[发明专利]基于大数据分析的设备失效模式诊断特征参量分析方法

说明书

本发明涉及基于大数据分析的设备失效模式诊断特征参量分析方法。本发明先通过检验样本获得设备的失效或故障模式，进一步通过极大似然估计后的函数f对特征参数求偏导数，通过偏导数绝对值的大小来判定特定失效或故障模式中不同特征参数的重要度。即通过对偏导数绝对值进行排序，就可以识别出设备失效或故障模式的关键特征参量，这为开展设备的失效或故障模式诊断指明了方向。

技术领域

本发明属于设备运行维护领域，具体是涉及基于大数据分析的设备失效模式诊断特征参量分析方法。

背景技术

设备在长周期运行过程中，由于一个或多个部件发生损伤，进而引发失效往往会影响设备功能的实现。常规的设备失效或故障诊断中，通常是通过对设备外在运行参数的监测(如振动监测、速度监测、温度监测、压力监测、流量监测、噪声水平监测等)，从引发这些失效的机理出发研究判定设备可能发生的失效或故障模式，进一步利用部件损伤或失效的类型与被监测参数之间的对应关系判定设备发生失效的部位或部件。这种传统的故障诊断方法在设备的失效或故障分析与诊断中占主导地位。当设备涉及复杂的流固耦合、或设备中部件数量多、部件相互耦合强烈时，由于很难建立信号特征与失效部位或部件的直接对应关系，往往导致设备失效/故障的误诊断或关键影响因素的误分析。

发明内容

为了解决上述技术问题，本发明提供基于大数据分析的设备失效模式诊断特征参量分析方法。

为了实现本发明的目的，本发明采用了以下技术方案：

基于大数据分析的设备失效模式诊断特征参量分析方法，包括以下步骤：

步骤1、设备分类判断：

步骤1-1、对设备进行监测并获得N个表征设备运行状态的特征参数，所述N个特征参数构成一组矩阵并记为

步骤1-2、通过上述N个特征参数，确定设备属于W种失效或故障模式中的一种并记为C_β，即C_β∈{C₁,C₂,...,C_β,...,C_w}，其中{C₁,C₂,...,C_β,...,C_w}表示W种失效或故障模式的集合，其中1≤β≤W；

步骤1-3、将上述包含N个特征参数且失效或故障模式为C_β的样本记为式中为的转置矩阵；

步骤1-4、对于由M组样本构成的样本集以及每组样本对应的失效或故障模式用以下样本矩阵形式表示为：

式(1)中k_i＝1,2,...,W；C_ki为第i组样本矩阵对应的设备失效或故障模式；

步骤1-5、假设上述样本集中隶属于相同失效或故障模式的样本数量有M₂组且1≤M₂≤M，并将这M₂组样本的失效或故障模式记为C_k，1≤k≤W，那么这M₂组样本以及每组样本对应的失效或故障模式用以下子样本矩阵形式表示为：

上述子样本矩阵T₁展开后如下：

式(2)中，样本矩阵T₁中任意特征参数表示为x_i,j且x_i,j表示第i组样本中的第j个特征参数；这M₂组样本中，第j个特征参数的均值表示为：

通过式(3)计算获得M₂组样本中所有特征参数的均值向量