[发明专利]一种基于多属性的设备性能退化评估方法

说明书

本发明公开了一种基于多属性的设备性能退化评估方法，使用三层小波包分解算法对设备的性能退化数据样本进行分析，并将得到的第三层节点的能量特征作为设备性能退化的特征向量，实现数据变化的多尺度特征提取；然后，基于K‑means聚类方法对设备正常状态下的特征集进行聚类分析，获得设备正常状态的聚类中心、最大聚类半径及其最大夹角，融合三者作为设备性能退化状态评估的基准；构建能够描述设备运行状态变化的距离和夹角，并基于此建立设备退化状态的度量指标，最终实现设备性能退化的有效分析。本发明能够准确及时地分析设备性能退化程度，有针对性地制定设备的维护计划或者替换计划。

技术领域

本发明属于设备安全技术领域，具体涉及一种基于多属性的设备性能退化评估方法。

背景技术

设备在服役运行过程中由正常到完全失效会经历一系列不同程度的性能退化状态，为了保障设备的安全、可靠运行，需要通过退化过程的监测，准确及时地分析其性能退化程度，有针对性地制定设备的维护计划或者替换计划。因此，利用设备服役过程中性能监测数据进行设备性能退化的分析语评估，对于防止因设备失效而带来事故损失具有重要的意义，也是目前研究的热点问题。

在实际中常利用设备的全寿命周期数据对相关算法和参数模型进行训练，得到设备的性能退化模型，实现退化评估。然而在实际中，设备运行周期长且失效样本难以收集，其数据具有不完备性，即所获得的数据仅仅包括正常模式及使用过程中退化模式数据。针对这种情况，人们提出了利用设备正常状态数据建立起评估基准，使用设备当前状态与基准之间的偏离程度来计算设备的性能退化程度。然而，现有方法多从单一属性的角度(如距离)描述退化数据与正常状态数据之间的偏离程度，缺乏从多个属性角度进行相似性度量分析，其有效性难以保证；同时设备正常状态下数据特征的有效表征将是分析性能退化的基准，现有方法缺乏从数据变化的总体特征进行考虑，从而难以保证正常状态表征的有效性。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于多属性的设备性能退化评估方法，分析结果精度更高，能够更早地发现设备的早期故障，促进设备服役质量的提升。

本发明采用以下技术方案：

一种基于多属性的设备性能退化评估方法，使用三层小波包分解算法对设备的性能退化数据样本进行分析，并将得到的第三层节点的能量特征作为设备性能退化的特征向量，实现数据变化的多尺度特征提取；然后，基于K-means聚类方法对设备正常状态下的特征集进行聚类分析，获得设备正常状态的聚类中心C、最大聚类半径D及其最大夹角α，融合三者作为设备性能退化状态评估的基准；构建能够描述设备运行状态变化的距离d和夹角β，并基于此建立设备退化状态的度量指标DI，最终实现设备性能退化的有效分析。

具体的，对设备样本数据进行小波包变换提取第三层节点的能量作为特征向量具体如下：

利用小波包变换对设备的数据样本进行分解，将其分解成低频部分与高频部分，当分解到第3层时得到8个节点，将每个节点的小波包能量作为数据的特征。

进一步的，每一节点对应一个子频带，对第j尺度上的第i节点进行小波包数据重构，得到重构数据为r_ji，定义该节点能量E_ji如下：

式中，N为节点i的数据点总数，l为分解节点i数据的第l个点，r_ji是第j层上节点i的第l个小波包系数。

具体的，使用K-means聚类算法获得设备正常状态的聚类中心C及最大聚类半径D，并求取其最大夹角α如下：

式中，CA为聚类中心C到设备正常状态最大聚类半径状态点A处的欧氏距离，OC为原点O到聚类中心C的欧式距离。

具体的，设备运行状态变化的距离d和夹角β如下：