[发明专利]一种基于使用与维修影响的旋转机械设备健康状态综合评估方法

权利要求书

1.一种基于使用与维修影响的旋转机械设备健康状态综合评估方法，其 特征在于，包括以下步骤：

采集旋转机械设备在工作状态下的监测数据；

采集旋转机械设备的役龄、工况和维修活动数据；

利用所采集的监测数据，基于小波包分解与自组织映射网络评估旋转机 械设备的固有健康度；

在所得到的固有健康度基础上，利用所采集的役龄和工况数据，构建比 例退化模型；

在所构建的比例退化模型的基础上，基于所采集的维修活动数据构建比 例健康恢复模型；

根据最近一次维修活动后瞬间恢复的综合健康度，减去最近一次维修活 动后随时间变化综合健康度的退化，获得综合健康度。

2.根据权利要求1所述的基于使用与维修影响的旋转机械设备健康状态 综合评估方法，其特征在于，所述评估旋转机械设备的固有健康度包括以下 步骤：

(1)自组织映射网络的初始化

设定自组织映射网络最大训练长度及自组织映射网络中总的神经元的个 数d，网络中总的神经元的个数d根据样本量k按公式设定：

d=[5*k]]]>

随机对n个输入神经元到输出神经元的连接权值赋予权值；

(2)确定最佳匹配单元

获取传感器数据，利用小波包分解提取能量特征，构成训练特征数据集， 从训练数据集中选取一个样本x，计算样本与每个输出节点之间的欧氏距离， 计算与样本x距离最近的输出节点作为输入样本的最佳匹配单元m_c，最佳匹 配单元的邻接神经元集合：

||x-mc||=mini{||x-mi||}---(1)]]>

(3)权值的学习

根据邻域函数确定处于最佳匹配单元邻域内的节点，确定最佳匹配单元 及邻域内节点的权值：

w_i(t+1)＝w_i(t)+α(t)h_ci(t)(x(t)-w_i(t))(2)

其中，w_i(t)为第t步的i节点的权值；α(t)为第t步的学习率，为随时间 逐渐下降的[01]区间上的函数；h_ci(t)为邻域函数；

(4)确定是否达到预先设定的要求

如果未达到最大训练长度，则返回步骤(2)继续训练，否则训练结束；

(5)应用SOM的健康表征

计算实时能量特征数据D与最佳匹配单元之间的距离得到最小量化误 差：

MQE＝||D-m_BMU||(3)

式中，D为输入的测试样本向量，m_BMU为最佳匹配单元的权重，

对最小量化误差进行归一化：

CV=1-arctan(MQE/a)/(π/2)---(4)]]>

式中，a为尺度参数，由正常基准状态下的最小量化误差和设定的基准值 CV确定，a能够自适应地调节设备的固有健康度的变化，实时监测评估的固 有健康度可标示为hi(t)。