[发明专利]一种复杂机械设备多工况故障预测方法

说明书

技术领域

本发明涉及一种机械设备故障预测方法，特别是关于一种复杂机械设备多工况故障预测方法。

背景技术

随着科学技术和工业发展，机械设备向着大型化、高速化、复杂化发展。因此，现在企业生产对设备及系统的可靠性、连续性、经济性等要求日益提高，在以往对设备及系统故障进行有效诊断和提出解决方案的基础上，进一步要求，在故障只出现微小异常征兆时即可实现对故障进行预报并提出相应紧急处理措施。故障预测的方法有多种多样，其中统计过程监控技术已经发展20余年，并且广泛应用于工业过程的故障检测、诊断和估计等。在最近的研究中，基于主元分析（Principal Component Analysis，PCA）的故障估计方法被成功用于故障预测中，但对于多工况过程的数据，基于主元分析的故障估计方法却不能够非常准确地进行故障预测，当复杂系统运行在多个工况时，变量之间的关系会根据系统当前的工作模式发生相应的变化，如果按照单工况的数据模型描述系统，会造成大量的误报和漏报。因此需要针对多工况过程的数据提出新的故障预测方案。

发明内容

针对上述问题，本发明的目的是提供一种复杂机械设备多工况故障预测方法，该方法的预测精度较高，能有效避免故障误报和漏报情况，避免了不同工况下同一种故障的估计误差。

为实现上述目的，本发明采取以下技术方案：一种复杂机械设备多工况故障预测方法，其包括以下步骤：1）针对多工况过程建立多PCA模型，并针对每个PCA模型计算出其相应的检测指标Hotelling’s T²统计量和SPE，其中Hotelling’s T²统计量简称T²统计量；（1）假设x∈R^m表示具有m个测量变量的样本向量，正常运行时的样本有n个；数据矩阵X∈R^n×m由n个样本组成，其中每一行代表了一个样本，每一列代表了一个测量变量共有n次采样；将数据矩阵X各列经过标准化处理成零均值和单位方差的变量，得到进行标准化后的样本x的协方差矩阵S，并对该协方差矩阵特征值分解并按大小降序排列；协方差矩阵S为：

S=cov(x)≈1n-1XTX;]]>

（2）PCA模型将样本矩阵X∈R^n×m分解成建模部分和残差部分E两个部分：，其中，表示被建模部分；E表示残差部分；P∈R^m×A为负载矩阵，是由S的前A个特征向量组成的，A表示主元的个数；T∈R^n×A为得分矩阵，T=XP；（3）根据已有的测量变量在每个稳态工况下的历史数据建立相对应的主元模型，组成包含所有工况的多主元模型：，其中，q表示稳定工况个数；（4）在多PCA模型中，针对每个PCA模型需要计算出其相应的检测指标T²统计量和SPE，用SPE指标衡量样本向量在残差空间投影的变化，用T²统计量衡量测量变量在主元空间中的变化；2）采用随时间加权算法对多PCA模型中的各个T²统计量和SPE两检测指标进行优化，并根据优化后的检测指标T²统计量和SPE对机械设备进行故障检测，检测得到过渡过程机械设备的故障数据：（1）将多工况过渡过程中的上一工况的权重w₁分和下一工况的权重w₂分别取为：

w1=t-t1Δt,]]>