[发明专利]一种基于多变量估计预测的机械设备故障智能预警方法

权利要求书

1.一种基于多变量估计预测的机械设备故障智能预警方法，其特征在于，包括以下步骤：

步骤1，选取机械设备正常工作状态下的机械设备状态参数及机械设备对应的部分工况数据，建模数据子集，其中，选取机械设备正常运行下1至3个月的历史运行数据集，包括机械设备状态参数及机械设备对应的部分工况数据，其中机械设备状态参数具体包括：机械设备振动监测中各个测点的加速度峰值、速度有效值、位移峰值特征参数；机械设备对应的部分工况数据包括电机电流、电机功率、电机转速、电机负载参数；利用电机转速P对该数据集进行划分，P≤0划分为设备停机状态，对应的数据不纳入建模数据集中；P0划分为设备运行状态，对应的数据纳入建模数据集中；剔除建模数据集中的所有异常数据点，得到最终的建模子集x，将建模子集以a％:b％的比例划分建模训练数据集xtrain和模型测试数据集xtest，其中a％+b％＝100％，且有a％b％；

步骤2，对建模数据子集预处理：对建模数据子集的各个变量特征进行min-max标准化，归一化到[0,1]区间；

步骤3，构建机械设备状态参数和工况参数的预测模型：选择归一化之后的建模训练数据集建立对应的正常运行空间矩阵D；

步骤4，实测状态参数对应机械设备正常运行状态下的状态参数估计预测；

步骤5，将状态参数的实测结果与预测结果相减得到状态参数的残差值，判断残差的绝对大小和增长趋势是否超过相应的阈值，进而检测设备的故障异常并实施报警；

步骤6，判断残差结果是否超过设定阈值，如果超过设定阈值，则机械设备已经出现故障异常，需报警；反之，则机械设备为正常运行，无报警；同时判断残差的增长趋势是否超过设定趋势阈值，如果超过设定趋势阈值，则机械设备已经出现异常持续劣化的情况，需报警；反之，则机械设备无异常劣化情况，无报警。

2.根据权利要求1所述的一种基于多变量估计预测的机械设备故障智能预警方法，其特征在于，步骤2中：

归一化方法为：

其中j表示选择的变量，i表示所选择变量的序号，xji为未标准化的原始数据，xjmax为选择变量j序列的最大值，xjmin为选择变量j序列的最小值，Xji标准化后的变量值。

3.根据权利要求1所述的一种基于多变量估计预测的机械设备故障智能预警方法，其特征在于，步骤3中：

D的构建方法：

式中，D的每一列表示建模数据子集的一个正常状态样本，它由n个变量构成，D一共有m个样本集；

式(1)中表示计算两向量之间的欧式距离，以计算X，Y两向量之间欧式距离为列说明，

计算公式如下：

将预留的测试数据集Xtest输入模型，通过下式(1)计算得到对应的预测结果Xpredict；

接下来检验测试数据集的预测误差是否满足要求，设置状态参数的预测相对误差小于等于2％，工况参数预测相对误差小于等于5％，预测误差满足要求则表明构建的模型满足应用要求，若预测误差不满足要求，则需要继续修正建模，然后重复上述步骤1、2、3，至测试集的预测误差满足要求则建模结束。

4.根据权利要求1所述的一种基于多变量估计预测的机械设备故障智能预警方法，其特征在于，步骤4中：

首先将实测状态参数和对应的实测工况参数组成的数组Xmeasure输入至预测模型中进行预测，预测计算公式如下式：

5.根据权利要求1所述的一种基于多变量估计预测的机械设备故障智能预警方法，其特征在于，步骤5中残差设定阈值计算方法如下：

选取机械设备正常运行的一段数据，将状态参数和工况参数组成的数据输入模型得到预测结果，预测计算公式和步骤4预测公式相同；将每个状态参数的实测结果和相应的预测结果相减得到残差序列，计算各个状态参数的残差均值μi和标准差σi，则各个状态参数的阈值为：

thresholdi＝μi+k×σi，其中下标i表示某一类状态参数，k表示残差报警阈值包含选取正常数据量多少的系数，且有k越大，包含的数据量越大的特点，k取值为2,3,4,5,6；

残差计算方法为：r＝Xmeasure-Xforcast。

6.根据权利要求1所述的一种基于多变量估计预测的机械设备故障智能预警方法，其特征在于，步骤6中残差的增长趋势计算方法如下：

其中rhis为包含当前时刻残差结果及之前共n个时刻的一段历史数据，n表示选取计算增长趋势数据窗口的长短，n取值为5-10；趋势阈值取值范围可以为50％～100％。