[发明专利]一种设备变工况运行风险评估方法

权利要求书

1.一种设备变工况运行风险评估方法，其特征在于该方法包括以下步骤：

步骤一、设备运行参数的提取与基于信息熵的运行参数特征融合：

步骤101、设备运行参数提取：

步骤1011、提取设备工艺信号运行参数：获取设备工艺信号运行参数的特征值其中，x_j(t_i)表示第j个设备工艺信号运行参数在第i个测试序列中t_i时刻时传感器采集到的取值，w表示测试序列宽度，1≤j≤n，n为不小于1的正整数；

步骤1012、提取设备振动信号运行参数：获取设备振动信号运行参数的特征值其中，x_n+h(t_i)表示第h个设备振动信号运行参数在第i个测试序列中t_i时刻时传感器采集到的取值，1≤h≤m，m为不小于1的正整数；

步骤1013、提取设备在t_i时刻运行参数特征值向量f(x_k(t_i))，其中，f(x_k(t_i))＝[f(x₁(t_i)),f(x₂(t_i)),...,f(x_j(t_i)),...,f(x_n(t_i)),f(x_n+1(t_i)),...,f(x_n+h(t_i)),...,f(x_n+m(t_i))]，2≤k≤m+n；

步骤102、基于信息熵的设备运行参数特征融合:

步骤1021、获取设备运行参数特征值的方差：设备t_i时刻运行参数特征值的方差其中表示t_i时刻设备运行参数权重向量，表示t_i时刻时传感器采集到第k个设备运行参数特征值的权重，表示的均值；

步骤1022、获取设备运行参数特征值的信息熵：设备运行参数特征值的信息熵

步骤1023、融合处理：设备运行参数特征值的熵

步骤103:重复步骤101至步骤102，对每一个测试序列均进行设备运行参数提取和处理，得到设备运行参数特征值的熵向量r表示循环次数，T表示测试序列总时长，lag表示测试序列延时时长；

步骤二、建立设备正常运行状态监测模型：

步骤201、设备正常状态运行参数提取和处理：采集不同正常状态运行参数的特征值，根据步骤一得到正常状态信息熵H(P_u)＝-P_ulogP_u^T，u表示不同正常状态的编号，选择H(P_u)的极值作为正常状态极值信息熵；

步骤202、建立CHMM监测模型λ＝(π,A,B,N,M)，其中π表示隐状态的初始概率分布，A表示状态转移概率矩阵，B表示观测矩阵，N表示隐状态数，M表示每个隐状态对应的高斯混合数，表示t_i时刻的隐状态序列，C_ec表示第e个隐状态的第c个高斯元的混合系数，表示t_i时刻的观测状态序列，μ_ec表示第e个隐状态的第c个高斯元的均值，U_ec表示第e个状态的第c个高斯元的协方差矩阵，1≤d≤N，1≤e≤N，1≤c≤M；

步骤203、CHMM模型初始化：初始化参数π和A，随机设置隐状态数N和高斯混合数M的取值并随机产生概率分布，π＝[1,0,...,0,...,0]，π为N阶向量，A为左右型状态转移概率矩阵；

步骤204、初始化赋值重估：将设置隐状态数N和高斯混合数M的赋值和随机产生概率分布，送入K-means算法中，利用K-means算法对隐状态数N和高斯混合数M重估，得到重估后的隐状态数N'和重估后的高斯混合数M'；

步骤205、获得设备正常运行状态监测模型：将初始化参数π、初始化参数A、隐状态数N'和高斯混合数M'以及正常状态极值信息熵，送入Baum-Welch算法中，得到CHMM监测模型λ'＝(π,A,B,N',M')，所述CHMM监测模型为设备正常运行状态监测模型监测；

