状态。

进一步地，当用于不同类型的船机电设备传动部件如齿轮、轴系等时，为了更好的表征设备的退化状态，步骤S1中的基于训练数据提取的特征向量可能不会相同，如轴承的特征可能是均方根值，齿轮的特征可能是峭度值和均方根值。

测试方法实施例

下面以船机电设备离心泵的轴承为例，结合附图来具体描述本发明的实施过程。

第一步：取8个同类型失效轴承的历史数据，该数据为每70分钟采集时长为1秒的振动数据，实际失效时间T分别为：381，403，343，357，319，339，304，300，失效时间的单位为每70分钟，例如失效时间381实际为381×70分钟。

第二步：提取所述8个轴承的振动数据的均方根值作为表征轴承退化的特征值，此时，训练数据样本维数m＝1，每个均方根值即是一个数据样本，见下表所示。

表1失效轴承的数据样本

取1～7号轴承的数据样本作为训练样本集，8号轴承的数据样本为测试样本。

根据表中1个～7号轴承实际失效时间T对应的均方根值，可计算故障特征均值样本

第三步：配置设备特征自检模块，使其输入层的神经元输入节点数量为m＝1，1即数据样本维度；使其输出层的神经元输出节点数量为2，代表设备正常和设备故障两个类别；所述输入节点与输出节点之间为全连接，输出节点之间为全连接。

第四步：将上述训练样本集输入设备特征自检模块进行训练学习，当学习率收敛时，训练结束，得到构建好的设备特征自检模块。

第五步：根据1-7号轴承数据，可以通过失效分布概率密度函数f(t)得到轴承失效分布的形状参数s的实际值S

第六步：由于8号轴承前期无退化趋势，选取第8号轴承的第120至350时刻的数据作为测试数据样本y。

第七步：将上述测试数据样本y输入构建好的设备特征自检模块中，根据式MQE＝||y-w

表2 8号轴承的a值表

第八步：根据第五步得出的基准可靠度R

第九步：如图3所示，动态可靠度经验阈值为0.6，动态可靠度曲线在第300时刻开始低于阈值，与第8号轴承实际的失效时间相符。

从图3中可以发现，第8号轴承在实际失效时间前已经存在可靠度下降趋势，并在第260时刻前后接近失效状态，后又恢复正常，表明轴承在第260时刻前后即已经产生微小缺陷，这期间应停机检查，更换新轴承，避免突发事故。

测试结果表明，本方法可以有效监控设备失效趋势，具有能动态监测、量化可靠性趋势的优点，性能达到预期效果。相较于目前同行业的其他方法，本方法智能化程度高、适用性强，在确保测试质量的同时还能大大提高测试效率。

上述实例仅是以船机电设备离心泵的轴承为例来具体描述本发明的实施过程，本发明是一种通用的动态可靠性评估方法，不局限于轴承。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。