[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

说明书

一种基于多变量估计预测的机械设备故障智能预警方法，包括以下步骤：步骤1，建模数据子集；步骤2，对建模数据子集预处理：步骤3，构建机械设备状态参数和工况参数的预测模型：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；本发明基于多变量估计预测方法建立机械设备的智能预警模型，进而实现变工况机械设备故障的智能预警。相对于传统的机械设备故障预警方法，本发明具有预测精度高、预警准确度高、预警更及时的优点。

技术领域

本发明属于机械设备预警领域，特别涉及一种基于多变量估计预测的机械设备故障智 能预警方法。

背景技术

在机械设备预测性维护领域，针对机械设备的状态异常检测，传统预警方式为硬阈 值报警或趋势报警。硬阈值报警一般是根据设备类型，确定适用于该设备的振动监测参数 (位移、速度或加速度)适用的国际标准或国家标准报警阈值，并根据设备工作转速、功率等信息确定设备对应的报警阈值。有些企业根据多年积累的设备运行情况并结合工程师现场经验，会制定更加适用的企业标准报警阈值。趋势报警是监控状态监测参数的增长趋势是否超限从而实施报警。传统预警方式只适用于稳定工况设备，无法解决变化工况机械设备(比如设备电机转速变化、负载变化、电流变化等)的异常故障检测问题。

发明内容

本发明的目的在于提供一种基于多变量估计预测的机械设备故障智能预警方法，以 解决上述问题。

为实现上述目的，本发明采用以下技术方案：

一种基于多变量估计预测的机械设备故障智能预警方法，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；

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。

进一步的，步骤1具体为：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 x_train和模型测试数据集x_test，其中a％+b％＝100％，且有a％b％。

进一步的，步骤2中：

归一化方法为：