[发明专利]基于隐半马尔科夫模型的设备状态动态自适应报警方法

说明书

技术领域

本发明涉及一种设备状态动态自适应报警方法，尤其涉及一种基于隐半马尔科夫模型的设备状态动态自适应报警方法。 

背景技术

目前企业中使用 的各种设备等级评定标准都是一些绝对标准，如ISO-2372震动烈度标准等，这些标准所规定的报警阈值都是静态的，难以对特定工作环境下的特定设备做相应的调整。这就造成了特定设备在磨损损坏之前或者之后进行维修或者更换，这样前者造成了不必要的浪费，后者则会对生产造成影响。 

而自适应报警技术是要随着设备的工作条件、工作时间、功率、速度等实际情况变化而变化，建立报警指标与设备运行情况的动态评判规则，形成一条变化的动态报警曲线。中国专利公开书CN1472674A公开了一种基于概率模型的设备状态动态自适应报警方法，通过设备运行的动态数据，使用概率神经网络自学习构件设备状态的概率模型，动态描述设备状态的变化规律，形成设备运行的自适应报警曲线。这样的方法需要大量的历史运行数据来通过概率神经网络自学习法构建设备状态的概率模型，且直接通过原始数据建模，造成浮动较大，报警信息不是十分准确。 

发明内容

本发明所要解决的技术问题是提供一种基于隐半马尔科夫模型的设备状态动态自适应报警方法，该报警方法需要历史数据较少、报警准确。 

为解决上述技术问题，本发明所采用的技术方案是： 

一种基于隐半马尔科夫模型的设备状态动态自适应报警方法，其特征在于包含以下步骤：

A.     根据设备历史数据，以相同时间长度将数据分成若干段，对每段提取特征信息作为观测值，作为隐半马尔科夫训练和状态识别的观测序列，观察序列组数为K组；

B.     基于Baum-Welch算法训练隐半马尔科夫模型，分别建立设备正常状态和各级退化状态的隐半马尔科夫模型；

C.     基于库尔-莱贝尔信息距离定义每个退化状态相对于正常状态的偏离程度，作为设备的性能退化指标DI；

D.     设定观测序列的最小长度N，设备运行一段时间，设备正常状态的DI满足N的时候，计算DI的平均值和标准差，从而通过极限误差法原理得到正常状态报警线的上下阈值；

E.      随着设备运行的时间推移，不断得到新的DI值，若新的DI值落在正常状态报警线的上下阈值内，则将新的DI值加入到正常的DI序列，重新计算DI序列的平均值和标准差；

F.      当有连续K个DI值落在正常状态报警线的上下阈值外时，设备偏离正常状态，进入退化阶段一，触发一级报警；然后退化阶段一的DI序列长度达到N时，按照步骤D和步骤E的方法得到新的DI并计算其平均值和标准差，确定退化阶段一的报警线的上下阈值；当有连续K个DI值落在退化阶段一的上下阈值外时，设备偏离退化状态一，进入退化状态二，触发二级报警；

G.     随着新的DI值的不断调整，设备运行状态按照步骤F的规律进入退化状态三、退化状态四直至退化状态M，退化状态M为根据历史数据得出的设备运行需要维修的阶段；

H.     当DI值进入到退化阶段M时，进行报警，提醒工作人员按照实际情况进行检修或停机等处理。

采用这样的技术方案，通过历史数据隐半马尔科夫模型，并通过计算得出性能退化指标DI的曲线，确定设备各个阶段的报警阈值，来最终确定报警门限，实现设备运行状态的自适应报警。与传统的绝对指标的报警方式相比，本发明的报警方法具有自动获取报警阈值的功能，方法灵活，报警准确，而且基于隐半马尔科夫模型的方法，所需历史数据较少，便于操作。 

  

具体实施方式

隐半马尔科夫模型简称HSMM。本发明的基于隐半马尔科夫模型的设备状态动态自适应报警方法以轴承的使用为例，主要包含以下步骤： 

A.  根据轴承寿命的历史数据，以相同的时间长度将数据分成若干段，对每段提取特征信息作为被测轴承运行状态的观测值，所有观测值组成观测序列，作为HSMM训练和状态识别的观测序列，观测序列组数为K组;