步骤三、建立设备故障运行状态监测模型：

步骤301、设备故障状态运行参数提取和处理：采集设备不同故障状态下运行参数的特征值，根据步骤1013、步骤102和步骤103，得到故障状态信息熵H(P_z)，Z表示不同故障运行状态的编号，将故障状态信息熵H(P_z)代入设备运行状态监测模型λ'＝(π,A,B,N',M')中，并利用Forward-Backward算法得到Z个极大似然估计值；

步骤302、建立设备故障运行状态监测模型：选用径向基函数作为需建立SVM回归模型的核函数，将极大似然估计值和故障状态信息熵H(P_z)送入ε-SVM回归模型中得到SVM回归模型，所述SVM回归模型为设备故障运行状态监测模型；

步骤四、建立基于CHMM-SVM的设备变工况状态监测模型：

步骤401、变工况状态运行参数提取和处理：采集设备不同变工况状态运行参数的特征值，根据步骤1013、步骤102和步骤103，得到变工况信息熵H(P_s)，S表示不同变工况运行状态的编号；

步骤402、将设备运行参数送入CHMM监测模型：将变工况信息熵H(P_s)送入CHMM监测模型λ'＝(π,A,B,N',M')，CHMM监测模型λ'＝(π,A,B,N',M')输出为对数极大似然估计值表示t_i时刻时设备运行状态下观测序列在设备运行状态监测模型λ'中出现的概率；

步骤403、将设备运行参数送入SVM回归模型：将变工况信息熵H(P_s)和CHMM监测模型输出值送入SVM回归模型，SVM回归模型输出为表示t_i时刻设备运行状态下观测序列在设备故障运行状态监测模型中出现的概率；

步骤404、设备变工况状态监测模型输出：设备变工况状态监测模型输出G表示设备在变工况的正常运行情况下和自身故障的情况下设备运行状态的变化；

步骤五、基于D-S理论的设备运行风险评估输出：

步骤501、建立设备故障因素集：将导致设备状态改变的故障原因集合定义为因素集U，U＝[U₁,U₂,...,U_g,...,U_a]，其中U_g表示第g个导致设备运行状态改变的一级故障因素，U_g＝[U_g1,U_g2,...,U_gf,...,U_gb]，U_gf表示第g个一级故障因素下细化的第f个二级故障因素，其中，1≤g≤a，a为不小于1的正整数，1≤f≤b，b为不小于1的正整数；

步骤502、建立设备故障因素权重集：定义权重集ω＝[ω₁,...,ω_g,...,ω_a]，其中

步骤503、建立设备故障损失评价集：定义v个语言评判值作为一级故障因素评价集，定义w个语言评判值作为二级故障因素评价集，建立第一数轴和第二数轴，将第一数轴上的[0,1]区间平均划分为v个区间，将v个语言评判值映射到v个区间上，得到设备故障评价集S₁，将第一数轴上的[0,1]区间平均划分为w个区间，将w个语言评判值映射到w个区间上，得到单个故障因素评价集S₂，其中v和w均为不小于2的正整数；

步骤504、获取故障置信度：用指示函数对和两点进行拟合，得到第f个二级故障因素的故障置信度η_gf，其中表示设备运行状态监测模型λ'输出的第f个二级故障因素的当前对数极大似然估计值，表示设备运行状态监测模型λ'输出的第f个二级故障因素的对数极大似然估计值的历史最大值，表示设备运行状态监测模型λ'输出的第f个二级故障因素的对数极大似然估计值的历史最小值，ε表示的分布概率，D表示对应的极大似然估计值，0<ε<1，0<D<1；

步骤505、运行风险结果输出：

步骤5051、单个故障因素的风险评估：二级故障因素的风险评估值其中l_gf表示第f个二级故障因素导致的故障损失，根据二级故障因素的风险评估值r_g在单个故障因素评价集S₂的坐标位置，得到单个故障因素风险评估输出；

步骤5052、整体设备的风险评估：设备一级故障因素的风险评估值根据一级故障因素的风险评估值R在设备故障评价集S₁的坐标位置，得到设备的风险评估输出。